【技术实现步骤摘要】
本专利技术属于图像处理与多模态融合领域，具体涉及一种基于天空图像的太阳能光伏发电短期预测方法。
技术介绍
1、光伏发电短期预测旨在统筹安排电力的实时调配和储能控制。光伏发电短期预测有利于电力营销或定价，对于运行和管理可再生能源综合电力系统也是非常重要的。但是由于太阳能的间歇性以及环境对太阳能的影响，使得光伏与电网的大规模集成面临重大挑战。除此之外，由于云团覆盖率的变化，尤其是在部分多云的情况下，光伏电池板的输出功率可以在几分钟内接近于0，如何准确进行太阳能光伏发电短期预测是目前研究中亟待解决的问题。
2、当前存在的一些物理方法和统计学习方法，比如光伏发电短期预测的持久性模型的方法，该方法是利用分布式发电厂作为传感器，并利用它们的时空依赖性来改善预测效果的统计方法，但该方法在进行光伏发电短期预测时，存在建模成本高、数据需求量大等缺点，也存在一些数据误差、模型简化、参数选择等问题，影响最终预测效果的准确性和完整性。持久性模型也可能受到环境因素的影响，如光照幅值、季节、天气、温度等，导致最终预测结果的不稳定性和波动性。持久性模型受算法原理与数据精细度限制，对这种由云团运动导致的分钟级功率波动的情况难以实现准确预测。
技术实现思路
1、本专利技术的目的在于解决现有技术中的缺陷，并提供一种基于天空图像的太阳能光伏发电短期预测方法。
2、本专利技术所采用的具体技术方案如下：
3、s1.采用全局滑动窗口方法，分别对天空图像数据和光伏历史发电数据进行数据预处理，
4、s2.获取一个经过预训练的光伏发电短期预测网络，所述光伏发电短期预测网络包括seq-swin-transformer网络、lstm-sa网络、多模态融合模块；
5、s3.将所述天空图像序列数据输入到seq-swin-transformer网络中，得到天空图像特征序列；将所述光伏历史发电序列数据输入到lstm-sa网络中，得到光伏历史发电特征序列；
6、s4.将天空图像特征序列和光伏历史发电特征序列水平拼接，得到特征融合序列；将特征融合序列输入到多模态融合模块后，输出未来某一时刻的光伏发电预测值，实现光伏发电短期预测。
7、作为优选，所述全局滑动窗口方法具体步骤如下：
8、s11.获取连续的天空图像数据和连续的光伏历史发电数据；利用时间戳序列t，保证天空图像序列数据和光伏历史发电数据在时间上同步，删除不同步的错误数据，获得预处理后的天空图像序列数据和预处理后的光伏历史发电序列数据其中，n为序列长度；
9、s12.储存所述天空图像序列数据的起始帧索引及所述天空图像序列数据的终止帧索引；
10、s13.通过读取所述起始帧索引和所述终止帧索引，获取所述天空图像序列数据和所述光伏历史发电序列数据。
11、作为优选，所述seq-swin-transformer网络中，将每一帧天空图像数据xi分别输入到swin transformer模块中，得到每一帧天空图像数据的特征信息，将所述特征信息输入到自注意力机制模块中，得到天空图像特征序列。
12、作为优选，所述swin transformer模块由一个块分割模块、一个线性嵌入层、一个swin transformer block、一个块合并模块、一个swin transformer block、一个块合并模块、一个swin transformer block、一个块合并模块、一个swin transformer block依次级联而成；所述块分割模块将每一帧天空图像数据xi进行分块处理，得到t×p×p×3的天空图像数据块，其中p×p是每个天空图像数据块的大小，3表示rgb通道，t是天空图像数据块的个数；
13、
14、其中，h为天空图像数据高度；w为天空图像数据宽度；所述线性嵌入层为卷积核为4×4、步长为4的二维卷积层；所述swin transformer block中，输入当前合并窗口未计算自注意力分数值的特征张量zl-1，将zl-1输入到层归一化模块，得到均值为0、方差为1的中间张量z′l-1，将z′l-1输入到w-msa模块，得到中间张量z″l-1，将z″l-1与zl-1相加得到是当前合并窗口内已计算自注意分数值的特征张量，将输入到层归一化模块，得到中间张量将输入到多层感知机模块，得到中间张量将与相加得到zl，zl是自注意力分数值的特征非线性变换及维度扩展张量，将zl输入到层归一化模块，得到中间张量z′l，将z′l输入到sw-msa模块，得到中间张量z″l，将z″l与zl相加得到是每个合并窗口间的自注意力分数值的特征张量，将输入到层归一化模块，得到中间张量将输入到多层感知机模块，得到中间张量将与相加，输出zl+1，zl+1是包含每个合并窗口内和相邻合并窗口间的自注意力分数值非线性变化张量；所述w-msa模块为windowmulti-head self-attention；所述sw-msa模块为shifted window multi-head self-attention；所述块合并模块为patch merging。
15、作为优选，所述自注意力机制模块中，将每一帧图像数据的特征信息输入到批量归一化层，得到特征张量s，利用特征张量s计算得到q、k、v：
16、q＝wqs
17、k＝wks
18、v＝wvs
19、其中，q是查询信息矩阵；k-v是键值对矩阵；wq、wk、wv分别是q、k、v的权重；将k、v分别输入到平均池化层，得到矩阵k′、v′；将q、k′、v′分别输入到多头自注意力机制模块中，输出自注意力分数；其中，多头自注意力机制模块的函数形式如下：
20、
21、其中，attention表示自注意力映射，softmax表示归一化；t表示矩阵转置；dk表示特征张量s的维度。
22、作为优选，所述lstm-sa网络中，将所述光伏历史发电序列数据输入到lstm编码器中，得到编码后的张量将编码后的输入到所述自注意力机制模块中进行解码，得到光伏历史发电特征序列；所述lstm编码器结构为3层相同的隐藏层，每一层隐藏层带有128个神经元。
23、作为优选，所述多模态融合模块由一个一维卷积层、relu激活函数、一个最大池化层、两层全连接层依次级联而成；所述一维卷积层的卷积核大小为3，填充为1，输出通道数为40。
24、作为优选，所述光伏发电短期预测网络的训练样本形式为数据；在光伏发电短期预测网络的每一个迭代轮次中，输入数据大小为n×h×w×3的训练样本数据，采用随机梯度下降方法进行反向传播更新梯度，使用均方误差损失函数，对光伏发电短期预测网络的网络参数进行更新；所述均方误差损失函数的函数形式为：
25、
26、其中，mi是i时刻的光伏发电的真实值，是i时刻的光伏发电预测值。...
【技术保护点】
1.一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述全局滑动窗口方法具体步骤如下：
3.如权利要求2所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述Seq-Swin-Transformer网络中，将每一帧天空图像数据xi分别输入到swintransformer模块中，得到每一帧天空图像数据的特征信息，将所述特征信息输入到自注意力机制模块中，得到天空图像特征序列。
4.如权利要求3所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述swin transformer模块由一个块分割模块、一个线性嵌入层、一个SwinTransformer Block、一个块合并模块、一个Swin Transformer Block、一个块合并模块、一个Swin Transformer Block、一个块合并模块、一个Swin Transformer Block依次级联而成；所述块分割模块将每一帧天空图像数据xi进行分块处理
5.如权利要求3所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述自注意力机制模块中，将每一帧图像数据的特征信息输入到批量归一化层，得到特征张量S，利用特征张量S计算得到Q、K、V：
6.如权利要求5所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述LSTM-SA网络中，将所述光伏历史发电序列数据输入到LSTM编码器中，得到编码后的张量将编码后的输入到所述自注意力机制模块中进行解码，得到光伏历史发电特征序列；所述LSTM编码器结构为3层相同的隐藏层，每一层隐藏层带有128个神经元。
7.如权利要求1所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述多模态融合模块由一个一维卷积层、Relu激活函数、一个最大池化层、两层全连接层依次级联而成；所述一维卷积层的卷积核大小为3，填充为1，输出通道数为40。
8.如权利要求1所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述光伏发电短期预测网络的训练样本形式为数据；在光伏发电短期预测网络的每一个迭代轮次中，输入数据大小为N×H×W×3的训练样本数据，采用随机梯度下降方法进行反向传播更新梯度，使用均方误差损失函数，对光伏发电短期预测网络的网络参数进行更新；所述均方误差损失函数的函数形式为：
9.如权利要求1所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述光伏发电短期预测网络的数据集为Solar_power_forecasting；光伏发电短期预测网络的迭代次数为20次，光伏发电短期预测网络中，前10次迭代过程的学习率设置为1e-4，后10次迭代过程的学习率设置为1e-5。
...【技术特征摘要】
1.一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述全局滑动窗口方法具体步骤如下：
3.如权利要求2所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述seq-swin-transformer网络中，将每一帧天空图像数据xi分别输入到swintransformer模块中，得到每一帧天空图像数据的特征信息，将所述特征信息输入到自注意力机制模块中，得到天空图像特征序列。
4.如权利要求3所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述swin transformer模块由一个块分割模块、一个线性嵌入层、一个swintransformer block、一个块合并模块、一个swin transformer block、一个块合并模块、一个swin transformer block、一个块合并模块、一个swin transformer block依次级联而成；所述块分割模块将每一帧天空图像数据xi进行分块处理，得到t×p×p×3的天空图像数据块，其中p×p是每个天空图像数据块的大小，3表示rgb通道，t是天空图像数据块的个数；
5.如权利要求3所述的一种基于天空图像的太阳能光伏发电短期预测方法，其特征在于，所述自注意力机制模块中，将每一帧图像数据的特征信息输入到批量归一化层，得到特征张量s，利用特...
【专利技术属性】
技术研发人员：张忠广，王朝，张启飞，周渝林，吴超，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
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。