【技术实现步骤摘要】
本专利技术涉及新能源，具体涉及光伏超短期功率预测方法、装置、计算机设备及存储介质。
技术介绍
1、分布式光伏由于其安装地点较为分散的原因，相关光伏站点通常缺少气象量测装置，绝大多数分布式光伏电站周围无法找到具有气象信息，无法获得当地的辐照度等气象数据，因此面临无气象数据的功率预测挑战；并且，存在例如非晴天的多云、雾、冰雹、阴、雨、雪等的复杂的天气现象，导致光伏发电功率难以准确预测。
技术实现思路
1、有鉴于此，本专利技术提供了一种光伏超短期功率预测方法、装置、计算机设备及存储介质，以解决分布式光伏电站气象缺失导致功率难以准确预测的问题。
2、第一方面，本专利技术提供了一种光伏超短期功率预测方法，所述光伏超短期功率预测方法包括：获取预设空间尺度下的历史气象数据和各分布式光伏站点的历史功率数据；其中，所述历史气象数据包括历史云图数据和历史辐照度数据，所述预设空间尺度包含各分布式光伏站点所在的地理位置；基于所述历史气象数据进行气象要素外推，得到外推云图数据和外推辐照度数据；基于各所述分布式光伏站点的地理位置属性和预设时间尺度对外推云图数据和外推辐照度数据进行时空匹配，得到各所述分布式光伏站点的外推气象数据；将所述外推气象数据输入至预先训练好的光伏超短期功率预测模型中，得到各所述分布式光伏站点的功率预测结果。
3、作为示例性地实施例，所述基于各所述分布式光伏站点的地理位置属性和预设时间尺度对外推云图数据和外推辐照度数据进行时空匹配，得到各所述分布式光伏站点的外推气象
4、作为示例性地实施例，基于所述空间匹配结果在所述插值云图数据和所述插值辐照度数据提取气象数据作为所述外推气象数据，包括：提取所述外推云图数据的云图灰度值；基于所述云图灰度值对所述外推云图数据进行天气划分，得到天气类型网格数据；基于所述空间匹配结果分别在所述插值云图数据中提取插值云量数据、在所述天气类型网格数据中提取天气类型网格数据、在所述插值辐照度数据中提取插值辐照度数据作为所述外推气象数据。
5、作为示例性地实施例，所述光伏超短期功率预测模型基于时空图神经网络训练得到，在将所述外推气象数据输入至预先训练好的光伏超短期功率预测模型之前，所述光伏超短期功率预测方法还包括；对各所述分布式光伏站点进行位置特征提取，得到位置特征和关系特征；其中，所述位置特征用于表示各所述分布式光伏站点的地理位置，所述关系特征用于表示各所述分布式光伏站点的相似度和距离；基于所述位置特征确定组成拓扑图的节点；基于所述关系特征确定组成所述拓扑图的边；将所述外推气象数据添加至所述拓扑图的节点和所述拓扑图的边中，得到所述拓扑图；将所述拓扑图输入至所述光伏超短期功率预测模型中，得到功率预测结果。
6、作为示例性地实施例，所述光伏超短期功率预测模型包括图学习层、图卷积模块、时间卷积模块和输出模块，所述将所述拓扑图输入至所述光伏超短期功率预测模型中，得到功率预测结果，包括：基于所述图学习层捕捉所述拓扑图的各所述节点包含的所述外推气象数据和所述历史功率数据之间隐藏关系以生成图相邻矩阵；基于所述图卷积模块和所述时间卷积模块交错捕获所述图相邻矩阵的空间和时间依赖关系，基于捕获得到的所述空间和时间依赖关系得到外推功率数据，将所述外推气象数据输出至所述输出模块；基于所述输出模块将所述外推功率数据投射至预设维度，以输出各所述分布式光伏站点的所述功率预测结果。
7、作为示例性地实施例，训练所述光伏超短期功率预测模型的方法包括：获取所述分布式光伏站点的历史时空数据；所述历史时空数据包括历史气象数据和历史功率数据；对各所述分布式光伏站点进行位置特征提取，得到位置特征和关系特征；基于所述位置特征、所述关系特征和所述历史时空数据构建历史拓扑图；将所述历史拓扑图输入至预先构建好的时空图神经网络中进行模型训练，在模型训练的过程中，调整所述时空图神经网络的参数，使得所述时空图神经网络能够学习捕捉各所述节点包含的所述历史气象数据和所述历史功率数据之间隐藏关系以生成图相邻矩阵时的捕获生成关系、捕获所述图相邻矩阵的空间和时间依赖关系时的捕获关系、捕获得到的空间和时间依赖关系与外推气象数据的对应关系和将所述外推气象数据投射至预设维度时的映射关系。
8、第二方面，本专利技术提供一种光伏超短期功率预测装置，所述装置包括：获取模块，用于获取预设空间尺度下的历史气象数据和各分布式光伏站点的历史功率数据；其中，所述历史气象数据包括历史云图数据和历史辐照度数据，所述预设空间尺度包含各分布式光伏站点所在的地理位置；气象要素外推模块，用于基于所述历史气象数据进行气象要素外推，得到外推云图数据和外推辐照度数据；时空匹配模块，用于基于各所述分布式光伏站点的地理位置属性和预设时间尺度对外推云图数据和外推辐照度数据进行时空匹配，得到各所述分布式光伏站点的外推气象数据；功率预测模块，用于将所述外推气象数据输入至预先训练好的光伏超短期功率预测模型中，得到各所述分布式光伏站点的功率预测结果。
9、第三方面，本专利技术提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的光伏超短期功率预测方法。
10、第四方面，本专利技术提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的光伏超短期功率预测方法。
11、本专利技术提供一种光伏超短期功率预测方法，包括：获取预设空间尺度下的历史气象数据；其中，所述历史气象数据包括历史云图数据和历史辐照度数据，所述预设空间尺度包含各分布式光伏站点所在的地理位置；基于所述历史气象数据进行气象要素外推，得到外推云图数据和外推辐照度数据；基于各所述分布式光伏站点的地理位置属性和预设时间尺度对外推云图数据和外推辐照度数据进行时空匹配，得到各所述分布式光伏站点的外推气象数据；将所述外推气象数据输入至预先训练好的光伏超短期功率预测模型中，得到各所述分布式光伏站点的功率预测结果；上述方法，能够根据分布式光伏站点的地理位置属性预设时间尺度对外推得到的气象数据进行适应于分布式光伏站点的空间属性和时间属性的时空匹配，得到各分布式光伏站点的气象数据，能够有效解决光伏分布分散而导致缺少气象量测气象数据问题；通过将所述外推气象数据输入至预先训练好的光伏超短期功率预测模型中，得到各所述分布式光伏站点的功率预测结果的方法，能够降低由于缺少实测气象数据导致分布式光伏超短期功率预测精度低的影响。
本文档来自技高网...【技术保护点】
1.一种光伏超短期功率预测方法，其特征在于，所述光伏超短期功率预测方法包括：
2.如权利要求1所述的光伏超短期功率预测方法，其特征在于，所述基于各所述分布式光伏站点的地理位置属性和预设时间尺度对外推云图数据和外推辐照度数据进行时空匹配，得到各所述分布式光伏站点的外推气象数据，包括：
3.如权利要求2所述的光伏超短期功率预测方法，其特征在于，基于所述空间匹配结果在所述插值云图数据和所述插值辐照度数据提取气象数据作为所述外推气象数据，包括：
4.如权利要求1所述的光伏超短期功率预测方法，其特征在于，所述光伏超短期功率预测模型基于时空图神经网络训练得到，在将所述外推气象数据输入至预先训练好的光伏超短期功率预测模型之前，所述光伏超短期功率预测方法还包括；
5.如权利要求4所述的光伏超短期功率预测方法，其特征在于，所述将所述外推气象数据添加至所述拓扑图的节点和所述拓扑图的边中，得到所述拓扑图，包括：
6.如权利要求4所述的光伏超短期功率预测方法，其特征在于，所述光伏超短期功率预测模型包括图学习层、图卷积模块、时间卷积模块和输出模块
7.如权利要求6所述的光伏超短期功率预测方法，其特征在于，训练所述光伏超短期功率预测模型的方法包括：
8.一种光伏超短期功率预测装置，其特征在于，所述装置包括：
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的光伏超短期功率预测方法。
...【技术特征摘要】
1.一种光伏超短期功率预测方法，其特征在于，所述光伏超短期功率预测方法包括：
2.如权利要求1所述的光伏超短期功率预测方法，其特征在于，所述基于各所述分布式光伏站点的地理位置属性和预设时间尺度对外推云图数据和外推辐照度数据进行时空匹配，得到各所述分布式光伏站点的外推气象数据，包括：
3.如权利要求2所述的光伏超短期功率预测方法，其特征在于，基于所述空间匹配结果在所述插值云图数据和所述插值辐照度数据提取气象数据作为所述外推气象数据，包括：
4.如权利要求1所述的光伏超短期功率预测方法，其特征在于，所述光伏超短期功率预测模型基于时空图神经网络训练得到，在将所述外推气象数据输入至预先训练好的光伏超短期功率预测模型之前，所述光伏超短期功率预测方法还包括；
5.如权利要求4所述的光伏超短期功率预测方...
【专利技术属性】
技术研发人员：胡甲秋，秦意茗，黄馗，詹厚剑，唐健，林洁，卓毅鑫，程贤良，郭炜，石义乐，
申请(专利权)人：广西电网有限责任公司，
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。