【技术实现步骤摘要】
本专利技术属于光伏发电预测，尤其涉及一种基于卫星反演数据的光伏发电短时预测方法及装置。
技术介绍
1、随着可再生能源的广泛应用，光伏发电作为其中的重要组成部分，其间歇性和不可预测性给电网的稳定运行带来了挑战。光伏发电量受天气、季节和时间的影响显著，导致供电波动，这要求电网运营商必须进行精确地预测和管理，以确保电网的稳定性和供电的连续性。目前的研究主要集中于短时和短时光伏发电功率预测，通过不同时间尺度上的预测，来帮助电网运营商快速响应光伏发电的波动情况。
2、光伏发电功率预测方法可以分为物理方法和机器学习方法。其中物理方法基于光伏电池的物理特性和光电转换原理，通过模拟太阳辐照度的传递和光伏组件发电的物理过程来预测光伏发电功率。这类方法通常需要准确的气象数据、详细的地理信息和光伏系统参数，如温度、太阳辐射和太阳辐射分布等。这种预测方法的准确性在很大程度上取决于气象数据的准确性，导致实际部署应用时存在困难。机器学习方法以人工智能算法为主，当前已有通过长短期记忆网络(lstm，long short-term memory)方法、卷积神经网络(convolutional neural networks,cnn)方法，以及cnn和lstm相组合的方法来进行光伏发电功率预测。然而，越来越多的文献表明，不同的气象数据、模型算法和超参数设置可能会导致不同的预测结果，即模型预测的准确性有待提升。例如，单独的lstm方法无法充分利用空间特征，如地理位置、地形等，而这些因素对光伏发电效率有显著影响。单独的cnn方法通常不具备处理时间序列数据
3、因此，亟须一种新型的光伏发电短时预测方法及装置，该方法及装置不仅同时考虑空间特征和时间序列特征，避免了单一模型的过拟合情况，还充分挖掘光伏发电的数据特征，从而实现光伏发电功率的准确预测。
技术实现思路
1、针对上述现有技术中存在的缺陷，本专利技术提供一种基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述方法包括：
2、步骤s1、建立光伏发电预测数据集，所述光伏发电预测数据集包括卫星反演数据、气象数据以及光伏发电历史数据；
3、步骤s2、对所述光伏发电预测数据集进行预处理；
4、步骤s3、构建光伏发电短时预测混合模型，所述光伏发电短时预测混合模型包括卷积神经网络-长短期记忆网络(cnn-lstm)模块、lstm模块和特征融合模块，所述cnn-lstm模块的输出端和所述lstm模块的输出端均连接至特征融合模块；
5、其中，所述cnn-lstm模块用于对所述预处理后的所述卫星反演数据进行处理，基于所述卫星反演数据得到光伏发电短时预测第一结果；所述lstm模块用于对所述预处理后的所述气象数据和所述光伏发电历史数据进行处理，基于所述气象数据和所述光伏发电历史数据得到光伏发电短时预测第二结果；所述特征融合模块用于将所述光伏发电短时预测第一结果和所述光伏发电短时预测第二结果进行融合，以得到最终的预测结果；
6、步骤s4、基于所述光伏发电预测数据集对所述光伏发电短时预测混合模型进行训练，迭代至损失函数收敛；
7、步骤s5、获取目标光伏发电站的卫星反演数据、气象数据和光伏发电历史数据；
8、步骤s6、将所述目标光伏发电站的卫星反演数据、气象数据和光伏发电历史数据进行预处理后，输入至训练好的上述光伏发电短时预测混合模型，得到所述目标光伏发电站的光伏发电短时预测结果。
9、进一步的，所述预处理包括缺失值处理、数据归一化、增强型迪基-富勒测试以及自相关测试。
10、进一步的，所述增强型迪基-富勒测试，具体为：
11、s21：按照下式检验所述光伏发电预测数据集yt的单位根：
12、
13、其中，δyt是所述光伏发电预测数据集yt的一阶差分；α是待检验的参数，如果α＝0，则表示所述光伏发电预测数据集yt存在单位根，是非平稳的；是滞后项系数，p是滞后项的数量，βt是时间趋势项，∈t是误差项；
14、s22：使用最小二乘法估计上式中的α、β和
15、s23：计算所述增强型迪基-富勒测试的统计量，如下式所示：
16、
17、其中，是α的估计值，是的标准误差；
18、s24：将计算得到的上述统计量adfsta与临界值进行比较，若adfsta小于0.05，则所述光伏发电预测数据集yt为平稳数据；如果adfsta大于0.05，则所述光伏发电预测数据集yt为非平稳数据；
19、s25：对于非平稳数据，采用差分方法消除所述光伏发电预测数据集yt的时间序列依赖性，之后转入步骤s21继续计算adfsta，直至确认上述数据集为平稳数据。
20、进一步的，在进行所述增强型迪基-富勒测试后，继续进行自相关测试，具体为：
21、s26：按照下式进行自相关测试：
22、
23、其中，h为滞后时刻，cov为协方差计算，var(yt)是所述光伏发电预测数据集yt时间序列上的方差；
24、s27：判断上述计算结果acf(h)是否超出预设置信区间阈值，在超出所述预设置信区间阈值的情况下，认为所述光伏发电预测数据集yt满足时间序列的相关性要求。
25、进一步的，所述cnn-lstm模块首先通过cnn层提取所述卫星反演数据的空间特征，并将得到的特征图映射到lstm层，所述lstm层用于提取时间信息以进行时间序列预测，最后，通过全连接层得到所述光伏发电短时预测第一结果。
26、进一步的，所述cnn-lstm模块得到所述光伏发电短时预测第一结果的具体过程如下：
27、步骤s311：所述cnn层通过卷积和激活函数处理所述卫星反演数据：
28、ocnn＝relu(wcnn*x+bcnn)；
29、其中，x为所述卫星反演数据，wcnn和bcnn分别是cnn层的权重和偏置，*表示卷积操作，relu表示修正线性激活单元函数；
30、步骤s312：采用池化操作降低特征维度，即：
31、p＝pooling(ocnn)；
32、其中，pooling表示池化操作；
33、步骤s313：将cnn层的输出p作为lstm层的输入，所述输出p的维度为d×t，其中d是特征深度，t是时间序列步长，lstm层进行处理并输出每个时间步的隐藏状态ht：
34、ht＝lstm(p，ht-1)；
35、其中，ht是时间步t的隐藏状态，lstm表示lstm单元的运算，ht-1是前一时间本文档来自技高网...
【技术保护点】
1.一种基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述预处理包括缺失值处理、数据归一化、增强型迪基-富勒测试以及自相关测试。
3.根据权利要求2所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述增强型迪基-富勒测试，具体为：
4.根据权利要求3所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，在进行所述增强型迪基-富勒测试后，继续进行自相关测试，具体为：
5.根据权利要求1所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述CNN-LSTM模块首先通过CNN层提取所述卫星反演数据的空间特征，并将得到的特征图映射到LSTM层，所述LSTM层用于提取时间信息以进行时间序列预测，最后，通过全连接层得到所述光伏发电短时预测第一结果。
6.根据权利要求5所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述CNN-LSTM模块得到所述光伏发电短时预测第一结果的具体过程如下：
7.根
8.一种基于卫星反演数据的光伏发电短时预测装置，其特征在于，所述装置包括：
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的基于卫星反演数据的光伏发电短时预测方法。
10.一种电子设备，所述电子设备包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实现如权利要求1至7任意一项所述的基于卫星反演数据的光伏发电短时预测方法。
...【技术特征摘要】
1.一种基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述预处理包括缺失值处理、数据归一化、增强型迪基-富勒测试以及自相关测试。
3.根据权利要求2所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述增强型迪基-富勒测试，具体为：
4.根据权利要求3所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，在进行所述增强型迪基-富勒测试后，继续进行自相关测试，具体为：
5.根据权利要求1所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述cnn-lstm模块首先通过cnn层提取所述卫星反演数据的空间特征，并将得到的特征图映射到lstm层，所述lstm层用于提取时间信息以进行时间序列预测，最后，通过全连接层得到所述光伏发电短时预测第一结果。
6.根据权利要求5所述的基于卫星反演数据的光伏发电短时预测方法，其特征在于，所述cnn-lstm模块得到所述光伏发电短时预测第一...
【专利技术属性】
技术研发人员：朱长荣，杨贺然，马杰，
申请(专利权)人：国网冀北综合能源服务有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。