一种基于天气数据的光伏发电预测方法、装置及存储介质

技术领域

本发明属于光伏发电预测技术领域，具体涉及一种基于天气数据的光伏发电预测方法、装置及存储介质。

背景技术

光伏发电在新能源中占据重要位置，然而，光伏发电依赖于各种因素的影响，例如天气、湿度、太阳辐射、环境温度等，多种因素的影响导致光伏发电量存在波动。而目前为了推进能源革命、建设清洁低碳、安全高效的能源体系并提高能源供给保障能力，需要加快光伏发电的发展规模，光伏发电的规模和光伏发电能力息息相关。

因此，人们尝试研究光伏发电能力预测模型，目前按照模型类别，光伏发电预测方法可以分为两种，分别为统计方法和机器学习方法。统计方法考虑光伏出力时间序列的性质，使用历史的光伏出力数据来预测未来的出力。传统的统计方法包括持久性模型和自回归线性模型等。因为统计方法通常假设数据之间存在线性关系或可用线性模型进行逼近，但是在非线性数据中，这种线性关系并不成立。因此，统计方法可能无法准确地描述非线性数据的特征和模式。

由于统计方法在处理非线性数据存在局限性，在处理非线性数据时，通常需要使用非线性模型和机器学习方法。这些方法可以更好地描述非线性关系，捕捉数据的特征和模式，并提供更准确的预测和解释。深度学习是机器学习方法的热门研究方向。深度学习因其描述数据之间的潜在依赖性的强大能力在光伏预测领域中得到广泛关注。然而传统深度学习的缺点是如果要在模型中考虑空间因素，就需要对空间信息进行仔细编码，并将其作为特征加入到输入数据中。然而将使用上述数据作为输入的模型部署到大量分散的光伏发电站中不仅难以部署，而且价格昂贵，不易维护。

因此，亟需提供一种基于天气数据的光伏发电预测方法、装置及存储介质，解决现有技术中光伏出力预测成本高、数据多、不易维护的问题。

发明内容

为了解决现有技术中存在的上述技术问题，本发明提供一种基于天气数据的光伏发电预测方法、装置及存储介质。

为实现上述目的，本发明的技术方案如下：

一种基于天气数据的光伏发电预测方法，具体包括：

S1、构建网络训练模型；

S2、获取历史数据，历史数据包括天气数据和光伏发电出力数据；

S3、将历史数据输入网络训练模型中，并设定训练周期，得到训练后的网络训练模型；

S4、获取当前天气数据，将当前天气数据输入网络训练模型中，进行光伏发电预测。

进一步地，所述网络训练模型采用图卷积网络、图注意力网络、图卷积-图注意力混合网络中一种。

更进一步地，所述图卷积网络包括图像拾取层、若干图卷积层、若干规范化层、两个全连接层、输出层，所述图卷积层和所述规范化层依次、交错连接，所述图像拾取层连接第一个图卷积层，最后的规范化层依次连接所述两个全连接层，最后一个所述全连接层连接所述输出层。

更进一步地，所述图卷积-图注意力混合网络包括图像拾取层、若干混合层、两个全连接层、输出层，所述图像拾取层连接第一个混合层，所述混合层依次连接，最后一个混合层依次连接所述两个全连接层，最后一个所述全连接层连接输出层。

更进一步地，设定混合层层数为n，则第1个混合层至第n-1个混合层均包括依次连接的图注意力层、激活层、图卷积层、规范化层；第n个混合层包括依次连接的图注意力层、激活层、图注意力层、规范化层。

更进一步地，训练网络训练模型的步骤包括：

A1、设定参数和训练周期；

A2、将训练集拆分为若干训练子集；

A3、使用第一个训练子集中的所有图结构数据(每个图结构数据包括一个边矩阵和一个特征矩阵)训练图神经网络层；

A4、图神经网络层训练完成后，输出各节点隐藏层向量，各节点隐藏层向量拼接起来输入至全连接层；

A5、利用激活函数对步骤A4输出结果进行激活处理；

A6、使用步骤A5的输出结果通过全连接层预测，并计算预测结果的均方误差；

A7、使用Adam优化器根据均方误差，反向传播更新神经网络中的参数；

A8、根据步骤A7中更新的参数，使用下一个训练子集的所有图结构数据重复步骤A3-A7；

A9、所有训练子集完成训练后，重复步骤A2-A8，进行下一训练周期的模型训练；

A10、所有训练周期完成后，得到训练后的网络训练模型。

更进一步地，所述网络训练模型采用图卷积网络或图注意力网络时，通过各节点间相互连接的连接边构成无向图训练图神经网络层；具体包括：

将无向图输入第1个图卷积层或图注意力层进行训练，之后将训练结果输入至第1个规范化层进行规范化处理；之后按照图卷积层、规范化层的数量依次重复训练和规范化处理。

更进一步地，所述网络训练模型采用图卷积-图注意力混合网络时，通过各节点间相互连接的连接边构成无向图训练图神经网络层；具体包括：

将无向图输入第1个图注意力层进行训练，之后将训练结果输入至第1个激活层进行激活；再将激活后的训练结果输入至第1个图卷积层进行训练，之后将训练结果输入至第1个规范化层进行规范化处理；然后按照混合层层数顺序依次重复训练、激活、训练、规范化处理过程，直至第n-1个混合层规范化处理结束；

完成第1至n-1个混合层的训练处理后，将训练结果输入至第n个混合层的第1个图注意力层进行训练，之后将训练结果输入至第n个混合层的激活层进行激活处理；然后将激活处理结果输入至第n个混合层的第2个图注意力层进行训练，之后将训练结果输入至第n个混合层的规范化层进行规范化处理。

更进一步地，步骤A3中的所述激活处理采用的激活函数整流线性函数，具体算法为：

y＝max(0,x)

其中，x表示激活函数的输入特征，y表示激活函数的输出特征。

更进一步地，步骤A5中的激活函数采用双曲正切函数，具体算法为：

其中，x表示激活函数的输入特征，y表示激活函数的输出特征。

更进一步地，进行规范化处理采用算法具体为：

其中，x表示规范化函数的输入特征，y表示规范化函数的输出特征，E(x)表示均值，var(x)表示方差；∈为常数；γ、β为仿射变换参数。

本发明还提供一种基于天气数据的光伏发电预测装置，采用上述的基于天气数据的光伏发电预测方法，具体包括：

网络训练模型构建模块，用于构建网络训练模型；

数据获取模块，用于获取历史数据；

网络训练模型训练模块，用于训练网络训练模型；

光伏发电预测模块，用于进行光伏发电预测。

本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于天气数据的光伏发电预测方法。

相对于现有技术，本发明具有以下有益效果：

本发明提供的基于天气数据的光伏发电预测方法，利用天气数据和光伏发电数据进行训练网络模型，并利用天气数据进行光伏发电预测，避免多设备采集多种数据导致的成本高且不易维护的技术问题。

本发明提供的基于天气数据的光伏发电预测方法，网络训练模型采用图卷积网络、图注意力网络或者图卷积-图注意力混合网络，最终预测的光伏发电出力情况，相比其他网络模型，MSE值和MAPE值均大幅度减少，有效提高光伏发电预测的准确度。

附图说明

图1为本发明的方法流程图。

图2为本发明采用的图卷积网络架构图。

图3为本发明采用的图注意力网络架构图。

图4为本发明采用的图卷积-图注意力混合网络架构图。

图5为本发明采用图卷积网络或图注意力网络时，训练网络训练模型的方法流程图。

图6为本发明采用图卷积-图注意力混合网络时，训练网络训练模型的方法流程图。

图7为本发明实施例中采用图卷积网络预测结果示意图，其中纵坐标表示电量，单位MW·h，横坐标为测试集样本序号。

图8为本发明实施例中采用图注意力网络预测结果示意图，其中纵坐标表示电量，单位MW·h，横坐标为测试集样本序号。

图9为本发明实施例中采用图卷积-图注意力混合网络预测结果示意图，其中纵坐标表示电量，单位MW·h，横坐标为测试集样本序号。

具体实施方式

下面将结合附图说明对本发明的技术方案进行清楚的描述，显然，所描述的实施例并不是本发明的全部实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

需要说明的是，除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不应被理解为对本发明范围的限制。

以下对示例性实施例的描述仅仅是说明性的，在任何意义上都不作为对本发明及其应用或使用的任何限制。这里对于相关领域普通技术人员已知的技术、方法和装置可能不作详细讨论，但在适用这些技术、方法和装置情况下，这些技术、方法和装置应当被视为本说明书的一部分。

实施例一

本实施例提供一种基于天气数据的光伏发电预测方法，如图1所示，具体包括：

S1、构建网络训练模型；图神经网络用于处理图类型数据，在一个图结构中，每一个节点由它自身的特征以及与其相连的节点特征定义，图神经网络的目的是学习得到一个状态的嵌入向量

h

o

其中，x

本实施例中，所述网络训练模型采用图卷积网络、图注意力网络、图卷积-图注意力混合网络中一种。

所述图卷积网络的网络架构如图2所示，包括图像拾取层、若干图卷积层、若干规范化层、两个全连接层、输出层，所述图卷积层和所述规范化层依次、交错连接，所述图像拾取层连接第一个图卷积层，最后的规范化层连接第1个所述全连接层，第1个全连接层连接第2个全连接层，第2个全连接层连接所述输出层。图卷积层是输入特征维度为in_channels，输出特征维度为out_channels的图卷积层。

所述图注意力网络的网络架构如图3所示，包括图像拾取层、若干图注意力层、若干规范化层、两个全连接层和输出层，所述图注意力层和所述规范化依次、交错连接，即第1个图注意力层和第1个规范化层连接，第1个规范化层和第2个图注意力层连接，第2个图注意力层和第2个规范化层连接，依次交错，直至最后一个规范化层；所述图像拾取层连接第一个图注意力层，最后的规范化层连接第1个全连接层，第1个全连接层连接第2个全连接层，第2个全连接层连接所述输出层。图注意力层是输入特征维度为in_channels，输出特征维度为out_channel的层，注意力头数为heads。

所述图卷积-图注意力混合网络的网络架构如图4所示，包括图像拾取层、若干混合层、两个全连接层、输出层，所述图像拾取层连接第一个混合层，所述混合层依次连接，最后一个混合层连接第1个全连接层，第1个全连接层连接第2个全连接层，第2个全连接层连接输出层。

设定混合层层数为n，则第1个混合层至第n-1个混合层均包括依次连接的图注意力层、激活层、图卷积层、规范化层；第n个混合层包括依次连接的图注意力层、激活层、图注意力层、规范化层。

S2、获取历史数据，历史数据包括天气数据和光伏发电出力数据；网络训练模型搭建之后，获取历史数据为网络训练模型的训练做准备。

本实施例中，基于天气数据进行光伏发电预测，因此，历史数据为天气数据和光伏发电出力数据，数据参数包括日期、气象站号、气象站纬度、气象站经度、最高气温、最低气温、风速、风向、天气现象，天气现象包括晴(10)、阴(11)、降雨(20)、降雪(21)、雾霾(22)、其他(30)，为方便统计，使用代号表示；部分数据如表1所示。

表1部分历史数据

表1中，dtdate为数据日期，station为气象站号，lat为气象站纬度，lon为气象站经度，temmax为最高气温，temmin为最低气温，wins为风速，wind为风向，wep为天气现象。其中，气象站共有100个，采样频率为24小时。并且其中发电量表示100个气象站在20200101这一天的总发电量，单位为MW·H，并非一个气象站的发电量。在训练模型之前，对历史数据进行标准化处理，标准化公式如下：

其中，x

标准化处理后形成新的历史数据，使用新的历史数据进行模型训练。

S3、将历史数据输入网络训练模型中，并设定训练周期，得到训练后的网络训练模型；首先构造适合图神经网络训练的图数据集，以每个气象站作为节点，构建节点特征矩阵X∈R

训练网络训练模型的步骤包括：

A1、设定参数和训练周期，其中参数包括网络层数、隐藏层维度、全连接层长度、迭代次数、批量训练大小等；

A2、将训练集拆分为若干训练子集；

A3、使用第一个训练子集中的所有图结构数据(每个图结构数据包括一个边矩阵和一个特征矩阵)依次训练各图神经网络层；

A4、图神经网络层训练完成后，输出各节点隐藏层向量，各节点隐藏层向量拼接起来输入至全连接层；

A5、利用激活函数对步骤A4的输出进行激活处理；激活函数采用双曲正切函数，具体算法为：

其中，x表示激活函数的输入特征，y表示激活函数的输出特征。

A6、使用步骤A5的输出通过全连接层进行预测，并计算预测结果的均方误差；

A7、使用Adam优化器根据均方误差，反向传播更新神经网络中的参数；

A8、根据步骤A7中更新的参数，使用下一个训练子集的所有图结构数据重复步骤A3-A7；

A9、所有训练子集完成训练后，重复步骤A2-A8，进行下一训练周期的模型训练；

A10、所有训练周期完成后，得到训练后的网络训练模型。

使用不同的网络进行模型训练的步骤有细节差异，所述网络训练模型采用图卷积网络或图注意力网络时，如图5所示，通过各节点间相互连接的连接边构成无向图训练图神经网络层；具体包括：

将无向图输入第1个图卷积层或图注意力层进行训练，之后将训练结果输入至第1个规范化层进行规范化处理；之后按照图卷积层、规范化层的数量依次重复训练和规范化处理。

所述网络训练模型采用图卷积-图注意力混合网络时，如图6所示，通过各节点间相互连接的连接边构成无向图训练图神经网络层；具体包括：

将无向图输入第1个图注意力层进行训练，之后将训练结果输入至第1个激活层进行激活；再将激活后的训练结果输入至第1个图卷积层进行训练，之后将训练结果输入至第1个规范化层进行规范化处理；然后按照混合层层数顺序依次重复训练、激活、训练、规范化处理过程，直至第n-1个混合层规范化处理结束；

完成第1至n-1个混合层的训练处理后，将训练结果输入至第n个混合层的第1个图注意力层进行训练，之后将训练结果输入至第n个混合层的激活层进行激活处理；然后将激活处理结果输入至第n个混合层的第2个图注意力层进行训练，之后将训练结果输入至第n个混合层的规范化层进行规范化处理。

其中激活处理采用的激活函数整流线性函数，具体算法为：

y＝max(0,x)

其中，x表示激活函数的输入特征，y表示激活函数的输出特征。

优选地，进行规范化处理采用算法具体为：

其中，x表示规范化函数的输入特征，y表示规范化函数的输出特征，E(x)表示均值，var(x)表示方差；∈为常数，优选为极小的数，避免公式中分母为零；γ、β为仿射变换参数。

S4、获取当前天气数据，将当前天气数据输入网络训练模型中，进行光伏发电预测。预测结果示意图如图7、图8、图9所示，

为了验证本发明的预测方法的准确性，采用不同网络进行模型训练，并比较预测结果，预测网模模型包括对模型线性模型(Linear Model)、因子分析+线性模型(FA+LinearModel)、极限梯度提升(XGBoost)、因子分析+极限梯度提升(FA+XGBoost)以及本发明采用的图卷积网络(GCN)、图注意力网络(GAT)、图卷积-图注意力混合网络(GCAHN)，将数据集按照4：1随机划分为训练集和测试集，在测试集上计算评价指标。同时还利用整合自回归移动平均模型(ARIMA)、长短记忆递归神经网络(LSTM)、因子分析+长短记忆递归神经网络(FA+LSTM)进行预测，采用同样的数据集，同样将数据集依时间顺序按照4：1划分为训练集和测试集，在测试集上计算评价指标。最终的预测结果如表2所示。

表2不同模型预测结果

实验结果显示图注意力网络模型和图卷积-图注意力混合网络模型的MAPE最小。本发明采用三种网络模型的MSE均较小。且图卷积-图注意力混合网络模型在MSE和MAPE两个指标都排名第1，在均方误差上相对图卷积网络模型和图注意力网络模型下降了22％，在平均绝对百分比误差上相对图卷积网络模型下降了9％，效果提升较明显。因此我们可以认为，图卷积-图注意力混合网络通过混合图卷积层和图注意力层增加网络的深度从而提升了模型的非线性表达能力，因此可以拟合更加复杂的特征输入。其次GCAHN通过将图卷积网络和图注意力网络结合起来可以在图神经网络的表示学习任务中获得一些优势。图卷积-图注意力混合网络通过图卷积层和图注意层优势互补，分别学习节点上的特征和局部图结构的特征，提升了模型获取信息的能力。该方法不仅在拟合程度上有提升，在趋势跟随上的效果也更好。

实施例二

本实施例提供一种基于天气数据的光伏发电预测装置，采用实施例一提供的基于天气数据的光伏发电预测方法，具体包括：

网络训练模型构建模块，用于构建网络训练模型；

数据获取模块，用于获取历史数据；

网络训练模型训练模块，用于训练网络训练模型；

光伏发电预测模块，用于进行光伏发电预测。

实施例三

本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一提供的基于天气数据的光伏发电预测方法。

以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的范围，其均应涵盖在本发明的权利要求范围当中。