一种日前光伏发电功率预测方法及装置与流程

1.本发明涉及电力系统运行与分析技术领域，具体涉及一种日前光伏发电功率预测方法及装置。


背景技术：

2.由于化石能源不可再生，其能源储配量在逐年减少。如今人们对能源结构改革有了新的认识与挑战，倡导大力发展太阳能、风能等可再生能源。光伏发电由于依赖天气状况，受到当地气象信息影响较大，表现出强烈的随机性和波动性，为电网的稳定运行提出了新的挑战。
3.考虑到日前光伏发电预测问题，越来越多的研究开始挖掘和利用历史发电输出数据进行直接预测。现有的预测方式单纯的依赖于历史功率数据，预测结果准确度较低，并不能解决准确预测的问题。


技术实现要素：

4.为了克服上述缺陷，本发明提出了一种日前光伏发电功率预测方法及装置。
5.第一方面，提供一种日前光伏发电功率预测方法，所述日前光伏发电功率预测方法包括：
6.获取历史时段的光伏发电功率数据和与光伏发电相关因素数据；
7.将所述历史时段的光伏发电功率数据和与光伏发电相关因素数据作为预先构建的预测模型的输入，得到日前光伏发电功率预测数据。
8.优选的，所述与光伏发电相关因素包括下述中的至少一种：日天气类型、日最高温度、日最低温度。
9.优选的，所述预先构建的预测模型的获取过程包括：
10.将历史时段的光伏发电功率数据和历史时段的与光伏发电相关因素数据作为part特征，历史时段下一时段的光伏发电功率数据作为whole特征，构建训练数据；
11.利用所述训练数据，采用反向传播算法，对初始神经网络进行训练，得到所述预先构建的预测模型。
12.进一步的，所述初始神经网络包括：第一求和单元、第二求和单元、第三求和单元、第一transformer结构、第二transformer结构和第三transformer结构、第一感知机、第二感知机和第三感知机；
13.所述第一transformer结构，用于以输入的与光伏发电相关因素数据为注意块的查询，以输入的光伏发电功率数据为注意块的键和值，输出与光伏发电相关因素数据的特征向量；
14.所述第二transformer结构，用于以输入的光伏发电功率数据为注意块的查询，以输入的与光伏发电相关因素数据为注意块的键和值，输出光伏发电功率数据的特征向量；
15.所述第三transformer结构，用于以所述光伏发电功率数据的特征向量为注意块
的查询和值，以所述与光伏发电相关因素数据的特征向量为注意块的键，输出预测数据特征向量；
16.所述第一感知机，用于得到所述与光伏发电相关因素数据的特征向量对应的空间非线性映射向量；
17.所述第二感知机，用于得到光伏发电功率数据的特征向量对应的空间非线性映射向量；
18.所述第三感知机，用于得到预测数据特征向量对应的空间非线性映射向量；
19.所述第一求和单元，用于对所述输入的与光伏发电相关因素数据和所述与光伏发电相关因素数据的特征向量对应的空间非线性映射向量进行求和，得到与光伏发电相关因素数据的预测数据；
20.所述第二求和单元，用于对所述输入的光伏发电功率数据和光伏发电功率数据的特征向量对应的空间非线性映射向量进行求和，得到光伏发电功率数据预测特征数据；
21.所述第三求和单元，用于对所述输入的光伏发电功率数据和预测数据特征向量对应的空间非线性映射向量进行求和，得到光伏发电功率数据预测数据。
22.进一步的，所述与光伏发电相关因素数据的预测数据的计算式如下：
[0023][0024]
所述光伏发电功率数据预测特征数据的计算式如下：
[0025][0026]
所述光伏发电功率数据预测数据的计算式如下：
[0027][0028]
上式中，为与光伏发电相关因素数据的预测数据，pn为所述输入的与光伏发电相关因素数据，为所述与光伏发电相关因素数据的特征向量，为光伏发电功率数据预测特征数据，为光伏发电功率数据预测数据，xn为所述输入的光伏发电功率数据，为所述光伏发电功率数据的特征向量，mlp为感知机函数，attention为注意力机制函数，r为偏移量。
[0029]
进一步的，所述与光伏发电相关因素数据的特征向量的计算式如下：
[0030][0031]
所述光伏发电功率数据的特征向量的计算式如下：
[0032][0033]
上式中，d
p
为所述输入的与光伏发电相关因素数据对应的编码，d
x
为所述输入的光伏发电功率数据对应的编码。
[0034]
进一步的，所述对初始神经网络进行训练的过程中，损失函数的数学模型如下：
[0035][0036]
上式中，w1、w2和w3分别为第一、二、三权重系数，p
n+1
为与光伏发电相关因素真实数据，x
n+1
为光伏发电功率真实数据，mse为均方误差函数。
[0037]
进一步的，所述日前光伏发电功率预测数据为所述第三求和单元输出的光伏发电功率数据预测数据。
[0038]
第二方面，提供一种日前光伏发电功率预测装置，所述日前光伏发电功率预测装置包括：
[0039]
获取模块，用于获取历史时段的光伏发电功率数据和与光伏发电相关因素数据；
[0040]
分析模块，用于将所述历史时段的光伏发电功率数据和与光伏发电相关因素数据作为预先构建的预测模型的输入，得到日前光伏发电功率预测数据。
[0041]
优选的，所述与光伏发电相关因素包括下述中的至少一种：日天气类型、日最高温度、日最低温度。
[0042]
优选的，所述预先构建的预测模型的获取过程包括：
[0043]
将历史时段的光伏发电功率数据和历史时段的与光伏发电相关因素数据作为part特征，历史时段下一时段的光伏发电功率数据作为whole特征，构建训练数据；
[0044]
利用所述训练数据，采用反向传播算法，对初始神经网络进行训练，得到所述预先构建的预测模型。
[0045]
进一步的，所述初始神经网络包括：第一求和单元、第二求和单元、第三求和单元、第一transformer结构、第二transformer结构和第三transformer结构、第一感知机、第二感知机和第三感知机；
[0046]
所述第一transformer结构，用于以输入的与光伏发电相关因素数据为注意块的查询，以输入的光伏发电功率数据为注意块的键和值，输出与光伏发电相关因素数据的特征向量；
[0047]
所述第二transformer结构，用于以输入的光伏发电功率数据为注意块的查询，以输入的与光伏发电相关因素数据为注意块的键和值，输出光伏发电功率数据的特征向量；
[0048]
所述第三transformer结构，用于以所述光伏发电功率数据的特征向量为注意块的查询和值，以所述与光伏发电相关因素数据的特征向量为注意块的键，输出预测数据特征向量；
[0049]
所述第一感知机，用于得到所述与光伏发电相关因素数据的特征向量对应的空间非线性映射向量；
[0050]
所述第二感知机，用于得到光伏发电功率数据的特征向量对应的空间非线性映射向量；
[0051]
所述第三感知机，用于得到预测数据特征向量对应的空间非线性映射向量；
[0052]
所述第一求和单元，用于对所述输入的与光伏发电相关因素数据和所述与光伏发电相关因素数据的特征向量对应的空间非线性映射向量进行求和，得到与光伏发电相关因素数据的预测数据；
[0053]
所述第二求和单元，用于对所述输入的光伏发电功率数据和光伏发电功率数据的特征向量对应的空间非线性映射向量进行求和，得到光伏发电功率数据预测特征数据；
[0054]
所述第三求和单元，用于对所述输入的光伏发电功率数据和预测数据特征向量对应的空间非线性映射向量进行求和，得到光伏发电功率数据预测数据。
[0055]
进一步的，所述与光伏发电相关因素数据的预测数据的计算式如下：
[0056][0057]
所述光伏发电功率数据预测特征数据的计算式如下：
[0058][0059]
所述光伏发电功率数据预测数据的计算式如下：
[0060][0061]
上式中，为与光伏发电相关因素数据的预测数据，pn为所述输入的与光伏发电相关因素数据，为所述与光伏发电相关因素数据的特征向量，为光伏发电功率数据预测特征数据，为光伏发电功率数据预测数据，xn为所述输入的光伏发电功率数据，为所述光伏发电功率数据的特征向量，mlp为感知机函数，attention为注意力机制函数，r为偏移量。
[0062]
进一步的，所述与光伏发电相关因素数据的特征向量的计算式如下：
[0063][0064]
所述光伏发电功率数据的特征向量的计算式如下：
[0065][0066]
上式中，d
p
为所述输入的与光伏发电相关因素数据对应的编码，d
x
为所述输入的光伏发电功率数据对应的编码。
[0067]
进一步的，所述对初始神经网络进行训练的过程中，损失函数的数学模型如下：
[0068][0069]
上式中，w1、w2和w3分别为第一、二、三权重系数，p
n+1
为与光伏发电相关因素真实数据，x
n+1
为光伏发电功率真实数据，mse为均方误差函数。
[0070]
进一步的，所述日前光伏发电功率预测数据为所述第三求和单元输出的光伏发电功率数据预测数据。
[0071]
第三方面，提供一种计算机设备，包括：一个或多个处理器；
[0072]
所述处理器，用于存储一个或多个程序；
[0073]
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的日前光伏发电功率预测方法。
[0074]
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的日前光伏发电功率预测方法。
[0075]
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
[0076]
本发明提供了一种日前光伏发电功率预测方法及装置，包括：获取历史时段的光伏发电功率数据和与光伏发电相关因素数据；将所述历史时段的光伏发电功率数据和与光伏发电相关因素数据作为预先构建的预测模型的输入，得到日前光伏发电功率预测数据。本发明提供的技术方案，通过使用光伏发电中对建筑物单位发电效率有作用的相关因素数据来辅助预测未来的建筑物单位发电，对于具有作用的相关因素数据，提出采用相关因素数据编码作为建筑光伏发电预测模型的输入变量，以降低输入光伏发电历史信息变量中隐
含的天气因素的影响，有效提高含有高日前发电预测的准确性，有助于实现发电单位和城市电网协同优化。进而有效降低环境因素对于光伏发电的影响，提高日前光伏发电功率预测精度，保障电源接入电网的稳定性能。
附图说明
[0077]
图1是本发明实施例的日前光伏发电功率预测方法的主要步骤流程示意图；
[0078]
图2是本发明实施例的初始神经网络的主要结构框图；
[0079]
图3是本发明实施例的日前光伏发电功率预测装置的主要结构框图。
具体实施方式
[0080]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0081]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0082]
实施例1
[0083]
参阅附图1，图1是本发明的一个实施例的日前光伏发电功率预测方法的主要步骤流程示意图。如图1所示，本发明实施例中的日前光伏发电功率预测方法主要包括以下步骤：
[0084]
步骤s101：获取历史时段的光伏发电功率数据和与光伏发电相关因素数据；
[0085]
步骤s102：将所述历史时段的光伏发电功率数据和与光伏发电相关因素数据作为预先构建的预测模型的输入，得到日前光伏发电功率预测数据。
[0086]
其中，所述与光伏发电相关因素包括下述中的至少一种：日天气类型、日最高温度、日最低温度。
[0087]
本实施例中，所述预先构建的预测模型的获取过程包括：
[0088]
将历史时段的光伏发电功率数据和历史时段的与光伏发电相关因素数据作为part特征，历史时段下一时段的光伏发电功率数据作为whole特征，构建训练数据；
[0089]
利用所述训练数据，采用反向传播算法，对初始神经网络进行训练，得到所述预先构建的预测模型。
[0090]
在一个实施方式中，所述初始神经网络，如图2所示，包括：第一求和单元、第二求和单元、第三求和单元、第一transformer结构、第二transformer结构和第三transformer结构、第一感知机、第二感知机和第三感知机；
[0091]
所述第一transformer结构，用于以输入的与光伏发电相关因素数据为注意块的查询，以输入的光伏发电功率数据为注意块的键和值，输出与光伏发电相关因素数据的特征向量；
[0092]
所述第二transformer结构，用于以输入的光伏发电功率数据为注意块的查询，以输入的与光伏发电相关因素数据为注意块的键和值，输出光伏发电功率数据的特征向量；
[0093]
所述第三transformer结构，用于以所述光伏发电功率数据的特征向量为注意块的查询和值，以所述与光伏发电相关因素数据的特征向量为注意块的键，输出预测数据特
征向量；
[0094]
所述第一感知机，用于得到所述与光伏发电相关因素数据的特征向量对应的空间非线性映射向量；
[0095]
所述第二感知机，用于得到光伏发电功率数据的特征向量对应的空间非线性映射向量；
[0096]
所述第三感知机，用于得到预测数据特征向量对应的空间非线性映射向量；
[0097]
所述第一求和单元，用于对所述输入的与光伏发电相关因素数据和所述与光伏发电相关因素数据的特征向量对应的空间非线性映射向量进行求和，得到与光伏发电相关因素数据的预测数据；
[0098]
所述第二求和单元，用于对所述输入的光伏发电功率数据和光伏发电功率数据的特征向量对应的空间非线性映射向量进行求和，得到光伏发电功率数据预测特征数据；
[0099]
所述第三求和单元，用于对所述输入的光伏发电功率数据和预测数据特征向量对应的空间非线性映射向量进行求和，得到光伏发电功率数据预测数据。
[0100]
在一个实施方式中，所述与光伏发电相关因素数据的预测数据的计算式如下：
[0101][0102]
所述光伏发电功率数据预测特征数据的计算式如下：
[0103][0104]
所述光伏发电功率数据预测数据的计算式如下：
[0105][0106]
上式中，为与光伏发电相关因素数据的预测数据，pn为所述输入的与光伏发电相关因素数据，为所述与光伏发电相关因素数据的特征向量，为光伏发电功率数据预测特征数据，为光伏发电功率数据预测数据，xn为所述输入的光伏发电功率数据，为所述光伏发电功率数据的特征向量，mlp为感知机函数，attention为注意力机制函数，r为偏移量。
[0107]
在一个实施方式中，所述与光伏发电相关因素数据的特征向量的计算式如下：
[0108][0109]
所述光伏发电功率数据的特征向量的计算式如下：
[0110][0111]
上式中，d
p
为所述输入的与光伏发电相关因素数据对应的编码，d
x
为所述输入的光伏发电功率数据对应的编码。
[0112]
在一个实施方式中，所述对初始神经网络进行训练的过程中，损失函数的数学模型如下：
[0113][0114]
上式中，w1、w2和w3分别为第一、二、三权重系数，p
n+1
为与光伏发电相关因素真实数据，x
n+1
为光伏发电功率真实数据，mse为均方误差函数。
[0115]
进一步的，所述日前光伏发电功率预测数据为所述第三求和单元输出的光伏发电功率数据预测数据。
[0116]
实施例2
[0117]
基于同一种发明构思，本发明还提供了一种日前光伏发电功率预测装置，如图3所示，所述日前光伏发电功率预测装置包括：
[0118]
获取模块，用于获取历史时段的光伏发电功率数据和与光伏发电相关因素数据；
[0119]
分析模块，用于将所述历史时段的光伏发电功率数据和与光伏发电相关因素数据作为预先构建的预测模型的输入，得到日前光伏发电功率预测数据。
[0120]
优选的，所述与光伏发电相关因素包括下述中的至少一种：日天气类型、日最高温度、日最低温度。
[0121]
优选的，所述预先构建的预测模型的获取过程包括：
[0122]
将历史时段的光伏发电功率数据和历史时段的与光伏发电相关因素数据作为part特征，历史时段下一时段的光伏发电功率数据作为whole特征，构建训练数据；
[0123]
利用所述训练数据，采用反向传播算法，对初始神经网络进行训练，得到所述预先构建的预测模型。
[0124]
进一步的，所述初始神经网络包括：第一求和单元、第二求和单元、第三求和单元、第一transformer结构、第二transformer结构和第三transformer结构、第一感知机、第二感知机和第三感知机；
[0125]
所述第一transformer结构，用于以输入的与光伏发电相关因素数据为注意块的查询，以输入的光伏发电功率数据为注意块的键和值，输出与光伏发电相关因素数据的特征向量；
[0126]
所述第二transformer结构，用于以输入的光伏发电功率数据为注意块的查询，以输入的与光伏发电相关因素数据为注意块的键和值，输出光伏发电功率数据的特征向量；
[0127]
所述第三transformer结构，用于以所述光伏发电功率数据的特征向量为注意块的查询和值，以所述与光伏发电相关因素数据的特征向量为注意块的键，输出预测数据特征向量；
[0128]
所述第一感知机，用于得到所述与光伏发电相关因素数据的特征向量对应的空间非线性映射向量；
[0129]
所述第二感知机，用于得到光伏发电功率数据的特征向量对应的空间非线性映射向量；
[0130]
所述第三感知机，用于得到预测数据特征向量对应的空间非线性映射向量；
[0131]
所述第一求和单元，用于对所述输入的与光伏发电相关因素数据和所述与光伏发电相关因素数据的特征向量对应的空间非线性映射向量进行求和，得到与光伏发电相关因素数据的预测数据；
[0132]
所述第二求和单元，用于对所述输入的光伏发电功率数据和光伏发电功率数据的特征向量对应的空间非线性映射向量进行求和，得到光伏发电功率数据预测特征数据；
[0133]
所述第三求和单元，用于对所述输入的光伏发电功率数据和预测数据特征向量对应的空间非线性映射向量进行求和，得到光伏发电功率数据预测数据。
[0134]
进一步的，所述与光伏发电相关因素数据的预测数据的计算式如下：
[0135][0136]
所述光伏发电功率数据预测特征数据的计算式如下：
[0137][0138]
所述光伏发电功率数据预测数据的计算式如下：
[0139][0140]
上式中，为与光伏发电相关因素数据的预测数据，pn为所述输入的与光伏发电相关因素数据，为所述与光伏发电相关因素数据的特征向量，为光伏发电功率数据预测特征数据，为光伏发电功率数据预测数据，xn为所述输入的光伏发电功率数据，为所述光伏发电功率数据的特征向量，mlp为感知机函数，attention为注意力机制函数，r为偏移量。
[0141]
进一步的，所述与光伏发电相关因素数据的特征向量的计算式如下：
[0142][0143]
所述光伏发电功率数据的特征向量的计算式如下：
[0144][0145]
上式中，d
p
为所述输入的与光伏发电相关因素数据对应的编码，d
x
为所述输入的光伏发电功率数据对应的编码。
[0146]
进一步的，所述对初始神经网络进行训练的过程中，损失函数的数学模型如下：
[0147][0148]
上式中，w1、w2和w3分别为第一、二、三权重系数，p
n+1
为与光伏发电相关因素真实数据，x
n+1
为光伏发电功率真实数据，mse为均方误差函数。
[0149]
进一步的，所述日前光伏发电功率预测数据为所述第三求和单元输出的光伏发电功率数据预测数据。
[0150]
实施例3
[0151]
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specificintegrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种日前光伏发电功率预测方法的步骤。
[0152]
实施例4
[0153]
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。
可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种日前光伏发电功率预测方法的步骤。
[0154]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0155]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0156]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0157]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0158]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。