【技术实现步骤摘要】
本专利技术涉及分布式光伏功率预测，具体涉及一种计及卫星云图的分布式光伏功率预测方法及装置。
技术介绍
1、分布式光伏功率的预测一般采用以历史数值天气预报(nwp)的辐照度、温度、风速等作为输入数据，以历史发电功率为目标数据，利用arima等回归方法或神经网络、支持向量机等人工智能方法建立气象参数与实发功率之间潜在的映射关系，而后将未来的nwp数据输入所构建的统计模型中，得到光伏功率的预测结果。
2、然而受限于辐照度等自然因素，光伏功率呈现出昼夜差异以及波动特征，规律性太阳运动与波动性大气状态相互作用将导致太阳辐照度变化复杂，使得小时级别的特征难以捕捉，同时云团的生消运动也会造成地表辐照度快速剧烈变化，因此多云天气下光伏出力多呈现出无惯性突变。这导致历史气象数据往往不能满足预测精度的要求，从而影响到光伏短期功率预测的准确性。
技术实现思路
1、为了克服上述缺陷，本专利技术提出了一种计及卫星云图的分布式光伏功率预测方法及装置。
2、第一方面，提供一种计及卫星云图的分布式光伏功率预测方法，所述计及卫星云图的分布式光伏功率预测方法包括：
3、对分布式光伏所属区域在预测时刻的卫星云图数据进行初始化，得到分布式光伏所属区域在预测时刻的云图图像；
4、将所述云图图像作为预先构建的门控循环神经网络的输入，得到所述预先构建的门控循环神经网络输出的云遮挡特征；
5、将分布式光伏所属区域在预测时刻的气象因素数据和所述云遮挡特征作为预先训练的ls
6、优选的，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行初始化，包括：
7、对分布式光伏所属区域在预测时刻的卫星云图数据进行标准化处理，得到分布式光伏所属区域在预测时刻的初步云图图像；
8、对所述初步云图图像去底化处理，得到分布式光伏所属区域在预测时刻的云图图像。
9、进一步的，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行标准化处理，包括：
10、移除分布式光伏所属区域在预测时刻的卫星云图数据的像素值的日内差异性；
11、对移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值进行归一化处理。
12、进一步的，所述移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值如下：
13、
14、上式中，为移除日内差异性后第v个云图集中第w个卫星云图在位置(i，j)处的像素值，为第v个云图集中第w个卫星云图在位置(i，j)处的像素强度，α为太阳高度角，a为实验系数，k为太阳常数，ρ为反照率，i为像素在卫星云图中的横向坐标，j为像素在卫星云图中的纵向坐标，其中，所述第v个云图集中第w个卫星云图在位置(i，j)处的像素强度为
15、进一步的，对移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值进行归一化处理后第v个云图集中第w个卫星云图在位置(i，j)处的像素值如下：
16、
17、上式中，为移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值的最小值，为移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值的最大值。
18、进一步的，所述对所述初步云图图像去底化处理，包括：
19、获取分布式光伏所属区域在预测时刻的卫星云图数据对应的总云图像素矩阵和地面反照率图像的图像像素矩阵；
20、将分布式光伏所属区域在预测时刻的卫星云图数据对应的总云图像素矩阵与地面反照率图像的图像像素矩阵的差作为分布式光伏所属区域在预测时刻的云图图像。
21、进一步的，所述总云图像素矩阵如下：
22、
23、上式中，n为矩阵维度，i，j∈[1,n]。
24、进一步的，所述地面反照率图像的图像像素矩阵如下：
25、
26、上式中，为移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值进行归一化处理后第v个云图集中各卫星云图在位置(i，j)处的像素值最小值。
27、进一步的，所述预先构建的门控循环神经网络的数学模型如下：
28、
29、上式中，yt为t时刻云遮挡特征，tanh为双曲正切激活函数，rt为t时刻重置门输出，u为第一训练参数矩阵，yt-1为t-1时刻云遮挡特征，w为第二训练参数矩阵，为t时刻分布式光伏所属区域的云图图像。
30、优选的，所述预先训练的lstm神经网络的训练过程包括：
31、利用分布式光伏所属区域在历史时刻的气象因素数据、云遮挡特征和功率数据构建训练数据；
32、利用所述训练数据对初始lstm神经网络进行训练，得到所述预先训练的lstm神经网络。
33、第二方面，提供一种计及卫星云图的分布式光伏功率预测装置，所述计及卫星云图的分布式光伏功率预测装置包括：
34、初始化模块，用于对分布式光伏所属区域在预测时刻的卫星云图数据进行初始化，得到分布式光伏所属区域在预测时刻的云图图像；
35、第一分析模块，用于将所述云图图像作为预先构建的门控循环神经网络的输入，得到所述预先构建的门控循环神经网络输出的云遮挡特征；
36、第二分析模块，用于将分布式光伏所属区域在预测时刻的气象因素数据和所述云遮挡特征作为预先训练的lstm神经网络的输入，得到所述预先训练的lstm神经网络输出的分布式光伏在预测时刻的功率数据。
37、优选的，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行初始化，包括：
38、对分布式光伏所属区域在预测时刻的卫星云图数据进行标准化处理，得到分布式光伏所属区域在预测时刻的初步云图图像；
39、对所述初步云图图像去底化处理，得到分布式光伏所属区域在预测时刻的云图图像。
40、进一步的，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行标准化处理，包括：
41、移除分布式光伏所属区域在预测时刻的卫星云图数据的像素值的日内差异性；
42、对移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值进行归一化处理。
43、进一步的，所述移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值如下：
44、
45、上式中，为移除日内差异性后第v个云图集中第w个卫星云图在位置(i，j)处的像素值，为第v个云图集中第w个卫星云图在位置(i，j)处的像素强度，α为太阳高度角，a为实验系数，k为太阳常数，ρ为反照率，i为像素在卫星云图中的横向坐标，j为像素在卫星云图中的纵向坐标，其中，所述第v个云图集中第w个卫星云图在位置(i，j)处的像素强度为
46、进一步的，对移除日内差异性后分本文档来自技高网...
【技术保护点】
1.一种计及卫星云图的分布式光伏功率预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行初始化，包括：
3.如权利要求2所述的方法，其特征在于，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行标准化处理，包括：
4.如权利要求3所述的方法，其特征在于，所述移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值如下：
5.如权利要求4所述的方法，其特征在于，对移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值进行归一化处理后第v个云图集中第w个卫星云图在位置(i，j)处的像素值如下：
6.如权利要求5所述的方法，其特征在于，所述对所述初步云图图像去底化处理，包括：
7.如权利要求6所述的方法，其特征在于，所述总云图像素矩阵如下：
8.如权利要求7所述的方法，其特征在于，所述地面反照率图像的图像像素矩阵如下：
9.如权利要求8所述的方法，其特征在于，所述预先构建的门控循环神经网络的
10.如权利要求1所述的方法，其特征在于，所述预先训练的LSTM神经网络的训练过程包括：
11.一种计及卫星云图的分布式光伏功率预测装置，其特征在于，所述装置包括：
12.如权利要求11所述的装置，其特征在于，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行初始化，包括：
13.如权利要求12所述的装置，其特征在于，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行标准化处理，包括：
14.如权利要求13所述的装置，其特征在于，所述移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值如下：
15.如权利要求14所述的装置，其特征在于，对移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值进行归一化处理后第v个云图集中第w个卫星云图在位置(i，j)处的像素值如下：
16.如权利要求15所述的装置，其特征在于，所述对所述初步云图图像去底化处理，包括：
17.如权利要求16所述的装置，其特征在于，所述总云图像素矩阵如下：
18.如权利要求17所述的装置，其特征在于，所述地面反照率图像的图像像素矩阵如下：
19.如权利要求18所述的装置，其特征在于，所述预先构建的门控循环神经网络的数学模型如下：
20.如权利要求11所述的装置，其特征在于，所述预先训练的LSTM神经网络的训练过程包括：
21.一种计算机设备，其特征在于，包括：一个或多个处理器；
22.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至10中任意一项所述的计及卫星云图的分布式光伏功率预测方法。
...【技术特征摘要】
1.一种计及卫星云图的分布式光伏功率预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行初始化，包括：
3.如权利要求2所述的方法，其特征在于，所述对分布式光伏所属区域在预测时刻的卫星云图数据进行标准化处理，包括：
4.如权利要求3所述的方法，其特征在于，所述移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值如下：
5.如权利要求4所述的方法，其特征在于，对移除日内差异性后分布式光伏所属区域在预测时刻的卫星云图数据的像素值进行归一化处理后第v个云图集中第w个卫星云图在位置(i，j)处的像素值如下：
6.如权利要求5所述的方法，其特征在于，所述对所述初步云图图像去底化处理，包括：
7.如权利要求6所述的方法，其特征在于，所述总云图像素矩阵如下：
8.如权利要求7所述的方法，其特征在于，所述地面反照率图像的图像像素矩阵如下：
9.如权利要求8所述的方法，其特征在于，所述预先构建的门控循环神经网络的数学模型如下：
10.如权利要求1所述的方法，其特征在于，所述预先训练的lstm神经网络的训练过程包括：
11.一种计及卫星云图的分布式光伏功率预测装置，其特征在于，所述装置包括：
12.如权利要求11所述的装置，其特征在于，所述...
【专利技术属性】
技术研发人员：惠慧，李蕊，王铭，赵邈，周恒逸，朱吉然，唐海国，周芊帆，
申请(专利权)人：中国电力科学研究院有限公司，
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。