【技術實現步驟摘要】
本專利技術涉及光伏發電量預測，具體為考慮光照輻射通量計算模型的光伏出力預測方法。
技術介紹
1、隨著全球能源結構的轉型和氣候變化的挑戰，可再生能源特別是太陽能光伏發電在能源領域扮演著越來越重要的角色，分布式光伏系統因其靈活性和適應性強，在居民建筑、商業建筑以及工業設施中得到了廣泛應用，然而，光伏發電的出力受多種因素影響，尤其是光照總輻射通量的動態變化對光伏電站的能量輸出有著決定性作用，因此，準確預測光伏電站的出力對于電網調度、能源管理以及提高光伏系統效率具有重要意義，傳統的預測方法往往依賴于簡化的模型和假設，難以適應復雜多變的實際環境，近年來，人工智能和神經網絡學習技術的發展為提高預測精度提供了新的可能性。
2、目前研究存在的不足之處主要體現在以下幾個方面：現有的許多光伏出力預測方法在特定條件下表現良好，但在面對復雜多變的氣象條件和強隨機、強波動的時間序列數據時，預測精度往往下降明顯，缺乏足夠的泛化能力，許多現有預測模型，尤其是基于深度學習的方法，雖然能夠提供較高的預測精度，但其內部機制較為復雜，難以解釋預測過程和結果的合理性，導致模型的透明度和可信度較低，一些研究在特征提取方面不夠全面，未能充分利用時間序列數據的空間和時間特征，導致預測模型的魯棒性和準確性不足。
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、因此，本專利技術解決的技術問題是：現有的光伏出力預測方法存在泛化能力不足，模型可解釋性差，以及如何解決特征提取方面不夠全面的優化問題。
3、為解決上述技術問題，本專利技術提供如下技術方案：考慮光照輻射通量計算模型的光伏出力預測方法，包括構建太陽運行模型并對光伏電站參數進行分析，采集光伏發電數據并預處理；通過貝葉斯方法智能設置超參數，提取空間和時間特征，構造類庫普曼算子和代價函數并迭代求解；將總輻射通量預測值作為輸入，通過卷積神經網絡進行光伏出力預測。
4、作為本專利技術所述的考慮光照輻射通量計算模型的光伏出力預測方法的一種優選方案，其中：所述構建太陽運行模型并對光伏電站參數進行分析包括太陽方位角和高度角的計算模型，采集光伏電站的布置陣列、位置、朝向、電池板功能參數，結合地球自轉、公轉、傾角的天文因素，計算太陽輻射強度和太陽角度在一天周期內的變化規律，太陽方位角表示為：
5、
6、其中，h和m分別為北京時間24小時制的小時與分鐘，θt0為當地時間與北京時間的差值，θt為太陽方位角，太陽高度角表示為：
7、sin(θh)＝sin(φ)×sin(δ)+cos(φ)×cos(δ)×cos(θt)
8、δ＝0.006918-0.399912cos(b)+0.0070257sin(b)-0.006758cos(2b)+0.000907sin(2b)-0.002697cos(3b)+0.00148sin(3b)
9、
10、其中，φ為光伏發電站的緯度，δ為赤緯，n為積日，b為角度參數，θh為太陽高度角，將太陽方位角和高度角作為預測模型的特征，通過iceemdan方法對數據進行預處理。
11、作為本專利技術所述的考慮光照輻射通量計算模型的光伏出力預測方法的一種優選方案，其中：所述采集光伏發電數據并預處理包括基于iceemdan的分解特性，通過不同時間對太陽光照的差異性作用，選擇使用加入白噪聲的iceemdan將負荷數據進行分解，將原始數據分解為一系列不同頻率特征的本征模態函數分量，每個本征模態函數表示不同的頻率和振幅特征，消減多能微網負荷的非線性化特征，iceemdan通過對原始時間序列數據進行改進，并向初始信號添加白噪聲，白噪聲的添加和iceemdan的迭代分解產生本征模態函數，每個本征模態函數表示原始序列在不同頻率上的特征，iceemdan的分解表示為：
12、
13、其中，y(t)為原始負荷序列，yj(t)為加噪信號，rn(t)和imfn(t)分別為第n階殘差分量和模態分量，en(·)為通過emd算法獲取的第n階模態，m(·)為包絡計算，ηj(t)為添加第j次白噪聲，αn-1為去除噪聲的標準差。
14、作為本專利技術所述的考慮光照輻射通量計算模型的光伏出力預測方法的一種優選方案，其中：所述提取空間和時間特征包括rnn和bigru，rnn負責空間特征提取，用于處理序列數據，數據點之間存在順序關系，在光伏數據中，空間特征被視為序列數據，不同地理位置的光伏陣列數據為沿某維度排列的序列，rnn通過隱藏狀態記憶過去輸入，將隱藏層的節點連接，使上一時刻隱藏層的輸出疊加輸入層的輸出作為新輸入信息，在實時變化環境下對負荷進行預測和調整，bigru負責時間特征提取，bigru的信息流分為向前傳播和向后傳播，bigru模型的2個方向相反的gru模型，對電力負荷的正反雙向時序特征進行提取，得到依賴關系，正向gru計算表示為：
15、
16、其中，xt為t時的輸入，ht為t時的輸出，nt為當前時刻的候選隱狀態，rt為重置門，zt為更新門，wxr、whr、wxz、whz、whn、wxn為權重系數矩陣，bxr、bhr、bxz、bhz、bhn、bxn為偏置項矩陣，σ為sigmoid函數，為兩個矩陣的點積。
17、作為本專利技術所述的考慮光照輻射通量計算模型的光伏出力預測方法的一種優選方案，其中：所述構造類庫普曼算子和代價函數并迭代求解包括基于pcl框架和自編碼器逼近類庫普曼算子，描述光伏數據時空狀態演化趨勢，并進行預測，自編碼器深度神經網絡由編碼器和譯碼器組成，編碼器由一維卷積神經網絡和一層門控循環單元神經網絡組成，譯碼器由一層門控循環單元神經網絡和反卷積神經網絡組成，kae的重構損失表示為：
18、
19、其中，l為多步預測時的預測步長，n為l的步長總數，λl為原始非線性數據，kl為重構版本，引入類庫普曼算子a和b，反向與正向動力學表示為：
20、
21、式中，λ(τ)為系統在時間τ的原始數據或特征，k(τ-1)與k(τ+1)分別為(τ-1)與(τ+1)的變量狀態，算子a與算子b作用變換χdec與變換χenc，多步預測模式下，算子a和b作用后，前向預測時的代價函數表示為：
22、
23、其中，l+r為多步預測時前向預測步長，m為r的步長總數。
24、作為本專利技術所述的考慮光照輻射通量計算模型的光伏出力預測方法的一種優選方案，其中：所述構造類庫普曼算子和代價函數并迭代求解還包括對訓練過程中約束算子a和b，對算子a和b進行高階向量的奇異值分解，表示為：
25、a＝q1a'p1
26、b＝q2b'p2
27、其中，q和p為可逆矩陣，算子a和b在訓練過程中，對算子a和b增加相關性約束，算子a和b同時訓練時的約束函數表示為：
28、
29、其中，為矩陣a”的前s行，a”*s為矩陣a”的左s列，為矩陣b”的前s行，b”*s為矩陣本文檔來自技高網...
【技術保護點】
1.考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于，包括：
2.如權利要求1所述的考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于：所述構建太陽運行模型并對光伏電站參數進行分析包括太陽方位角和高度角的計算模型，采集光伏電站的布置陣列、位置、朝向、電池板功能參數，結合地球自轉、公轉、傾角的天文因素，計算太陽輻射強度和太陽角度在一天周期內的變化規律，太陽方位角表示為：
3.如權利要求2所述的考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于：所述采集光伏發電數據并預處理包括基于ICEEMDAN的分解特性，通過不同時間對太陽光照的差異性作用，選擇使用加入白噪聲的ICEEMDAN將負荷數據進行分解，將原始數據分解為一系列不同頻率特征的本征模態函數分量，每個本征模態函數表示不同的頻率和振幅特征，消減多能微網負荷的非線性化特征，ICEEMDAN通過對原始時間序列數據進行改進，并向初始信號添加白噪聲，白噪聲的添加和ICEEMDAN的迭代分解產生本征模態函數，每個本征模態函數表示原始序列在不同頻率上的特征，ICEEMDAN的分解表示為：
4.
5.如權利要求4所述的考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于：所述構造類庫普曼算子和代價函數并迭代求解包括基于PCL框架和自編碼器逼近類庫普曼算子，描述光伏數據時空狀態演化趨勢，并進行預測，自編碼器深度神經網絡由編碼器和譯碼器組成，編碼器由一維卷積神經網絡和一層門控循環單元神經網絡組成，譯碼器由一層門控循環單元神經網絡和反卷積神經網絡組成，KAE的重構損失表示為：
6.如權利要求5所述的考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于：所述構造類庫普曼算子和代價函數并迭代求解還包括對訓練過程中約束算子A和B，對算子A和B進行高階向量的奇異值分解，表示為：
7.如權利要求6所述的考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于：所述通過卷積神經網絡進行光伏出力預測包括將總輻射通量預測值作為輸入，通過卷積神經網絡進行光伏出力預測，太陽輻射的分布模式在圖像中具有空間特征，卷積神經網絡捕捉空間特征，在卷積神經網絡的卷積層中，通過濾波器對輸入進行卷積操作，得到特征圖，經過池化層進行最大值降維，通過對輸入序列應用卷積核，捕捉不同類型數據間的信息，隨時間窗口的滑動，卷積神經網絡模型捕獲序列的動態變化，W中的每一個權值w針對不同特征，對最終識別結果的影響度判斷權重，并與X中的像素x相乘，然后求和，卷積運算表示為：
8.一種采用如權利要求1～7任一所述的考慮光照輻射通量計算模型的光伏出力預測方法的系統，其特征在于：包括采集預處理模塊、提取構建模塊、光伏出力預測模塊；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的考慮光照輻射通量計算模型的光伏出力預測方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的考慮光照輻射通量計算模型的光伏出力預測方法的步驟。
...【技術特征摘要】
1.考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于，包括：
2.如權利要求1所述的考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于：所述構建太陽運行模型并對光伏電站參數進行分析包括太陽方位角和高度角的計算模型，采集光伏電站的布置陣列、位置、朝向、電池板功能參數，結合地球自轉、公轉、傾角的天文因素，計算太陽輻射強度和太陽角度在一天周期內的變化規律，太陽方位角表示為：
3.如權利要求2所述的考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于：所述采集光伏發電數據并預處理包括基于iceemdan的分解特性，通過不同時間對太陽光照的差異性作用，選擇使用加入白噪聲的iceemdan將負荷數據進行分解，將原始數據分解為一系列不同頻率特征的本征模態函數分量，每個本征模態函數表示不同的頻率和振幅特征，消減多能微網負荷的非線性化特征，iceemdan通過對原始時間序列數據進行改進，并向初始信號添加白噪聲，白噪聲的添加和iceemdan的迭代分解產生本征模態函數，每個本征模態函數表示原始序列在不同頻率上的特征，iceemdan的分解表示為：
4.如權利要求3所述的考慮光照輻射通量計算模型的光伏出力預測方法，其特征在于：所述提取空間和時間特征包括rnn和bigru，rnn負責空間特征提取，用于處理序列數據，數據點之間存在順序關系，在光伏數據中，空間特征被視為序列數據，不同地理位置的光伏陣列數據為沿某維度排列的序列，rnn通過隱藏狀態記憶過去輸入，將隱藏層的節點連接，使上一時刻隱藏層的輸出疊加輸入層的輸出作為新輸入信息，在實時變化環境下對負荷進行預測和調整，bigru負責時間特征提取，bigru的信息流分為向前傳播和向后傳播，bigru模型的2個方向相反的gru模型，對電力負荷的正反雙向時序特征進行提取，得到依賴關系，正向gru計算表示為：
5.如權利要求4所述的考慮光照輻射通量計算模型的光伏出力預...
【專利技術屬性】
技術研發人員：王巍，叢日輝，周芷伊，孫平，曲鵬，劉童，楊卉煜，吳晨晨，張紹禹，
申請(專利權)人：華能遼寧能源銷售有限責任公司，
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。