一种可再生能源的短期功率预测方法及系统与流程

本发明涉及可再生能源管理，尤其涉及一种可再生能源的短期功率预测方法及系统。

背景技术：

1、随着全球能源危机的加剧和环境问题的日益突出,可再生能源的开发和利用受到越来越多的关注。与传统的化石能源相比,可再生能源具有清洁、环保、可持续等优点,已成为能源领域的重要发展方向。然而,可再生能源的间歇性和波动性特点,给电力系统的运行和管理带来了巨大挑战。为了保证电网的稳定性和可靠性,准确预测可再生能源的短期功率输出变化趋势至关重要。

2、传统的可再生能源功率预测方法主要包括统计学方法和物理学方法两大类。统计学方法,如自回归移动平均模型(arma)、支持向量机(svm)等,通过分析历史功率数据的统计特性,建立数学模型进行预测。物理学方法,如数值天气预报(nwp)模型、流体动力学模型等,根据可再生能源发电过程的物理机理,结合气象条件和地理环境等因素,模拟发电过程,得到功率预测结果。

3、然而,传统方法在应对可再生能源功率预测问题时,存在一定的局限性。统计学方法难以有效捕捉可再生能源发电过程中的非线性和非平稳特点,预测精度受限;物理学方法虽然能够描述发电过程的物理机理,但是建模复杂,计算成本高,且难以适应实际场景中的多变因素。

4、因此,亟需进一步探索和改进基于深度学习的可再生能源短期功率预测方法,充分挖掘深度学习在该领域的应用潜力,提高预测的精度和可靠性,为可再生能源的高效利用和电力系统的稳定运行提供有力支撑。

技术实现思路

1、本发明实施例提供一种可再生能源的短期功率预测方法及系统，至少能解决现有技术中存在的部分问题。

2、本发明实施例的第一方面，提供一种可再生能源的短期功率预测方法，包括：

3、获取可再生能源电站的历史功率数据、气象数据和地理位置信息，对所述历史功率数据进行预处理，得到预处理后的功率数据，构建多尺度特征融合模块将所述预处理后的功率数据、气象数据和地理位置信息按照不同的时间尺度进行特征提取和融合，生成融合特征向量；

4、将所述融合特征向量输入到预先构建的混合神经网络模型中，所述混合神经网络模型由第一模块、第二模块和第三模块组成，其中，所述第一模块用于提取局部特征，所述第二模块用于建模时序依赖关系，所述第三模块用于确定局部相关性得到关键特征，通过所述混合神经网络模型，结合当前时刻的气象数据和地理位置信息，预测未来24小时内目标可再生能源电站的逐时功率输出，得到初始功率预测结果；

5、引入物理约束条件，结合多目标优化算法对所述初始功率预测结果进行优化，得到第二功率预测结果，将所述第二功率预测结果输出至功率调度系统，并与实际功率输出进行比对，计算预测误差，若所述预测误差小于预设的误差阈值，则将所述第二功率预测结果作为短期功率预测结果并输出。

6、在一种可选的实施方式中，

7、获取可再生能源电站的历史功率数据、气象数据和地理位置信息，对所述历史功率数据进行预处理，得到预处理后的功率数据，构建多尺度特征融合模块将所述预处理后的功率数据、气象数据和地理位置信息按照不同的时间尺度进行特征提取和融合，生成融合特征向量包括：

8、获取可再生能源电站的历史功率数据、气象数据和地理位置信息，对所述历史功率数据进行预处理，得到预处理后的功率数据，对预处理后的功率数据、气象数据和地理位置信息按照不同的时间尺度进行特征提取，得到不同时间尺度上的特征集合；

9、对每个时间尺度上的特征集合，计算所述特征集合中每个特征与未来24小时功率的皮尔逊相关系数，基于所述皮尔逊相关系数的绝对值大小对特征进行降序排序，在每个时间尺度上，选择皮尔逊相关系数最大的前5个特征，得到候选特征子集；

10、对于每个时间尺度上的所述候选特征子集以及其中的候选特征，分别计基尼指数并将每个特征对应的基尼指数降低量作为当前特征的重要性得分，通过softmax函数将每个时间尺度上特征子集中特征的重要性得分映射为特征权重，实现自适应调整；

11、将调整后的候选特征子集作为该时间尺度上的最终特征，输入到多尺度特征融合模块中，采用加权平均的方式对不同时间尺度上的特征进行融合，生成融合特征向量，其中，使用所述特征权重作为加权平均操作的权重。

12、在一种可选的实施方式中，

13、所述基尼指数降低量如下公式所示：

14、；

15、其中， △giniim表示基尼指数降低量， gini(d)表示数据集 d的基尼指数， m表示子集的数量，| dn|表示第 n个子集 dn的样本数量，| d|表示子集 d的样本数量， gini( dn)子集 dn的基尼指数， α表示加权参数。

16、在一种可选的实施方式中，

17、将所述融合特征向量输入到预先构建的混合神经网络模型中，所述混合神经网络模型由第一模块、第二模块和第三模块组成，其中，所述第一模块用于提取局部特征，所述第二模块用于建模时序依赖关系，所述第三模块用于确定局部相关性得到关键特征，通过所述混合神经网络模型，结合当前时刻的气象数据和地理位置信息，预测未来24小时内目标可再生能源电站的逐时功率输出，得到初始功率预测结果包括：

18、将所述融合特征向量输入预先构建的混合神经网络模型的第一模块中，所述第一模块设置因果卷积核，基于所述因果卷积核对应的因果权重矩阵对所述融合特征向量进行因果卷积，在所述融合特征向量的子时间序列上滑动所述因果卷积核，得到提取的局部特征；

19、将所述局部特征输入到所述第二模块，所述第二模块通过门控循环单元对所述局部特征进行处理，通过简化的门控结构，建模所述局部特征的时序依赖关系，得到时序依赖特征；

20、将所述时序依赖特征输入到所述第三模块，所述第三模块采用局部注意力机制对所述时序依赖特征进行加权处理，通过在局部范围内计算注意力权重，捕捉所述时序依赖特征之间的局部相关性，得到关键特征；

21、将所述关键特征输入到功率预测模块，所述功率预测模块采用深度残差网络作为预测模块的主体结构，通过设置多个卷积层和快捷连接引入残差连接，构建深层次非线性映射，使用历史气象数据和地理位置信息对所述深度残差网络进行训练，调整所述深度残差网络中的超参数，结合当前时刻的气象数据和地理位置信息，使用训练好的功率预测模块预测未来24小时内目标可再生能源电站的逐时功率输出，得到初始功率预测结果；

22、在训练所述混合神经网络模型时，基于每个样本在不同时间步的预测函数与真实值的差异构建损失函数，同时自适应学习率优化算法对模型参数进行优化。

23、在一种可选的实施方式中，

24、基于每个样本在不同时间步的预测函数与真实值的差异构建损失函数如下公式所示：

25、；

26、其中， l(θ)表示损失函数值， n表示样本数量， t表示时间步总数， β表示衰减速度因子， h表示预测值的取值范围， fi,j (h)表示第 i个样本在时间步 j的预测分布函数， yi,j表示第 i个样本在时间步 j的真实值， i()表示判断指示函数。

27、在一种可选的实施方式中，

28、引入物理约束条件，结合多目标优化算法对所述初始功率预测结果进行优化，得到第二功率预测结果，将所述第二功率预测结果输出至功率调度系统，并与实际功率输出进行比对，计算预测误差，若所述预测误差小于预设的误差阈值，则将所述第二功率预测结果作为短期功率预测结果并输出包括：

29、基于所述初始功率预测结果，设置对应的物理约束条件，所述物理约束条件包括可再生能源电站的装机容量、电站类型和物理输出限制，以最大化预测置信度值和最大化可再生能源利用率为目标，构建目标函数，基于所述目标函数的函数值，结合多目标优算法生成初始鱼群，其中，所述初始鱼群中的每个个体代表所述目标函数的一个解，为所述初始鱼群中的每个个体设置位置，速度以及感知范围；

30、对于所述初始鱼群中的每个个体，在当前个体的感知范围内随机选择一个位置并计算这一位置与当前位置的适应度值，若新位置的适应度值更大则向所述新位置移动，若当前位置的适应度值更大，则重新随机选择位置直至找到具有更大适应度值的位置或达到预设的最大尝试次数，得到当前个体对应的第一位置；

31、基于所述第一位置，对于所述初始鱼群中的每个个体，计算当前个体感知范围内所有鱼的中心位置并计算所述第一位置与所述中心位置的适应度值，若所述中心位置适应度值较大，则当前个体向所述中心位置移动，否则，分别计算当前个体感知范围内所有鱼的位置对应的适应度值并向具有最高适应度值的位置移动，重复更新直至达到预设的最大迭代次数，得到更新种群；

32、对于所述更新种群中的每个个体，确定是否存在支配关系，若存在个体不被其他个体支配，则将当前个体作为所述第二功率预测结果进行输出；

33、将所述第二功率预测结果输出至功率调度系统，并与实际功率输出进行比对，计算预测误差，若所述预测误差小于预设的误差阈值，则将所述第二功率预测结果作为短期功率预测结果并输出，否则，重新进行功率预测。

34、在一种可选的实施方式中，

35、当前个体向所述中心位置移动如下公式所示：

36、；

37、其中，表示第 r条鱼移动后的新位置向量， xr表示第 r条鱼的当前位置向量， rand ()表示 0到 1之间的随机数， xc表示第 r条鱼感知范围内其他与的中心位置向量， ε表示平滑项， iter表示迭代次数， maxiter表示最大迭代次数， β表示移动步长随迭代次数的变化速率。

38、本发明实施例的第二方面，提供一种可再生能源的短期功率预测系统，包括：

39、第一单元，用于获取可再生能源电站的历史功率数据、气象数据和地理位置信息，对所述历史功率数据进行预处理，得到预处理后的功率数据，构建多尺度特征融合模块将所述预处理后的功率数据、气象数据和地理位置信息按照不同的时间尺度进行特征提取和融合，生成融合特征向量；

40、第二单元，用于将所述融合特征向量输入到预先构建的混合神经网络模型中，所述混合神经网络模型由第一模块、第二模块和第三模块组成，其中，所述第一模块用于提取局部特征，所述第二模块用于建模时序依赖关系，所述第三模块用于确定局部相关性得到关键特征，通过所述混合神经网络模型，结合当前时刻的气象数据和地理位置信息，预测未来24小时内目标可再生能源电站的逐时功率输出，得到初始功率预测结果；

41、第三单元，用于引入物理约束条件，结合多目标优化算法对所述初始功率预测结果进行优化，得到第二功率预测结果，将所述第二功率预测结果输出至功率调度系统，并与实际功率输出进行比对，计算预测误差，若所述预测误差小于预设的误差阈值，则将所述第二功率预测结果作为短期功率预测结果并输出。

42、本发明实施例的第三方面，

43、提供一种电子设备，包括：

44、处理器；

45、用于存储处理器可执行指令的存储器；

46、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

47、本发明实施例的第四方面，

48、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

49、本发明中，利用多尺度特征融合模块，将预处理后的功率数据、气象数据和地理位置信息按照不同的时间尺度进行特征提取和融合，生成融合特征向量可以充分利用多源数据的信息，提高预测模型的表达能力和准确性，通过引入物理约束条件，确保预测结果符合实际的物理限制，混合神经网络模型能够充分挖掘数据之间的关联性和时序特征，从而提高预测的准确性和稳定性，多目标优化算法在保证可行性的前提下，进一步提高预测的准确性和可靠性，综上，本发明通过综合多种技术手段，实现了对可再生能源电站未来功率输出的精准预测。