一种光伏发电功率的预测方法与流程

本技术涉及光伏发电，更具体地说，涉及一种光伏发电功率的预测方法。

背景技术：

1、近年来，随着全球能源需求的增加和可再生能源的受欢迎程度提高，光伏发电作为最有潜力的可再生能源之一，受到了广泛的研究和应用。然而，光伏发电的不确定性和随机性给电力系统的运行和规划带来了挑战。特殊地形下，如山区、沙漠、海洋等环境条件对光伏发电的影响更加复杂，使得光伏功率预测变得更为复杂和困难。

2、针对上述问题，公开号为cn115796338a的发明专利公开了光伏发电功率预测模型构建及光伏发电功率预测方法。方法包括：获取多个样本向量；然后，根据发电功率与所述多个监测类的关联性，对所述多个样本向量中对应无关监测类的数据进行去除；最后，根据所述多个样本向量对光伏发电初始模型的多个参数进行调整，获得光伏发电功率预测模型。可知，该专利在发电功率预测时，根据发电功率对一些与发电功率无关的数据进行去除，从而降低模型的复杂程度，减少模型构建的计算量，还根据发电功率与长期数据的关联性，设置有lstm节点的输入层，且考虑了长期数据的影响，从而保证了模型的预测精度。但是，预测算法建立后若不再利用新数据进行优化，应用时间长后算法中忽略了新规律对预测算法的影响，预测算法的预测准确率会降低，从而影响了分布式光伏发电功率的预测效果，有待改进。

3、公告号为cn113113927b的发明专利公开了一种综合多典型天气场景的储能系统容量配置方法。获取全年光伏系统日发电功率数据，对数据样本进行聚类，得到n种典型天气的光伏发电功率曲线；然后，在外层青蛙代表的储能额定功率和容量的条件下，以弃光率最低为目标，建立内层蛙跳算法对储能系统进行控制优化，得到最优储能出力曲线；接着，算出在这一种储能功率和容量条件下的综合经济性水平；最后，将外层的每只青蛙所代表的储能额定功率和容量都进行内层蛙跳算法的综合经济性水平的计算，优化得到具有最优经济性水平的容量配置方案。可见，该专利结合了在不同典型天气下储能系统的容量需求，综合考虑了不同天气在全年中的比例权重，从而对不同天气下的光伏发电功率进行预测。但是在特殊地形下的光伏功率预测中，还需要考虑到地形的随机性和不确定性对太阳辐射的影响。因此，如何提高光伏出力预测的准确性，是维持新型电力系统稳定、高效运作的重要基础，对于电网的经济调度至关重要。

技术实现思路

1、有鉴于此，本技术提供一种光伏发电功率的预测方法，用以提升光伏发电功率预测的准确性和稳定性。

2、本技术提供的技术方案为：

3、一种光伏发电功率的预测方法，包括：

4、获取待预测的光伏电站的历史地基云图、历史气象因子、地形地貌数据和历史光伏出力数据，并进行数据预处理，建立数据特征集；所述数据特征集包括历史多元负荷数据与对应的历史影响因子数据；

5、对所述历史地基云图进行畸变矫正，获得第一云图序列，并根据所述第一云图序列计算得到表征云层动态信息的光流图像；

6、对所述光流图像进行编码和特征提取，获得空间云图特征；

7、将所述空间云图特征和所述数据特征集进行多模态特征融合，建立光伏发电功率预测模型，用于对光伏电站的光伏发电功率进行预测。

8、其中一种可能的实现方式中，所述进行数据预处理，建立数据特征集，包括：

9、基于拉依达准则法，对待预测的光伏电站的所述地形地貌数据、所述历史光伏出力数据的异常值进行判断并剔除；

10、剔除所述异常值后，采用newton插值法，对所述地形地貌数据、所述历史光伏出力数据进行插值，获得所述历史多元负荷数据和所述历史影响因子数据。

11、其中一种可能的实现方式中，所述建立特征数据集之后，所述方法还包括：

12、按照第一预设比例，将所述特征数据集划分为训练集和测试集，所述训练集用于训练所述光伏发电功率预测模型，所述测试集用于对训练得到的所述光伏发电功率预测模型的预测精度进行测试。

13、其中一种可能的实现方式中，对所述历史地基云图进行畸变校正，包括：

14、确定待校正的所述历史地基云图的像素坐标(x,y)；其中，所述像素坐标(x,y)为理想中心成像坐标(x`,y`)与畸变(δx，δy)之和，表示为：

15、

16、式中，中心成像坐标(x`,y`)用共线方程表示为：

17、

18、式中，(x，y，z)是对应的地面点坐标；(f，x0，y0)为所述地基云图内方位元素；(xs，ys，zs)是摄影中心的物方空间坐标即外方位线元素；(ai,bi,ci)是外方位角元素构成的方向余弦；

19、基于brown模型，根据所述历史地基云图的所述像素坐标，确定对应的像素畸变量(δx,δy)；

20、根据所述像素畸变量(δx,δy)，对所述历史地基云图进行畸变矫正，获得所述第一云图序列。

21、其中一种可能的实现方式中，所述对历史地基云图进行畸变校正之后，所述方法还包括：

22、对校正后的历史地基云图进行重采样，用于将所述历史地基云图的像素大小调整为适合所述光伏发电功率预测模型的尺寸。

23、其中一种可能的实现方式中，所述对历史地基云图进行畸变校正之后，所述方法还包括：

24、对校正后的历史地基云图进行灰度图转换，以将所述历史地基云图中的彩色云图转化为灰度图像。

25、其中一种可能的实现方式中，所述根据所述第一云图序列计算得到表征云层动态信息的光流图像，包括：

26、基于farneback光流法，以所述第一云图序列的每个像素点为中心，利用二项式去逼近所述像素点的灰度值，二项式f(x,y)包含所述第一云图序列的像素坐标(x，y)，所述二项式f(x,y)表示为：

27、f(x,y)＝r1+r2x+r3y+r4x2+r5y2+r6xy

28、式中，r1,r2…r6为权重系数，利用加权最小二乘法求得；

29、通过对f(x,y)的展开，得到每一个云图像素点的灰度值与像素坐标之间的关系式，将像素点的灰度值转换为空间坐标表示，确定x和y方向上的位移矢量，得到所述表征云层动态信息的光流图像。

30、其中一种可能的实现方式中，对所述光流图像进行编码和特征提取，获得空间云图特征，包括：

31、选取t2t-vision transformer模型作为特征提取的网络，将所述光流图像划分为n个图像块；

32、建立t2t模块，进行对所述n个图像块进行图像重构和软分割；

33、对所述光流图像的局部结构信息进行建模，利用滑动窗口进行取值操作，建立图像块与周围的图像块之间的强相关性联系，以聚合周围的图像块的信息，进行局部信息整合；

34、其中，所述图像重构和软分割的迭代公式为：

35、ti'＝mlp(msa(ti))

36、ii＝reshape(ti')

37、ti+1＝ss(ii),i＝1...(n-1)

38、式中，ti为原始图像，ti'为分解后的图像，ti+1为软分割后的图像，msa为具有归一化操作的多头注意力机制函数，mlp为具有归一化的多层感知函数，reshape为重构函数，ii为重构后的图像，ss为软分割函数；

39、基于深窄架构的vision transformer，建立t2t-vision transformer主模块，将所述t2t模块的输出作为所述t2t-vision transformer主模块的输入，进行特征提取；

40、

41、

42、式中，为第i层t2t-vision transformer主模块的输入、输出，为t2t-vision transformer主模块的最终输出，b为transformer层数，ln为归一化层，fc为全连接层，y为提取的光流图特征。

43、其中一种可能的实现方式中，所述光伏发电功率预测模型基于双向长短期记忆神经网络层bilstm建立，所述方法还包括：

44、将所述空间云图特征、所述历史多元负荷数据和对应的历史影响因子数据作为输入特征，并提取所述输入特征的时序特性；

45、根据所述输出特征的时序特性，计算所述光伏发电功率预测模型的向前传播特性和反向传播特性，表示为：

46、

47、

48、

49、

50、式中，nt为输入矢量；为向前传播层的输出值：为向后传播层的输出值；yt为输出层的输出；δ为tanh激活函数；和为权值矩阵；和by为偏置矢量。

51、其中一种可能的实现方式中，对光伏电站的光伏发电功率进行预测，包括：

52、按照第一预设时间间隔，采集待预测的光伏电站的实时气象因子参数；

53、按照第二预设时间间隔，通过鱼眼摄像头获取待预测的光伏电站的天空图像信息；

54、将所述实时气象因子参数和所述天空图像信息输入所述光伏发电功率预测模型，获取光伏电站的光伏发电功率预测值。

55、本技术提供的一种光伏发电功率的预测方法，具有如下有益效果：

56、1、综合考虑多元因素：通过整合历史地基云图、气象因子和地形地貌数据，模型能够全面考虑影响光伏发电功率的多种因素，包括云层遮挡、温度、湿度、风速、海拔和地表类型等。这样的综合考虑有助于提高预测的准确性和鲁棒性。

57、2、精细化预测：利用高分辨率的地基云图和详细的地形地貌数据，可以对光伏发电功率进行更精细化的预测。这不仅包括整体的发电量预测，还可以针对特定区域或单个光伏电站进行精细化分析，为电站运维和管理提供有力支持。

58、3、增强适应性：不同的地形地貌和气象条件对光伏发电的影响各不相同。通过结合这些数据，预测模型可以更好地适应不同的环境和气候条件，从而提高其在各种场景下的应用能力和预测准确性。

59、4优化能源调度：准确的预测数据可以帮助电力系统运营商更好地进行能源调度和规划。结合实时气象和地形数据，可以及时调整光伏电站的运行策略，提高电力系统的稳定性和经济性。