基于多元数据特征增强的光伏功率区间预测方法及装置

本发明属于新能源发电，具体涉及一种基于多元数据特征增强的光伏功率区间预测方法及装置。

背景技术：

1、光伏发电作为一种清洁、可再生的能源形式正日益受到瞩目，成为未来能源体系中的重要支柱。然而，由于光伏发电受天气等因素影响，其出力波动不稳定，这对电网的安全稳定运营构成了挑战。

2、目前，为应对光伏发电的波动性，短期光伏出力预测技术应运而生，它能基于历史数据、天气预报等信息，准确预测短时段内光伏电站的发电能力，为电网调度、能源规划提供有力支持。这项技术的应用，有望降低光伏发电波动对电网的冲击，提高电网的可靠性与稳定性。然而，光伏发电波动性的挑战依然存在，为实现大规模应用带来难题。正因如此，短期光伏出力预测技术的研究显得尤为重要。

3、现阶段，常用的新能源出力预测方法包括物理模型方法、数据驱动方法和混合模型方法等。

4、物理模型方法避免了对历史发电数据的依赖，通过对设备的使用情况、周围环境等因素进行精确的分析，如数值天气预报(numerical weather prediction，nwp)，从而得到准确的未来趋势。但是，物理模型方法的精度受到外界因素的影响，对所获取的物理信息的可靠性要求较高，频繁且剧烈的环境变化会导致预测结果与实际情况严重不符，而且物理模型结构复杂，计算量较大，具有很大的局限性。

5、数据驱动方法基于机器学习技术，在新能源出力预测方面，数据驱动方法具有很强的数据特征挖掘能力、非线性映射能力、自主学习能力，从有限的实测数据中学习出数据演变的一般性规律。数据驱动方法主要包括了传统的机器学习方法和深度学习方法。

6、传统机器学习方法已经发展出许多截然不同的方式，例如支持向量机(supportvector machine，svm)、随机森林、决策树，等。其中，svm是新能源电力系统预测中的常用模型，其通过引入高维变量，将复杂非线性映射问题转化为高维空间上的线性映射问题。直接使用svm进行建模并不能取得较好的预测效果，因此一般为svm引入高斯径向基作为核函数，将原始的样本空间映射到更高维的特征空间。相关技术构建以高斯径向基为核函数的svm单项预测模型，采用滚动预测，预测精度有一定的提升空间。但是，该类方法计算量较小，训练速度快，但由于其非线性映射能力受到核函数的限制，当数据量较大时，它的学习能力受限，因此在新能源预测方面表现不佳。

7、随着技术的发展迭代，混合模型已经成为时间序列预测的主流方法。相关技术采用离散灰色模型(discrete grey model，dgm)辨别天气类别，并利用lstm预测光伏发电功率，提出了dgm-lstm模型；相关技术采用改进的lstm，结合变分模态分解对时间序列进行预处理实现风功率预测；另有相关技术提出了一种将共享权重lstm和高斯过程回归相结合的新模型，减少变量数目的同时，提高训练效率；混合模型结合多种预测方法的优势，克服了单一算法无法保障预测精度和预测结果可靠性的缺陷。通过改进预测的模型和方法，在一定程度上提高了新能源出力预测性能，但在时间序列数据特征的信息捕捉上仍有提升的空间。仅依赖单一模型进行预测任务，会由于单一模型泛化能力弱而陷入局部最优的问题。

技术实现思路

1、为此，本发明提供一种基于多元数据特征增强的光伏功率区间预测方法及装置，能够在多种复杂天气场景下表现出更高的预测准确性、敏锐性和场景适应性。

2、为了实现上述目的，本发明提供如下技术方案：第一方面，提供一种基于多元数据特征增强的光伏功率区间预测方法，包括：

3、构建相似日数据集，所述相似日数据集中包括采样的天气特征和光伏功率出力原始数据，对所述相似日数据集进行相关性分析，聚类指标选取和聚类结果处理；

4、根据所述相似日数据集建立卷积神经网络模块cnn；通过卷积神经网络模块cnn输出的特征序列建立超轻量子空间注意力模块ulsam；通过卷积神经网络模块cnn输出的特征序列数据建立双向长短期记忆神经网络模块bilstm；通过给定置信度、条件分位数和分位数的回归系数向量建立模块内分位数回归模型qr；对所述卷积神经网络模块cnn、所述超轻量子空间注意力模块ulsam、所述双向长短期记忆神经网络模块bilstm、所述模块内分位数回归模型qr进行组合形成基于qr-cnn-ulsam-bilstm的光伏功率短期区间预测混合模型；

5、采用基于qr-cnn-ulsam-bilstm的光伏功率短期区间预测混合模型，以预测区间覆盖率、预测区间平均宽度为区间评价指标，结合光伏功率预测总样本数、光伏出力最大值、光伏出力最小值和光伏功率观测值的极差对光伏功率预测区间进行评估预测。

6、作为基于多元数据特征增强的光伏功率区间预测方法优选方案，对所述相似日数据集进行相关性分析过程，采用kendall相关系数筛选多元数据与光伏发电功率的相关性，根据所得kendall相关系数绘制出热力图；

7、kendall相关系数r的定义为：

8、

9、式中，l、m分别表示为一致对、非一致对数目，表示变量总数。

10、作为基于多元数据特征增强的光伏功率区间预测方法优选方案，还包括对所述相似日数据集进行聚类前生数据预处理，聚类前生数据预处理过程，对缺失值采用最近邻均值法填充，采用箱型图法检测异常值，并对异常值采用前向填充法修正；

11、还包括计算聚类损失函数j(u,v)、聚类中心v、隶属度矩阵u：

12、

13、

14、

15、dij＝||xi-vj||

16、式中，uij为第i个样本属于第j类的隶属度；m是隶属度因子；n是样本数；c为聚类个数；l为迭代次数；dij为第i个样本xi到第j类中心的距离；连续迭代计算隶属度矩阵u和聚类中心v，当达到给定的标准或者|j(l)-j(l-1)|＜εj时，迭代停止；εu为隶属度终止阈值，εj为损失函数终止阈值。

17、作为基于多元数据特征增强的光伏功率区间预测方法优选方案，聚类指标选取包括均值、标准差、波峰波谷数量、变异系数cv、峰度kur和偏度sk：

18、

19、

20、

21、式中，xi为所选取聚类指标的样本，为样本的均值，σ为样本的标准差、n为总样本数。

22、作为基于多元数据特征增强的光伏功率区间预测方法优选方案，聚类结果处理过程，根据功率曲线的幅值和波动特性，对原始气象影响因素进行相似日聚类，将天气划分为晴天、多云、阴雨和极端天气四种类型。

23、作为基于多元数据特征增强的光伏功率区间预测方法优选方案，所述卷积神经网络模块cnn中，卷积层输入与输出的对应关系下式所示：

24、

25、式中，o表示卷积层局部输出数据；i为输入层局部输入数据；co、mh、mw分别表示输出矩阵通道数、长度和宽度；ci、nh、nw分别表示输入数据的通道数、长度和宽度；kh、kw分别表示卷积核k的长度和宽度；bn表示卷积核的偏置；表示矩阵的乘法运算；

26、对所述超轻量子空间注意力模块ulsam的网络进行重构：

27、将conv1d2后维度为n的特征序列进行维度拆分，等分为若干组子特征序列，每个子特征序列单独进行子空间注意力模块处理，将子数据集重新拼接，得到重构数据。

28、作为基于多元数据特征增强的光伏功率区间预测方法优选方案，在给定置信度θ下，所述模块内分位数回归模型qr因变量条件分位数和自变量之间的对应关系为：

29、

30、式中，为因变量ypi的第θ个条件分位数，θ的取值范围为[0,1]，βi(θ)是第θ个分位数的回归系数向量，xi是第i个自变量；

31、当数据已知时，因变量ypi的第θ个分位数估计值为其中分别为βi(θ)的估计值；

32、使用隶属度矩阵对不同天气类型的训练样本加权，得到加权损失函数为：

33、

34、

35、式中，表示由训练集中自变量xi经过模型训练之后得到的预测值，ypi表示由训练集中自变量xi经过模型训练之后得到的预测值，uij为第i个相似日样本属于天气类型j的隶属度，为单一数据点损失函数。

36、作为基于多元数据特征增强的光伏功率区间预测方法优选方案，预测区间覆盖率picp计算公式为：

37、

38、预测区间平均宽度pinaw计算公式为：

39、

40、式中，li、ui为光伏功率预测值对应的上、下界，当其落在对应范围内时，逻辑值si为1，否则为0，np为光伏功率预测总样本数，pmax为光伏出力最大值，pmin为光伏出力最小值，rp为光伏功率观测值的极差。

41、作为基于多元数据特征增强的光伏功率区间预测方法优选方案，采用基于改进的覆盖宽度标准cwc作为综合评价指标：

42、

43、式中，η为用户自定参数，用来衡量picp和pinaw的贡献度。

44、第二方面，本发明还提供一种基于多元数据特征增强的光伏功率区间预测装置，采用上述的基于多元数据特征增强的光伏功率区间预测方法，包括：

45、相似日数据集构建模块，用于构建相似日数据集，所述相似日数据集中包括采样的天气特征和光伏功率出力原始数据；

46、数据集处理模块，用于对所述相似日数据集进行相关性分析，聚类前生数据预处理，聚类指标选取和聚类结果处理；通过相关性分析绘制出热力图，通过聚类前生数据预处理填充缺失值和检测异常值，通过聚类指标选取得到指定聚类指标参数，通过聚类结果处理对原始气象影响因素进行相似日聚类；

47、预测混合模型构建模块，用于通过输入层局部输入数据，输入数据的通道数、长度和宽度，卷积核的长度和宽度，卷积核的偏置量建立卷积神经网络模块cnn；通过卷积神经网络模块cnn输出的特征序列建立超轻量子空间注意力模块ulsam；通过卷积神经网络模块cnn输出的特征序列数据建立双向长短期记忆神经网络模块bilstm；通过给定置信度、条件分位数和分位数的回归系数向量建立模块内分位数回归模型qr；对所述卷积神经网络模块cnn、所述超轻量子空间注意力模块ulsam、所述双向长短期记忆神经网络模块bilstm、所述模块内分位数回归模型qr进行组合形成基于qr-cnn-ulsam-bilstm的光伏功率短期区间预测混合模型；

48、区间评估预测模块，用于采用基于qr-cnn-ulsam-bilstm的光伏功率短期区间预测混合模型，以预测区间覆盖率、预测区间平均宽度为区间评价指标，结合光伏功率预测总样本数、光伏出力最大值、光伏出力最小值和光伏功率观测值的极差对光伏功率预测区间进行评估预测。

49、第三方面，本发明还提供一种非暂态计算机可读存储介质，所述计算机可读存储介质中存储有基于多元数据特征增强的光伏功率区间预测方法的程序代码，所述程序代码包括用于执行第一方面或其任意可能实现方式的基于多元数据特征增强的光伏功率区间预测方法的指令。

50、第四方面，本发明还提供一种电子设备，包括：存储器和处理器；所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面或其任意可能实现方式的基于多元数据特征增强的光伏功率区间预测方法。

51、本发明具有如下优点：通过构建相似日数据集，所述相似日数据集中包括采样的天气特征和光伏功率出力原始数据，对所述相似日数据集进行相关性分析，聚类前生数据预处理，聚类指标选取和聚类结果处理；通过相似日数据集建立卷积神经网络模块cnn；通过卷积神经网络模块cnn输出的特征序列建立超轻量子空间注意力模块ulsam；通过卷积神经网络模块cnn输出的特征序列数据建立双向长短期记忆神经网络模块bilstm；通过给定置信度、条件分位数和分位数的回归系数向量建立模块内分位数回归模型qr；对所述卷积神经网络模块cnn、所述超轻量子空间注意力模块ulsam、所述双向长短期记忆神经网络模块bilstm、所述模块内分位数回归模型qr进行组合形成基于qr-cnn-ulsam-bilstm的光伏功率短期区间预测混合模型；采用基于qr-cnn-ulsam-bilstm的光伏功率短期区间预测混合模型，以预测区间覆盖率、预测区间平均宽度为区间评价指标，结合光伏功率预测总样本数、光伏出力最大值、光伏出力最小值和光伏功率观测值的极差对光伏功率预测区间进行评估预测。本发明能够凸显关键信息，同时抑制噪声和冗余，形成具有更强表征能力的特征序列；在多种复杂天气场景下表现出更高的预测准确性、敏锐性和场景适应性；提升了网络对于多元数据特征序列的提取能力，增强了模型的预测性能，极大地减少了预测的不确定性。