[发明专利]基于多视角自适应特征融合的光伏发电功率预测方法

说明书

本发明公开了一种基于多视角自适应特征融合的光伏发电功率预测方法，该方法能够从全局、局部、时序以及空间四种视角挖掘信息之间的潜在相关性，并用于光伏发电功率的预测；将采集的数据划分成全局、局部视角两部分，并分别从时序、空间视角提取出未来总特征和历史总特征；为了让特征信息更好地融合，构建了参数共享特征提取模块提取出公共特征，并引入注意力机制为每个时间窗口的局部特征分配合适的注意力权重，使整个模型能够自适应地从全局和局部特征中学习最相关的信息并充分融合；同时使用一致性约束和独立性约束来构造损失函数来强化该模型，从而精准地进行光伏发电功率的预测。

技术领域

本发明涉及照明设备领域，尤其涉及一种基于多视角自适应特征融合的光伏发电功率预测方法。

背景技术

近年来，在“双碳”的目标驱动下，我国在新能源发展领域取得了巨大成就，据国家能源局统计数据，截至2022年6月底，我国发电装机容量约24.4亿千瓦，同比增长8.1％，其中，风电累计装机容量约3.4亿千瓦，光伏发电累计装机约3.1亿千瓦，同比增长8.1％和25.8％，均居世界首位，大力发展光伏、风电、核电等可再生能源成为我国低碳转型发展的必然趋势。其中，太阳能就是一种清洁、安全、可持续的发电资源，用户在用电场地附近安装光伏发电系统设备后，不仅能够做到自发自用，还可以将多余电量输送给国家，平衡配电系统，这样就可以充分利用好当地的太阳能资源，替代和减少化石能源消费。然而，光伏发电有以下几种缺点：第一，光伏发电需要依赖太阳光，只有白天产生电力，发电方式具有间歇性。第二，光伏发电功率经常会随着太阳辐照度、温度等气象因素的变化而出现波动性。由以上两点可知，光伏发电功率具有明显的间歇性、波动性，这种发电方式不平稳，输出功率的可控性不够理想，大规模光伏发电接入会给电网的安全稳定运行带来一定的冲击。因此，精准的光伏发电功率预测是解决此问题的关键技术之一，也是电网安全可靠运行的重要保障。

目前，针对光伏系统的发电功率预测，许多学者已经进行了大量研究，其方法主要分为两大类：直接预测法、间接预测法。直接预测法利用历史光伏电站数据、气象数据作为输入，建立数学模型去预测光伏发电功率，最终通过模型计算得出预测的光伏电站发电功率。间接预测法则是首先对历史气象数据中的太阳辐射进行预测，然后根据光伏电站的电功率模型，再进一步建立数学模型去预测出光伏电站的发电功率。国内外许多研究者都基于机器学习、深度学习等人工智能技术针对光伏发电功率预测开展了大量的学术研究。常见的机器学习预测方法包括差分整合移动平均自回归模型，其英文表述为autoregressive integrated moving average，简称ARIMA；支持向量机，其英文表述为SupportVector Machine，简称SVM；马尔科夫链，其英文表述为Markov Chain，简称MC等。这些模型能够使用过去信息的窗口来预测下一个时间步的输出，从大量历史样本中学习到输入输出之间的映射关系，但这些模型同时也忽略了各特征之间的互相影响，即特征之间的空间相关性，因此光伏发电功率的预测精度仍有待提升。

发明内容

本发明针对上述问题，提供一种基于多视角自适应特征融合的光伏发电功率预测方法，将采集的数据从全局、局部两种视角分别按照时序、空间视角提取其特征表示，并且考虑到全局信息和局部信息中具有的潜在共同特征，将二者共同输入参数共享特征提取模块去提取公共特征；利用注意力融合模块自适应地为每个时间窗口的局部特征分配合适注意力权重，最终得到的融合特征经过多层感知机得到光伏发电功率预测结果。

为了达到上述目的，本发明提供了一种基于多视角自适应特征融合的光伏发电功率预测方法，其包括：

S1：规定局部信息的特征数为n₁，每个时间窗口所经历的时间为T₁，数据颗粒度为T₂，则一个时间窗口大小为win＝T₁/T₂，w为时间窗口个数，将每个时间窗口内的局部信息输入至时序特征提取模块，所述时序特征提取模块采用GRU门循环单元进行时序特征提取，其计算公式如下：