Nothing Special   »   [go: up one dir, main page]

CN116128170B - 一种光伏电站功率超短期预测方法、装置及相关设备 - Google Patents

一种光伏电站功率超短期预测方法、装置及相关设备 Download PDF

Info

Publication number
CN116128170B
CN116128170B CN202310417715.6A CN202310417715A CN116128170B CN 116128170 B CN116128170 B CN 116128170B CN 202310417715 A CN202310417715 A CN 202310417715A CN 116128170 B CN116128170 B CN 116128170B
Authority
CN
China
Prior art keywords
time period
time
time sequence
actual measurement
power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310417715.6A
Other languages
English (en)
Other versions
CN116128170A (zh
Inventor
张东晓
陈云天
赵辛
蒋春碧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Dongli Digital Energy Technology Co ltd
Ningbo Oriental University Of Technology Temporary Name
Shenzhen Fenghe Digital Intelligence Technology Co ltd
Original Assignee
Shenzhen Fenghe Digital Intelligence Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Fenghe Digital Intelligence Technology Co ltd filed Critical Shenzhen Fenghe Digital Intelligence Technology Co ltd
Priority to CN202310417715.6A priority Critical patent/CN116128170B/zh
Publication of CN116128170A publication Critical patent/CN116128170A/zh
Application granted granted Critical
Publication of CN116128170B publication Critical patent/CN116128170B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种光伏电站功率超短期预测方法、装置及相关设备，该方法包括：获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列；将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列。其中，云图时间序列为预先利用风速实测时间序列、风向实测时间序列以及云层图片生成的。本申请能够基于气象预报数据、历史云层图片、历史辐照强度实测数据以及历史功率实测数据，预测出功率值，具有重要的应用价值。

Description

一种光伏电站功率超短期预测方法、装置及相关设备
技术领域
本申请涉及光伏发电技术领域，更具体地说，是涉及一种光伏电站功率超短期预测方法、装置及相关设备。
背景技术
随着光伏发电系统的应用越来越广泛，越来越多的光伏电源接入到配电网中，这对电力系统的规划、运行、控制等各方面带来巨大挑战。由于太阳辐射量与气象条件密切相关，造成光伏发电系统输出功率随机性、波动性的固有特点。在电力储能设施与新能源并网电力的不匹配短期内难以改变的情况下，大规模光伏发电系统接入电网时会对电力系统的安全稳定运行造成很大冲击，这也是光伏发电大规模接入电网需要解决的关键技术问题。
开展光伏发电功率预测的技术研究对于电力系统稳定运行具有非常重要的意义：有效的光伏发电预测有助于电力系统调度部门统筹安排常规能源和光伏发电的发电规划，合理安排电网运行方式；有效地降低光伏接入对电网的影响，提高电网运行的安全性和稳定性；减少电力系统的旋转备用和运行成本，以充分利用太阳能资源，获得更大的经济效益和社会效益。
随着机器学习算法在各行各业的广泛应用，机器学习算法也被应用于预测光伏发电功率。如何构建有效的机器学习模型以预测光伏发电功率，是值得深入探索的技术问题。
发明内容
有鉴于此，本申请提供了一种光伏电站功率超短期预测方法、装置及相关设备，以实现对光伏电站发电功率的超短期预测。
为实现上述目的，本申请第一方面提供了一种光伏电站功率超短期预测方法，包括：
获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列；
将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列；
其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的；
所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到；
所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设的第一时间间隔，所述第三时间段在所述第二时间段之前，且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致；
所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致。
优选地，所述功率预测模型包括图像前置处理单元、第一循环神经网络层、第一全连接层、第二循环神经网络层、第二全连接层、第三全连接层、第三循环神经网络层以及第四全连接层；
所述云图时间序列输入至所述图像前置处理单元，所述图像前置处理单元对所述云图时间序列进行特征提取及压平处理，得到处理后的云图时间序列；
所述处理后的云图时间序列输入至所述第一循环神经网络层，所述第一循环神经网络层对所述处理后的云图时间序列进行特征提取，得到第一特征表示；
所述第一全连接层将所述第一特征表示做线性叠加，得到第一输出结果；
所述气象预报时间序列和所述辐照强度实测时间序列输入至所述第二循环神经网络层，所述第二循环神经网络层对所述气象预报时间序列和所述辐照强度实测时间序列进行特征提取，得到第二特征表示；
所述第二全连接层将所述第二特征表示做线性叠加，得到第二输出结果；
所述第一输出结果和所述第二输出结果合并后输入至所述第三全连接层，所述第三全连接层将所述第一输出结果和所述第二输出结果映射到第一样本标签空间中，得到第三输出结果，所述第三输出结果包括辐照强度预测数据；
所述第三输出结果和所述功率实测时间序列合并后输入至所述第三循环神经网络层，所述第三循环神经网络层对所述第三输出结果和所述功率实测时间序列进行特征提取，得到第三特征表示；
所述第四全连接层将所述第三特征表示映射到第二样本标签空间中，得到功率预测时间序列。
优选地，所述气象预报时间序列包括温度预报时间序列、湿度预报时间序列、风速预报时间序列、风向预报时间序列和辐照强度预报时间序列；
所述第三全连接层的神经元数量大于或等于2，所述第三全连接层中的1个神经元对应于辐照强度预测值；所述第四全连接层的神经元数量为1，所述第四全连接层的神经元对应于功率预测值。
优选地，所述功率预测模型的训练过程，包括：
获取所述光伏电站的历史气象预报数据集、历史云层图片集、历史风速实测数据集、历史风向实测数据集、历史辐照强度实测数据集及历史功率实测数据集，所述历史气象预报数据集包括多个历史时间点的气象预报数据，所述历史云层图片集包括多个历史时间点的云层图片，所述历史辐照强度实测数据集包括多个历史时间点的辐照强度实测数据，所述历史功率实测数据集包括多个历史时间点的功率实测数据；
分别对所述历史气象预报数据集、所述历史云层图片集、所述历史风速实测数据集、所述历史风向实测数据集、所述历史辐照强度实测数据集以及所述历史功率实测数据集进行数据处理，得到历史气象预报时间序列、目标历史云层图片集、历史风速实测时间序列、历史风向实测时间序列、历史辐照强度实测时间序列以及历史功率实测时间序列，所述数据处理用于实现数据标准化及数据补全；
利用所述历史风速实测时间序列、历史风向实测时间序列以及目标历史云层图片集，生成历史云图时间序列；
基于所述历史气象预报时间序列、所述历史云图时间序列、所述历史辐照强度实测时间序列以及所述历史功率实测时间序列构建训练集；
基于所述训练集以及预设的损失函数，对所述功率预测模型进行训练。
优选地，所述损失函数为：
Figure SMS_1
；
其中，n为所述训练集中样本的数量，
Figure SMS_2
为预设的权重系数，
Figure SMS_3
和
Figure SMS_4
分别为第i个样本的功率实测值、辐照强度实测值，
Figure SMS_5
和
Figure SMS_6
分别为第i个样本的功率预测值、辐照强度预测值。
优选地，所述第一时间段为预设时刻至所述预设时刻之后的4小时，所述预设时刻与当前时刻相差20分钟以内，所述预设的第一时间间隔为4小时，所述预设的第二时间间隔为24小时；
所述获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列的过程，包括：
获取光伏电站在第一时间段内的气象预报数据，所述气象预报数据包括温度预报数据、湿度预报数据、风速预报数据、风向预报数据和辐照强度预报数据；
对所述气象预报数据进行插值运算，得到温度预报时间序列、湿度预报时间序列、风速预报时间序列、风向预报时间序列和辐照强度预报时间序列；
获取光伏电站在第二时间段内的风速实测数据、风向实测数据、辐照强度实测数据、功率实测数据和云层图片；
分别对所述风速实测数据、所述风向实测数据、所述辐照强度实测数据和所述功率实测数据进行插值运算，得到第二时间段内的风速实测时间序列、风向实测时间序列、辐照实测时间序列和功率实测时间序列；
利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片，生成第二时间段内的云图时间序列；
获取光伏电站在第三时间段内的辐照强度实测数据和功率实测数据，分别对所述辐照强度实测数据和所述功率实测数据进行插值运算，得到第三时间段内的辐照强度实测时间序列和功率实测时间序列；
同一时间段内的各时间序列具有相同的时间点及序列长度。
优选地，利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片，生成第二时间段内的云图时间序列的过程，包括：
将第二时间段内的每一云层图片转换成一个尺寸为
Figure SMS_7
的云图矩阵，其中，w为所述云层图片的宽，h为所述云层图片的高，c为云层图片的通道数；
将第二时间段内的风速实测时间序列中的每一序列元素扩充成一个尺寸为
Figure SMS_8
的风速矩阵，所述风速矩阵中的每一矩阵元素的值均等于所述序列元素的风速实测值；
将第二时间段内的风向实测时间序列中的每一序列元素扩充成一个尺寸为
Figure SMS_9
的风向矩阵，所述风向矩阵中的每一矩阵元素的值均等于所述序列元素的实测风向值；
将对应于相同时间点的风速矩阵、风向矩阵与云图矩阵合并，得到嵌入了风向及风速的云图矩阵，由第二时间段内各嵌入了风向及风速的云图矩阵构成云图时间序列。
本申请第二方面提供了一种光伏电站功率超短期预测装置，包括：
数据获取单元，用于获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列；
功率预测单元，用于将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列；
其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的；
所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到；
所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设的第一时间间隔，所述第三时间段在所述第二时间段之前，且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致；
所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致。
本申请第三方面提供了一种光伏电站功率超短期预测设备，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现上述的光伏电站功率超短期预测方法的各个步骤。
本申请第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述的光伏电站功率超短期预测方法的各个步骤。
经由上述的技术方案可知，本申请首先获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列。其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的，通过将气象数据中的风速及风向嵌入在云层图片中，可以更好地捕捉到云层图片的时间相关性信息。所述第二时间段在所述第一时间段之前，即第二时间段内的云图时间序列、辐照强度实测时间序列及功率实测时间序列均为历史实测数据；且所述第二时间段与所述第一时间段相差预设的第一时间间隔。所述第三时间段在所述第二时间段之前，即第三时间段内的辐照强度实测时间序列及功率实测时间序列均为历史实测数据；且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述预设的第二时间间隔具有日照周期性属性，使得所述第三时间段的气象数据对于第一时间段的具有一定的参考意义。此外，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致。可以理解，各时间段中的各时间点与所述时间段内的时间序列中的各元素的时间点相对应。然后，将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列。需要注明的是，所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到。其中，所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致。本申请利用了云层图片与风速及风向的相关性、气象数据在时间上的相关性、气象预报数据与气象实测数据的相关性以及气象数据与光伏电站功率的相关性，对功率预测模型进行训练，使得功率预测模型能够基于气象预报数据、历史云层图片、历史辐照强度实测数据以及历史功率实测数据，预测出功率值，具有重要的应用价值。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例公开的光伏电站功率超短期预测方法的示意图；
图2示例了本申请实施例公开的第一时间段、第二时间段及第一时间点的示意图；
图3示例了本申请实施例公开的第三时间段、第四时间段及第二时间点的示意图；
图4示例了本申请实施例公开的模型训练中所采用的训练样本及样本标签；
图5为本申请实施例公开的功率预测模型的示意图；
图6为本申请实施例公开的光伏电站功率超短期预测装置的示意图；
图7为本申请实施例公开的光伏电站功率超短期预测设备的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应用于光伏发电功率预测的机器学习模型主要有循环神经网络模型、卷积神经网络模型以及Transformer系列模型。基于给定的数据，例如数值天气预报、光伏电站功率、气象监测数据以及全天空成像仪数据等，这类机器学习方法训练模型学习给定数据到光伏发电功率的映射关系，然后这个训练好的模型就被用于预测未来时间段电站发电功率。
用于预测光伏发电功率的观测量包括来自：1）数值天气预报的数据：预报温度、预报湿度、预报风速、预报风向和预报辐照强度；2）站点气象监测数据：实测温度、实测湿度、实测风速、实测风向以及实测辐照强度；3）实际发电功率；4）全天空成像仪拍摄到的天空云层分布图片以及太阳遮挡情况。其中，数值天气预报数据每4 小时更新一次，空间分辨率可以达到1 公里。全天空成像仪每30 秒拍摄一张云层图片，空间分辨率为次千米（sub-kilometer）。采用云层图片的目的是捕捉云层变化跟太阳辐射强度的关系。通过查看多个时刻下云层图片，我们可以预测云层的变化。云朵的变化跟天气变化有很大的关系，其中风速和风向为很重要的影响因子，本申请尝试将风速和风向数据跟云层图片数据结合起来，用于预测太阳辐射强度和光伏电站发电功率。
下面介绍本申请实施例提供的光伏电站功率超短期预测方法。请参阅图1，本申请实施例提供的光伏电站功率超短期预测方法可以包括如下步骤：
步骤S101，获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列。
可以理解，第一时间段、第二时间段以及第三时间段的长度一致。
第一时间段内的气象预报时间序列由第一时间段内各时间点的气象预报数据组成，气象预报数据可以包括温度、湿度、风速、风向、辐照强度、紫外线强度等数据。
第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的。可以理解，第二时间段内的云层图片为利用全天空成像仪在第二时间段内拍摄的云图图片，云图图片的拍摄时间点与第二时间段内的风速实测时间序列、风向实测时间序列的各时间点一一对应。
第二时间段内的辐照强度实测时间序列由第二时间段内各时间点的辐照强度实测数据组成，第二时间段内的功率实测时间序列由第二时间段内各时间点的功率实测数据组成，且第二时间段内的辐照强度实测时间序列的各时间点与第二时间段内的功率实测时间序列的各时间点一一对应。
第三时间段内的辐照强度实测时间序列由第三时间段内各时间点的辐照强度实测数据组成，第三时间段内的功率实测时间序列由第三时间段内各时间点的功率实测数据组成，且第三时间段内的辐照强度实测时间序列的各时间点与第三时间段内的功率实测时间序列的各时间点一一对应。
步骤S102，将气象预报时间序列、云图时间序列、辐照强度实测时间序列和功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列。
其中，如图2所示，第二时间段在第一时间段之前，且第二时间段与所述第一时间段相差预设的第一时间间隔。假设超短期预测需要预测光伏电站未来15分钟至4小时（时间分辨率为15分钟）的发电功率，那么，该预设的第一时间间隔为4小时，且第一时间段起始时间点与第二时间段终止时间点相差15分钟。第三时间段在第二时间段之前，且第三时间段与第一时间段相差预设的第二时间间隔。该预设的第二时间间隔具有日照周期性属性或其他相关属性，使得第二时间段的气象数据对于第一时间段的具有一定的参考意义。可以理解，每一时间段内有多个时间点，每一时间段内的各时间点与该时间段内的时间序列中的各元素一一对应；第一时间段、第二时间段以及第三时间段的长度一致。
示例性地，假设现在是3月5日中午11点45分，需要预测某光伏电站3月5日中午12点至下午15点45分期间16个时间点的发电功率。那么，可以将第一时间段设为3月5日中午12点至下午15点45分，将第二时间段设为3月5日早上8点至中午11点45分，将第三时间段设为3月4日中午12 点到下午15点45分。
其中，该功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到。
如图3所示，第五时间段在第四时间段之前，且第五时间段与第四时间段相差第一时间间隔，第六时间段在第四时间段及第五时间段之前，且第六时间段与第四时间段相差第二时间间隔，第四时间段、第五时间段以及第六时间段的长度一致。模型训练时所采用的数据之间的时间关系与模型应用时数据之间的时间关系一致。
示例性地，如图4所示，假设第四时间段为3月5日中午12点至下午15点45分，第五时间段设为3月5日早上8点至中午11点45分，第六时间段为3月4日中午12 点到下午15点45分。那么，图中虚线框内的数据为训练样本，实线框内的数据为对应于该训练样本的样本标签。其中，(P)T、(P)RH、(P)WS、(P)WD、(P)IR分别表示温度预报数据、湿度预报数据、风速预报数据、风向预报数据及辐照强度预报数据；(M)WS、(M)WD、(M)IR、(M)PV分别表示风速实测数据、风向实测数据、辐照强度实测数据及功率实测数据。
本申请首先获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列。其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的，通过将气象数据中的风速及风向嵌入在云层图片中，可以更好地捕捉到云层图片的时间相关性信息。所述第二时间段在所述第一时间段之前，即第二时间段内的云图时间序列、辐照强度实测时间序列及功率实测时间序列均为历史实测数据；且所述第二时间段与所述第一时间段相差预设的第一时间间隔。所述第三时间段在所述第二时间段之前，即第三时间段内的辐照强度实测时间序列及功率实测时间序列均为历史实测数据；且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述预设的第二时间间隔具有日照周期性属性，使得所述第三时间段的气象数据对于第一时间段的具有一定的参考意义。此外，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致。可以理解，各时间段中的各时间点与所述时间段内的时间序列中的各元素的时间点相对应。然后，将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列。需要注明的是，所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到。其中，所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致。本申请利用了云层图片与风速及风向的相关性、气象数据在时间上的相关性、气象预报数据与气象实测数据的相关性以及气象数据与光伏电站功率的相关性，对功率预测模型进行训练，使得功率预测模型能够基于气象预报数据、历史云层图片、历史辐照强度实测数据以及历史功率实测数据，预测出功率值，具有重要的应用价值。
在本申请的一些实施例中，前述气象预报时间序列可以包括温度预报时间序列、湿度预报时间序列、风速预报时间序列、风向预报时间序列和辐照强度预报时间序列。
在本申请的一些实施例中，步骤S101中提及的第一时间段为预设时刻至预设时刻之后的4小时，其中，为满足超短期预测的时间要求，该预设时刻与当前时刻相差20分钟以内，例如，可以将该预设时刻设为与当前时刻相差15分钟的时刻，该预设的第一时间间隔为4小时，该预设的第二时间间隔为24小时。
上述对于时间间隔的设定适用于天气比较稳定、相邻日期的天气状况比较接近的情况。
可以理解，在时间分辨率为15分钟的情况下，每小时设有4个数据点，则每一时间段的数据点为16个，及时间序列的长度为16。
在本申请的一些实施例中，步骤S101获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列的过程，可以包括：
S1，获取光伏电站在第一时间段内的气象预报数据。
其中，这些气象预报数据包括温度预报数据、湿度预报数据、风速预报数据、风向预报数据和辐照强度预报数据。
S2，对这些气象预报数据进行插值运算，得到温度预报时间序列、湿度预报时间序列、风速预报时间序列、风向预报时间序列和辐照强度预报时间序列。
S3，获取光伏电站在第二时间段内的风速实测数据、风向实测数据、辐照强度实测数据、功率实测数据和云层图片。
S4，分别对这些风速实测数据、风向实测数据、所述照强度实测数据和功率实测数据进行插值运算，得到第二时间段内的风速实测时间序列、风向实测时间序列、辐照实测时间序列和功率实测时间序列。
S5，利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片，生成第二时间段内的云图时间序列。
S6，获取光伏电站在第三时间段内的辐照强度实测数据和功率实测数据，分别对这些辐照强度实测数据和功率实测数据进行插值运算，得到第三时间段内的辐照强度实测时间序列和功率实测时间序列。
其中，插值运算的目的在于数据补全，对于同一时间段的各时间序列，经过插值运算后，各时间序列具有相同的时间点及序列长度。
在本申请的一些实施例中，上述S5利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片，生成第二时间段内的云图时间序列的过程，可以包括：
S51，将第二时间段内的每一云层图片转换成一个尺寸为的云图矩阵。
其中，w为该云层图片的宽，h为该云层图片的高，c表示该云层图片的通道数。可以理解，当云层图片为彩色图像时，具有3个通道，此时，c取值为3，即，云图矩阵的尺寸为
Figure SMS_10
。当实际采用的云层图片并非彩色图像，而是灰度图像或其他类型的图像时，通道数c应该作相应的适应性修改。
S52，将第二时间段内的风速实测时间序列中的每一序列元素扩充成一个尺寸为
Figure SMS_11
的风速矩阵。
其中，该风速矩阵中的每一矩阵元素的值均等于该序列元素的实测风速值。
示例性地，假设第二时间段内的风速实测时间序列中，时间点
Figure SMS_12
处的序列元素的风速实测值为2.2m/s，那么，所得到的风速矩阵为：
Figure SMS_13
；
S53，将第二时间段内的风向实测时间序列中的每一序列元素扩充成一个尺寸为
Figure SMS_14
的风向矩阵。
同样地，该风向矩阵中的每一矩阵元素的值均等于该序列元素的实测风向值。
S54，将对应于相同时间点的风速矩阵、风向矩阵与云图矩阵合并，得到嵌入了风向及风速的云图矩阵。
可以理解，云图矩阵的尺寸为
Figure SMS_15
。最后，由第二时间段内各嵌入了风向及风速的云图矩阵构成云图时间序列。示例性地，假设时间点
Figure SMS_16
处的云图时间序列为
Figure SMS_17
，并假设时间序列长度为16，其中，
Figure SMS_18
，那么，云图时间序列可以表示为：
Figure SMS_19
；
可以理解，由于气象预报数据及气象实测数据的时间分辨率与全天空成像仪的时间分辨率不一样，具体地，全天空成像仪采样频率高于数值天气预报数据，因此我们只选取跟数值天气预报和实测数据对应时刻拍摄的图片，例如假设气象预报数据及气象实测数据的时间分辨率为15分钟，且数据采集时刻对应于每小时的第0分、第15分、第30分以及第45分，那么，对于全天空成像仪所拍摄的云层图片，则只选取每个时刻第0分、第15分、第30分以及第45分拍摄的云层图片。
在本申请的一些实施例中，如图5所示，步骤S102中提及的功率预测模型可以包括图像前置处理单元（Pre）、第一循环神经网络层（LSTM_1）、第一全连接层（FC_1）、第二循环神经网络层（LSTM_2）、第二全连接层（FC_2）、第三全连接层（FC_3）、第三循环神经网络层（LSTM_3）以及第四全连接层（FC_4）。
示例性地，第一循环神经网络层、第二循环神经网络层以及第三循环神经网络层可以是GRU网络（gated recurrent neural network，门控循环神经网络）。
该功率预测模型中的各组件的工作流程如下：
云图时间序列输入至图像前置处理单元，该图像前置处理单元对该云图时间序列进行特征提取及压平处理，得到处理后的云图时间序列。
该处理后的云图时间序列输入至第一循环神经网络层，该第一循环神经网络层对该处理后的云图时间序列进行特征提取，得到第一特征表示。
该第一全连接层将该第一特征表示做线性叠加，得到第一输出结果（Out1）。
气象预报时间序列和辐照强度实测时间序列输入至第二循环神经网络层，该第二循环神经网络层对该气象预报时间序列和该辐照强度实测时间序列进行特征提取，得到第二特征表示。
第二全连接层将该第二特征表示做线性叠加，得到第二输出结果（Out2）。
该第一输出结果和该第二输出结果合并后输入至第三全连接层，该第三全连接层将该第一输出结果和该第二输出结果映射到第一样本标签空间中，得到第三输出结果，其中，该第三输出结果包括辐照强度预测数据（IR）。
第三输出结果和功率实测时间序列合并后输入至第三循环神经网络层，该第三循环神经网络层对该第三输出结果和该功率实测时间序列进行特征提取，得到第三特征表示。
第四全连接层将该第三特征表示映射到第二样本标签空间中，得到功率预测时间序列。
图5示例了气象预报时间序列包括温度预报时间序列(P)T、湿度预报时间序列(P)RH、风速预报时间序列(P)WS、风向预报时间序列(P)WD、辐照强度预报时间序列(P)IR，辐照强度实测时间序列则包括24小时之前的辐照强度实测时间序列(M)IR_24、4小时之前的辐照强度实测时间序列(M)IR_4。
请参阅图5, 输入到模型的数值天气预报数据和站点实测数据的维度为
Figure SMS_20
，其中bs为batch_size，16为序列数据的长度（覆盖的时间范围为
Figure SMS_21
），9为特征（对应于6个时间序列）的个数。输入到卷积神经网络层(CNN_1) 的输入的维度为
Figure SMS_22
（假设云层图片为彩色图像），模型的输出为16个时间点的辐照强度以及光伏发电功率，标注数据维度为
Figure SMS_23
。
在本申请的一些实施例中，如图5所示，该图像前置处理单元（Pre）可以包括依次串联的2个卷积神经网络层（CNN_1 和CNN_2）。更具体地，该功率预测模型中所用到提及的卷积神经网络层、循环神经网络层以及全连接层可以采用Py-Torch框架中自带的卷积神经网络层torch.nn.Conv3d、循环神经网络层torch.nn.LSTM 和全连接层torch.nn.Linear。其中，图像前置处理单元中的2个卷积神经网络层（CNN_1 和CNN_2）的通道数及卷积核尺寸、3个循环神经网络层（LSTM_1、LSTM_2、LSTM_3）的神经元个数、第一全连接层（FC_1）和第二全连接层（FC_2）的神经元个数，可以根据实际需要而定。
在本申请的一些实施例中，第三全连接层的神经元数量大于或等于2，第三全连接层中的1个神经元对应于辐照强度预测值；第四全连接层的神经元数量为1，第四全连接层的神经元对应于功率预测值。
图5仅示例了第三全连接层的神经元数量为2的情况，其中多出的1个自由的神经元输出变量F。由于第三全连接层中受到约束的神经元仅有1个，而第一全连接层的神经元数量大于或等于2，那么，多出来的这些不受约束的神经元可以从数据中提取我们未曾命名的物理特征，增强了模型提取信息的能力，从模型中间输出量的角度来说，提升了模型的自由度。
在本申请的一些实施例中，前述功率预测模型的训练过程，可以包括如下步骤：
步骤S201，获取光伏电站的历史气象预报数据集、历史云层图片集、历史风速实测数据集、历史风向实测数据集、历史辐照强度实测数据集及历史功率实测数据集。
其中，历史气象预报数据集包括多个历史时间点的气象预报数据，历史云层图片集包括多个历史时间点的云层图片，所述史辐照强度实测数据集包括多个历史时间点的辐照强度实测数据，历史功率实测数据集包括多个历史时间点的功率实测数据。
步骤S202，分别对历史气象预报数据集、历史云层图片集、历史风速实测数据集、历史风向实测数据集、历史辐照强度实测数据集以及历史功率实测数据集进行数据处理，得到历史气象预报时间序列、目标历史云层图片集、历史风速实测时间序列、历史风向实测时间序列、历史辐照强度实测时间序列以及历史功率实测时间序列。
其中，该数据处理用于实现数据标准化及数据补全。具体地，当出现数据缺失时，采用合适的数学方法进行插值运算，以补全缺失的数据。当数据补全后，再利用合适的归一化方法对所有数据进行标准化处理。
步骤S203，利用历史风速实测时间序列、历史风向实测时间序列以及目标历史云层图片集，生成历史云图时间序列。
其中，云图时间序列的具体生成方法可参考前文记载。
步骤S204，基于历史气象预报时间序列、历史云图时间序列、历史辐照强度实测时间序列以及历史功率实测时间序列，构建训练集；
步骤S205，基于该训练集以及预设的损失函数，对该功率预测模型进行训练。
具体地，将训练集中的训练样本逐一地输入功率预测模型，得到输出的辐照强度预测数据及功率预测数据，其中，辐照强度预测数据为中间输出量，功率预测数据为最终输出量，基于这些输出量、损失函数以及与训练样本对应的样本标签计算得到损失值，并基于该损失值判断功率预测模型是否完成训练。若否，则将损失值传递给功率预测模型，以供其调整模型参数；若是，则将此时的模型确定为最终采纳的模型，即得到训练后的功率预测模型。
在本申请的一些实施例中，可以利用均方误差(mean squared error, MSE) 来评估模型性能。基于此，前述损失函数可以为：
Figure SMS_24
；
其中，n为所述训练集中样本的数量，
Figure SMS_25
为预设的权重系数，
Figure SMS_26
和
Figure SMS_27
分别为第i个样本的功率实测值、辐照强度实测值，
Figure SMS_28
和
Figure SMS_29
分别为第i个样本的功率预测值、辐照强度预测值。
下面对本申请实施例提供的光伏电站功率超短期预测装置进行描述，下文描述的光伏电站功率超短期预测装置与上文描述的光伏电站功率超短期预测方法可相互对应参照。
请参见图6，本申请实施例提供的光伏电站功率超短期预测装置，可以包括：
数据获取单元21，用于获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列；
功率预测单元22，用于将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列；
其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的；
所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到；
所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设的第一时间间隔，所述第三时间段在所述第二时间段之前，且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致；
所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致。
本申请实施例提供的光伏电站功率超短期预测装置可应用于光伏电站功率超短期预测设备，如计算机等。可选的，图7示出了光伏电站功率超短期预测设备的硬件结构框图，参照图7，光伏电站功率超短期预测设备的硬件结构可以包括：至少一个处理器31，至少一个通信接口32，至少一个存储器33和至少一个通信总线34。
在本申请实施例中，处理器31、通信接口32、存储器33、通信总线34的数量为至少一个，且处理器31、通信接口32、存储器33通过通信总线34完成相互间的通信；
处理器31可能是一个中央处理器CPU，或者是特定集成电路ASIC（ApplicationSpecific Integrated Circuit），或者是被配置成实施本申请实施例的一个或多个集成电路等；
存储器33可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatilememory）等，例如至少一个磁盘存储器；
其中，存储器33存储有程序，处理器31可调用存储器33存储的程序，所述程序用于：
获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列；
将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列；
其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的；
所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到；
所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设的第一时间间隔，所述第三时间段在所述第二时间段之前，且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致；
所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质可存储有适于处理器执行的程序，所述程序用于：
获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列；
将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列；
其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的；
所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到；
所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设的第一时间间隔，所述第三时间段在所述第二时间段之前，且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致；
所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
综上所述：
本申请首先获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列。其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的，通过将气象数据中的风速及风向嵌入在云层图片中，可以更好地捕捉到云层图片的时间相关性信息。所述第二时间段在所述第一时间段之前，即第二时间段内的云图时间序列、辐照强度实测时间序列及功率实测时间序列均为历史实测数据；且所述第二时间段与所述第一时间段相差预设的第一时间间隔。所述第三时间段在所述第二时间段之前，即第三时间段内的辐照强度实测时间序列及功率实测时间序列均为历史实测数据；且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述预设的第二时间间隔具有日照周期性属性，使得所述第三时间段的气象数据对于第一时间段的具有一定的参考意义。此外，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致。可以理解，各时间段中的各时间点与所述时间段内的时间序列中的各元素的时间点相对应。然后，将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列。需要注明的是，所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到。其中，所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致。本申请利用了云层图片与风速及风向的相关性、气象数据在时间上的相关性、气象预报数据与气象实测数据的相关性以及气象数据与光伏电站功率的相关性，对功率预测模型进行训练，使得功率预测模型能够基于气象预报数据、历史云层图片、历史辐照强度实测数据以及历史功率实测数据，预测出功率值，具有重要的应用价值。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种光伏电站功率超短期预测方法，其特征在于，包括：
获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列；
将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列；
其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的；
所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到；
所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设的第一时间间隔，所述第三时间段在所述第二时间段之前，且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致；
所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致；
所述功率预测模型包括图像前置处理单元、第一循环神经网络层、第一全连接层、第二循环神经网络层、第二全连接层、第三全连接层、第三循环神经网络层以及第四全连接层；
所述云图时间序列输入至所述图像前置处理单元，所述图像前置处理单元对所述云图时间序列进行特征提取及压平处理，得到处理后的云图时间序列；
所述处理后的云图时间序列输入至所述第一循环神经网络层，所述第一循环神经网络层对所述处理后的云图时间序列进行特征提取，得到第一特征表示；
所述第一全连接层将所述第一特征表示做线性叠加，得到第一输出结果；
所述气象预报时间序列和所述辐照强度实测时间序列输入至所述第二循环神经网络层，所述第二循环神经网络层对所述气象预报时间序列和所述辐照强度实测时间序列进行特征提取，得到第二特征表示；
所述第二全连接层将所述第二特征表示做线性叠加，得到第二输出结果；
所述第一输出结果和所述第二输出结果合并后输入至所述第三全连接层，所述第三全连接层将所述第一输出结果和所述第二输出结果映射到第一样本标签空间中，得到第三输出结果，所述第三输出结果包括辐照强度预测数据；
所述第三输出结果和所述功率实测时间序列合并后输入至所述第三循环神经网络层，所述第三循环神经网络层对所述第三输出结果和所述功率实测时间序列进行特征提取，得到第三特征表示；
所述第四全连接层将所述第三特征表示映射到第二样本标签空间中，得到功率预测时间序列。
2.根据权利要求1所述的方法，其特征在于，所述气象预报时间序列包括温度预报时间序列、湿度预报时间序列、风速预报时间序列、风向预报时间序列和辐照强度预报时间序列；
所述第三全连接层的神经元数量大于或等于2，所述第三全连接层中的1个神经元对应于辐照强度预测值；所述第四全连接层的神经元数量为1，所述第四全连接层的神经元对应于功率预测值。
3.根据权利要求1所述的方法，其特征在于，所述功率预测模型的训练过程，包括：
获取所述光伏电站的历史气象预报数据集、历史云层图片集、历史风速实测数据集、历史风向实测数据集、历史辐照强度实测数据集及历史功率实测数据集，所述历史气象预报数据集包括多个历史时间点的气象预报数据，所述历史云层图片集包括多个历史时间点的云层图片，所述历史辐照强度实测数据集包括多个历史时间点的辐照强度实测数据，所述历史功率实测数据集包括多个历史时间点的功率实测数据；
分别对所述历史气象预报数据集、所述历史云层图片集、所述历史风速实测数据集、所述历史风向实测数据集、所述历史辐照强度实测数据集以及所述历史功率实测数据集进行数据处理，得到历史气象预报时间序列、目标历史云层图片集、历史风速实测时间序列、历史风向实测时间序列、历史辐照强度实测时间序列以及历史功率实测时间序列，所述数据处理用于实现数据标准化及数据补全；
利用所述历史风速实测时间序列、历史风向实测时间序列以及目标历史云层图片集，生成历史云图时间序列；
基于所述历史气象预报时间序列、所述历史云图时间序列、所述历史辐照强度实测时间序列以及所述历史功率实测时间序列构建训练集；
基于所述训练集以及预设的损失函数，对所述功率预测模型进行训练。
4.根据权利要求3所述的方法，其特征在于，所述损失函数为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为损失值，n为所述训练集中样本的数量，
Figure QLYQS_3
为预设的权重系数，
Figure QLYQS_4
和
Figure QLYQS_5
分别为第i个样本的功率实测值、辐照强度实测值，
Figure QLYQS_6
和
Figure QLYQS_7
分别为第i个样本的功率预测值、辐照强度预测值。
5.根据权利要求1所述的方法，其特征在于，所述第一时间段为预设时刻至所述预设时刻之后的4小时，所述预设时刻与当前时刻相差20分钟以内，所述预设的第一时间间隔为4小时，所述预设的第二时间间隔为24小时；
所述获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列的过程，包括：
获取光伏电站在第一时间段内的气象预报数据，所述气象预报数据包括温度预报数据、湿度预报数据、风速预报数据、风向预报数据和辐照强度预报数据；
对所述气象预报数据进行插值运算，得到温度预报时间序列、湿度预报时间序列、风速预报时间序列、风向预报时间序列和辐照强度预报时间序列；
获取光伏电站在第二时间段内的风速实测数据、风向实测数据、辐照强度实测数据、功率实测数据和云层图片；
分别对所述风速实测数据、所述风向实测数据、所述辐照强度实测数据和所述功率实测数据进行插值运算，得到第二时间段内的风速实测时间序列、风向实测时间序列、辐照实测时间序列和功率实测时间序列；
利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片，生成第二时间段内的云图时间序列；
获取光伏电站在第三时间段内的辐照强度实测数据和功率实测数据，分别对所述辐照强度实测数据和所述功率实测数据进行插值运算，得到第三时间段内的辐照强度实测时间序列和功率实测时间序列；
同一时间段内的各时间序列具有相同的时间点及序列长度。
6.根据权利要求5所述的方法，其特征在于，利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片，生成第二时间段内的云图时间序列的过程，包括：
将第二时间段内的每一云层图片转换成一个尺寸为的云图矩阵，其中，w为所述云层图片的宽，h为所述云层图片的高，c为云层图片的通道数；
将第二时间段内的风速实测时间序列中的每一序列元素扩充成一个尺寸为的风速矩阵，所述风速矩阵中的每一矩阵元素的值均等于所述序列元素的风速实测值；
将第二时间段内的风向实测时间序列中的每一序列元素扩充成一个尺寸为的风向矩阵，所述风向矩阵中的每一矩阵元素的值均等于所述序列元素的实测风向值；
将对应于相同时间点的风速矩阵、风向矩阵与云图矩阵合并，得到嵌入了风向及风速的云图矩阵，由第二时间段内各嵌入了风向及风速的云图矩阵构成云图时间序列。
7.一种光伏电站功率超短期预测装置，其特征在于，包括：
数据获取单元，用于获取光伏电站在第一时间段内的气象预报时间序列、在第二时间段内的云图时间序列、在第二时间段及第三时间段内的辐照强度实测时间序列及功率实测时间序列；
功率预测单元，用于将所述气象预报时间序列、所述云图时间序列、所述辐照强度实测时间序列和所述功率实测时间序列输入训练后的功率预测模型中，得到第一时间段内的功率预测时间序列；
其中，第二时间段内的云图时间序列为预先利用第二时间段内的风速实测时间序列、风向实测时间序列以及云层图片生成的；
所述功率预测模型为以第四时间段内的气象预报时间序列、在第五时间段内的云图时间序列、在第五时间段以及第六时间段内的辐照强度实测时间序列及功率实测时间序列为训练样本，以第四时间段内的辐照强度实测时间序列及功率实测时间序列为样本标签训练得到；
所述第二时间段在所述第一时间段之前，且所述第二时间段与所述第一时间段相差预设的第一时间间隔，所述第三时间段在所述第二时间段之前，且所述第三时间段与所述第一时间段相差预设的第二时间间隔，所述第一时间段、所述第二时间段以及所述第三时间段的长度一致；
所述第五时间段在所述第四时间段之前，且所述第五时间段与所述第四时间段相差所述第一时间间隔，所述第六时间段在所述第四时间段及所述第五时间段之前，且所述第六时间段与所述第四时间段相差所述第二时间间隔，所述第四时间段、所述第五时间段以及所述第六时间段的长度一致；
所述功率预测模型包括图像前置处理单元、第一循环神经网络层、第一全连接层、第二循环神经网络层、第二全连接层、第三全连接层、第三循环神经网络层以及第四全连接层；
所述云图时间序列输入至所述图像前置处理单元，所述图像前置处理单元对所述云图时间序列进行特征提取及压平处理，得到处理后的云图时间序列；
所述处理后的云图时间序列输入至所述第一循环神经网络层，所述第一循环神经网络层对所述处理后的云图时间序列进行特征提取，得到第一特征表示；
所述第一全连接层将所述第一特征表示做线性叠加，得到第一输出结果；
所述气象预报时间序列和所述辐照强度实测时间序列输入至所述第二循环神经网络层，所述第二循环神经网络层对所述气象预报时间序列和所述辐照强度实测时间序列进行特征提取，得到第二特征表示；
所述第二全连接层将所述第二特征表示做线性叠加，得到第二输出结果；
所述第一输出结果和所述第二输出结果合并后输入至所述第三全连接层，所述第三全连接层将所述第一输出结果和所述第二输出结果映射到第一样本标签空间中，得到第三输出结果，所述第三输出结果包括辐照强度预测数据；
所述第三输出结果和所述功率实测时间序列合并后输入至所述第三循环神经网络层，所述第三循环神经网络层对所述第三输出结果和所述功率实测时间序列进行特征提取，得到第三特征表示；
所述第四全连接层将所述第三特征表示映射到第二样本标签空间中，得到功率预测时间序列。
8.一种光伏电站功率超短期预测设备，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1~6中任一项所述的光伏电站功率超短期预测方法的各个步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1~6中任一项所述的光伏电站功率超短期预测方法的各个步骤。
CN202310417715.6A 2023-04-19 2023-04-19 一种光伏电站功率超短期预测方法、装置及相关设备 Active CN116128170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310417715.6A CN116128170B (zh) 2023-04-19 2023-04-19 一种光伏电站功率超短期预测方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310417715.6A CN116128170B (zh) 2023-04-19 2023-04-19 一种光伏电站功率超短期预测方法、装置及相关设备

Publications (2)

Publication Number Publication Date
CN116128170A CN116128170A (zh) 2023-05-16
CN116128170B true CN116128170B (zh) 2023-06-23

Family

ID=86312189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310417715.6A Active CN116128170B (zh) 2023-04-19 2023-04-19 一种光伏电站功率超短期预测方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN116128170B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12149077B1 (en) 2023-09-11 2024-11-19 Chongqing Qianxin New Energy Co., Ltd. Blockchain-based new energy power data transmission method for photovoltaic module

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116523145B (zh) * 2023-06-29 2023-10-20 长江三峡集团实业发展(北京)有限公司 光伏功率超短期预测方法、装置、计算机设备及存储介质
CN117200971B (zh) * 2023-09-11 2024-03-26 重庆千信新能源有限公司 基于区块链的光伏组件新能源电力数据传输方法
CN118483768A (zh) * 2024-05-28 2024-08-13 浙电(宁波北仑)智慧能源有限公司 一种提升太阳辐射量预报数据分辨率的方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10996374B1 (en) * 2017-04-11 2021-05-04 DatalnfoCom USA, Inc. Short-term weather forecasting using artificial intelligence and hybrid data

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018065045A1 (en) * 2016-10-05 2018-04-12 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting
CN107220723A (zh) * 2017-04-20 2017-09-29 华北电力大学 一种光伏电站功率预测方法
CN110059878B (zh) * 2019-04-15 2021-04-02 中国计量大学 基于cnn lstm光伏发电功率预测模型及其构建方法
CN111832800A (zh) * 2020-05-28 2020-10-27 中国电力科学研究院有限公司 一种光伏电站功率预测方法和装置
CN113298303B (zh) * 2021-05-19 2021-12-28 河海大学 针对气象卫星云图动态注意域的光伏功率预测方法
CN113128793A (zh) * 2021-05-19 2021-07-16 中国南方电网有限责任公司 一种基于多源数据融合的光伏功率组合预测方法及系统
CN114819257A (zh) * 2022-03-09 2022-07-29 阳光智维科技有限公司 辐照计算方法、装置及设备
CN115935809A (zh) * 2022-11-25 2023-04-07 国网上海市电力公司 一种基于地基云图云量特征的光伏发电功率区间预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10996374B1 (en) * 2017-04-11 2021-05-04 DatalnfoCom USA, Inc. Short-term weather forecasting using artificial intelligence and hybrid data

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12149077B1 (en) 2023-09-11 2024-11-19 Chongqing Qianxin New Energy Co., Ltd. Blockchain-based new energy power data transmission method for photovoltaic module

Also Published As

Publication number Publication date
CN116128170A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN116128170B (zh) 一种光伏电站功率超短期预测方法、装置及相关设备
Jiao et al. A graph neural network based deep learning predictor for spatio-temporal group solar irradiance forecasting
Rai et al. A CNN‐BiLSTM based deep learning model for mid‐term solar radiation prediction
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN116109018B (zh) 一种光伏电站功率预测方法、装置及相关设备
Chen et al. Short-term load forecasting based on deep learning for end-user transformer subject to volatile electric heating loads
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
Hussain et al. A Hybrid Deep Learning‐Based Network for Photovoltaic Power Forecasting
CN116865261B (zh) 基于孪生网络的电力负荷预测方法及系统
CN116014722A (zh) 基于季节分解和卷积网络的次日光伏发电预测方法及系统
Tuyen et al. A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting
CN117036101A (zh) 基于联邦学习的虚拟电厂居民需求响应预测方法及系统
CN116612393A (zh) 一种太阳辐射预测方法、系统、电子设备及存储介质
CN111932007A (zh) 一种光伏电站的功率预测方法、装置及存储介质
CN117477551A (zh) 基于领域知识嵌入模型的光伏发电功率预测方法及系统
CN113962432B (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统
Kaushik et al. Performance Analysis of Regression Models in Solar PV Forecasting
CN112257938B (zh) 一种光伏发电功率预测方法及装置
CN116960954A (zh) 短期风电功率预测方法、装置、存储介质及计算机设备
CN116402194A (zh) 一种基于混合神经网络的多时间尺度负荷预测方法
CN114971007A (zh) 基于多尺度图卷积神经网络的光伏发电预测方法及系统
Wan et al. Turbine location wind speed forecast using convolutional neural network
Peng et al. A hybrid model for solar radiation forecasting towards energy efficient buildings
Muniyandi et al. A comprehensive analysis of recent advances in deep learning based solar irradiance forecasting
Zarghami et al. Concurrent PV production and consumption load forecasting using CT‐Transformer deep learning to estimate energy system flexibility

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230711

Address after: 518000 1711, Block B, Jingang Center, Jingang Building, Heye Community, Xixiang Street, Bao'an District, Shenzhen, Guangdong

Patentee after: Shenzhen Fenghe Digital Intelligence Technology Co.,Ltd.

Patentee after: Ningbo Dongli Digital Energy Technology Co.,Ltd.

Patentee after: Ningbo Oriental University of Technology (temporary name)

Address before: 518000 1711, Block B, Jingang Center, Jingang Building, Heye Community, Xixiang Street, Bao'an District, Shenzhen, Guangdong

Patentee before: Shenzhen Fenghe Digital Intelligence Technology Co.,Ltd.

TR01 Transfer of patent right