基于多维气象预报因子图卷积的光伏发电功率预测方法技术

本发明专利技术公开了基于多维气象预报因子图卷积的光伏发电功率预测方法，属于可再生能源开发利用技术领域。首先，基于气象预报计算总云量覆盖、晴空指数和散射辐射率，针对计算结果划分天气类型样本。其次，从天气类型样本中提取气象预报因子和光伏发电功率因子，基于标准互信息指标分析因子相关性，构建多维气象预报因子图。接着，基于一维填补方法构建多维气象预报因子图的节点特征。然后，对多维气象预报因子图构建图卷积神经网络，以节点特征为输入，使用层级读出方式计算输出。最后，将图卷积神经网络输出进行误差分析和加权，得到光伏功率预测结果。本发明专利技术方法适用于含多维气象预报信息的光伏电站，在不同天气情况下均能取得准确的预测结果。

【技术实现步骤摘要】
基于多维气象预报因子图卷积的光伏发电功率预测方法
本专利技术属于可再生能源开发利用
，具体涉及基于多维气象预报因子图卷积的光伏发电功率预测方法。
技术介绍
有效利用可再生能源是应对全球变暖、环境污染等气候问题的关键。而太阳能因其易于获取而成为全球范围内广受欢迎的可再生能源之一，并已成功应用于光伏发电。随着光伏发电装机容量的不断增加，太阳能受天气影响的易变性对光伏并网电力系统稳定性产生了极大的负面影响，甚至影响光伏电站的运营效益。因此，光伏电站运营商迫切需要准确的光伏发电预测方法，以提升企业经济效益、及其在电力市场中的竞争力。光伏发电功率预测中的一种最典型方法是使用机器学习技术，将气象预报数据及电站的历史光伏发电功率作为输入，输出未来的光伏发电功率值实现预测任务。在这种情况下，机器学习技术通过大量历史样本学习到输入-输出之间的映射关系，从而构建高效的预测模型。但是这种预测模型也存在一些问题，即不能够分解出气象预报数据中不同因子的相互影响性。例如，太阳辐射能够同时影响大气温度和光伏板接收能量，从而模型能够学习到大气温度与光伏发电功率的正向相关性；但是实际上，当大气温度持续上升时，其在一定程度上会降低光电转换效率、降低预测精度。基于上述光伏功率预测技术中的局限性和难点，本专利技术提出一种基于多维气象预报因子图卷积的光伏发电功率预测方法。该预测方法能够将多维气象预报因子之间的相关性转换为图谱进行学习，从而细化光伏发电功率预测模型的分析能力，适用于含多维气象预报信息的光伏电站，满足不同天气情况下预测精度需求。
技术实现思路
专利技术目的：针对传光伏功率预测中的局限性，即不能够分解出气象预报数据中不同因子的相互影响性，本专利技术的目的在于提供基于多维气象预报因子图卷积的光伏发电功率预测方法，能够将多维气象预报因子之间的相关性转换为图谱进行学习。技术方案：为实现上述专利技术目的，本专利技术提供基于多维气象预报因子图卷积的光伏发电功率预测方法，包括如下步骤：步骤1：基于光伏电站近一年的、采样间隔小于等于一小时的气象预报历史数据计算总云量覆盖TCC、晴空指数CSI和散射辐射率FDHI指标；步骤2：针对计算的TCC、CSI和FDHI指标结果，基于模糊集分析方法将光伏电站近一年的气象预报历史数据划分为晴天、多云和阴雨天三种天气类型样本；步骤3：从三种天气类型样本中分别提取温度、湿度、风速、总辐射、直射辐射、散射辐射和降水量气象预报因子，以及光伏发电功率因子，基于标准互信息指标分析气象预报因子和光伏发电功率因子之间的相关性，构建三个多维气象预报因子图；步骤4：基于一维填补方法，对多维气象预报因子图中的每个节点构建节点特征；步骤5：对三个多维气象预报因子图分别构建图卷积神经网络，以节点特征作为图卷积神经网络的输入，使用层级读出方式计算输出；步骤6：依据图卷积神经网络的输入-输出规则，使用三种天气类型样本对每个图卷积神经网络进行训练，将三个图卷积神经网络的输出进行误差分析，按照误差结果进行加权。进一步地，所述的步骤1中，总云量覆盖TCC、晴空指数CSI和散射辐射率FDHI指标的计算公式分别为：TCC＝Ta(th)/TSFDHI＝∑iID(th)/∑iIG(th),i∈[1,7]式中，Ta(th)、ID(th)和IG(th)分别为气象预报历史数据中时刻th的实际云量面积、散射辐射量和总辐射量；ISC为太阳常数，nday为日期，δ为太阳赤纬角，φ为光伏电站纬度，θh为太阳时角，cos和sin为余弦和正弦函数。进一步地，所述的步骤4中，对多维气象预报因子图中的每个节点构建节点特征，其计算公式为：式中，nC为含历史数据及预报数据的总时间步长，nT为历史数据时间步长，k为光伏发电功率预测方法提前步长，为长度nC的气象预报因子特征，为长度nT的气象预报历史数据特征，为长度k的气象预报实时数据特征，为从t–nT+1至t的气象预报历史数据点，为从t+1至t+k的气象预报实时数据点，为长度nC的光伏发电功率因子特征，为长度nT的光伏发电功率历史数据特征，pt为t时刻的光伏发电功率数据点，为一维填补向量，nC为节点特征总长度，nT为光伏发电功率预测方法历史数据时间长度，t为光伏电站投入预测方法的时刻。进一步地，所述的步骤5中，使用层级读出方式计算输出：式中，Ykl、Wkl和Bkl分别为神经网络第kl层的输出、权重和偏置；为光伏发电功率因子的第(KG–kl)级邻距，在nF×nkl阶实数范围内，KG为最大邻距，[||]为级联运算符，αh为激活函数，nF为节点隐层特征维度，nkl为节点数。进一步地，所述的步骤6中，按照误差结果进行加权，具体为：式中，为第t时刻的最终光伏发电功率预测结果，wj为第j个图卷积神经网络的权重，yt,j为第j个图卷积神经网络在第t时刻的光伏发电功率预测结果，e为指数函数，dj和dk为第j和第k个图卷积神经网络的预测误差。进一步地，所述的步骤2中，具体包括如下步骤：首先，对TCC、CSI和FDHI计算类间方差，满足公式：j＝0晴天,j＝1多云,j＝2阴雨天式中，σig为第i个计算指标的类间方差，i为计算指标下标，j为天气类型下标，ωij、uij和nij分别为第i个计算指标属于第j个天气类型的概率、均值和个数，ui为第i个计算指标属的总体均值，xi为第i个计算指标，Cij为第i个计算指标所属的第j个天气类型，pr(·)为概率函数；其次，从气象预报的历史数据中筛选出满足σig取值最大的TCC、CSI和FDHI计算指标值，将TCC、CSI和FDHI计算指标分别划分为晴天、多云和阴雨天三类；然后，将三个计算指标各自划分的天气类型结果，按照指数型模糊隶属度进行加权组合，满足公式：式中，wj为气象预报历史数据属于第j个天气类型的模糊隶属度，wij为第i个计算指标属于第j个天气类型的模糊隶属度，xi和xj为第i个和第j个计算指标，cij和ciko为第i个计算指标属于第j个和第ko个天气类型的均值中心；最后，基于模糊隶属度结果确定气象预报历史数据所属的天气类型，满足公式：式中，Ctype为气象预报历史数据所属的天气类型，fround(·)为取整函数，wj为气象预报历史数据属于第j个天气类型的模糊隶属度。进一步地，所述的步骤3中，具体包括如下步骤：首先，将温度、湿度、风速、总辐射、直射辐射、散射辐射和降水量7个气象预报因子以及光伏发电功率因子，共计8个因子两两无向相连，构成全连接的稠密无向图；其次，计算稠密无向图中每两个因子之间的标准互信息指标，满足公式：式中，X和Y为稠密无向图中的两个因子，NMI(X,Y)为X和Y之间的标准互信息指标，x为因子X的采样数据点、y为因子Y的采样数据点，pr(x)、pr(y)和pr(x,y)为x的概率、y的概率和x-y的联合本文档来自技高网...

【技术保护点】
1.基于多维气象预报因子图卷积的光伏发电功率预测方法，其特征在于：包括如下步骤：/n步骤1：基于光伏电站近一年的、采样间隔小于等于一小时的气象预报历史数据计算总云量覆盖TCC、晴空指数CSI和散射辐射率FDHI指标；/n步骤2：针对计算的TCC、CSI和FDHI指标结果，基于模糊集分析方法将光伏电站近一年的气象预报历史数据划分为晴天、多云和阴雨天三种天气类型样本；/n步骤3：从三种天气类型样本中分别提取温度、湿度、风速、总辐射、直射辐射、散射辐射和降水量气象预报因子，以及光伏发电功率因子，基于标准互信息指标分析气象预报因子和光伏发电功率因子之间的相关性，构建三个多维气象预报因子图；/n步骤4：基于一维填补方法，对多维气象预报因子图中的每个节点构建节点特征；/n步骤5：对三个多维气象预报因子图分别构建图卷积神经网络，以节点特征作为图卷积神经网络的输入，使用层级读出方式计算输出；/n步骤6：依据图卷积神经网络的输入-输出规则，使用三种天气类型样本对每个图卷积神经网络进行训练，将三个图卷积神经网络的输出进行误差分析，按照误差结果进行加权。/n

【技术特征摘要】
1.基于多维气象预报因子图卷积的光伏发电功率预测方法，其特征在于：包括如下步骤：
步骤1：基于光伏电站近一年的、采样间隔小于等于一小时的气象预报历史数据计算总云量覆盖TCC、晴空指数CSI和散射辐射率FDHI指标；
步骤2：针对计算的TCC、CSI和FDHI指标结果，基于模糊集分析方法将光伏电站近一年的气象预报历史数据划分为晴天、多云和阴雨天三种天气类型样本；
步骤3：从三种天气类型样本中分别提取温度、湿度、风速、总辐射、直射辐射、散射辐射和降水量气象预报因子，以及光伏发电功率因子，基于标准互信息指标分析气象预报因子和光伏发电功率因子之间的相关性，构建三个多维气象预报因子图；
步骤4：基于一维填补方法，对多维气象预报因子图中的每个节点构建节点特征；
步骤5：对三个多维气象预报因子图分别构建图卷积神经网络，以节点特征作为图卷积神经网络的输入，使用层级读出方式计算输出；
步骤6：依据图卷积神经网络的输入-输出规则，使用三种天气类型样本对每个图卷积神经网络进行训练，将三个图卷积神经网络的输出进行误差分析，按照误差结果进行加权。


2.根据权利要求1所述的基于多维气象预报因子图卷积的光伏发电功率预测方法，其特征在于：所述的步骤1中，总云量覆盖TCC、晴空指数CSI和散射辐射率FDHI指标的计算公式分别为：
TCC＝Ta(th)/TS



FDHI＝∑iID(th)/∑iIG(th),i∈[1,7]
式中，Ta(th)、ID(th)和IG(th)分别为气象预报历史数据中时刻th的实际云量面积、散射辐射量和总辐射量；ISC为太阳常数，nday为日期，δ为太阳赤纬角，φ为光伏电站纬度，θh为太阳时角，cos和sin为余弦和正弦函数。


3.根据权利要求2所述的基于多维气象预报因子图卷积的光伏发电功率预测方法，其特征在于：所述的步骤4中，对多维气象预报因子图中的每个节点构建节点特征，其计算公式为：



式中，nC为含历史数据及预报数据的总时间步长，nT为历史数据时间步长，k为光伏发电功率预测方法提前步长，为长度nC的气象预报因子特征，为长度nT的气象预报历史数据特征，为长度k的气象预报实时数据特征，xt为从t–nT+1至t的气象预报历史数据点，为从t+1至t+k的气象预报实时数据点，为长度nC的光伏发电功率因子特征，为长度nT的光伏发电功率历史数据特征，pt为t时刻的光伏发电功率数据点，为一维填补向量，nC为节点特征总长度，nT为光伏发电功率预测方法历史数据时间长度，t为光伏电站投入预测方法的时刻。


4.根据权利要求3所述的基于多维气象预报因子图卷积的光伏发电功率预测方法，其特征在于：所述的步骤5中，使用层级读出方式计算输出：



式中，Ykl、Wkl和Bkl分别为神经网络第kl层的输出、权重和偏置；为光伏发电功率因子的第(KG–kl)级邻距，在nF×nkl阶实数范围内，KG为最大邻距，[||]为级联运算符，αh为激活函数，nF为节点隐层特征维度，nkl为节点数。


5.根据权利要求4所述的基于多维气象预报因子图卷积的光伏发电功率预测方法，其特征在于：所述的步骤6中，按照误差结果进行加权，具体为：



式中，为第t时刻的最终光伏发电功率预测结果，wj为第j个图卷积神经网络的权重，yt,j为第j个图卷积神经网络在第t时刻的光伏发电功率预测结果，e为指数函数，dj和dk为第j和第k个图卷积神经网络的预测误差。


6.根据权利要求5所述的基于多维气象预报因子图卷积的光伏发电功率预测方法，其特征在于：所述的步骤2中，具体包括如下步骤：
首先，对TCC、CSI和FDHI计算类间方差，满足公式：




j＝0晴天,j＝1多云,j＝2阴雨天
式中，为第i个计算指标的类间方差，i为计算指标下标，j...

【专利技术属性】
技术研发人员：程礼临，臧海祥，许瑞琦，张烽春，卫志农，孙国强，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32