【技术实现步骤摘要】
本专利技术涉及光伏功率预测，更具体地，涉及一种全天空成像仪数据的多模态融合光伏功率预测方法。
技术介绍
1、太阳能的广泛应用，以光伏为代表的可再生能源发电迅速发展，尤其是屋顶光伏面板的普及，已成为应对破坏性气候变化和推动可持续能源发展的重要解决方案。随着这一趋势的不断深入，太阳能在电力系统中的渗透率有望稳步提升。中国光伏累计装机容量从2015年的43.18gw增长至2023年的609.49gw，年均复合增长率约39%，每年新增光伏装机量和累计光伏装机量均居全球第一，推进光伏发电发展已然成为推动我国电力系统转型的重要方式之一。
2、针对光伏功率预测，现有技术中有一种基于多视角特征提取与多任务学习的光伏功率多步预测方法。首先，为获得丰富且全面的特征信息，利用 lstm、mlp、cnn 分别提取原始光伏功率数据中的时序特征、全局特征与局部特征；其次，将多步光伏功率预测任务转化为多个单步光伏功率预测子任务，使用基于轻量化注意力机制与专家网络(lightweightattention-based mixture of experts, lamoe)的多任务学习模型进行多步预测，实现对多步预测值关联性的充分利用；最后，采用一种改进的动态权重平均法对损失权重进行自适应优化调整，对光伏进行预测。但是由于原始光伏功率数据的特征信息局限性，缺少了对空间、云层特征信息因素的考虑，存在光伏预测精度偏差的缺点。
技术实现思路
1、本专利技术提供一种全天空成像仪数据的多模态融合光伏功率预测方法，解
2、为解决上述技术问题，本专利技术的技术方案如下：
3、一种全天空成像仪数据的多模态融合光伏功率预测方法，包括以下步骤：
4、获取全天空成像仪中的时序天空图像数据和光伏阵列历史光伏功率数据；
5、分别对所述时序天空图像数据和历史光伏功率数据提取特征，得到所述时序天空图像数据的模态特征信息和所述历史光伏功率数据的模态特征信息；
6、将所述时序天空图像数据的模态特征信息和所述历史光伏功率数据的模态特征信息融合，得到特征矩阵；
7、根据所述特征矩阵，得到最终潜在特征；
8、利用所述最终潜在特征训练得到光伏功率预测模型；
9、利用所述光伏功率预测模型对光伏功率进行预测。
10、在上述技术手段中，对全天空成像仪收集的时序天空图像数据和光伏阵列历史光伏功率数据进行特征提取处理，充分考虑了不同模态中时序、空间、云层动态特征信息，有效减少因太阳能发电的间歇性和不确定性带来的预测误差，提升太阳能发电站光伏功率多步预测的精度，解决了现有技术中由于原始光伏功率数据的特征信息局限性，缺少了对空间、云层特征信息因素的考虑，存在光伏预测精度偏差的技术问题。
11、进一步的，对所述时序天空图像数据提取特征，得到所述时序天空图像数据的模态特征信息，包括：
12、将所述时序天空图像数据降维，得到灰度图像，并将所述灰度图像并转换成灰度像素网格图；
13、定义一个以所述灰度像素网格图的中心为圆心，半径为的圆形领域，其中，所述圆形领域不超出所述灰度像素网格图的范围，为整数且，；
14、针对半径为的圆形领域，对灰度像素网格图位于所述圆形领域内的像素灰度值取平均值，得到为半径为时的圆形领域对应的局部均值；大于1时，对于半径为的圆形领域，对灰度像素网格图内离圆心的距离大于且小于的像素灰度值取平均值，得到半径为时的圆形领域对应的局部均值；
15、当所述圆形领域触碰到所述灰度像素网格图的边缘，汇总所述局部均值，得到所述时序天空图像数据的模态特征信息。
16、进一步的，对所述时序天空图像数据提取特征，得到所述时序天空图像数据的模态特征信息，还包括：
17、利用中值滤波法对所述时序天空图像数据的模态特征信息中位于太阳附近的特征值点，计算3 x 3固定窗口的中位值，并用中位值替代原来的特征点。
18、进一步的，对所述历史光伏功率数据提取特征，得到所述历史光伏功率数据的模态特征信息，包括：
19、计算所述历史光伏功率数据的均值和标准差；
20、根据z-score方法计算所述历史光伏功率数据中的异常数据点；
21、对所述历史光伏功率数据中缺失点和异常数据点进行插值重采样，得到光伏功率序列；
22、利用bilstm对所述光伏功率序列处理后，把正向与逆向输出进行拼接，得到所述历史光伏功率数据的模态特征信息。
23、进一步的，根据z-score方法计算所述历史光伏功率数据中的异常数据点，包括：
24、
25、式中，表示光伏功率数据点，当z大于预设阈值时，判定所述光伏功率数据点为异常数据点。
26、进一步的，将所述时序天空图像数据的模态特征信息和所述历史光伏功率数据的模态特征信息融合，得到特征矩阵，包括：
27、将所述时序天空图像数据的模态特征信息和所述历史光伏功率数据的模态特征信息对齐时间戳后叠加，得到特征矩阵。
28、进一步的，根据所述特征矩阵，得到最终潜在特征，包括：
29、将所述特征矩阵展开得到特征向量，从所述特征向量中筛选得到正则化特征信息；
30、将所述正则化特征信息通过二次特征提取模块和l1范数惩罚的池化层处理特征得到最终潜在特征。
31、进一步的，从所述特征向量中筛选得到正则化特征信息，包括：
32、构建构建基于l1范数正则化的特征选择模块，将所述特征向量通过特征选择模块从高维输入空间中选择一组均值有效的特征，得到所述正则化特征信息。
33、进一步的，所述二次特征提取模块为多层堆叠的编码器和解码器结构。
34、进一步的，所述光伏功率预测模型为线性回归预测模型。
35、与现有技术相比，本专利技术技术方案的有益效果是：
36、本专利技术提出一种天空成像仪数据的多模态融合光伏功率预测方法，首先，获取天空成像仪的时序天空图像数据，并将天空图像降维成灰度图像，创造一种新的以灰度像素矩阵图中心坐标为圆点，半径参数为r，逐步累加r提取圆形邻域中的平均灰度像素值的方法，此过程能够有效提取图像中的亮度信息、云层特征及其他视觉特征，为后续分析提供丰富的基础数据。为了进一步提高数据的质量，使用中值滤波法对图像进行处理，去除因太阳光镜面反射效应所引起的噪声，从而获得更加准确的图像特征。其次，收集太阳能电池板光伏阵列的历史光伏功率时序数据，采用bilstm能够同时捕捉数据中的前向和后向时间依赖关系，挖掘其内在的非线性特征。通过对齐时间戳，将不同模态的时序特征融合成特征矩阵，再通过l1范数正则化回归筛选有用的特征信息。最后，将二次特征处理模块输出的最终潜在特征向量矩阵输入线性回归预测模型，以此提升基本文档来自技高网...
【技术保护点】
1.一种全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，对所述时序天空图像数据提取特征，得到所述时序天空图像数据的模态特征信息，包括：
3.根据权利要求2所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，对所述时序天空图像数据提取特征，得到所述时序天空图像数据的模态特征信息，还包括：
4.根据权利要求1所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，对所述历史光伏功率数据提取特征，得到所述历史光伏功率数据的模态特征信息，包括：
5.根据权利要求4所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，根据Z-score方法计算所述历史光伏功率数据中的异常数据点，包括：
6.根据权利要求1所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，将所述时序天空图像数据的模态特征信息和所述历史光伏功率数据的模态特征信息融合，得到特征矩阵，包括：
7.根据权利要求6
8.根据权利要求7所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，从所述特征向量中筛选得到正则化特征信息，包括：
9.根据权利要求7所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，所述二次特征提取模块为多层堆叠的编码器和解码器结构。
10.根据权利要求1至9任一项所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，所述光伏功率预测模型为线性回归预测模型。
...【技术特征摘要】
1.一种全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，对所述时序天空图像数据提取特征，得到所述时序天空图像数据的模态特征信息，包括：
3.根据权利要求2所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，对所述时序天空图像数据提取特征，得到所述时序天空图像数据的模态特征信息，还包括：
4.根据权利要求1所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，对所述历史光伏功率数据提取特征，得到所述历史光伏功率数据的模态特征信息，包括：
5.根据权利要求4所述的全天空成像仪数据的多模态融合光伏功率预测方法，其特征在于，根据z-score方法计算所述历史光伏功率数据中的异常数据点，包括：<...
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。