[發(fā)明專(zhuān)利]一種基于時(shí)空相關(guān)性的短期光伏出力預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202310837787.6
• 申請(qǐng)日: 2023-07-10
• 公開(kāi)（公告）號(hào): CN116565863B
• 公開(kāi)（公告）日: 2023-09-26
• 發(fā)明（設(shè)計(jì)）人: 李豪;馬剛;孟宇翔;李偉康;李天宇;沈靜文
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京師范大學(xué)
• 主分類(lèi)號(hào): H02J3/00
• 分類(lèi)號(hào): H02J3/00;H02J3/38;G06F18/20;G06F18/15;G06F18/213;G06N3/0442;G06N3/045;G06N3/0464;G06N3/084;G06Q10/0631;G06Q50/06
• 代理公司: 南京蘇高專(zhuān)利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于時(shí)空相關(guān)性的短期光伏出力預(yù)測(cè)方法，其特征在于，包括以下步驟：

（1）獲取某區(qū)域多個(gè)光伏電站的歷史功率及待測(cè)電站影響因子的歷史數(shù)據(jù)，建立特征數(shù)據(jù)庫(kù)，對(duì)原始數(shù)據(jù)進(jìn)行異常值剔除和缺失值填補(bǔ)，將所有數(shù)據(jù)歸一化處理；

（2）利用皮爾遜相關(guān)性分析，選取強(qiáng)相關(guān)的氣象因子，引入歷史發(fā)電功率，構(gòu)造延時(shí)輸入特征；

（3）建立基于區(qū)域光伏電站拓?fù)浣Y(jié)構(gòu)的GCN模型，對(duì)多光伏電站光伏空間演變模式橫向追蹤，聚合鄰近光伏電場(chǎng)的空間特征，輸出包含空間演變模式的空間特征集合；

（3.1）某個(gè)相鄰電站的出力首先出現(xiàn)較大波動(dòng)時(shí)，GCN網(wǎng)絡(luò)通過(guò)聚合相鄰光伏電站的出力形成待測(cè)電站的空間特征，快速捕捉氣象突變引起的出力波動(dòng)，建立空間上的光伏出力連通性；

（3.1.1）定義一個(gè)圖結(jié)構(gòu)數(shù)據(jù)G來(lái)描述它們的空間依賴(lài)性；將某區(qū)域的多個(gè)光伏電站用無(wú)向圖表示為：

；

式中，每個(gè)光伏電站被視為無(wú)向圖中的一個(gè)節(jié)點(diǎn)v_i，V表示某區(qū)域的一組光伏電站，N表示區(qū)域光伏電站個(gè)數(shù)，E表示每個(gè)節(jié)點(diǎn)之間關(guān)系的集合；

各節(jié)點(diǎn)間的連接特征用一個(gè)N×N維的矩陣A來(lái)表示，稱(chēng)為鄰接矩陣；采用節(jié)點(diǎn)間的Pearson相關(guān)系數(shù)的絕對(duì)值來(lái)表示相鄰光伏電站的空間相關(guān)性，以多光伏電站之間的相關(guān)性矩陣來(lái)表示鄰接矩陣；將每個(gè)光伏電站的歷史發(fā)電功率數(shù)據(jù)看作節(jié)點(diǎn)屬性特征，以此構(gòu)建一個(gè)N×F維的特征矩陣X，F表示歷史時(shí)間序列長(zhǎng)度；

（3.1.2）通過(guò)聚合同一區(qū)域的其他光伏電站的空間特征數(shù)據(jù)得到待測(cè)電站的空間特征；圖卷積分為兩大類(lèi)，分別是基于頻譜的方法和基于空間的方法；使用基于空間的方法對(duì)空間特征進(jìn)行建模，具體為：

將多光伏電站的鄰接矩陣A和特征矩陣X輸入到GCN模型中，GCN通過(guò)對(duì)A和X進(jìn)行編碼，獲得待測(cè)光伏電站與周邊其他電站機(jī)組之間的空間相關(guān)性；圖卷積層之間的運(yùn)算公式表示為：

；

式中，H是每一層的特征，對(duì)于輸入層，H就是特征矩陣X；σ是非線性激活函數(shù)；為的度矩陣；W是學(xué)習(xí)權(quán)重；

（4）利用SGMD處理非線性不平穩(wěn)序列的優(yōu)點(diǎn)，將輻照度、溫度、濕度、降雨量、區(qū)域光伏出力聚合特征和待測(cè)電站光伏出力分解為一組相對(duì)平穩(wěn)的子序列，以剔除部分波動(dòng)性較大的誤差分量，構(gòu)建更能反映歷史數(shù)據(jù)時(shí)序變化特征的多層模態(tài)子序列特征矩陣，將不同輸入特征及光伏出力的對(duì)應(yīng)子序列組成子序列輸入矩陣；

（5）采用CNN-BiLSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和光伏發(fā)電功率預(yù)測(cè)，然后通過(guò)反歸一化和子序列重構(gòu)得到最終的預(yù)測(cè)結(jié)果，并對(duì)此進(jìn)行誤差評(píng)估。

2.根據(jù)權(quán)利要求1所述的一種基于時(shí)空相關(guān)性的短期光伏出力預(yù)測(cè)方法，其特征在于，所述步驟（1）具體為：

對(duì)某區(qū)域多個(gè)光伏電站歷史出力數(shù)據(jù)及待測(cè)電站氣象因子的歷史數(shù)據(jù)進(jìn)行整理；對(duì)樣本集進(jìn)行去異常值和數(shù)據(jù)補(bǔ)全；

（1.1）運(yùn)用拉依達(dá)準(zhǔn)則法，給定一個(gè)置信概率，并確定一個(gè)置信限，超出此限的誤差不屬于隨機(jī)誤差范圍，將其視為異常值剔除，得到多個(gè)光伏電站歷史功率、待測(cè)電站氣象因子歷史數(shù)據(jù)；

（1.2）在剔除異常值的基礎(chǔ)上，采用雙線性插值法分別對(duì)歷史出力數(shù)據(jù)、氣象因子歷史數(shù)據(jù)中的缺失數(shù)據(jù)進(jìn)行填補(bǔ)；

（1.3）將已經(jīng)清洗完的歷史出力數(shù)據(jù)和待測(cè)電站氣象因子數(shù)據(jù)進(jìn)行歸一化處理。