【技術實現步驟摘要】
本專利技術屬于新能源預測，涉及一種基于多變量與時空信息的區域內光伏功率預測方法及系統。
技術介紹
1、太陽能作為一種可再生能源，在資源豐富性、環保性以及靈活性方面具有明顯優勢，有助于解決能源問題、推動社會進步和環境保護。光伏功率的預測對于確保電力系統的穩定運行、提高能源利用效率、降低運營成本、促進可再生能源的廣泛應用等方面具有重要意義，但光伏發電也具有間歇性、波動性和不確定性，可能會對電網的穩定性造成影響。
2、目前，光伏功率預測方法分為直接預測法和間接預測法。直接預測法是直接使用相關的氣象參數和歷史發電數據作為輸入，通過數學統計學方法來預測光伏發電功率，直接預測法的預測精度高、適應性強和實時性較好，但也面臨環境因素敏感性、模型泛化能力等問題。間接預測法需要先預測太陽輻射量和環境參數，然后建立光伏系統的物理模型并進行光電轉換效率計算，再根據實際運行數據調整模型參數，最終將預測的太陽輻射和其他環境參數輸入到光伏系統模型中，計算并得到預測的光伏輸出功率。間接預測法可以更深入地分析和理解氣象條件，根據實時氣象數據快速調整預測模型，提高預測的靈活性，在對氣象條件變化敏感的光伏發電系統中能夠為電網運行和能源管理提供有力的支持，但也面臨數據不精準、過程相對復雜等問題。
3、光伏功率預測的模型有物理模型、統計學模型、人工智能模型等。物理模型基于物理機制，能夠提供對光伏發電過程的深入理解，但隨著系統運行參數隨時間變化，預測精度可能降低。統計學模型通過分析歷史數據來預測未來的光伏功率，易于實現，但需要大量的歷史數據支撐，并
技術實現思路
1、專利技術目的：針對現有技術存在的問題，本專利技術提供一種基于多變量與時空信息的區域內光伏功率預測方法及系統，能有效提高光伏功率的預測精度。
2、技術方案：本專利技術的一種基于多變量與時空信息的區域內光伏功率預測方法，包括以下步驟：
3、(1)采集多個光伏電站的歷史光伏功率數據和氣象數據，對數據進行預處理；
4、(2)利用特征模態分解(fmd)將歷史光伏功率數據分解為多個模態；
5、(3)利用最大信息系數(mic)篩選出與光伏功率相關性較高的氣象因素，與步驟(2)多個模態構成多變量輸入矩陣，并劃分為訓練集和測試集；
6、(4)建立etsformer時空模型，利用訓練集對etsformer模型進行訓練；
7、(5)用halton序列和翻筋斗覓食策略對pid搜索算法(psa)進行改進，得到改進后的pid搜索算法(ipsa)；通過ipsa優化etsformer模型的學習率、批量大小等超參數；
8、(6)通過測試集對光伏功率進行預測。
9、進一步地，步驟(1)所述數據預處理包括清除冗余數據、填充缺失數據和修正異常數據和歸一化處理。
10、進一步地，步驟(1)所述的氣象數據包括光太陽輻射強度、溫度、濕度、氣壓、風速、風向。
11、進一步地，步驟(2)所述利用fmd將歷史光伏功率分解為多個模態，實現過程如下：
12、(21)將原始光伏功率信號y(n)作為輸入，通過l個漢寧窗初始化fir濾波器，通過式(1)(2)來表示，fmd理論即變為求解約束問題的解，用相關峭度(c)作為目標函數來進行迭代更新濾波器組，
13、
14、其中：vl表示第l個模態分量；cm(vl)表示其相關峭度；gl表示第l個長度為k的fir濾波器；tr表示輸入周期；m表示移位順序，n為信號長度；
15、(22)進行求解(1)(2)中的約束問題，分解模式可以轉化為式(3)表示：
16、vl＝ygy(3)
17、由此可以將分解模式定義為：
18、
19、其中：i表示共軛轉置操作；xm作為中間變量用于控制加權相關矩陣；
20、(23)將(4)代入(3)可以得到cm(vl)新的表達式，如下：
21、
22、式中：syxy、syy分別表示加權相關矩陣和相關矩陣；在數學上，式(5)關于c的最大化等價于式(6)：
23、syygl＝syyglβ?(6)
24、(24)通過不斷迭代，第l個濾波器系數將根據式(6)的解而更新，從而達到具有最大c的濾波信號，然后進行濾波器系數更新；
25、(25)最后計算每兩個相鄰模態分量之間的相關系數并構造相關系數矩陣；選擇具有最大相關系數的兩個相鄰模態分量，同時在兩個模態分量中選擇具有較大c的模態分量。
26、進一步地，步驟(3)篩選實現過程如下：
27、(31)定義一個目標數據集為光伏功率，一個候選特征數據集為氣象因素，將目標數據集和候選特征數據集對齊，確保在相同的時間點或時間段上有觀測值；
28、(32)對于每一對數據，計算mic值
29、
30、其中，a和b分別是候選特征和目標數據的值，c1為構建m1×n1網格數量的最大上限，f(a,b)為聯合概率密度函數；
31、(33)進行特征選擇，mic值的取值范圍為[0,1]，值越大表明兩變量之間的相關性越高，取mic閾值為0.6。
32、進一步地，步驟(4)的實現過程如下：
33、(41)將得到的多變量輸入矩陣de-o:e分解為季節性分量和趨勢分量，趨勢分量進一步分解為水平分量和增長分量；然后通過輸入embedding模塊，將得到的不同分量到映射隱空間；
34、(42)接著通過編碼器提取分解模態時間序列的季節性分量，增長分量，將其進行非線性變換，再移動到下一層；
35、
36、其中，e為當前時刻，o為歷史序列長度，n2表示層數；ln為層歸一化，ff為位置前饋網絡；為第n個編碼器層的殘差；為前一編碼器層的殘差，mh-esa為頭部指數平滑注意力機制，fa為頻率注意力機制，為歷史增長分量，為歷史季節性分量；
37、(43)定義當前時刻的水平部分
38、
39、其中，λ是一個權重參數，為上一時刻的增長分量，為當前時刻的季節性分量；
40、(44)通過解碼器得到u步增長分量的預測和季節性分量的預測；
41、
42、其中，為當前時刻的增長分量，和分別表示h步增長分量的預測和氣象因素部分的預測；je:e+u表示本文檔來自技高網...
【技術保護點】
1.一種基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(1)所述數據預處理包括清除冗余數據、填充缺失數據和修正異常數據和歸一化處理。
3.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(1)所述的氣象數據包括光太陽輻射強度、溫度、濕度、氣壓、風速、風向。
4.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(2)所述利用FMD將歷史光伏功率分解為多個模態，實現過程如下：
5.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(3)篩選實現過程如下：
6.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(4)的實現過程如下：
7.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(5)，改進后的PID搜索算法(IPSA)優化實現過程如
8.一種基于多變量與時空信息的區域內光伏功率預測系統，其特征在于，包括：
9.一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述存儲器存儲計算機程序；其特征在于，所述處理器執行如權利要求1-7中任意一項所述的基于多變量與時空信息的區域內光伏功率預測方法步驟。
10.一種可讀存儲介質，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用于實現如權利要求1-7中任意一項所述的基于多變量與時空信息的區域內光伏功率預測方法步驟。
...【技術特征摘要】
1.一種基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(1)所述數據預處理包括清除冗余數據、填充缺失數據和修正異常數據和歸一化處理。
3.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(1)所述的氣象數據包括光太陽輻射強度、溫度、濕度、氣壓、風速、風向。
4.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(2)所述利用fmd將歷史光伏功率分解為多個模態，實現過程如下：
5.根據權利要求1所述的基于多變量與時空信息的區域內光伏功率預測方法，其特征在于，步驟(3)篩選實現過程如下：
6.根據權利要求1所述...
【專利技術屬性】
技術研發人員：鄭勇舜，杜飛，管彤彤，張海蓮，彭甜，張楚，張燕，周夢潔，陳晶晶，季亦陽，
申請(專利權)人：淮陰工學院，
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。