一种台区分布式光伏电站群功率预测方法

本发明涉及分布式光伏电站进功率预测，具体为一种台区分布式光伏电站群功率预测方法。

背景技术：

1、现有分布式光伏预测技术主要有插值法、参考电站法和历史出力法三类，插值法主要通过对卫星气象数据进行插值，推算分布式站点所在地理位置的气象数据，再利用物理模型法或数据驱动法预测发电功率，参考电站法主要将分布式光伏站点邻近的某个集中式光伏电站作为参考站点，建立出力相关模型，借助参考电站的功率预测值推算分布式光伏出力预测值，历史出力法主要在无气象数据的条件下，仅基于分布式光伏的历史出力数据建立时序预测模型；

2、但是当前现有的分布式光伏预测技术中，插值法依赖于卫星气象数据，但卫星气象数据空间分辨率较低，气象插值结果误差较大，导致功率预测结果误差较大，而参考电站法依赖于邻近集中式光伏电站提供的气象数据，但实际中无法确保所有分布式光伏电站周围都有集中式光伏电站，因此适用性有限，历史出力法往往对单个分布式光伏电站进行功率预测，缺乏对多个电站出力之间空间相关性的考虑，预测误差较大，且不同电站之间的模型适应性差、无法共用。

技术实现思路

1、本发明提供一种台区分布式光伏电站群功率预测方法，可以有效解决上述背景技术中提出当前现有的分布式光伏预测技术中，插值法依赖于卫星气象数据，但卫星气象数据空间分辨率较低，气象插值结果误差较大，导致功率预测结果误差较大，而参考电站法依赖于邻近集中式光伏电站提供的气象数据，但实际中无法确保所有分布式光伏电站周围都有集中式光伏电站，因此适用性有限，历史出力法往往对单个分布式光伏电站进行功率预测，缺乏对多个电站出力之间空间相关性的考虑，预测误差较大，且不同电站之间的模型适应性差、无法共用的问题。

2、为实现上述目的，本发明提供如下技术方案：一种台区分布式光伏电站群功率预测方法，基于序列分解和门控融合图卷积的手段，充分考虑光伏电站群出力序列不同分量的时空相关性，在无气象信息的条件下，仅基于历史出力数据实现台区内多个光伏电站功率的同时预测，具体包括如下步骤：

3、s1、序列分解，利用极大重叠离散小波变换将原始光伏出力序列分解为低频序列分量和若干高频序列分量；

4、s2、低频分量时空预测，基于静态图卷积网络和transformer模型来预测低频分量；

5、s3、高频分量时空预测，基于门控融合图卷积和transformer模型来预测高频分量；

6、s4、序列相加，将低频预测值和高频预测值相加，从而得到最终的预测结果。

7、根据上述技术方案，所述s1中，序列分解具体包括如下实现步骤：

8、s101、模型输入；

9、s102、最大值归一化；

10、s103、小波分解。

11、根据上述技术方案，所述s101中，模型输入为台区内n个光伏电站t个历史时刻的出力pi,t组成的矩阵p，其中，i＝1，2…，n，t＝1，2…，t；

12、

13、所述s102中，最大值归一化是指将台区内n个光伏电站出力序列进行归一化出力，则有

14、

15、所述s103中，小波分解主要指利用matlab小波分析工具箱中wavedec函数和wrcoef函数将光伏出力序列分解为趋势分量a3和波动分量d1，d2，d3，选择“db5”小波，具体程序如下：

16、[c,l]＝wavedec(pi,3,'db5')；

17、d1＝wrcoef('d'c,l,wname,1)；

18、d2＝wrcoef('d',c,l,wname,2)；

19、d3＝wrcoef('d',c,l，,wname,3)；

20、a3＝wrcoef('a',c,l,wname,3)。

21、根据上述技术方案，所述s2中，低频分量时空预测具体包括如下实现步骤：

22、s201、时空特征提取层；

23、s202、预测层。

24、根据上述技术方案，所述s201中，时空特征提取层是指构建静态图卷积网络提取低频分量的时空特征，具体算法为：

25、首先根据haversine公式求解各个光伏电站的地理距离：

26、dij＝rarccos(cosβicosβjcos(αi-αj)+sinβisinβj)(i,j＝1,2,...,n)；

27、依据光伏电站的地理距离构建静态图结构邻接矩阵：

28、

29、然后构建双层sgcn提取光伏电站各个时刻的空间特征：

30、

31、其中，为自连接的静态邻接矩阵，为邻接矩阵的度矩阵，pta为低频分量在时刻t的值，w1、w2为权重参数；

32、拼接t个历史时刻出力空间特征

33、将sgcn提取的各个时刻的空间特征和原始低频分量拼接后输入transformer的encoder结构，具体算法如下：

34、xa＝concat(ha,pa)

35、将xa分解为其中

36、对应的位置编码：

37、

38、其中，为第t行第j列对应的位置编码；

39、将与位置编码e对位相加即可：则有

40、由作线性映射得到：

41、

42、

43、

44、通过点乘得到时空特征：

45、

46、所述s202中，预测层是指为缓解过拟合和梯度消失问题，采用残差连接将步骤s201中提取的时空特征与原始输入拼接后输入全连接层得到光伏电站群低频分量的预测值：

47、

48、transformer并行输出n个电站的低频分量预测值

49、根据上述技术方案，所述s3中，高频分量时空预测具体包括如下实现步骤：

50、s301、静态时空特征提取层

51、s302、动态时空特征提取层；

52、s303、门控融合层；

53、s304、全连接层。

54、根据上述技术方案，所述s301中，静态时空特征提取层是指构建双层sgcn提取光伏电站各个时刻的空间特征，如下式所示：

55、

56、其中，为自连接的静态邻接矩阵，为邻接矩阵的度矩阵，为低频分量在时刻t的值，w1、w2为权重参数；

57、拼接t个历史时刻出力空间特征

58、将sgcn提取的各个时刻的空间特征和原始低频分量拼接后输入transformer的encoder结构，具体算法如下：

59、xsd1＝concat(hsd1,psd1)

60、将xd1分解为其中，

61、将与位置编码e对位相加即可：

62、

63、由作线性映射得到：

64、

65、

66、

67、通过点乘得到时空特征：

68、

69、根据上述技术方案，所述s302中，动态时空特征提取层是指构建动态图卷积神经网络提取光伏电站各个时刻的空间特征：

70、

71、其中，at表示节点之间的动态相关性；

72、拼接t个历史时刻出力空间特征

73、将dgcn提取的各个时刻的空间特征和原始低频分量拼接后输入transformer的encoder结构，具体算法如下：

74、xdd1＝concat(hdd1,pd1)

75、将xdd1分解为其中，

76、将与位置编码e对位相加即可：则有，

77、由作线性映射得到：

78、

79、

80、

81、通过点乘得到时空特征得到：

82、

83、根据上述技术方案，所述s303中，门控融合层是指构建门控融合机制融合从固定和动态图卷积层学习到的时空特征和得到的高频分量pd1的时空特征：

84、

85、

86、所述s404中，全连接层是指为缓解过拟合和梯度消失问题，采用残差连接将步骤s301-s303中的时空特征与原始输入拼接后输入全连接层得到光伏电站群低频分量的预测值：

87、

88、transformer并行输出n个电站的低频分量预测值

89、同理得到低频分量pd2、pd3的预测值

90、根据上述技术方案，所述s4中，通过序列相加来得到的最终预测结果如下：

91、

92、与现有技术相比，本发明的有益效果：

93、1、本发明不需要气象数据，仅利用光伏出力数据即可达到预测的目的，充分考虑光伏电站群出力序列不同分量的时空相关性，能够在无气象信息的条件下实现台区内多个光伏电站的同时预测，不需要为分布式光伏额外安装气象量测设备，节省了经济成本；

94、同时本发明的输出为台区内多个分布式光伏电站的出力预测值，能够同时预测多个分布式光伏电站的出力，较单站预测可以更好地学习到多站光伏输出功率之间的时空相关性，提高了区域光伏预测的精度并降低了训练成本，且将原始的出力序列分解为低频和高频分量分别建模，分解后得到的子分量序列能够更好地从不同维度表征原始数据的特性，通过针对性的预测建模可得到更为准确的预测结果。

95、2、本发明针对分布式光伏预测，将光伏出力序列分解为低频和高频分量，鉴于各个出力分量的影响因素不同，故分别建立时空预测模型得到各分量的预测值，相加得到最终预测值，对各个分量的针对性建模预测可得到更为准确的预测结果，且针对与静态属性相关的低频分量，建立静态图卷积+transformer模型进行预测，而针对与静态属性相关且受大气运动影响的高频分量，利用门控融合机制对静态图卷积和动态图卷积提取的空间特征进行加权，并结合transformer模型预测高频分量。