【技術實現步驟摘要】
本專利技術涉及光伏發電，尤其涉及一種光伏發電量預測方法與領域知識驅動的可視化分析系統。
技術介紹
1、隨著現代光伏發電技術的不斷發展及光伏電站規模的持續擴大，通過實時監測收集到的海量數據為光伏發電量預測、故障分析及電站的精準運維提供了重要的數據支持。然而，受氣象等不確定性因素的影響，光伏發電呈現出顯著的間歇性和波動性，這不僅會產生間歇性穿透、逆功率流、頻率諧波畸變等問題，影響電力系統的可靠性與穩定性，同時也對光伏電站的調度生產造成了影響。
2、根據原理的不同，光伏發電預測模型可以分為物理模型、統計學模型和人工智能模型。其中物理模型存在抗干擾性差、通用性差等缺點；統計模型實現光伏發電量預測。統計模型對平穩時間序列數據表現良好，但由于云層和氣候的影響，使得光伏發電量存在固有的非平穩性和非線性，導致預測精度較低。隨著電力系統的復雜性和數據量的快速增加，人工智能模型在光伏發電預測上表現出了更優的性能。現有的時序預測人工智能模型架構主要分為lstm和transformer。lstm能夠建模時序動態，在短期預測中可以表現出很好的性能，transformer模型通過引入注意力機制，具有強大的捕獲長依賴關系與提取序列中多層次表示的能力。
3、在光伏組串發電量預測場景下，深度時序預測模型會同時對多個組串發電量序列進行預測。比如，公開號為cn?118232332?a的專利技術申請中公開了一種基于時序預測和混合神經網絡的發電量預測方法及裝置，具體通過結合dlinear模型和混合神經網絡模型，對多個歷史光伏參數序列進行趨勢特征預
4、可視分析系統被廣泛應用于包括時序預測模型在內的深度學習領域。現有面向時序預測模型的可視分析工作通過結合模型解釋分析技術，用直觀的可視化展示模型內部結構參數、輸入和輸出。timova將選擇最優模型的box-jenkin方法與交互式可視化結合，比較了不同參數設置的arima模型。dfseer面向歷史需求預測模型，支持不同細節層次的模型比較和選擇，揭示了不同模型對特定產品的預測風險。timetuner提供了不同的時間序列轉換方法，并探索了時間序列的局部相關性、平穩性與模型行為之間的關聯。這些工作能夠在一定程度上幫助用戶理解模型行為，輔助評估及選擇模型，但是它們大多無法支持用戶將領域知識嵌入模型以實現優化。鑒于領域知識在光伏發電、智能制造、供應鏈管理等工業領域的重要性，如何有效結合領域知識和深度時序預測模型，是目前亟待解決的問題。
技術實現思路
1、本專利技術目的是提供一種光伏發電量預測方法與領域知識驅動的可視化分析系統，集成領域知識用于模型優化，用以克服模型因結構復雜而導致的難解釋性問題，并提供可視化系統用于直觀展示模型預測過程，結合領域知識從多角度評估模型預測性，用以交互式構建光伏發電量預測模型，提升光伏發電量的預測準確性。
2、為實現上述專利技術目的，實施例提供的一種光伏發電量預測方法與領域知識驅動的光伏發電量可視化分析系統，包括光伏發電量預測方法和基于領域知識驅動的光伏發電量可視化分析系統。
3、在一個實施例中，所述的光伏發電量預測方法，包括以下步驟：
4、基于光伏組串的歷史發電量數據構建并訓練深度時序預測模型；
5、基于訓練后的深度時序預測模型預測的光伏發電量與協變量，構建并訓練決策樹模型；
6、利用訓練后的決策樹模型基于深度時序預測模型預測的當前光伏發電量和協變量進行光伏發電量的集成預測，得到最終光伏發電量。
7、在一個實施例中，所述的基于光伏組串的歷史發電量數據構建并訓練深度時序預測模型，包括：
8、(1)根據獲取的光伏組串歷史發電量數據，使用滑動窗口法構建深度時序樣本數據；
9、(2)基于itransformer模型構建用于預測光伏發電量的深度時序預測模型，并利用深度時序樣本數據和采用均方誤差構建的損失函數對深度時序預測模型進行訓練。
10、在一個實施例中，所述的基于訓練后的深度時序預測模型預測的光伏發電量與協變量，構建并訓練決策樹模型，包括：
11、(1)對基于訓練后的深度時序預測模型預測的光伏發電量進行隨機采樣獲得樣本數據，每個樣本對應時間點的時間特征和環境特征作為協變量與樣本數據共同作為輸入，對應的真實發電量作為輸出，生成決策樹數據集；
12、(2)決策樹的根節點包含決策樹數據集中的所有樣本，從根節點開始遞歸進行決策樹劃分，以訓練決策樹模型。
13、為了清晰地展示模型的預測結果，提供了一種基于領域知識驅動的光伏發電量可視化分析系統，所述系統在可視化分析中用到了所述的光伏發電量預測方法，所述的可視化分析系統包括：數據視圖模塊、映射視圖模塊、詳細視圖模塊、比較視圖模塊以及決策樹視圖模塊；
14、所述數據視圖模塊用于提供深度時序預測模型與光伏發電量數據集的選擇功能，并顯示選擇的光伏發電量數據集的光伏組串信息，以及模型深度時序預測模型對光伏發電量數據集推理的模型性能；
15、所述映射視圖模塊用于展示光伏組串在地理空間和特征空間的分布狀況；
16、所述詳細視圖模塊用于展示深度時序預測模型或決策樹模型預測的光伏發電量和真實光伏發電量，提供電量異常檢測并顯示異常檢測結果，顯示模型預測中對不同光伏組串以及不同時間點的重視程度，以增強預測的可解釋性；
17、所述比較視圖模塊用于不同光伏組串電流和電壓的歷史時間序列，進行深入比較探索組串之間的差異；
18、所述決策樹視圖模塊用于結合領域知識可視化構建用于集成預測光伏發電量的決策樹模型并進行結構保存。
19、在一個實施例中，所述的顯示選擇的光伏發電量數據集的光伏組串信息，包括：
20、提供過濾和排序功能來快速定位顯示光伏組串，顯示的光伏組串信息列表中每一個卡片對應一個光伏組串，卡片中包含組串類別、組串編號以及雷達圖，其中雷達圖用于展示多維度的組串信息，展示不同組串數據之間的差異。
21、在一個實施例中，所述的展示光伏組串在地理空間和特征空間的分布狀況，包括本文檔來自技高網...
【技術保護點】
1.一種光伏發電量預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的光伏發電量預測方法，其特征在于，所述的基于光伏組串的歷史發電量數據構建并訓練深度時序預測模型，包括：
3.根據權利要求1所述的光伏發電量預測方法，其特征在于，所述的基于訓練后的深度時序預測模型預測的光伏發電量與協變量，構建并訓練決策樹模型，包括：
4.一種基于領域知識驅動的光伏發電量可視化分析系統，其特征在于，所述系統在可視化分析中用到權利要求1-3任一項所述的光伏發電量預測方法，所述的可視化分析系統包括：數據視圖模塊、映射視圖模塊、詳細視圖模塊、比較視圖模塊以及決策樹視圖模塊；
5.根據權利要求4所述的光伏發電量可視化分析系統，其特征在于，所述的顯示選擇的光伏發電量數據集的光伏組串信息，包括：
6.根據權利要求4所述的光伏發電量可視化分析系統，其特征在于，所述的展示光伏組串在地理空間和特征空間的分布狀況，包括：
7.根據權利要求4所述的光伏發電量可視化分析系統，其特征在于，所述展示預測的光伏發電量和真實光伏發電量，包括：通過折線
8.根據權利要求4所述的光伏發電量可視化分析系統，其特征在于，所述的展示不同光伏組串電流和電壓的歷史時間序列，進行深入比較探索組串之間的差異，包括：
9.根據權利要求4所述的光伏發電量可視化分析系統，其特征在于，所述的結合領域知識可視化構建用于集成預測光伏發電量的決策樹模型并進行結構保存，包括：
...【技術特征摘要】
1.一種光伏發電量預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的光伏發電量預測方法，其特征在于，所述的基于光伏組串的歷史發電量數據構建并訓練深度時序預測模型，包括：
3.根據權利要求1所述的光伏發電量預測方法，其特征在于，所述的基于訓練后的深度時序預測模型預測的光伏發電量與協變量，構建并訓練決策樹模型，包括：
4.一種基于領域知識驅動的光伏發電量可視化分析系統，其特征在于，所述系統在可視化分析中用到權利要求1-3任一項所述的光伏發電量預測方法，所述的可視化分析系統包括：數據視圖模塊、映射視圖模塊、詳細視圖模塊、比較視圖模塊以及決策樹視圖模塊；
5.根據權利要求4所述的光伏發電量可視化分析系統，其特征在于，所述的顯示選擇的光伏發電量數據集的光伏組串信...
【專利技術屬性】
技術研發人員：巫英才，伊心靜，楊雨潤，宋寅，翁荻，
申請(專利權)人：浙江大學，
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。