一种风光一体化功率预测方法及系统与流程

本发明涉及新能源电力预测，特别是一种风光一体化功率预测方法及系统。

背景技术：

1、随着可再生能源的迅速发展，风力发电和光伏发电在电力系统中的比例逐年增加。然而，由于风速、光照等自然因素的随机性和不确定性，风电和光伏功率的预测准确性成为电力系统稳定运行的一大挑战。因此，急需一种能够综合多种影响因素的数据处理方法，以提高风光功率预测的精度。

2、随着大型新能源基地的建设推进，同一地区的光伏电站和风电场在空间和时间上的关联性日益增强，特高压外送通道的安全稳定运行对集群化新能源电站的短期功率预测提出了更高的要求。大规模风光电力的接入可能会威胁电力系统的安全稳定运行，区域总出力对电力系统制定调度计划和安排旋转备用容量至关重要。

3、目前，风光场站功率预测的研究主要集中在场站级别，预测方法包括物理方法、统计方法和人工智能方法。物理方法依赖大量传感器获取物理参数，鲁棒性较差；统计方法通过回归分析等映射发电量与历史数据的关系，但处理非线性数据效果不理想。相比之下，人工智能技术具有处理复杂非线性问题的能力和更强的容错性。因此，急需一种风光一体化功率预测方法及系统。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。

3、因此，本发明提供了一种风光一体化功率预测方法及系统，能够解决背景技术中提到的问题。

4、为解决上述技术问题，本发明提供如下技术方案：

5、第一方面，本发明提供了一种风光一体化功率预测方法，其包括，采集风光天气数据并进行数据预处理，获得风光功率预测样本集，根据所述风光功率预测样本集构建高维时空特征向量，并对所述高维时空特征向量进行特征降维，生成风光属性特征集合；

6、采用ai大模型对所述风光功率预测样本集进行分析，并通过文本编码器对生成的数据分析进行编码，生成风光属性解析特征集合；

7、采用决策树模型评估每个属性对任务的重要性，并生成属性重要性矩阵，结合注意力矩阵对风光属性解析特征集合进行处理，获得关键特征；

8、将所述关键特征与风光属性解析特征集合进行门控融合，经过输出层获得短期预测输出功率，并使用加权综合误差评价指标对模型性能进行评价。

9、作为本发明所述风光一体化功率预测方法的一种优选方案，其中：所述风光天气数据包括天气数据、光伏输出功率数据、风电输出功率数据；

10、所述天气数据包括不同高度的风速、10分钟平均风速、环境温度、湿度、水平辐照度、地表粗糙度、空气密度以及空气压力；

11、所述光伏输出功率数据包括光伏系统装机容量、光伏发电设备的输出功率、日照强度、日照持续时间以及光伏面板温度；

12、所述风电输出功率数据包括风电系统装机容量、不同结构的风电功率数据、风速、风向以及风电机组的转速。

13、作为本发明所述风光一体化功率预测方法的一种优选方案，其中：所述数据预处理包括数据标准化、处理异常数据和缺失值补全；

14、所述数据标准化包括去均值和缩放至单位方差；

15、所述去均值包括对每个数据特征减去其均值，使每个特征的均值为零；

16、所述缩放至单位方差包括将每个特征除以其标准差；

17、所述处理异常数据包括异常值识别和异常值校正；

18、所述异常值识别包括使用均值和标准差方法识别异常值并设定阈值，将超出阈值范围的数据点视为异常值；

19、所述异常值校正包括使用插值法或基于相邻数据点的平均值替换异常值；

20、所述缺失值补全包括识别缺失值、选择插值方法、插值计算以及数据填补；

21、所述识别缺失值用于识别数据集中缺失值的位置，并统计缺失值的数量和分布情况；

22、所述选择插值方法包括选择三次线性插值法进行数据补齐，通过拟合已知数据点的三次多项式确定缺失数据点；

23、所述插值计算包括对于每一个缺失值，根据其前后已知数据点计算插值结果；

24、所述数据填补用于将计算得到的插值结果填入相应的缺失位置。

25、作为本发明所述风光一体化功率预测方法的一种优选方案，其中：所述构建高维特征包括，

26、使用经验模态分解emd方法，将风光功率预测样本集的数据样本进行分解，生成高维时空特征，计算公式如下：

27、high·dimensionalfeature＝emd(integgrated data)

28、其中，integrated data为风光功率预测样本集的数据样本，high·dimensionalfeature为高维时空特征；

29、对整合后的数据进行经验模态分解，生成多个本征模态函数imf，选择具有代表性的imf，构建高维时空特征向量；

30、使用主成分分析pca方法，对高维时空特征进行线性相关性分析，提取主要成分，减少数据维度，保留主要信息，计算公式如下：

31、featureset＝pca(high·dimensional feature)

32、其中，featureset为风光功率预测样本集；

33、将高维特征向量矩阵标准化处理，计算协方差矩阵，并求解特征值和特征向量；

34、从所述特征向量中选择主要特征向量，形成降维后的特征子集，构建最终的特征集合。

35、作为本发明所述风光一体化功率预测方法的一种优选方案，其中：所述通过文本编码器对生成的数据分析进行编码包括采用文本编码器bert对生成的数据分析描述进行编码，将文本转换为数值特征，提取编码后的特征，形成风光属性解析特征集合。

36、作为本发明所述风光一体化功率预测方法的一种优选方案，其中：所述获得关键特征的步骤包括，

37、将风光属性特征集合输入至lightgbm模型中，lightgbm模型输出每个特征的gain重要性，并生成属性重要性矩阵m，其中每个元素表示相应特征的重要性值，计算公式如下：

38、m＝lightgbm(featureset)

39、其中，m为属性重要性矩阵；

40、将构建的风光属性特征集合输入至多层注意力机制模型，并采用注意力机制捕捉不同时空特征之间的联系；

41、在注意力矩阵计算过程中，进行多层注意力机制的特征提取，采用属性重要性矩阵放大有效特征的提取，得到高级特征f2，提取步骤包括，

42、对于每个特征，计算查询向量q、键向量k和值向量v；

43、查询向量q通过权重矩阵wq与特征集合相乘得到，键向量k通过权重矩阵wk与特征集合相乘得到，值向量v通过权重矩阵wv与特征集合相乘得到，计算公式如下：

44、q＝wqfeatureset

45、k＝wkfeatureset

46、v＝wvfeatureset

47、其中，wq、wk、wv为用于对featureset进行线性变换的学习权重；

48、计算查询向量q和键向量k的点积，并除以向量维度的平方根以进行归一化，并将属性重要性矩阵m应用于点积结果，计算公式如下：

49、

50、其中，dk为键向量的维度，attention score为经过放大重要特征的注意力分数矩阵；

51、计算单层注意力输出包括对加权注意力得分进行softmax操作，得到注意力权重，使用注意力权重与值向量v相乘，得到注意力输出，计算公式如下：

52、attention output＝softmax(attention score)*v

53、其中，attention output为经过单层改进注意力输出，softmax为归一化函数；

54、将单层注意力机制处理操作进行多层堆叠，并提取和聚合特征信息，得到最终的高级特征f2，计算公式如下：

55、f2＝attention layers(attention output)

56、其中，f2为最终的高级特征。

57、作为本发明所述风光一体化功率预测方法的一种优选方案，其中：所述经过输出层获得短期预测输出功率包括，

58、将风光属性解析特征f1与高级特征f2进行门控融合，并输入至输出层，得到新能源电站的短期预测输出功率，具体步骤包括，

59、使用sigmoid函数计算f1和f2的融合权重α，并用权重α对f1和f2进行加权融合，生成融合特征z，计算公式如下：

60、α＝sigmoid(w1*f1+w2*f2)

61、z＝f2+α*f1

62、其中，w1、w2为可学习的权重参数，f1为风光属性解析特征，f2为多层改进注意力机制得到的高级特征，α为关系系数矩阵；

63、将融合特征z输入到输出层，通过线性变换和偏置项计算最终得出新能源电站的短期预测输出功率，计算公式如下：

64、output＝wz*z+bz

65、其中，output为短期预测输出功率，wz、bz为可学习的配置参数；

66、采用加权综合误差评价指标衡量模型的性能，计算加权综合误差评价指标，计算公式如下：

67、

68、其中，α、β、γ为用于平衡不同误差指标在综合误差指标中的重要性权重。

69、第二方面，本发明提供了一种风光一体化功率预测系统，其包括：数据采集预处理模块、高维特征向量处理模块、大模型分析模块以及预测评估模块；

70、所述数据采集预处理模块用于采集风光天气数据并进行数据预处理，获得风光功率预测样本集，根据所述风光功率预测样本集构建高维时空特征向量，并对所述高维时空特征向量进行特征降维，生成风光属性特征集合；

71、所述高维特征向量处理模块用于采用ai大模型对所述风光功率预测样本集进行分析，并通过文本编码器对生成的数据分析进行编码，生成风光属性解析特征集合；

72、所述大模型分析模块用于采用决策树模型评估每个属性对任务的重要性，并生成属性重要性矩阵，结合注意力矩阵对风光属性解析特征集合进行处理，获得关键特征；

73、所述预测评估模块用于将所述关键特征与风光属性解析特征集合进行门控融合，经过输出层获得短期预测输出功率，并使用加权综合误差评价指标对模型性能进行评价。

74、第三方面，本发明提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现风光一体化功率预测方法的步骤。

75、第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现风光一体化功率预测方法的步骤。

76、与现有技术相比，本发明有益效果为该风光一体化功率预测方法通过数据预处理和标准化提高数据质量，利用ai大模型和文本编码器增强数据特征提取的效率和准确性，结合决策树模型和注意力机制模型筛选关键特征，最终通过门控融合和线性变换实现高精度的短期功率预测，整体优化了数据采集、分析和预测的全流程，不仅显著提升了预测模型的精度和可靠性，还提高了模型的训练和预测速度，确保新能源电站的高效运行。