System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于数据驱动的台区分布式光伏出力预测方法及系统技术方案_技高网

基于数据驱动的台区分布式光伏出力预测方法及系统技术方案

技术编号:44649020 阅读:3 留言:0更新日期:2025-03-17 18:38
本申请涉及光伏出力预测技术领域,其具体地公开了一种基于数据驱动的台区分布式光伏出力预测方法及系统,其能使用基于人工智能和深度学习的数据处理和分析算法来对这些环境因素时序数据集进行基于变分模态分解的时序关联分析,以此来提取出环境因素多变量时序隐含关联特征信息,同时捕获到光伏输出功率的时序特征。进一步,再利用环境因素的多变量时序关联语义和光伏输出时序语义之间的交互响应性特征信息来进行台区分布式光伏出力预测,得到最终的光伏输出功率短时预测值。这样,不仅考虑了环境因素对光伏出力的影响,还通过特征工程和深度学习模型进一步提升了光伏出力预测的准确性与可靠性,为智能电网的能量管理和调度提供了有力支持。

【技术实现步骤摘要】

本申请涉及光伏出力预测,且更为具体地,涉及一种基于数据驱动的台区分布式光伏出力预测方法及系统


技术介绍

1、随着全球对可再生能源的需求不断增加,分布式光伏发电系统作为清洁、环保的能源解决方案之一,得到了广泛的应用和发展。然而,由于太阳能资源的间歇性和随机性,光伏系统的输出功率也具有相应的波动性和不确定性,这对电网的稳定运行和能量管理提出了挑战。

2、为了提高电网的适应性和稳定性,以及优化分布式光伏发电系统的运行效率,准确预测光伏出力变得至关重要。传统的光伏出力预测方法多依赖于物理模型,即基于太阳位置、天气条件等参数进行理论计算。但是,这些方法通常需要详细的设备参数,并且在复杂多变的实际环境中可能不够精确。具体来说,传统模型往往未能充分考虑到影响光伏出力的关键环境因素,如太阳辐照度、组件温度和大气压力等。而这些因素对光伏出力有着直接的影响,忽视它们会导致预测结果偏差较大。同时,光伏功率与多元环境信息之间存在非线性关系,传统模型难以有效捕捉这种复杂的动态变化,特别是在面对输入变量增多的情况下,容易出现过拟合问题,限制了预测精度的提升。此外,由于光伏发电功率的不稳定性和明显的间歇波动特点,当季节变化或昼夜更替引起气候变化时,传统模型不能灵活调整,无法反映不同季节、不同时段内光伏出力的规律性趋势,导致传统的光伏出力预测方式难以有效进行预测。

3、因此,期望一种优化的台区分布式光伏出力预测方案。


技术实现思路

1、本申请提供一种基于数据驱动的台区分布式光伏出力预测方法及系统,其不仅考虑了环境因素对光伏出力的影响,还通过特征工程和深度学习模型进一步提升了光伏出力预测的准确性与可靠性,为智能电网的能量管理和调度提供了有力支持。

2、第一方面,提供了一种基于数据驱动的台区分布式光伏出力预测方法,包括:

3、获取由传感器组件采集的环境因素的时序数据集,所述环境因素包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力;

4、获取光伏输出功率的时间序列;

5、将所述环境因素的时序数据集按照参数样本维度进行数据整理为太阳辐照度的时间序列、组件温度的时间序列、空气温度的时间序列、相对湿度的时间序列、大气压力的时间序列后,对其进行变分模态分解和序列编码以得到环境因素多变量时序编码特征向量;

6、对所述光伏输出功率的时间序列进行序列编码以得到光伏输出功率时序编码特征向量;

7、对所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量进行基于语义流场调制的特征交互处理以得到光伏输出功率-环境因素细粒度对齐特征响应表示,包括:构造所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量之间的光伏输出功率-环境因素语义流场;基于所述光伏输出功率-环境因素语义流场,对所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量进行特征对齐式的细粒度响应编码以得到所述光伏输出功率-环境因素细粒度对齐特征响应表示;

8、基于所述光伏输出功率-环境因素细粒度对齐特征响应表示进行光伏出力预测以确定光伏输出功率短时预测值。

9、第二方面,提供了一种基于数据驱动的台区分布式光伏出力预测系统,包括:

10、环境因素数据集获取模块,用于获取由传感器组件采集的环境因素的时序数据集,所述环境因素包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力;

11、光伏输出功率获取模块,用于获取光伏输出功率的时间序列;

12、环境因素多变量时序编码模块,用于将所述环境因素的时序数据集按照参数样本维度进行数据整理为太阳辐照度的时间序列、组件温度的时间序列、空气温度的时间序列、相对湿度的时间序列、大气压力的时间序列后,对其进行变分模态分解和序列编码以得到环境因素多变量时序编码特征向量;

13、光伏输出功率时序编码模块,用于对所述光伏输出功率的时间序列进行序列编码以得到光伏输出功率时序编码特征向量;

14、光伏输出功率-环境因素特征交互处理模块,用于对所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量进行基于语义流场调制的特征交互处理以得到光伏输出功率-环境因素细粒度对齐特征响应表示,包括:光伏输出功率-环境因素语义流场构造单元,用于构造所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量之间的光伏输出功率-环境因素语义流场;光伏输出功率-环境因素细粒度对齐处理单元,用于基于所述光伏输出功率-环境因素语义流场,对所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量进行特征对齐式的细粒度响应编码以得到所述光伏输出功率-环境因素细粒度对齐特征响应表示;

15、光伏出力预测模块,用于基于所述光伏输出功率-环境因素细粒度对齐特征响应表示进行光伏出力预测以确定光伏输出功率短时预测值。

16、本申请提供的一种基于数据驱动的台区分布式光伏出力预测方法及系统,其能够通过传感器组件采集环境因素的时序数据集,其中包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力的时序数据,并采集光伏输出功率的历史和实时数据,然后使用基于人工智能和深度学习的数据处理和分析算法来对这些环境因素时序数据集进行基于变分模态分解的时序关联分析,以此来提取出环境因素多变量时序隐含关联特征信息,同时捕获到光伏输出功率的时序特征。进一步,再利用环境因素的多变量时序关联语义和光伏输出时序语义之间的交互响应性特征信息来进行台区分布式光伏出力预测,得到最终的光伏输出功率短时预测值。这种方法相比较于传统方案来说,不仅考虑了环境因素对光伏出力的影响,还通过特征工程和深度学习模型进一步提升了光伏出力预测的准确性与可靠性,为智能电网的能量管理和调度提供了有力支持。

本文档来自技高网...

【技术保护点】

1.一种基于数据驱动的台区分布式光伏出力预测方法,其特征在于,包括:

2.根据权利要求1所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,将所述环境因素的时序数据集按照参数样本维度进行数据整理为太阳辐照度的时间序列、组件温度的时间序列、空气温度的时间序列、相对湿度的时间序列、大气压力的时间序列后,对其进行变分模态分解和序列编码以得到环境因素多变量时序编码特征向量,包括:

3.根据权利要求2所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,对所述光伏输出功率的时间序列进行序列编码以得到光伏输出功率时序编码特征向量,包括:将所述光伏输出功率的时间序列输入基于前向LSTM模型的序列编码器以得到所述光伏输出功率时序编码特征向量。

4.根据权利要求3所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,构造所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量之间的光伏输出功率-环境因素语义流场,包括:构造所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量之间的光伏输出功率-环境因素语义流场以得到光伏输出功率-环境因素语义流场矩阵作为光伏输出功率-环境因素语义流场。

5.根据权利要求4所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,基于所述光伏输出功率-环境因素语义流场,对所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量进行特征对齐式的细粒度响应编码以得到所述光伏输出功率-环境因素细粒度对齐特征响应表示,包括:

6.根据权利要求5所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,基于所述光伏输出功率-环境因素语义流场分别对所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量进行特征对齐以得到对齐后环境因素多变量时序编码特征向量和对齐后光伏输出功率时序编码特征向量,包括:

7.根据权利要求6所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,对所述环境因素多变量时序查询向量、所述环境因素多变量时序值向量和所述光伏输出功率时序键向量进行细粒度响应关联编码以得到所述光伏输出功率-环境因素细粒度对齐特征响应表示,包括:

8.根据权利要求7所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,基于所述光伏输出功率-环境因素细粒度对齐特征响应表示进行光伏出力预测以确定光伏输出功率短时预测值,包括;将所述光伏输出功率-环境因素细粒度对齐特征响应编码向量输入基于解码器的光伏出力预测模块以得到光伏输出功率短时预测值。

9.一种基于数据驱动的台区分布式光伏出力预测方法,其特征在于,包括:

10.根据权利要求9所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,所述环境因素多变量时序编码模块,用于:

...

【技术特征摘要】

1.一种基于数据驱动的台区分布式光伏出力预测方法,其特征在于,包括:

2.根据权利要求1所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,将所述环境因素的时序数据集按照参数样本维度进行数据整理为太阳辐照度的时间序列、组件温度的时间序列、空气温度的时间序列、相对湿度的时间序列、大气压力的时间序列后,对其进行变分模态分解和序列编码以得到环境因素多变量时序编码特征向量,包括:

3.根据权利要求2所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,对所述光伏输出功率的时间序列进行序列编码以得到光伏输出功率时序编码特征向量,包括:将所述光伏输出功率的时间序列输入基于前向lstm模型的序列编码器以得到所述光伏输出功率时序编码特征向量。

4.根据权利要求3所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,构造所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量之间的光伏输出功率-环境因素语义流场,包括:构造所述环境因素多变量时序编码特征向量和所述光伏输出功率时序编码特征向量之间的光伏输出功率-环境因素语义流场以得到光伏输出功率-环境因素语义流场矩阵作为光伏输出功率-环境因素语义流场。

5.根据权利要求4所述的基于数据驱动的台区分布式光伏出力预测方法,其特征在于,基于所述光伏输出功率-环境因素语义流场,对所述环境因素多变量时序编码特...

【专利技术属性】
技术研发人员:杨雷郭露方田闽哲文耀宽李秀清何心铭李冰洋陶贺香马茗婕王国卉苏世杰周慧娟张航付航
申请(专利权)人:国网河南省电力公司营销服务中心
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1