一种考虑阵列间时空相关性的超短期光伏出力预测方法技术

本发明专利技术公开了一种考虑阵列间时空相关性的超短期光伏出力预测方法，其包括以下步骤：搭建GCN

【技术实现步骤摘要】
一种考虑阵列间时空相关性的超短期光伏出力预测方法


[0001]本专利技术涉及光伏发电
，具体涉及一种考虑阵列间时空相关性的超短期光伏出力预测方法。

技术介绍

[0002]太阳能作为最丰富和最具发展前景的可再生能源之一，其开发与利用已经成为我国能源发展的主要方向。光伏能源的波动性和不确定性阻碍了光伏能源的深度消纳，同时也为电力系统的调度和调节带来了巨大挑战，而光伏发电功率预测是解决上述问题最为经济可行的途径之一。按照预测的时间尺度，光伏功率预测方法可以分为中长期、短期和超短期预测三大类。
[0003]目前针对超短期预测，部分技术采用不同预测模型组合的方法，综合不同模型的优势来解决单一模型精度较低的问题，但是此类方法未考虑云层和运动型云团等会对超短期尺度下的光伏出力预测带来影响的因素。于是，在此基础上，出现了通过采集光伏电站的地基云图和卫星云图，预测云层和云团的运动，进一步实现对光伏电站出力的超短期预测。但在实际运用中，由于地基云图的观测范围有限，并且全天空成像仪的安装和维护成本较高，以及卫星云图数据获取困难且空间精度较低，定位到某一具体电站时容易产生误差，预测结果准确率低。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种考虑阵列间时空相关性的超短期光伏出力预测方法解决了现有技术中预测结果准确性较低且获取数据精度低的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0006]提供了一种考虑阵列间时空相关性的超短期光伏出力预测方法，其包括以下步骤：
[0007]S1、搭建GCN
‑
LSTM预测模型并初始化模型参数；
[0008]S2、根据光伏阵列的分布情况对阵列历史出力数据进行处理，得到光伏阵列的历史功率数据集和邻接矩阵；
[0009]S3、将光伏阵列的历史功率数据集和邻接矩阵输入至GCN
‑
LSTM预测模型；采取均方误差损失函数对GCN
‑
LSTM预测模型进行计算，得到模型误差；
[0010]S4、判断模型误差是否满足精度要求；若是则得到训练后的GCN
‑
LSTM预测模型并进入步骤S5；反之则通过Adam优化算法对GCN
‑
LSTM预测模型进行参数调整，返回步骤S3；
[0011]S5、通过训练后的GCN
‑
LSTM预测模型完成对光伏电站光伏出力的超短期预测。
[0012]进一步地，步骤S1中的GCN
‑
LSTM预测模型包括依次串联的输入层、空间特征提取模块、时间序列预测模块和输出层；
[0013]空间特征提取模块包括两个堆叠的GCN层，用于提取光伏阵列的空间特征；
[0014]时间序列预测模块包括两个堆叠的LSTM层和一个全连接层，用于得到光伏电站光
伏出力的超短期预测值。
[0015]进一步地，GCN层采用ReLu激活函数；LSTM层采用TANH激活函数。
[0016]进一步地，步骤S2获取光伏阵列的历史功率数据集和邻接矩阵的具体方法如下：
[0017]采集光伏电站的每一阵列的历史出力数据并进行检测，得到缺失数据和异常数据；对连续缺失小于12个采样点的缺失数据通过线性插补进行插补，得到正常数据；对连续缺失大于或等于12个采样点的缺失数据进行删除；对异常数据通过广义极端学生化偏差检验法进行剔除，并采用三次Hermite插值法进行插补，得到正常数据；
[0018]对正常数据集进行归一化，得到光伏阵列的历史功率数据集；
[0019]通过Pearson相关系数法对正常数据集进行计算，得到各阵列之间的出力相关性；根据光伏电站内不同光伏阵列的排布情况，通过各阵列之间的出力相关性得到邻接矩阵。
[0020]进一步地，步骤S3的具体步骤如下：
[0021]S3
‑
1、将光伏阵列的历史功率数据集和邻接矩阵输入至空间特征提取模块；
[0022]S3
‑
2、根据邻接矩阵通过两个堆叠的GCN层对光伏阵列的历史功率数据集进行处理，得到光伏阵列的空间特征；
[0023]S3
‑
3、将光伏阵列的空间特征输入至时间序列预测模块；通过两个堆叠的LSTM层和一个全连接层进行处理，得到光伏电站光伏出力的超短期预测结果；
[0024]S3
‑
4、根据光伏电站光伏出力的超短期预测结果，采取均方误差损失函数对GCN
‑
LSTM预测模型进行计算，得到模型误差。
[0025]进一步地，步骤S3
‑
2的具体公式为：
[0026]W
(l)
＝R
d
×
h
[0027][0028][0029]得到光伏阵列的空间特征H
(l+1)
；其中，R表示实数，d为每个节点的特征向量维度，h表示输出维度，W
(l)
表示可训练参数，A表示光伏阵列的分布图的邻接矩阵，I
N
表示N阶单位矩阵，表示处理后的邻接矩阵，H
(l)
表示第l层的网络输出，表示光伏阵列的历史功率数据集，σ(
·
)表示ReLu激活函数。
[0030]进一步地，步骤S3
‑
3中LSTM层包括输入门、遗忘门和输出门，其具体方法为：
[0031]根据公式：
[0032]C
′
t
＝f
t
⊙
C
t
‑1[0033]f
t
＝sigmiod(W
f
·
[h
t
‑1,x
t
]+b
f
)
[0034]得到遗忘部分信息后的新状态C
′
t
；其中，C
t
‑1表示t
‑
1时刻的神经元状态，f
t
表示遗忘门系数，h
t
‑1表示t
‑
1时刻隐藏层输出值，x
t
表示t时刻的数据输入，[h
t
‑1,x
t
]表示向量h
t
‑1和x
t
的拼接结果，W
f
和b
f
表示待训练参数，sigmiod(
·
)为激活函数；
[0035]通过输入门对t时刻遗忘部分信息后的新状态C
′
t
进行控制输入，其公式为：
[0036]i
t
＝sigmoid(W
i
·
[h
t
‑1,x
t
]+b
i
)
[0037][0038]其中，i
t
表示输入门的输出值，W<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑阵列间时空相关性的超短期光伏出力预测方法，其特征在于：包括以下步骤：S1、搭建GCN
‑
LSTM预测模型并初始化模型参数；S2、根据光伏阵列的分布情况对阵列历史出力数据进行处理，得到光伏阵列的历史功率数据集和邻接矩阵；S3、将光伏阵列的历史功率数据集和邻接矩阵输入至GCN
‑
LSTM预测模型；采取均方误差损失函数对GCN
‑
LSTM预测模型进行计算，得到模型误差；S4、判断模型误差是否满足精度要求；若是则得到训练后的GCN
‑
LSTM预测模型并进入步骤S5；反之则通过Adam优化算法对GCN
‑
LSTM预测模型进行参数调整，返回步骤S3；S5、通过训练后的GCN
‑
LSTM预测模型完成对光伏电站光伏出力的超短期预测。2.根据权利要求1所述的考虑阵列间时空相关性的超短期光伏出力预测方法，其特征在于：所述步骤S1中的GCN
‑
LSTM预测模型包括依次串联的输入层、空间特征提取模块、时间序列预测模块和输出层；所述空间特征提取模块包括两个堆叠的GCN层，用于提取光伏阵列的空间特征；所述时间序列预测模块包括两个堆叠的LSTM层和一个全连接层，用于得到光伏电站光伏出力的超短期预测值。3.根据权利要求2所述的考虑阵列间时空相关性的超短期光伏出力预测方法，其特征在于：所述GCN层采用ReLu激活函数；所述LSTM层采用TANH激活函数。4.根据权利要求1所述的考虑阵列间时空相关性的超短期光伏出力预测方法，其特征在于：所述步骤S2获取光伏阵列的历史功率数据集和邻接矩阵的具体方法如下：采集光伏电站的每一阵列的历史出力数据并进行检测，得到缺失数据和异常数据；对连续缺失小于12个采样点的缺失数据通过线性插补进行插补，得到正常数据；对连续缺失大于或等于12个采样点的缺失数据进行删除；对异常数据通过广义极端学生化偏差检验法进行剔除，并采用三次Hermite插值法进行插补，得到正常数据；对正常数据集进行归一化，得到光伏阵列的历史功率数据集；通过Pearson相关系数法对正常数据集进行计算，得到各阵列之间的出力相关性；根据光伏电站内不同光伏阵列的排布情况，通过各阵列之间的出力相关性得到邻接矩阵。5.根据权利要求2所述的考虑阵列间时空相关性的超短期光伏出力预测方法，其特征在于：所述步骤S3的具体步骤如下：S3
‑
1、将光伏阵列的历史功率数据集和邻接矩阵输入至空间特征提取模块；S3
‑
2、根据邻接矩阵通过两个堆叠的GCN层对光伏阵列的历史功率数据集进行处理，得到光伏阵列的空间特征；S3
‑
3、将光伏阵列的空间特征输入至时间序列预测模块；通过两个堆叠的LSTM层和一个全连接层进行处理，得到光伏电站光伏出力的超短期预测结果；S3
‑
4、根据光伏电站光伏出力的超短期预测结果，采取均方误差损失函数对GCN
‑
LSTM预测模型进行计算，得到模型误差。6.根据权利要求5所述的考虑阵列间时空相关性的超短期光伏出力预测方法，其特征在于：所述步骤S3
‑
2的具体公式为：W
(l)
＝R
d
×
h
得到光伏阵列的空间特征H
(l+1)
；其中，R表示实数，d为每个节点的特征向量维度，h表示输出维度，W
(l)
表示可训练参数，A表示光伏阵列的分布图的邻接矩阵，I
N
表示N阶单位矩阵，表示处理后的邻接矩阵，H
(l)

【专利技术属性】
技术研发人员：王涛，韩晓，周纯羽，
申请(专利权)人：西华大学，
类型：发明
国别省市：