一种光功率预测方法及装置

技术领域

本发明涉及新能源电力领域，特别涉及一种光功率预测方法及装置。

背景技术

目前光功率预测的方法根据光伏电站实时运行数据的特性，可以将影响光功率的特征参数分为动态参数和静态参数。动态参数记录了光伏电站的实时运行状态，蕴含丰富的光功率退化信息。静态参数表征光伏电站的物理状态，在正常工作情况下，数据较为稳定。两类特征参数对光功率预测的影响效果不同，但是现存方法忽略了动态参数和静态参数之间的差异性，造成现存的光功率预测可靠性不高的问题。

发明内容

基于此，本发明实施例的目的在于提供一种光功率预测方法及装置，可以解决上述存在的光功率预测可靠性不高的问题。

一方面，本发明提出的光功率预测方法包括：

采集影响光功率的静态参数和动态参数；

将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；

将所述静态特征参数和所述动态特征参数融合；

对预先构建的光功率预测模型进行训练，得到训练好的预测模型；

将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。

另一方面，本发明提出一种光功率预测装置，包括：

采集模块，用于采集影响光功率的静态参数和动态参数；

预处理模块，用于将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；

融合模块，用于将所述静态特征参数和所述动态特征参数融合；

训练模块，用于对预先构建的光功率预测模型进行训练，得到训练好的预测模型；

预测模块，用于将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。

根据上述本发明方案，考虑了动态参数和静态参数对光功率预测的影响不同，分别采集动态参数和静态参数；进行预处理后进行动态特征参数合静态特征参数融合，再将融合后的参数进行训练得到训练好的预测模型，将待预测的光功率参数输入该模型即可得到精确度高的光功率预测结果。

附图说明

附图是用来提供对本发明的进一步理解，并构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但不应构成对本发明的限制。在附图中，

图1是本发明提出的光功率预测方法流程示意图；

图2是本发明提出的光功率预测方法的另一流程示意图；

图3是本发明提出的光功率预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面将参考附图并结合实例来详细说明本发明创造。

本发明提出一种光功率预测方法，其流程示意图如图1所示，其包括：

S101、采集影响光功率的静态参数和动态参数；

其中，影响光功率的动态参数包括：光伏电站现场实时辐照值、风速、风向、温度、湿度气压；影响光功率的静态参数包括：逆变器数量、逆变器功率、逆变器是否开启。

S102、将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；

其中，对所述动态参数进行预处理时：

(1)可使用最大最小归一化方法对所述动态参数进行归一化处理；其中，最大最小法归一化的一种数学表达式为：

式中，x′为归一化后的动态参数，x为原始动态参数，x

(2)然后通过滑动窗口法将归一化处理后的动态参数划分为输入时间窗序列；其中，第t时刻输入时间窗的一种数学表达式为：

式中，X(t)为第t时刻输入时间窗，

(3)对每个输入时间窗进行降噪平滑处理；其中，基于统计量的降噪方法的一种数学表达式为：

式中，x

(4)为每个时间窗口添加光功率标签。其中，第t时刻输入时间窗的标签为：

式中，IP

在一个实施例中，对所述静态参数进行预处理时，将恒定值作为相对应静态参数代表值，将变化值作均值处理后作为相对应静态参数代表值。

S103、将所述静态特征参数和所述动态特征参数融合；

S104、对预先构建的光功率预测模型进行训练，得到训练好的预测模型；

S105、将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。

根据上述本发明方案，考虑了动态参数和静态参数对光功率预测的影响不同，分别采集动态参数和静态参数；进行预处理后进行动态特征参数合静态特征参数融合，再将融合后的参数进行训练得到训练好的预测模型，将待预测的光功率参数输入该模型即可得到精确度高的光功率预测结果。

在一个实施例中，本发明提出的光功率预测方法的另一流程示意图，如图2：

1、先获取数据，即采集影响光功率的静态参数和动态参数；

2、进行数据预处理，得到训练数据集，包括：静态特征参数、动态特征参数；具体参见S102；

3、基于训练数据集进行特征融合；其中，将所述静态特征参数和所述动态特征参数融合时，可基于卷积双向长短期记忆网络与注意力机制构建Multiscale-ConvBiLSTM-Attention网络；

其中，卷积操作的计算过程如下：

Y(t)＝σ(W*X(t)+b)

上式中：Y(t)为卷积层的输出，σ为sigmod激活函数，W代表权重矩阵，X(t)代表第t时刻的输入时间窗，b代表偏置。

对所述动态特征参数进行处理提取时空特征；其中，首先使用ConvBiLSTM挖掘动态参数中蕴含的时空特征；其中，BiLSTM的计算过程如下：

上式中：

并为时空特征赋予权重；可利用Attention为时空特征赋予权重。其中，Attention的计算过程如下：

上式中：Q，K和V是输入信息的线性映射；T为矩阵转置操作；d

采用多尺度学习策略获得动态特征参数的多尺度加权时空特征。

对所述静态特征参数进行聚类处理，确定聚类中心；依据每个光伏电站距离聚类中心的欧氏距离计算每个光伏电站的类别概率，根据每个光伏电站的类别概率得到静态特征参数的类别特征。其中，其中，欧氏距离数学表达式为：

上式中：

其中，类别概率数学表达式为：

上式中：

其中，类别特征的数学表达式为：

上式中：fea

将动态特征参数的多尺度加权时空特征进行特征融合，再与静态特征参数的类别特征进行特征融合。

4、对预先构建的光功率预测模型进行训练，得到训练好的预测模型；其中，训练好的预测模型可以是全连接神经网络。

5、将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。

本发明使用动静态特征融合的光功率预测方法，可完成电站短期和超短期输出功率预测。

在另一方面，本发明提出一种光功率预测装置，包括：

采集模块，用于采集影响光功率的静态参数和动态参数；其中，所述静态参数包括：逆变器数量、逆变器功率、逆变器是否开启；所述动态参数光伏电站现场实时辐照值、风速、风向、温度、湿度气压。

预处理模块，用于将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；其中，预处理模块对所述动态参数进行预处理时，可使用最大最小归一化方法对所述动态参数进行归一化处理，然后通过滑动窗口法将归一化处理后的动态参数划分为输入时间窗序列；对每个输入时间窗进行降噪平滑处理；为每个时间窗口添加光功率标签。所述预处理模块对所述静态参数进行预处理时，将恒定值作为相对应静态参数代表值，将变化值作均值处理后作为相对应静态参数代表值。

融合模块，用于将所述静态特征参数和所述动态特征参数融合；其中，所述融合模块将所述静态特征参数和所述动态特征参数融合时，对所述动态特征参数进行处理提取时空特征，并为时空特征赋予权重；采用多尺度学习策略获得动态特征参数的多尺度加权时空特征；

对所述静态特征参数进行聚类处理，确定聚类中心；依据每个光伏电站距离聚类中心的欧氏距离计算每个光伏电站的类别概率，根据每个光伏电站的类别概率得到静态特征参数的类别特征；将动态特征参数的多尺度加权时空特征进行特征融合，再与静态特征参数的类别特征进行特征融合。

训练模块，用于对预先构建的光功率预测模型进行训练，得到训练好的预测模型；

预测模块，用于将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。

根据上述本发明方案，考虑了动态参数和静态参数对光功率预测的影响不同，分别采集动态参数和静态参数；进行预处理后进行动态特征参数合静态特征参数融合，再将融合后的参数进行训练得到训练好的预测模型，将待预测的光功率参数输入该模型即可得到精确度高的光功率预测结果。

只要不违背本发明创造的思想，对本发明的各种不同实施例进行任意组合，均应当视为本发明公开的内容；在本发明的技术构思范围内，对技术方案进行多种简单的变型及不同实施例进行的不违背本发明创造的思想的任意组合，均应在本发明的保护范围之内。