【技術實現步驟摘要】
本專利技術涉及光伏發電，尤其涉及一種基于itransfomer的光伏功率超短期預測方法及系統。
技術介紹
1、隨著全球能源結構的轉型和可持續發展戰略的推進，可再生能源，特別是光伏發電，因其清潔、環保且資源豐富，得到了廣泛的應用。光伏電站的規模不斷擴大，發電量占比逐年提升，這對于優化能源結構和減少溫室氣體排放具有重要意義。然而，光伏發電受多種因素的影響，如太陽輻射、云層變化、溫度等，導致輸出功率存在高度不確定性和波動性，給電網調度帶來了巨大挑戰。特別是在晴朗天氣下，云層遮擋會導致光伏發電量的急劇下降，使得電網的實時調度和供需平衡面臨巨大壓力。
2、為應對這一挑戰，光伏功率的準確預測變得尤為重要。準確的光伏功率預測有助于電網調度部門提前制定調度計劃，優化資源配置，提高電力系統的可靠性。然而，目前的預測方法主要依賴傳統氣象預報源，如數值天氣預報或公共氣象服務。這些方法存在模型誤差和數據更新頻率不足等問題，導致預測結果誤差較大，無法滿足超短期預測的高精度需求。
3、傳統的預測方法在云層快速變化和局部天氣異常情況下，精度較為有限。數值天氣預報模型的時空分辨率較低，難以有效捕捉云層變化；而公共氣象服務的數據更新頻率較低，無法滿足實時性的要求。因此，開發一種能夠實時捕捉云層變化并準確預測光伏功率的超短期預測方法變得尤為重要。
技術實現思路
1、本專利技術要解決的技術問題和提出的技術任務是對現有技術方案進行完善與改進，提供一種基于itransfomer的光伏功率超短期預測方
2、一種基于itransfomer的光伏功率超短期預測方法，包括以下步驟：
3、1）天氣數據收集與處理：收集與光伏功率相關的天氣數據，包括光幅照強度、溫度、云層覆蓋、風速和濕度；
4、對收集到的天氣數據進行預處理，包括：數據清洗、時間插值和空間插值，得到可用于模型輸入的標準數據格式；
5、2）基于天氣數據進行特征構造：對天氣數據進行特征構造，具體構造增量特征、統計特征和時變特征，并將這些構造的特征作為itransformer模型的輸入；
6、3）itransformer模型構建和訓練：
7、301）構建itransformer模型：
8、itransformer模型包括輸入嵌入模塊、編碼器模塊和投影層模塊，
9、輸入嵌入模塊：將天氣特征和光伏出力時間序列輸入itransformer模型，得到各輸入特征的嵌入標記；
10、編碼器模塊：采用多頭注意力機制計算多變量數據的注意力分布值，并對重要特征進行高權重分配，進行深度特征挖掘；
11、投影層模塊：對多變量標記進行非線性映射輸出，得到光伏功率預測結果；
12、302）itransformer模型的訓練：
13、利用包含實測光伏出力時間序列數據和處理后的天氣特征數據的訓練集對itransformer模型進行訓練，使用數值天氣預報數據和公共氣象服務提供的天氣類型預報數據進行修正，確保輸入數據的準確性和可靠性；
14、4）光伏功率超短期預測：
15、將經過itransformer模型訓練得到的參數應用于光伏功率超短期預測，進行光伏功率的預測。
16、采用itransformer模型，能夠利用多頭注意力機制高效捕捉光伏功率與天氣數據之間的復雜非線性關系。通過對天氣數據的深度特征挖掘，能夠提供高精度的超短期光伏功率預測，尤其在云層快速變化等復雜天氣條件下表現優異。
17、本技術方案在處理復雜氣象條件下具有較高的準確性、實時性和可靠性，為電網調度提供了有力支持，尤其在超短期光伏功率預測方面，能夠有效提升電力系統的安全性與可靠性。具體的：
18、本技術方案通過實時獲取和處理天氣數據，能夠快速反映天氣變化，進而更準確地預測光伏功率。相比傳統的基于數值天氣預報和公共氣象服務的預測方法，具有更高的實時性和響應速度。
19、在數據收集與處理階段，采用了數據清洗、時間插值和空間插值等技術，確保了輸入數據的質量和可靠性，解決了因數據異常和缺失造成的誤差問題。
20、通過增量特征、統計特征和時變特征的構造，能夠全面地反映天氣數據和光伏功率之間的關系，特別是在處理復雜的天氣模式（如云層變化和溫度波動）時具有較強的適應性和精確度。
21、itransformer模型具有較強的靈活性，能夠適應多種不同的氣象數據輸入形式，并通過自學習優化模型，提升預測效果。此外，模型可以根據實際應用場景進行擴展，適應更大規模的光伏電站或其他類型的可再生能源發電預測需求。
22、itransformer模型通過多頭注意力機制和編碼器結構，能夠有效應對數據噪聲、缺失值和異常數據的干擾，提高了模型在面對不同類型天氣變化時的魯棒性和預測穩定性。
23、作為優選技術手段：在步驟1）中，數據清洗用于去除無效或異常數據，包括去除設備故障或數據傳輸錯誤導致的錯誤數據；使用均值濾波和設定閾值來去除異常值；
24、時間插值采用線性插值的方式填補時間序列數據中的缺失值，其線性插值公式為：
25、
26、其中，和是已知數據點，是待插值的時間點，是插值結果；
27、空間插值采用反距離加權插值的方式填補空間分布數據中的缺失值，其中反距離加權插值idw公式為：
28、
29、其中z是待插值點的值，是已知點的值，是待插值點到已知點的距離，是權重指數，是已知點的數量。
30、本技術方案通過精確的數據清洗、時間插值和空間插值處理，增強了數據的完整性和一致性，為模型提供了更可靠的輸入數據，從而提高了光伏功率超短期預測的精度、穩定性和可靠性。具體的：
31、本技術方案通過數據清洗方法去除設備故障或數據傳輸錯誤導致的錯誤數據，避免了這些異常數據對預測模型的影響，從而提高了預測結果的準確性。使用均值濾波和設定閾值的方式能夠有效平滑數據并去除異常值，減少了噪聲干擾。
32、時間插值采用線性插值法對缺失的時間序列數據進行填補。通過線性插值公式，能夠根據已知數據點之間的變化趨勢平滑地補充缺失數據，保證了時間序列的連續性和一致性，避免了由于缺失數據導致的預測誤差。
33、空間插值使用反距離加權插值（idw）方法填補空間分布數據中的缺失值。通過idw公式，利用已知數據點的權重（與距離的關系）對缺失數據進行插值，確保了空間數據的填充能夠充分反映已知點的影響，并且考慮了不同點之間的距離差異，使得空間插值更加準確和合理。
34、通過這些數據預處理方法，能夠確保輸入模型的數據是經過清洗、填補和處理的有效數據，從而提高了預測模型的魯棒性和準確度。尤其在大規模數據集上，這些方法能夠顯著減少數據異常、缺失或不一致性對預測效果的影響。
35、數據清洗本文檔來自技高網...
【技術保護點】
1.一種基于itransfomer的光伏功率超短期預測方法，其特征在于包括以下步驟：
2.根據權利要求1所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：在步驟1）中，數據清洗用于去除無效或異常數據，包括去除設備故障或數據傳輸錯誤導致的錯誤數據；使用均值濾波和設定閾值來去除異常值；
3.根據權利要求2所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：在步驟2）中，特征構造包括內容：
4.根據權利要求3所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：所述輸入嵌入模塊通過嵌入操作將天氣特征和光伏出力時間序列進行標記處理，計算公式為：
5.根據權利要求4所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：所述的編碼器模塊通過采用多頭注意力機制計算注意力分布值，計算公式為：
6.根據權利要求5所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：所述的投影層模塊由多層感知器MLP組成，用于將通過編碼器模塊處理的多變
7.根據權利要求6所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：所述的光伏功率超短期預測基于訓練集，通過測試集進行評估，使用評估指標包括均方誤差MSE、均方根誤差RMSE和/或平均絕對誤差MAE。
8.采用權利要求1-7任一權利要求所述的一種基于itransfomer的光伏功率超短期預測方法的光伏功率超短期預測系統，其特征在于包括：
9.根據權利要求8所述的光伏功率超短期預測系統，其特征在于：所述的天氣數據收集與處理模塊通過以下方式進行數據清洗、時間插值和空間插值：
10.根據權利要求9所述的光伏功率超短期預測系統，其特征在于：
...【技術特征摘要】
1.一種基于itransfomer的光伏功率超短期預測方法，其特征在于包括以下步驟：
2.根據權利要求1所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：在步驟1）中，數據清洗用于去除無效或異常數據，包括去除設備故障或數據傳輸錯誤導致的錯誤數據；使用均值濾波和設定閾值來去除異常值；
3.根據權利要求2所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：在步驟2）中，特征構造包括內容：
4.根據權利要求3所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：所述輸入嵌入模塊通過嵌入操作將天氣特征和光伏出力時間序列進行標記處理，計算公式為：
5.根據權利要求4所述的一種基于itransfomer的光伏功率超短期預測方法，其特征在于：所述的編碼器模塊通過采用多頭注意力機制計算注意力分布值，計算公式為...
【專利技術屬性】
技術研發人員：黃浩，鐘宇軍，錢建國，甘純，張俊，張靜，金學奇，蔡雨函，闕凌燕，孔飄紅，盧敏，詹志雄，方海娜，潘永春，徐冉月，張隆宇，王濤，
申請(專利權)人：國網浙江省電力有限公司舟山供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。