[发明专利]基于序列编码重构的多尺度区域光伏出力预测方法及系统

说明书

本发明公开了基于序列编码重构的多尺度区域光伏出力预测方法及系统，属于光伏出力预测技术领域。本发明的基于序列编码重构的多尺度区域光伏出力预测方法，首先，选取基准站点，对站点数据进行清洗与加工，去除无效值补充缺失值；其次，进行序列整合以及确定预测时间尺度后，采用编码单元提取观测时间序列中适合用作区域光伏预测的内在表征向量；并使用解码单元来对内在表征向量解码，以此来预测输出的区域光伏出力序列；通过在解码过程中加入注意力单元，使其充分利用输入序列所含信息，实现对区域光伏滚动预测。本发明可在数据量有限和低采集数据成本的情况下，保持良好的多时间尺度区域光伏出力预测效果，方案科学、合理、切实可行。

技术领域

本发明涉及基于序列编码重构的多尺度区域光伏出力预测方法及系统，属于光伏出力预测技术领域。

背景技术

通过对区域分布式光伏整体出力的精确预测，可有效提高电网稳定性、增加电网消纳光电能力、促进多能转换的能力，可推动电网的能源低碳发展与用能成本降低。

一般地，集中式光伏电站由于具有比较完备的数据采集、存储和通信系统，可聚合得到光伏物理预测模型，或利用人工神经网络解决非线性关系的特点，基于数值天气预报建立分布式光伏输出功率模型。但是，考虑到很多小型分布式电站具有历史运行数据收集困难、实时监测数据缺乏、信息获取成本较高的问题，在进行区域级预测时普遍采用外推法或统计升尺度功率预测方法，首先对区域进行片区划分，通过对不同片区进行出力预测，进而累加全部片区的出力预测结果得到区域出力预测结果；或者通过选择基准站点，并基于基准光伏电站的功率预测结果实现整个区域的出力预测。

进一步，中国专利（公开号：CN 113205226 A）公开了一种结合注意力机制以及误差修正的光伏功率预测方法，该方法包括以下内容：建立BiLSTM-Attention神经网络模型；选取与待预测日相近的历史相似日的光伏发电序列为训练样本，并对历史相似日的光伏功率序列进行模态分解，得到不同的分量，然后以每个分量作为输入分别训练一个BiLSTM-Attention神经网络模型，得到每个分量的预测值，所有分量的预测值相加得到总的预测值记为y1；同时，以训练样本直接训练一个BiLSTM-Attention神经网络模型，得到训练样本的预测值，再将相似日的训练样本的预测值与真实的训练样本做差获得误差序列；对误差序列进行相同的分解、预测操作得到总的误差预测值记为y2；则最终的预测结果y为二者相加。实现了光伏功率预测结果的修正以及预测。

但上述方案以及现有的技术方案中，需要的光伏站点数据相对完备，通过分析所有站点的功率数据与区域总体功率数据的内在联系，进行光伏出力预测。然而在实际应用中，数据条件更加苛刻，检测数据稀少的问题更加突出，并且随着输入序列变长和预测时间尺度的增加，存在历史信息丢失的问题，进而影响光伏出力预测的准确。

发明内容

针对现有技术的缺陷，本发明的目的一在于提供一种通过选取基准站点，对站点数据进行清洗与加工，去除无效值补充缺失值，并对有限的数据集进行时域和频域上的数据增强；其次，进行序列整合以及确定预测时间尺度后，采用编码单元提取观测时间序列中适合用作区域光伏预测的内在表征向量；并使用解码单元来对内在表征向量解码，以此来预测输出的区域光伏出力序列；通过在解码过程中加入注意力单元，使其充分利用输入序列所含信息；经过不断迭代使编码单元和解码单元达到性能要求；最后，通过输入选定基准站点的实时出力数据至可用混合模型，实现对区域光伏滚动预测；进而可在数据量有限和低采集数据成本的情况下，保持良好的多时间尺度区域光伏出力预测效果，方案科学、合理、切实可行的基于序列编码重构的多尺度区域光伏出力预测方法。

本发明的目的二在于提供一种适用于数据量有限以及数据缺失的场合，能最大程度上利用历史数据所含的有效信息，并且能够在一定程度上避免模型参数同质化的问题，具有实用性好、可操作性强、适用度广等特点的基于序列编码重构的多尺度区域光伏出力预测方法。