【技術實現步驟摘要】
本專利技術公開一種基于增強局部相關特征的單變量短期光伏發電預測方法，涉及光伏發電預測。
技術介紹
1、隨著光伏發電在能源領域的廣泛應用，短期光伏發電預測成為電網調度和優化的重要環節。光伏發電具有顯著的間歇性和波動性，因此，準確的短期預測對于電網的穩定性和效率至關重要。目前，光伏發電預測的方法主要包括物理模型方法、統計模型方法、機器學習方法和深度學習方法。
2、物理模型方法基于太陽輻射和氣象數據的物理規律，但在處理復雜氣象條件時效果有限。統計模型方法利用歷史數據的統計特征進行預測，但對非線性關系的處理能力不足。機器學習方法通過數據驅動的方式能捕捉數據中的非線性關系，近年來得到了廣泛應用。深度學習模型則進一步提高了對復雜數據模式的學習能力，尤其在大規模數據處理上表現優異。
3、盡管深度學習方法提高了預測精度，但其對局部特征的捕捉和復雜非線性關系的學習仍有局限性，尤其是對短期光伏發電預測的局部變化和相關性處理不足。
技術實現思路
1、本專利技術針對現有技術的問題，提供一種基于增強局部相關特征的單變量短期光伏發電預測方法及裝置，所采用的技術方案為：
2、第一方面，一種基于增強局部相關特征的單變量短期光伏發電預測方法，所述方法包括：
3、s1，將原始光伏發電數據劃分為訓練集和測試機，并對所述原始光伏發電數據進行預處理；
4、s2，對所述訓練集進行滑窗處理，并對每個滑窗中的數據應用進行重疊特征增強法處理，得到增強的所述訓練集的特征信息
5、s3，根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，得到增強的局部時間特征；
6、s4，根據所述局部時間特征，通過線性可分離卷積殘差網絡的光伏發電預測模型進行特征訓練，得到訓練權重和優化模型；
7、s5，對所述測試集進行滑窗處理，并對每個滑窗中的數據應用進行重疊特征增強法處理，得到所述測試集的增強特征信息量；
8、s6，根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，得到增強的局部時間特征；
9、s7，將當前滑窗內的特征數據導入所述優化模型，通過所述訓練權重進行預測。
10、在一些實現方式中，根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，具體包括：
11、對每組數據進行四次所述拉格朗日插入法處理，具體的，在每組中相鄰的兩個數據之間進行插值，在兩個真實值之間等間隔插入3個新的插值數據。
12、其中，拉格朗日插值基函數為:
13、
14、其中，插值多項式表達式為:
15、
16、在一些實現方式中，所述s4具體包括：
17、s41，根據所述光伏發電預測模型引入改進的線性可分離卷積核，通過所述訓練權重捕獲關鍵線性關系和關鍵線性特征；
18、s42，根據所述光伏發電預測模型，通過殘差塊以resnet50為主干網絡結合深度殘差學習機制進行模型訓練；
19、s43，按照s42進行重復訓練，得到所述優化模型。
20、在一些實現方式中，所述s7具體包括：
21、s71，將滑窗輸入所述優化模型，得到預測對應的目標值；
22、s72，將滑窗滑動一個數據點，重復s71步驟操作，得到預測對應的目標值；
23、s73，將滑窗滑動至最后一個數據點，完成所述訓練權重的預測。
24、第二方面，本專利技術實施例提供一種基于增強局部相關特征的單變量短期光伏發電預測裝置，所述裝置包括：
25、數據處理模塊，用于將原始光伏發電數據劃分為訓練集和測試機，并對所述原始光伏發電數據進行預處理；
26、第一滑窗處理模塊，用于對所述訓練集進行滑窗處理，并對每個滑窗中的數據應用進行重疊特征增強法處理，得到增強的所述訓練集的特征信息量；
27、第一特征處理模塊，用于根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，得到增強的局部時間特征；
28、模型優化模塊，用于根據所述局部時間特征，通過線性可分離卷積殘差網絡的光伏發電預測模型進行特征訓練，得到訓練權重和優化模型；
29、第二滑窗處理模塊，用于對所述測試集進行滑窗處理，并對每個滑窗中的數據應用進行重疊特征增強法處理，得到所述測試集的增強特征信息量；
30、第二特征處理模塊，用于根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，得到增強的局部時間特征；
31、發電預測模塊，用于將當前滑窗內的特征數據導入所述優化模型，通過所述訓練權重進行預測。
32、在一些實現方式中，根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，具體包括：
33、對每組數據進行四次所述拉格朗日插入法處理，具體的，在每組中相鄰的兩個數據之間進行插值，在兩個真實值之間等間隔插入3個新的插值數據。
34、其中，拉格朗日插值基函數為:
35、
36、其中，插值多項式表達式為:
37、
38、在一些實現方式中，所述模型優化模塊具體包括：
39、權重訓練單元，用于根據所述光伏發電預測模型引入改進的線性可分離卷積核，通過所述訓練權重捕獲關鍵線性關系和關鍵線性特征；
40、模型訓練單元，用于根據所述光伏發電預測模型，通過殘差塊以resnet50為主干網絡結合深度殘差學習機制進行模型訓練；
41、模型生成單元，用于按照所述模型訓練單元進行重復訓練，得到所述優化模型。
42、在一些實現方式中，所述發電預測模塊具體包括：
43、目標獲取單元，用于將滑窗輸入所述優化模型，得到預測對應的目標值；
44、滑窗移動單元，用于將滑窗滑動一個數據點，重復所述目標獲取單元的步驟操作，得到預測對應的目標值；
45、預測完成單元，用于將滑窗滑動至最后一個數據點，完成所述訓練權重的預測。
46、第三方面，本專利技術實施例提供一種電子設備，包括存儲器和處理器，所述存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令被所述處理器執行時，實現如上述第一方面所述的方法。
47、第四方面，本專利技術實施例提供一種計算機存儲介質，所述計算機可讀取存儲介質中存儲有計算機程序，所述計算機程序被處理器執行時，用實現如第一方面所述的方法。
48、本專利技術的一個或多個實施例至少能夠帶來如下有益效果：
49、本專利技術方法通過強化數據間的局部相關性并提升模型對局部特征的捕捉能力，達到提高預測的精度與穩定性的目的。首先，本專利技術方法采用插值預測技術，通過插值方法增強波動數據之間的關聯性，充分挖掘局部相關信息。其次，對增強后的數據進行預處理，以確保模型能夠更好地捕捉數據中本文檔來自技高網...
【技術保護點】
1.一種基于增強局部相關特征的單變量短期光伏發電預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于增強局部相關特征的單變量短期光伏發電預測方法，其特征在于，根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，具體包括：
3.根據權利要求1所述的基于增強局部相關特征的單變量短期光伏發電預測方法，其特征在于，所述S4具體包括：
4.根據權利要求1所述的基于增強局部相關特征的單變量短期光伏發電預測方法，其特征在于，所述S7具體包括：
5.一種基于增強局部相關特征的單變量短期光伏發電預測裝置，其特征在于，所述裝置包括：
6.根據權利要求5所述的增強局部相關特征的單變量短期光伏發電預測裝置，其特征在于，根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，具體包括：
7.根據權利要求5所述的增強局部相關特征的單變量短期光伏發電預測裝置，其特征在于，所述模型優化模塊具體包括：
8.根據權利要求5所述的增強局部相關特征的單變量短期光伏發電預測裝置，其特征在于
9.一種電子設備，其特征在于，包括存儲器和處理器，所述存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令被所述處理器執行時實現如上述權利要求1-4中任意一項所述的增強局部相關特征的單變量短期光伏發電預測方法。
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀取存儲介質中存儲有計算機程序，所述計算機程序被處理器執行時用以實現如上述權利要求1-4中任意一項所述的增強局部相關特征的單變量短期光伏發電預測方法。
...【技術特征摘要】
1.一種基于增強局部相關特征的單變量短期光伏發電預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于增強局部相關特征的單變量短期光伏發電預測方法，其特征在于，根據拉格朗日插入法，通過在所述滑窗的每組數據中相鄰兩個數據之間進行插值，具體包括：
3.根據權利要求1所述的基于增強局部相關特征的單變量短期光伏發電預測方法，其特征在于，所述s4具體包括：
4.根據權利要求1所述的基于增強局部相關特征的單變量短期光伏發電預測方法，其特征在于，所述s7具體包括：
5.一種基于增強局部相關特征的單變量短期光伏發電預測裝置，其特征在于，所述裝置包括：
6.根據權利要求5所述的增強局部相關特征的單變量短期光伏發電預測裝置，其特征在于，根據拉格朗日插入法，通過在所述滑窗的每組數據...
【專利技術屬性】
技術研發人員：馮媛媛，梁小姣，姜吉平，耿浩文，丁浩，李海東，韓升，賈連濤，
申請(專利權)人：國網山東省電力公司東營供電公司，
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。