一种联合优化预测光伏功率的方法、系统、设备及介质与流程

本发明涉及光伏发电预测，具体地说，涉及一种联合优化预测光伏功率的方法、系统、设备及介质。

背景技术：

1、新能源作为当下清洁能源的主要组成部分，具有重要地。作为新能源中公认的未来最具发展前途的可再生能源之一，光伏发电在当下社会经济的快速发展、能源短缺和化石能源带来的污染问题日益严峻的背景下，呈现出快速增长的趋势。准确的光伏功率预测，有助于市场运营商优化市场调度策略与市场交易策略，确保电力市场供需平衡并最大化能源资源的利用。其次，光伏功率预测对电力市场的运营和市场交易起到关键的支持作用。市场运营商可以根据预测结果制定合理的市场调度策略，确保市场交易的公平和高效。同时，准确的预测结果还能够帮助能源调度和供需平衡，让系统运营商更好地调整其他发电源的运行策略。总的来说，光伏功率预测在电力市场中的应用对于提高电力系统的运行效率、促进可再生能源的集成和利用、减少能源浪费、优化能源供应结构具有重要的指导作用，对于推动可持续能源发展和电力市场的发展具有积极的影响。

2、太阳能相对于人类来说是最直接的、最便捷的清洁能源，光伏发电则是目前太阳能利用的一种最主要形式。然而光伏却是一种不可控和间歇性的能源，它的产能受到日出日落、太阳辐射强度、云量以及温度等因素的影响。这导致光伏发电的输出功率在时间上存在波动性和不确定性。从20世纪80年代开始，由于世界能源消耗加速，德国、西班牙、美国和日本等国率先进入了太阳能光伏发电领域。为了保障光伏电力系统运行的稳定和可靠，进行光伏功率预测就变得尤为重要。

3、现阶段光伏功率预测方法主要分为传统方法、现代方法以及深度学习方法。

4、传统方法主要包括以差分自回归移动平均模型arima为代表的时间序列，这类模型是基于时间序列数据的自相关和移动平均性质，通过对序列进行差分、拟合自回归模型和移动平均模型来进行预测、灰色理论如一种基于少量数据进行预测的方法，通过建立数学模型来揭示数据的内在规律，对缺乏充分数据的光伏发电系统进行预测、多元线性回归如一种利用多个自变量与因变量之间的线性关系来进行预测的方法；在光伏功率预测中，可以考虑多个影响光伏功率的因素，如太阳辐射、温度、云量等等方法。这些方法原理相对较为简单。

5、现代方法主要包括支持向量机如：一种常用的监督学习方法，基于统计学习理论中的结构风险最小化原则，通过构建一个最优的超平面来进行分类或回归预测，所提的多核支持向量机能够区分处理多源数据，极大地提高了预测精度。并且实现了在气象数据无法获取、只有辐照度与光伏功率数据的情况下的高精度光伏功率预测、人工神经网络如一种模拟生物神经系统工作原理的计算模型，由多个神经元组成，每个神经元与上一层的神经元相连，通过调整连接权重来学习输入与输出之间的简单非线性关系。在光伏功率预测中，可以将光伏功率视为神经网络的输出，而太阳辐射、温度、云量等因素作为神经网络的输入。通过训练神经网络，调整连接权重，使其能够准确地预测光伏功率和随机森林如一种集成学习方法，通过构建多个决策树来进行光伏功率预测等方法。这些方法都具备简单处理非线性数据的能力。

6、深度学习作为当下迅速发展的人工智能技术之一，具有强大的数据表征和处理复杂非线性数据的能力。近年来，基于深度学习技术的方法已经成为时序预测相关任务中的研究热点。长短期记忆网络是一种循环神经网络的变种，通过引入特殊的记忆单元和门控机制，解决了传统循环神经网络在长序列建模中面临的梯度消失和梯度爆炸问题。长短期记忆网络的核心思想是在记忆单元中引入一个内部记忆状态，通过门控单元精确地控制信息的流动。它由输入门、遗忘门和输出门组成，通过学习动态调整这些门的开启程度，从而实现对序列信息的长期依赖建模。因为其具有提取时序依赖特征的能力。申请号为“202210524395.x”，专利名称为“一种基于lstm的光伏功率预测方法”的中国发明专利中的长短期记忆网络融合了最优模型选择和注意力机制来提取时序依赖特征，以提光伏发电功率预测的准确性。这类基于循环神经网络的方法被广泛应用于光伏功率预测中。图卷积网络是一种在图数据上进行深度学习的关键方法。图卷积网络通过在图上定义卷积操作，将图中的节点和边的特征进行有效的信息传播和聚合。它利用节点的邻居信息来更新节点的表示，通过多层卷积操作逐渐融合更广泛的上下文信息。申请号为“202110545525.3”，名称为“基于多维气象预报因子图卷积的光伏发电功率预测方法”的中国发明专利从天气类型样本中提取气象预报因子和光伏发电功率因子，基于标准互信息指标分析因子相关性，构建多维气象预报因子图，然后使用图卷积网络来实现提取图中的特征信息。多头自注意力机制是一种在自然语言处理和机器学习领域被广泛应用的关键技术。它通过并行计算多个注意力头，有效地捕捉输入序列中不同位置的相关性信息。每个注意力头通过学习不同的权重分配方式，独立地计算输入序列中每个位置的重要性，从而实现多个注意力视角的融合。这种机制不仅能够解决长序列建模问题，还能够捕捉全局依赖关系，提升模型的表达能力和性能。文献“基于tcn-attention神经网络的短期负荷预测”结合了tcn和注意力机制，融合卷积网络对时序特征的局部信息提取能力和注意力机制的全局信息提取能力使模型获得强大的泛化能力。申请号为“202210974715.1”名称为“基于纯注意力机制的多模态光伏发电输出功率预测方法”的中国发明专利，基于纯注意力机制的多模态光伏发电输出功率预测方法，有效结合云图数据与气象数据，提高了光伏功率预测能力。申请号为“202110161723.x”，名称为“基于transformer模型的光伏功率预测方法”的中国发明专利，基于transformer模型学习多维光伏时间序列中的纵向关系和横向长距离依赖关系，对序列内部的复杂规律建模，获得更加精准的序列预测结果。

7、传统方法对初始序列数据的要求较高，需要满足一定的数据条件和数据前提，如自变量之间应具有线性独立性、误差项应满足正态分布等，否则可能导致预测结果不准确；在处理非线性数据时表现欠佳，它们都假设光伏功率与自变量之间存在线性关系，但实际情况下光伏功率受多个因素的复杂影响，其关系可能是非线性的。

8、现代方法对超参数敏感，存在多个参数需要进行调优，不同的参数组合可能导致不同的预测结果，参数选择对预测性能的影响较大；有些模型结构较复杂，参数较多，需要进行合适的网络结构设计，模型的训练和优化过程相对复杂，缺乏对时序特征的提取能力，也难以处理复杂维度的数据。

9、深度学习相较于传统方法和现代方法有了很大提升，能在一定程度上克服不能解决非线性数据、要求数据满足一定要求等问题，并且每个深度网络都能在某个层面上对时间序列数据进行特征提取，比如长短期记忆网络能学习数据的长期依赖特征、多头注意力能聚合数据中有用的特征信息。但是即使是功能如此强大的深度学习网络也存在一定的问题，比如图卷积网络中需要构建图结构来表示时间序列数据中的相关性，但如何准确地建立相关性图是一个挑战，需要根据具体问题进行合适的图构建方式、对于数据的质量要求较高，对于缺失数据和异常数据比较敏感。如果输入的时间序列数据存在缺失值或者异常值，可能会影响模型的训练和预测结果。在光伏功率预测问题上，少有联合不同深度网络模型的方法，这样就不能充分发挥出不同网络的优势，例如文献“zhao h,wang y,duan j,etal.multivariate time-series anomaly detection via graph attention network[c]//2020ieee international conference on data mining(icdm).ieee,2020:841-850.”提出了一种应用了联合优化策略的mtad-gat模型，该模型使用循环神经网络和注意力机制分别提取序列数据的时序依赖特征和全局特征，并使用图神经网络学习维度间的复杂关系。这一策略已经在时间序列异常检测任务上获得了较好的性能表现。

技术实现思路

1、本发明针对现有的分布式光伏发电功率预测准确率低的问题，提出一种联合优化预测光伏功率的方法、系统、设备及介质，该方法首先预处理获取的光伏数据，然后将预处理后的所述光伏数据转换为拓扑图邻接矩阵得到第一预测值；调用长短期记忆网络线性变换映射光伏数据特征得到第二预测值；最后根据设定的联合优化权重联合优化第一预测值和第二预测值，得到最终的光伏功率预测值；通过充分挖掘光伏数据中的特征信息，有效地提高了光伏功率预测的准确率。

2、本发明具体实现内容如下：

3、一种联合优化预测光伏功率的方法，首先预处理获取的光伏数据，其次将预处理后的所述光伏数据转换为拓扑图邻接矩阵，并调用图卷积网络和多层感知机处理所述拓扑图邻接矩阵，得到第一预测值；然后调用长短期记忆网络提取预处理后的所述光伏数据，得到光伏数据特征，线性变换映射所述光伏数据特征得到第二预测值；最后根据所述第一预测值、所述第二预测值和设定的联合优化权重，联合优化得到最终的光伏功率预测值。

4、为了更好地实现本发明，进一步地，所述联合优化预测光伏功率的方法具体包括以下步骤：

5、步骤s1：预处理获取的光伏数据；预处理包括归一化处理和滑动窗口处理；

6、步骤s2：将预处理后的所述光伏数据转换为拓扑图邻接矩阵，调用图卷积网络交互聚合相邻节点特征，调用多层感知机回归分析交互聚合后的所述拓扑图邻接矩阵，得到第一预测值；

7、步骤s3：调用长短期记忆网络提取预处理后的所述光伏数据，得到长期依赖特征，线性变换映射所述长期依赖特征，得到第二预测值；

8、步骤s4：根据所述第一预测值、所述第二预测值和设定的联合优化权重，联合优化得到最终的光伏功率预测值。

9、为了更好地实现本发明，进一步地，所述步骤s2具体包括以下步骤：

10、步骤s21：将预处理后的所述光伏数据转换为拓扑图邻接矩阵；

11、步骤s22：引入注意力头，提取并学习预处理后的所述光伏数据；

12、步骤s23：调用图卷积网络，卷积处理所述拓扑图邻接矩阵和提取并学习后的所述光伏数据，交互聚合拓扑图节点特征，得到光伏特征；

13、步骤s24：调用多层感知机，根据所述多层感知机的非线性激活函数和隐藏层，回归分析交互聚合后的所述光伏特征，得到第一预测值。

14、为了更好地实现本发明，进一步地，所述步骤s21具体包括以下步骤：

15、步骤s21：将预处理后的所述光伏数据以多元时间序列形式存储，将多元时间序列形式存储的光伏数据的特征维度作为拓扑图节点；

16、步骤s22：根据获取的维度时刻特征，将光伏数据转换为拓扑图邻接矩阵。

17、为了更好地实现本发明，进一步地，所述步骤s3具体包括以下步骤：

18、步骤s31：调用长短期记忆网络提取预处理后的所述光伏数据，提取长期依赖特征；

19、步骤s32：线性变换并映射所述长期依赖特征，得到第二预测值。

20、为了更好地实现本发明，进一步地，所述步骤s1具体包括以下步骤：

21、步骤s11：采集光伏数据，根据所述光伏数据的均值和所述光伏数据的标准差，归一化处理所述光伏数据，得到归一化处理后的所述光伏数据；

22、步骤s12：根据设定的时间周期和窗口大小设置滑动窗口，根据所述滑动窗口处理归一化处理后的所述光伏数据，得到预处理后的光伏数据。

23、基于上述提出的联合优化预测光伏功率的方法，为了更好地实现本发明，进一步地，提出一种联合优化预测光伏功率的系统，包括预处理单元、第一优化单元、第二优化单元、联合优化单元；

24、所述预处理单元，用于预处理获取的光伏数据；

25、所述第一优化单元，用于将预处理后的所述光伏数据转换为拓扑图邻接矩阵，并调用图卷积网络和多层感知机处理所述拓扑图邻接矩阵，得到第一预测值；

26、所述第二优化单元，用于调用长短期记忆网络提取预处理后的所述光伏数据，得到光伏数据特征，线性变换映射所述光伏数据特征得到第二预测值；

27、所述联合优化单元，用于根据所述第一预测值、所述第二预测值和设定的联合优化权重，联合优化得到最终的光伏功率预测值。

28、基于上述提出的联合优化预测光伏功率的方法，为了更好地实现本发明，进一步地，提出一种电子设备，包括存储器和处理器；所述存储器上存储有计算机程序；当所述计算机程序在上述处理器上执行时，实现上述的联合优化预测光伏功率的方法。

29、基于上述提出的联合优化预测光伏功率的方法，为了更好地实现本发明，进一步地，提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机指令；当所述计算机指令在上述的电子设备上执行时，实现上述的联合优化预测光伏功率的方法。

30、本发明具有以下有益效果：

31、本发明通过将光伏数据映射为拓扑图，并根据拓扑图使用图卷积网络来传播和聚合特征信息，更全面地利用时间序列数据中的信息，提高了建模的准确性和泛化能力；并通过多层长短期记忆网络增强非线性能力，捕捉更长期的依赖关系，适应了更复杂和抽象的时间序列数据，提高了光伏功率的预测精度。