基于多尺度图卷积神经网络的光伏发电预测方法及系统技术方案

本发明专利技术提供了基于多尺度图卷积神经网络的光伏发电预测方法及系统，所述方法构建了一个注意力时空卷积核，利用1x1卷积和1x1图卷积分别提取同一地区多个光伏电站数据的时间和空间特征，并引入注意力机制对各个时刻的相互关系进行建模，衡量不同时刻的数据对预测结果的影响程度。在网络构建方法上，引入Res2Net，将上述注意力时空卷积核嵌入到Res2Net网络中，实现多种尺度的时空特征融合，进而实现多尺度的时空特征表达，最终实现多尺度动态图卷积神经网络的光伏发电预测。积神经网络的光伏发电预测。积神经网络的光伏发电预测。

【技术实现步骤摘要】
基于多尺度图卷积神经网络的光伏发电预测方法及系统


[0001]本专利技术涉及光伏发电
，尤其是基于多尺度图卷积神经网络的光伏发电预测方法及系统。

技术介绍

[0002]近年来光伏并网由于具有分布式运行，且可以减小输电和配电系统压力，并对电网的可靠性有所提高等特点，正逐渐在全球流行开来。光伏电站只能在白天产生电能，是一种典型的间歇式电源，其发电功率受太阳辐照强度和环境温度等气象条件的影响，具有较大的波动性和随机性。光伏发电的这些特点会使得大规模光伏发电并网时对电网的稳定运行带来剧烈的冲击，给整个电力系统造成不良的影响。若能够及时且准确地预测光伏发电功率，将大大减轻光伏发电的波动给电网带来的影响，对电网调度和光伏电站运行有重要意义。准确的光伏功率预测有助于解决光伏大规模开发与利用所面临的问题。预测结果可作为电网调度和光伏电站运维的决策参考。
[0003]目前，很多的研究人员对光伏发电预测进行了研究。在现有的研究中，对于光伏发电的预测技术主要分为两类：物理法、统计法。物理法主要基于光伏组件和影响电力生产的天气条件：太阳辐照度，温度等。这些技术使用数学模型将天气条件转换为电能的机会。统计法通过对历史数据进行分析然后预测未来一段时间的光伏发电。相比于物理法，统计法可以更好的适用于光伏发电功率预测。
[0004]在光伏发电中存在很多预测模型，如人工神经网络，支持向量机，BP神经网络等在很多文献中都被很好地用来做光伏发电的预测，但是普通的神经网络预测模型无法有效地同时捕捉分布式光伏站点的时间和空间的特征，影响预测精度。

技术实现思路

[0005]本专利技术提供了基于多尺度图卷积神经网络的光伏发电预测方法及系统，用于解决现有光伏发电预测模型的预测精度低的问题。
[0006]为实现上述目的，本专利技术采用下述技术方案：
[0007]本专利技术第一方面提供了一种基于多尺度图卷积神经网络的光伏发电预测方法，所述方法包括以下步骤：
[0008]获取输入信息，从所述输入信息中提取光伏电站数据的时间特征和空间特征，形成时空特征图，所述时间特征通过一维扩张卷积提取；
[0009]将所述时空特征图沿通道维度分成若干个特征子图，计算每个特征子图对应的注意力时空卷积核，除第一个特征子图对应的注意力时空卷积核外，其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息，所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征；
[0010]将多种尺度的时空特征沿通道维度拼接，形成与输入信息维度一致的拼接时空特征，对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。
[0011]进一步地，所述时间特征的提取具体为：
[0012][0013]式中，Z为提取的时间特征，δ为Selu激活函数，为卷积核，*d为一维扩张卷积算子，H为光伏电站时间特征的原始数据。
[0014]进一步地，所述空间特征通过近似图卷积算子提取，具体为：
[0015]计算图信号X与卷积核Θ的频域图卷积
[0016]其中是图卷积算子，L为图拉普拉斯矩阵，是L的特征向量矩阵，Λ是以L的特征值为对角线元素的对角阵，U是L的特征向量矩阵；
[0017]通过K阶切比雪夫多项式近似所述频域图卷积
[0018]其中为切比雪夫系数向量，T
k
(x)为切比雪夫多项式。
[0019]进一步地，所述注意力时空卷积核的计算具体为：
[0020]利用全局平均池化对空间特征图除时间外的特征进行聚合操作，得到各时刻的全局空间特征；
[0021]基于两个全连接层不同时刻的相互关系，利用激活函数将所述相互关系映射到预设区间，得到时间权重系数，将所述时间权重系数分配给所述空间特征图，得到注意力时空卷积核。
[0022]进一步地，所述各时刻全局空间特征的计算具体为：
[0023][0024]式中，S
t
为t时刻的全局空间特征，GAP表示聚合操作，为t时刻的时空特征图，是在t时刻n节点f通道上的值，N、F分别表示节点数和通道数。
[0025]进一步地，所述权重系数的计算具体为：
[0026][0027]式中，为权重系数，S为全局空间特征，2FC表示两个全连接层，为权重系数，S为全局空间特征，2FC表示两个全连接层，分别是两个全连接所涉及的参数矩阵，r为缩放率，σ为sigmoid激活函数，δ为Selu激活函数。
[0028]进一步地，所述注意力时空卷积核的计算为：
[0029][0030]式中，Q
t
、和分别表示t时刻的注意力时空卷积核、权重系数和时空特征图。
[0031]进一步地，所述将多种尺度的时空特征沿通道维度拼接的过程中，包括：
[0032]引入Res2Net网络结构以多尺度时空特征融合的方式获取光伏电站数据的时空相关性，然后利用卷积层将提取的时空特征整理成与预测目标一致的维度。
[0033]本专利技术第二方面提供了一种多尺度动态图卷积神经网络的光伏发电预测系统，所
述系统包括：
[0034]数据提取单元，用于获取输入信息，从所述输入信息中提取光伏电站数据的时间特征和空间特征，形成时空特征图，所述时间特征通过一维扩张卷积提取；
[0035]数据处理单元，用于将所述时空特征图沿通道维度分成若干个特征子图，计算每个特征子图对应的注意力时空卷积核，除第一个特征子图对应的注意力时空卷积核外，其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息，所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征；
[0036]发电预测单元，用于将多种尺度的时空特征沿通道维度拼接，形成与输入信息维度一致的拼接时空特征，对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。
[0037]本专利技术第三方面提供了一种计算机存储介质，所述计算机存储介质中存储有计算机指令，所述计算机指令在所述系统上运行时，使所述系统执行所述方法的步骤。
[0038]本专利技术第二方面的所述光伏发电预测系统能够实现第一方面及第一方面的各实现方式中的方法，并取得相同的效果。
[0039]
技术实现思路
中提供的效果仅仅是实施例的效果，而不是专利技术所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
[0040]1、本专利技术在进行光伏发电预测的过程中，将提取的时空特征图分成多个特征子图，并基于注意力时空卷积核，实现多种尺度的时空特征融合，且注意力时空卷积核中考虑各个时刻之间的相关性，提升模型表达能力，可以有效地提取光伏电站时间和空间的特征，更深入地挖掘数据特性从而提高图卷积神经网络光伏发电预测模型的预测精度。
[0041]2、在进行时间特征提取时，采用一维扩张卷积设置扩张率，在卷积核的每个元素之间加入适当数量的零值来控制卷积核的维度，进而非线性地调节时间维度，解决固定尺寸的卷积核，影响时间特征记忆力的问题。...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度图卷积神经网络的光伏发电预测方法，其特征是，所述方法包括以下步骤：获取输入信息，从所述输入信息中提取光伏电站数据的时间特征和空间特征，形成时空特征图，所述时间特征通过一维扩张卷积提取；将所述时空特征图沿通道维度分成若干个特征子图，计算每个特征子图对应的注意力时空卷积核，除第一个特征子图对应的注意力时空卷积核外，其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息，所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征；将多种尺度的时空特征沿通道维度拼接，形成与输入信息维度一致的拼接时空特征，对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。2.根据权利要求1所述基于多尺度图卷积神经网络的光伏发电预测方法，其特征是，所述时间特征的提取具体为：式中，Z为提取的时间特征，δ为Selu激活函数，为卷积核，*d为一维扩张卷积算子，H为光伏电站时间特征的原始数据。3.根据权利要求1所述基于多尺度图卷积神经网络的光伏发电预测方法，其特征是，所述空间特征通过近似图卷积算子提取，具体为：计算图信号X与卷积核Θ的频域图卷积其中是图卷积算子，L为图拉普拉斯矩阵，是L的特征向量矩阵，Λ是以L的特征值为对角线元素的对角阵，U是L的特征向量矩阵；通过K阶切比雪夫多项式近似所述频域图卷积其中为切比雪夫系数向量，T
x
(x)为切比雪夫多项式。4.根据权利要求1所述基于多尺度图卷积神经网络的光伏发电预测方法，其特征是，所述注意力时空卷积核的计算具体为：利用全局平均池化对空间特征图除时间外的特征进行聚合操作，得到各时刻的全局空间特征；基于两个全连接层不同时刻的相互关系，利用激活函数将所述相互关系映射到预设区间，得到时间权重系数，将所述时间权重系数分配给所述空间特征图，得到注意力时空卷积核。5.根据权利要求4所述基于多尺度图卷积神经网络的光伏发电预测方法，其特征是，所述各时刻全局空间特征的计算具体为：式中，S
t
为t时刻的全局空间特征，GAP表示聚合...

【专利技术属性】
技术研发人员：杨会轩，苏明，李欣，刘金会，
申请(专利权)人：北京华清未来能源技术研究院有限公司北京华清智汇能源技术有限公司，
类型：发明
国别省市：