本发明属于光伏功率预测,特别涉及一种基于stcn的超短期光伏功率预测方法。
背景技术:
1、由于太阳能辐射的随机性和昼夜的周期性,光伏发电具有间歇性、波动性和天然的不可控性,这给电力系统的运行、调度和规划带来了很大的混乱。实现光伏发电功率的准确预测是解决上述问题的有效途径。因此,对光伏功率进行准确预测具有实用价值和重要意义。
2、光伏功率的超短期预测指预测时间为0到4小时。目前超短期光伏发电功率预测方法都是基于相同的思路,即首先利用数学和物理学理论及相关数据建立预测公式或模型,再通过预测公式或模型对光伏电站发电量进行预测。这些方法使用不同来源的数据输入,包括地面摄像机、卫星图像和数值天气预报(nwp)等。尽管地面摄像机在超短期预测中具有很高的准确性,但是部署和维护成本可能很高。同时,卫星图像和数值天气预报数据在长期预测中效果较好,但在超短期以及高空间分辨率的预测方面表现不佳。例如,面对局地性强的突发过程性天气,短时间内大气扰动使云层产生的不规则流动、突发对流天气形成积雨云引起局部降雨时,难以保持预测精度。
3、为了避免额外数据源带来的上述问题,研究人员最近仅使用多个光伏站点的历史功率数据,利用他们之间的时空相关性来提高预测精度。对于临近地区的多个光伏电站而言,由于地理位置条件相近,且在相似的天气条件作用下,光伏电站输出功率呈现一定程度的相似性。而目前涉及依靠历史功率序列和各个站点之间时空相关性的光伏功率预测的研究较少,急需一个有效的技术方案来解决现存的技术问题。
技术实现思路
1、本发明的目的在于针对上述现有技术的不足,提供一种基于stcn的超短期光伏功率预测方法,综合考虑光伏站点之间时间和空间上的联系,以期有效提升超短期光伏功率预测精度,为电力系统运行提供安全保障。
2、为了实现上述目的,本发明采用的技术方案是:
3、一种基于stcn的超短期光伏功率预测方法,包括如下步骤:
4、步骤1:对多个光伏发电站点按位置进行二维网格编码;
5、步骤2:获取所述光伏发电站点的历史功率数据,进行归一化处理后,按照所述二维网格编码形式生成网格序列数据;
6、步骤3:构建cnn网络层、tcn网络层和dense网络层,并顺次连接构成stcn模型;所述cnn网络层,用于输入网格序列数据并进行空间特征提取,输出抽象化的特征图序列;所述tcn网络层,用于输入所述抽象化的特征图序列,并进行时间特征提取;所述dense网络层,输出各所述光伏发电站点的功率预测结果;
7、步骤4:对所述stcn模型进行训练,得到预测模型;
8、步骤5:利用预测模型,获得不同光伏站点的功率的0到4小时超短期预测结果。
9、与现有技术相比,本发明利用cnn和tcn网络在一个联合模型中捕捉复杂的非线性空间和时间关系。该方法利用cnn捕捉光伏站点之间的空间联系,引入tcn获取光伏功率数据的历史时间信息,从而提取区域内各个光伏站点之间的时空相关性。本发明仅考虑光伏站点的地理位置信息、历史功率数据,在预测阶段不需要卫星图像、地面摄像机、数值天气预报等的额外数据,简化了数据需求和计算需求的同时提高了预测精度。预测结果可以更有效地指导光伏发电站资源评估、电力系统运营调度,提高电力系统的运行稳定性;同时本发明的预测方法能够适应密集且不规则分布的光伏站点功率预测应用场景,满足多站址的光伏功率预测。
1.一种基于stcn的超短期光伏功率预测方法,其特征在于,包括如下步骤:
2.根据权利要求1所述基于stcn的超短期光伏功率预测方法,其特征在于,所述步骤1二维网格编码中,网格每个点上均有对应的功率数据,同时包含时间信息。
3.根据权利要求1所述基于stcn的超短期光伏功率预测方法,其特征在于,所述步骤2,所述历史功率数据,是在多个同一时间点采集的各光伏发电站点的功率数据,数据采集的时间点间隔在0到4小时之间。
4.根据权利要求1所述基于stcn的超短期光伏功率预测方法,其特征在于,所述步骤2,所述归一化处理的方法为最大最小归一化法。
5.根据权利要求1所述基于stcn的超短期光伏功率预测方法,其特征在于,所述cnn网络层包括依次设置的卷积层一、卷积层二、卷积层三和全局平均池化层,所述网格序列数据送入卷积层一前进行零填充,经过所述卷积层一、卷积层二和卷积层三进行二维卷积操作后采用relu函数进行非线性映射,再经过全局平均池化层将数据降维后得到抽象化的特征图序列,并输入tcn网络层。
6.根据权利要求5所述基于stcn的超短期光伏功率预测方法,其特征在于,所述卷积层一的卷积核大小为3×3,卷积核移动步长为1,输出通道数为32;卷积层二的卷积核大小为3×3,卷积核移动步长为1,输出通道数为64;卷积层三的卷积核大小为3×3,卷积核移动步长为1,输出通道数为128。
7.根据权利要求1所述基于stcn的超短期光伏功率预测方法,其特征在于,所述抽象化的特征图序列输入所述tcn网络层后,经过膨胀因果卷积、权重归一化(weightnorm)、relu激活函数、dropout提取时间特征,再使用1×1卷积核,即残差连接与dropout层输出结果相加后作为tcn层的输出,然后送入dense层。
8.根据权利要求1所述基于stcn的超短期光伏功率预测方法,其特征在于,所述dense网络层包括子全连接层一和子全连接层二,子全连接层一的输入为tcn层的输出数据,激活函数为relu函数;子全连接层二的输入为子全连接层一的输出,激活函数为relu函数;子全连接层二的输出即为功率预测值。
9.根据权利要求1所述基于stcn的超短期光伏功率预测方法,其特征在于,所述步骤4中,训练方法为将得到的网格序列数据划分为训练集和测试集,利用训练集数据进行训练,利用测试集进行测试;训练方法的评价指标为:平均绝对误差mae、r平方r2和均方根误差rmse,计算公式如下:
10.根据权利要求1所述基于stcn的超短期光伏功率预测方法,其特征在于,平均绝对误差mae和均方根误差rmse越小,r2越接近1,则预测方法的精度越高。