一种基于最优图结构的光伏电站太阳辐照度短期预测方法及存储介质

1.本发明属于辐照度预测技术领域，尤其涉及一种基于最优图结构的光伏电站太阳辐照度短期预测技术。


背景技术：

2.由于全球经济和科技的快速发展，以及传统化石燃料对环境造成的污染和气候问题，可再生能源的发展逐渐受到世界各国的重视和支持。太阳能已成为目前最具发展前景的可再生能源之一，光伏发电作为太阳能的主要利用方式，发展迅速。光伏发电的输出功率主要受到达地表的太阳辐射影响，地表太阳辐射又同时受太阳辐照强度与大气层、云团状况的影响，输出功率呈现间断性和随机性等特征，因此，光伏发电功率的预测本质就是对地表辐照度的预测，提高太阳辐照度预测精度已成为亟待解决的主要问题且备受关注。
3.目前现有的太阳辐照度预测方法主要有基于时间序列的辐照度预测模型，包括传统统计方法和人工智能算法，支持向量机、rnn、lstm等机器学习方法。传统统计方法存在预测模型结构简单，单一深度学习网络模型难以从剧烈的波动数据学习太多有用信息，不能从数据中考虑时空相关性的影响，并且现今的深度学习模型都普遍存在预测滞后的问题，导致预测准确率较低。基于卫星气象图像的辐照度预测模型，对数小时内的地表太阳辐照度进行预测，该方法主要通过从卫星云图或天空图像中提取图像特征信息进而实现辐照度预测。由于云是影响到达地面太阳辐照度的最主要的气象环境因素，其生消和移动是使得地面太阳辐照度具有随机性和间断性变化的根本原因之一，考虑云团运动影响和天气状况的辐照度预测模型通过对云的监测掌握其移动规律,预测其在未来某时刻的位置状态，进而通过物理建模方法计算出该时刻该区域的辐照度。但后续的物理建模过程较复杂，参数求解困难等，对预测精度有所影响。
4.以上辐照度预测方法都存在一些问题影响预测精度，且都没有深度挖掘历史辐照度序列的时空特性，考虑目标场站邻近范围的辐照度状况对目标场站的影响，导致预测精度不高。


技术实现要素：

5.本发明的主要目的在于提供一种基于最优图结构的光伏电站太阳辐照度短期预测技术方法，旨在解决现有辐照度预测方法未考虑目标场站邻近范围的辐照度情况对目标场站的影响，以及对历史辐照度序列时空信息挖掘不足导致预测效果不佳的问题。
6.为实现上述目的，本发明提供一种基于最优图结构的光伏电站太阳辐照度短期预测方法，包括如下步骤：
7.步骤s10，通过地理范围和方位信息构建目标场站的时空关联场站；
8.步骤s20，获取目标场站和各时空关联场站历史辐照度时间序列数据；
9.步骤s30，计算所述时空关联场站与目标场站数据的相关性，筛选相关性高的时空
关联场站；
10.步骤s40，根据筛选得到的时空关联场站，构建图结构数据；
11.步骤s50，建立以图结构数据为输入的图神经网络预测模型，实现辐照度短期预测。
12.进一步地，所述的步骤s10包括：
13.步骤s101，截取目标场站所在区域地理空间范围，范围内的其他场站为时空关联场站。
14.步骤s102，获取时空关联场站的经纬度坐标信息。
15.利用了自动网格生成算法细化生成了若干时空关联场站的经纬度坐标信息。
16.进一步地，所述的步骤s20包括：
17.步骤s201，采用卫星云图-辐照度映射方法，从卫星云图中映射出目标场站和各时空关联场站的历史辐照度时间序列数据。
18.步骤s202，以目标场站数据训练数据偏差校正模型，对时空关联场站的辐照度进行偏差校正。
19.进一步地，所述的步骤s30包括：
20.步骤s301，利用归一化互信息n
mi
计算目标场站与各时空关联场站历史辐照度数据之间的相关性。
21.步骤s302，将各时空关联场站按n
mi
值从大到小排序，只保留排序靠前的1/3。
22.进一步地，所述的步骤s40包括：
23.步骤s401,根据筛选得到的时空关联场站，构建不同的图结构数据，图结构数据由节点特征矩阵和邻接矩阵组成，节点特征矩阵由目标场站和各时空关联场站的历史辐照度数据组成，邻接矩阵是根据各场站数据之间的相关性确定的连接关系。
24.步骤s402，所述图结构数据是基于图连通度评价得到的最优图结构数据。
25.根据邻接矩阵计算复杂网络拓扑统计指标；所述复杂网络拓扑统计指标包括平均度、平均集聚系数、节点间平均最短路径距离、平均节点介数中心性、网络连通度。
26.对各项复杂网络拓扑统计指标加权计算得到图连通度综合评价指标。
27.计算步骤s401中的所构建的图结构数据的图连通度综合评价指标，当综合评价指标大于阈值时，认为其为最优图结构数据，否则返回步骤s401进行循环，直至构建出最优图结构数据。
28.进一步地，所述的步骤s50包括：
29.步骤s501,对图结构数据中的节点特征矩阵中的各场站的历史辐照度数据进行归一化处理。
30.步骤s502，以图结构数据为输入，以辐照度为输出建立图神经网络预测模型。
31.步骤s503，将图结构数据输入图神经网络预测模型，将输出的辐照度预测结果进行反归一化处理，得到目标场站辐照度最终预测结果。
32.本发明还提供了一种存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现如上述的基于最优图结构的光伏电站太阳辐照度短期预测方法。
33.本发明的有益效果是：
34.(1)本发明的太阳辐照度短期预测方法可以在周围气象数据缺失的情况下充分考
虑目标预测场站邻近范围的气象辐照度状况对目标场站的时空相关性影响，而本领域技术人员常常忽略了周围因素对目标场站的影响。
35.(2)本发明的太阳辐照度短期预测方法仅需利用历史辐照度时间序列来实现辐照度的短期预测，易于实现，有助于提高辐照度的短期预测精度，有助于对光伏发电站的规划、选址提供技术支持，同时也有助于为已建成的光伏电站进行合理的能源储存指导。
36.(3)本发明的太阳辐照度短期预测方法考虑了邻近范围场站的辐照度，与其他考虑方法相比，本发明中的时空关联场站为有针对性的自主构建和筛选，与目标场站的时空相关性更强，并基于复杂网络拓扑指标提出了图连通度指标来选择出最优图结构数据，与其他利用图神经网络进行预测的方法相比，将最优图结构数据作为输入，更有利于预测模型的训练，提高预测精度。
37.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
38.图1为本发明基于最优图结构的太阳辐照度短期预测方法第一实施例的流程示意图；
39.图2为本发明基于最优图结构的太阳辐照度短期预测方法构建的各时空关联场站和目标场站的历史辐照度数据相关性分析结果；
40.图3为本发明基于最优图结构的太阳辐照度短期预测方法的辐照度预测结果。
41.本发明的目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
42.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
43.请参阅图1，本发明提供了一种基于最优图结构的光伏电站太阳辐照度预测方法，包括如下步骤：
44.步骤s10，通过地理范围和方位信息构建目标场站的时空关联场站；
45.步骤s20，获取目标场站和各时空关联场站历史辐照度时间序列数据；
46.步骤s30，计算所述时空关联场站与目标场站数据的相关性，筛选相关性高的时空关联场站；
47.步骤s40，根据筛选得到的时空关联场站，构建图结构数据；
48.步骤s50，建立以图结构数据为输入的图神经网络预测模型，实现辐照度短期预测。
49.所述步骤s10中所述通过地理范围和方位信息构建目标场站的时空关联场站，包括：
50.步骤s101，截取目标场站所在区域地理空间范围，范围内的其他场站为时空关联场站。以目标场站为中心，截取矩形区域，不限于是矩形，计算矩形区域的四个顶点坐标，计算过程如式(1)～(6)所示。
51.[0052][0053]
left-top＝(lat+dlat,lon-dlon)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0054]
left-bottom＝(lat-dlat,lon-dlon)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0055]
right-top＝(lat+dlat,lon+dlon)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0056]
right-bottom＝(lat-dlat,lon+dlon)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0057]
其中，r代表顶点距离目标场站的地理距离，本发明中取r＝150km，r
地
＝6378.137km表示地球半径，lon为目标场站经度，lat为目标场站纬度，单位为角度，表示将弧度转换为角度，dlon和dlat代表经纬度的偏移量，left-top、left-bottom、right-top、right-bottom分别代表矩形框四个顶点的坐标，矩形框内的其他场站为时空关联场站，时空关联场站是真实的光伏电站或者是假设的虚拟电站，因为只要有其坐标信息和对应的辐照度时间序列数据，可以将其假想为光伏电站。
[0058]
步骤s102，获取时空关联场站的经纬度坐标信息。在步骤s101产生的区域地理空间范围内利用自动网格生成算法，以目标场站为中心，按照不同距离，不同方位角细化生成若干时空关联场站的经纬度坐标信息。
[0059]
所述步骤s20中所述获取目标场站和各时空关联场站历史辐照度时间序列数据的步骤，包括：
[0060]
步骤s201，采用卫星云图-辐照度映射方法，从卫星云图中映射出目标场站和各时空关联场站的历史辐照度时间序列数据。采用专利申请202111336372.8中的卫星云图-辐照度映射方法，输入目标场站和步骤s102中所得到的时空关联场站的经纬度坐标，输出对应位置的历史辐照度时间序列数据。
[0061]
由于映射得到的数据与实际值存在偏差，需要进行偏差校正和数据质量控制。
[0062]
步骤s202，以目标场站数据训练数据偏差校正模型，对时空关联场站的辐照度进行偏差校正。以目标场站辐照度映射值以及温度信息作为输入，目标场站辐照度实际值作为输出，利用svm模型训练得到数据偏差校正模型；利用训练得到的数据偏差校正模型对其他时空关联场站的辐照度映射值进行偏差校正，为提高预测精度，还需对其进行异常数据分析预处理过程，去除偏差较大的数据，补全缺失值。
[0063]
所述步骤s30中所述计算所述时空关联场站与目标场站数据的相关性，筛选相关性高的时空关联场站的步骤，包括：
[0064]
步骤s301，利用归一化互信息n
mi
计算步骤s20中所得到的目标场站历史辐照度数据与各时空关联场站历史辐照度数据之间的相关性。计算公式如下：
[0065][0066]
pr(n
mi
(x,y)≥τ)＝2/3
[0067]
其中x和y是目标场站和时空关联场站的历史辐照度的输入数据，pr(
·
)为概率函数，pr(x,y)是联合概率。n
mi
值越高，相关性越强。
[0068]
步骤s302，将各时空关联场站按n
mi
值从大到小排序，只保留排序靠前的1/3。或者选取n
mi
值大于阈值的时空关联场站，阈值可以根据实际情况和本领域技术人员的经验取值。
[0069]
请参阅图2，该图为本发明基于最优图结构的太阳辐照度短期预测模型构建的时空关联场站和目标场站的历史辐照度数据相关性分析结果。横纵坐标表示各场站的标号，其中0表示目标场站，每格中的颜色代表两场站之间的相关性计算结果，颜色越深表示相关性越强。
[0070]
所述步骤s40中所述根据筛选得到的时空关联场站，构建最优图结构数据的步骤，包括：
[0071]
步骤s401,根据筛选得到的时空关联场站，构建不同的图结构数据，图结构数据由节点特征矩阵和邻接矩阵组成，节点特征矩阵由目标场站和各时空关联场站的历史辐照度数据组成，邻接矩阵是根据各场站数据之间的相关性确定的连接关系。
[0072]
图神经网络是一种可以处理图结构数据的神经网络。图通常包含节点和边，每个节点都有其自己的属性或特征，而边表示节点之间的关系。只有将辐照度数据转换为图结构数据，才能使用图神经网络模型对辐照度进行预测。因此将场站看作是节点，将场站之间辐照度数据的相关性作为边的属性。
[0073]
通过选择不同的数据，设定不同的阈值，构建出不同的图结构数据，邻接矩阵是根据各场站数据之间的相关性确定的连接关系，可以并不限于如下定义：
[0074][0075]
式(8)中，n
mi
(i,j)代表光伏场站i和光伏场站j的历史辐照度数据之间的n
mi
相关系数，ε代表相关性系数的阈值，本发明中采用各场站之间相关性矩阵的平均值的一半作为阈值，也可根据实际情况设置，当两个光伏电站之间的相关性系数小于这个阈值时，认为两者之间没有连接，此时设置邻接矩阵中的元素a
ij
为0。
[0076]
步骤s402，所述图结构数据是基于图连通度评价得到的最优图结构数据。
[0077]
根据邻接矩阵计算复杂网络拓扑统计指标。所述复杂网络拓扑统计指标包括但不限于平均度、平均集聚系数、节点间平均最短路径距离、平均节点介数中心性、网络连通度，各指标计算公式如下：
[0078][0079]
式(9)为平均度计算公式，其中n为网络中节点总个数，与节点i有连接的邻边数量ki称为该节点的度。直观上看,一个节点的度越大,该节点越重要。对网络中所有节点的度求平均，可得到网络的平均度dc。
[0080][0081]
式(10)为平均集聚系数计算公式，假设节点i与ki个节点直接连接，那么对于无向网络来说，这ki个节点间可能存在的最大的边数为ki，而实际存在的边数为mi，由此集聚系数定义为ci，ac为平均集聚系数。
[0082][0083]
式(11)为节点间平均最短路径距离计算公式，其中g为所有节点的集合，n为网络中节点总个数，网络中两个节点i和j之间的距离d
ij
定义为连接这两个节点的最短路径的边数。对于一个无向网络，定义节点间平均最短路径距离l为网络中节点对之间距离d
ij
的平均值：
[0084][0085]
式(12)为平均节点介数中心性计算公式，节点介数就是网络中所有最短路径中经过该节点的数量比例。其中n
jl
表示节点j和l之间的最短路径条数，n
jl
(i)表示节点j和l之间的最短路径路过节点i的条数。bci表示节点介数，bc表示平均节点介数中心性。
[0086][0087]
式(13)为网络连通度的计算公式，为节点对(i、j)在网络中的节点-连通度，表示网络中使得节点对(i、j)(i≠j且i、j不相邻)不连通所要移去的最少节点数(i、j除外)。图网络的连通度用网络中所有不相邻节点对的节点-连通度的平均值来表示。
[0088]
对各项复杂网络拓扑统计指标加权计算得到图连通度综合评价指标。利用主成分分析方法进行降维，用数量较小、贡献率较高的几个有效主成分表征所有连通度评价指标，再利用熵权法确定各有效主成分项对应的权重系数，最终根据各权重系数得到图连通度综合评价指标。计算公式如下，式中，k1+k2+k3+k4+k5＝1。
[0089]
gc＝k1·
dc+k2·
ac+k3·
l+k4·
bc+k5·kꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0090]
计算步骤s401中的所构建的图结构数据的图连通度综合评价指标，当综合评价指标大于阈值时，认为其为最优图结构数据，否则返回步骤s401进行循环，直至构建出最优图结构数据。例如阈值可以取为10。
[0091]
所述步骤s50中所述建立以图结构数据为输入的图神经网络预测模型，实现辐照度预测的步骤，包括：
[0092]
步骤s501,对图结构数据中的节点特征矩阵中的各场站的历史辐照度数据进行归一化处理。
[0093]
为加快预测模型训练速度，提升预测精度，需要对图结构数据中的节点特征矩阵中对应的的各场站的历史辐照度数据按照以下公式进行归一化处理，将数据保持在0-1之间：
[0094][0095]
其中，xi和xi′
为原始数据和归一化后的数据，x
min
和x
max
为所在样本中的最小值和最大值。归一化处理既包括目标场站的辐照度数据，也包括时空关联场站的辐照度数据，以供后续建立预测模型使用。
[0096]
步骤s502，以图结构数据为输入，以辐照度为输出建立图神经网络预测模型。将步
骤s401所述图结构数据序列或者步骤s402所述最优图结构数据序列按照7:3的比例划分为训练集和测试集，在训练集上以图结构历史三天的时间序列数据为输入，未来一天的目标场站以及各时空关联场站的辐照度数据为输出，对基于图神经网络的短期辐照度预测模型设置初始化参数并进行训练,该预测模型共有四层网络，包括图学习层，两个图卷积层，一个输出层。
[0097]
步骤s503，将图结构数据输入图神经网络预测模型，将输出的辐照度预测结果进行反归一化处理，得到目标场站辐照度最终预测结果。
[0098]
为说明本发明方法的有效性，采用本发明的方法对内蒙古某光伏电站2020.5.1-2020.5.5的辐照度值进行了预测，预测值与实际值对比结果如图3所示。从图3可以看出，经实际测试，本发明的辐照度预测方法效果理想，具有较高的预测精度。
[0099]
本发明实施例还提供了一种存储介质，用于存储计算机程序，所述计算机程序被处理器执行时实现如上述的光伏电站的太阳辐照度短期预测方法。
[0100]
综上所述，本发明实施例的辐照度短期预测方法，有助于对光伏发电站的规划、选址提供技术支持，同时也有助于为已建成的光伏电站进行合理的能源储存指导，促进光伏发电领域的良性健康发展和保障电力系统的安全稳定运行。
[0101]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0102]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0103]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。