[发明专利]基于多维气象预报因子图卷积的光伏发电功率预测方法

说明书

本发明公开了基于多维气象预报因子图卷积的光伏发电功率预测方法，属于可再生能源开发利用技术领域。首先，基于气象预报计算总云量覆盖、晴空指数和散射辐射率，针对计算结果划分天气类型样本。其次，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。接着，基于一维填补方法构建多维气象预报因子图的节点特征。然后，对多维气象预报因子图构建图卷积神经网络，以节点特征为输入，使用层级读出方式计算输出。最后，将图卷积神经网络输出进行误差分析和加权，得到光伏功率预测结果。本发明方法适用于含多维气象预报信息的光伏电站，在不同天气情况下均能取得准确的预测结果。

技术领域

本发明属于可再生能源开发利用技术领域，具体涉及基于多维气象预报因子图卷积的光伏发电功率预测方法。

背景技术

有效利用可再生能源是应对全球变暖、环境污染等气候问题的关键。而太阳能因其易于获取而成为全球范围内广受欢迎的可再生能源之一，并已成功应用于光伏发电。随着光伏发电装机容量的不断增加，太阳能受天气影响的易变性对光伏并网电力系统稳定性产生了极大的负面影响，甚至影响光伏电站的运营效益。因此，光伏电站运营商迫切需要准确的光伏发电预测方法，以提升企业经济效益、及其在电力市场中的竞争力。

光伏发电功率预测中的一种最典型方法是使用机器学习技术，将气象预报数据及电站的历史光伏发电功率作为输入，输出未来的光伏发电功率值实现预测任务。在这种情况下，机器学习技术通过大量历史样本学习到输入-输出之间的映射关系，从而构建高效的预测模型。但是这种预测模型也存在一些问题，即不能够分解出气象预报数据中不同因子的相互影响性。例如，太阳辐射能够同时影响大气温度和光伏板接收能量，从而模型能够学习到大气温度与光伏发电功率的正向相关性；但是实际上，当大气温度持续上升时，其在一定程度上会降低光电转换效率、降低预测精度。

基于上述光伏功率预测技术中的局限性和难点，本发明提出一种基于多维气象预报因子图卷积的光伏发电功率预测方法。该预测方法能够将多维气象预报因子之间的相关性转换为图谱进行学习，从而细化光伏发电功率预测模型的分析能力，适用于含多维气象预报信息的光伏电站，满足不同天气情况下预测精度需求。

发明内容

发明目的：针对传光伏功率预测中的局限性，即不能够分解出气象预报数据中不同因子的相互影响性，本发明的目的在于提供基于多维气象预报因子图卷积的光伏发电功率预测方法，能够将多维气象预报因子之间的相关性转换为图谱进行学习。

技术方案：为实现上述发明目的，本发明提供基于多维气象预报因子图卷积的光伏发电功率预测方法，包括如下步骤：

步骤1：基于光伏电站近一年的、采样间隔小于等于一小时的气象预报历史数据计算总云量覆盖TCC、晴空指数CSI和散射辐射率FDHI指标；

步骤2：针对计算的TCC、CSI和FDHI指标结果，基于模糊集分析方法将光伏电站近一年的气象预报历史数据划分为晴天、多云和阴雨天三种天气类型样本；

步骤3：从三种天气类型样本中分别提取温度、湿度、风速、总辐射、直射辐射、散射辐射和降水量气象预报因子，以及光伏发电功率因子，基于标准互信息指标分析气象预报因子和光伏发电功率因子之间的相关性，构建三个多维气象预报因子图；

步骤4：基于一维填补方法，对多维气象预报因子图中的每个节点构建节点特征；

步骤5：对三个多维气象预报因子图分别构建图卷积神经网络，以节点特征作为图卷积神经网络的输入，使用层级读出方式计算输出；

步骤6：依据图卷积神经网络的输入-输出规则，使用三种天气类型样本对每个图卷积神经网络进行训练，将三个图卷积神经网络的输出进行误差分析，按照误差结果进行加权。

进一步地，所述的步骤1中，总云量覆盖TCC、晴空指数CSI和散射辐射率FDHI指标的计算公式分别为：