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

CN117498321A - 一种分布式光伏出力预测方法、系统及存储介质 - Google Patents

一种分布式光伏出力预测方法、系统及存储介质 Download PDF

Info

Publication number
CN117498321A
CN117498321A CN202311448616.0A CN202311448616A CN117498321A CN 117498321 A CN117498321 A CN 117498321A CN 202311448616 A CN202311448616 A CN 202311448616A CN 117498321 A CN117498321 A CN 117498321A
Authority
CN
China
Prior art keywords
data
photovoltaic power
distributed photovoltaic
cloud
output
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.)
Pending
Application number
CN202311448616.0A
Other languages
English (en)
Inventor
方鑫
袁宇波
史明明
孙健
许苏迪
肖小龙
卜强生
陆晓星
孙天奎
汪家铭
陈锦铭
陈烨
周建华
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.)
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power 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 State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202311448616.0A priority Critical patent/CN117498321A/zh
Publication of CN117498321A publication Critical patent/CN117498321A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种分布式光伏出力预测方法、系统及存储介质，所述方法包括：提取不同时刻卫星云图辐照度的遮蔽特征；对特征数据进行预处理；采用处理后的遮蔽特征建立并训练DC‑GAN网络模型，预测短期云层遮蔽特征；结合集中式光伏电站的辐照度数据和分布式光伏电站的空间相关性以及所预测得的分布式光伏电站的云层遮蔽特征建立数据库；结合数据库建立以CNN‑LSTM为结构特征的分布式光伏电站出力预测模型；采用训练后的预测模型进行光伏出力功率预测。本发明可提高分布式光伏预测模型的准确性。

Description

一种分布式光伏出力预测方法、系统及存储介质
技术领域
本发明涉及一种分布式光伏出力预测方法、系统及存储介质，属于分布式光伏发电技术领域。
背景技术
相较于集中式光伏，分布式光伏的安装位置分散，难以建立有效的气象监测系统。因此，其功率输出难以掌控，这给新型电力系统的稳定运行带来挑战。提高分布式光伏功率预测的准确性，是提高分布式光伏在新型电力系统中渗透率的关键。
随着人工智能技术的发展，基于深度学习和机器学习的光伏出力预测方法也得到了极大应用。在这些方法中，光伏的历史出力数据、数值天气预测(NWP)和气象数据被作为预测模型的数据输入，进行短期的光伏出力预测。其中，影响光伏出力预测的最主要数据是太阳辐照度。在集中式光伏出力预测中，光伏电站设置有气象监测系统，其太阳辐照度数据可以直接获得。而在分布式光伏系统中，由于其安装位置分散，基于经济性考虑，无法在每个光伏电站所在位置设置气象监测系统。通常是以分布式光伏电站相近位置的集中式光伏所在的气象数据作为其气象数据进行预测，而忽略了云层对辐照度遮蔽效果的时变性。因此，其预测误差相对较大，难以满足新型电力系统的负荷调控要求。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种分布式光伏出力预测方法、系统及存储介质，可提高分布式光伏预测模型的准确性。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种分布式光伏出力预测方法，包括：
获取分布式光伏电站所在位置下的历史卫星云图信息、辐照度数据、出力数据和气象数据；
对历史卫星云图信息进行云层类型特征提取，获取不同时刻卫星云图对辐照度的遮蔽特征；
将不同时刻卫星云图对辐照度的遮蔽特征输入预先基于动态卷积生成对抗网络构建的遮蔽特征预测模型中，得到未来短时的云层遮蔽预测数据；
采用最大均值差异MMD算法计算分布式光伏电站所在领域内集中式光伏的出力数据最小值，获得与分布式光伏电站空间相关性最强的集中式光伏电站数据；
将分布式光伏电站的历史辐照度数据、出力数据、天气数据与集中式光伏电站数据以及未来短时的云层遮蔽预测数据输入预先构建的卷积长短期神经网络预测模型进行训练；
依据训练好的卷积长短期神经网络预测模型，输入目标地区的分布式光伏电站日前辐照度数据、遮蔽特征预测数据，获得待预测时段的分布式光伏功率预测结果。
进一步的，所述获取分布式光伏电站所在位置下的历史卫星云图信息、辐照度数据、出力数据和气象数据，包括：
收集目标地区分布式光伏电站的天气数据，通过查询历史气象数据，截取了该地区目标时段包含晴朗、小雨、阴、多云条件下的历史辐照度数据，对辐照度数据进行降采样处理，将采样之后光伏出力数据和辐照度数据的采样频率保持一致。
进一步的，对分布式光伏电站的历史辐照度数据、出力数据和天气数据进行预处理，包括异常处理、归一化处理和采样频率统一化处理，其中，归一化的计算公式如下：
式中：min(x)和max(x)分别表示该特征的最小值和最大值；
异常处理包括异常值处理和缺失值处理，其中光伏出力的异常值为超出光伏电站额定功率的值或负值，异常值处理将异常值视为缺失值，转入缺失值处理；缺失值处理采用平均法，取前后两个时刻的值平均数作为缺失处的值。
进一步的，对分布式光伏电站的历史卫星云图信息进行云层数据预处理，包括：
对云图进行标准化，其中图像矩阵中每个像素强度的计算公式为：
pi,j＝Kρ(sinα)A
式中：K为太阳常数，ρ表示反照率，α表示太阳高度角，pi,j表示在云图中(i，j)坐标下的像素强度；
经过标准化处理的每个坐标下的像素强度的计算公式为：
式中：min(pi,j)、max(pi,j)分别表示云图中像素强度的最小值和最大值；
对标准化云图进行“去底”，其中原始的云图经过标准化处理后的像素矩阵的表达式为：
式中：v表示当前云图的编号，w表示云图集中云图的个数，n表示云图像素矩阵的维度；
通过不同时刻的卫星云图的像素值交叉计算得到地面像素矩阵的表达式为：
因此，经过标准化处理后的“去底”的卫星云图的像素表达式为：
式中：表示经过第w个云图计算后的最终像素矩阵。
进一步的，对历史卫星云图信息进行云层类型特征提取，包括：
在云层厚度计算前对原始的卫星云图进行HSV转换来描述图片中包含云层类型这一特征，其计算公式为：
S＝(max-min)/max
V＝max(R,G,B)
式中：max＝max(R,G,B),min＝min(R,G,B)，H表征图形的色调，S表征图形的饱和度，V表征明度；
基于公共数据平台中带有颜色特征的云层类型的遮蔽特征计算，其计算公式为：
式中：vij表示云图中对应坐标(i，j)像素点的V值，δn表示晴空矫正系数，Tn为透射矩阵。
进一步的，基于动态卷积生成对抗网络构建遮蔽特征预测模型，包括：
三维遮蔽特征表示为：
I＝(x,y,g,h,t)
式中：x和y分表表示该分布式光伏坐在位置的经纬度，g表示该时刻该位置云层像素值，h表示该时刻和该位置出的云层类型，t表示时间；
生成对抗网络的计算函数为：
式中：x表示为真实的云层图像，z为隐空间变量，G为生成网络，D为对抗网络；
同时在生成网络优化模块加入了CDNA模块，其计算表达式为：
式中：(-k，k)表示像素的位移范围，x和y表示像素坐标，k和了分别表示像素坐标的位移距离。
进一步的，所述卷积长短期神经网络预测模型的构建方法，包括：
创建卷积神经网络模型，提取数据库各组数据的空间、时间特征；
将提取的特征输入到LSTM模型中进行评估和预测。
进一步的，所述创建卷积神经网络模型，提取数据库各组数据的空间、时间特征，计算公式如下：
式中：为第(k-1)层的第i个特征图的输出值；/>为第k层第j个特征图与第(k-1)层第i个特征图之间的卷积核；/>为第k层的第j个特征图所对应的阀值；Nj为输入的特征图的集合；/>为第k层的第j个特征图的输出值；f(·)为激活函数。
进一步的，所述将提取的特征输入到LSTM模型中进行评估和预测，计算过程如下：
LSTM使用遗忘门决定哪些信息将从记忆单元状态中删除:
ft＝σ(Wfxxt+Wfhht-1+bf)
LSTM使用输入门it来决定将要存储到新单元状态Ct的新信息，计算过程如下：
it＝σ(Wixxt+Wihht-1+bi)
gt＝φ(Wgxxt+Wghht-1+bg)
Ct＝Ct-1ft+gtit
式中：gt为添加到新单元状态的候选值；Ct－1ft作用是确定有多少信息将从Ct－1中遗忘；gtit确定有多少信息添加到新单元状态Ct为向量中元素按位相乘；
使用输出门ot计算ht的过程如下：
ot＝σ(Woxxt+Wohht-1+b0)
ht＝otφ(Ct)
式中：σ,φ分别为sigmoid激活函数和tanh激活函数；Wfx、Wfh、Wix、Wih、Wgx、Wgh、Wox、Woh分别为遗忘门、输入门、输入节点、输出门与输入xt和上一隐含状态ht-1相乘的权值矩阵；bf、bt、bg、b0为对应的偏置；ft、it、gt、ot、Ct、ht分别为遗忘门、输入门、输入节点、输出门、记忆单元状态和隐含状态的输出结果。
进一步的，对所述分布式光伏出力预测结果进行进行准确性评价，具体的：
使用平均绝对误差MAE、根均方误差EMSE作为评价指标。
第二方面，本发明提供一种分布式光伏出力预测系统，包括：
数据采集模块，用于获取分布式光伏电站所在位置下的历史卫星云图信息、辐照度数据、出力数据和气象数据；
卫星云图处理模块，用于对历史卫星云图信息进行云层类型特征提取，获取不同时刻卫星云图对辐照度的遮蔽特征；
遮蔽预测数据获取模块，用于将不同时刻卫星云图对辐照度的遮蔽特征输入预先基于动态卷积生成对抗网络构建的遮蔽特征预测模型中，得到未来短时的云层遮蔽预测数据；
空间相关性分析模块，用于采用最大均值差异MMD算法计算分布式光伏电站所在领域内集中式光伏的出力数据最小值，获得与分布式光伏电站空间相关性最强的集中式光伏电站数据；
训练模块，用于将分布式光伏电站的历史辐照度数据、出力数据、天气数据与集中式光伏电站数据以及未来短时的云层遮蔽预测数据输入预先构建的卷积长短期神经网络预测模型进行训练；
功率预测模块，用于依据训练好的卷积长短期神经网络预测模型，输入目标地区的分布式光伏电站日前辐照度数据、遮蔽特征预测数据，获得待预测时段的分布式光伏功率预测结果。
第三方面，本发明提供一种电子设备，其特征在于：包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明提供一种分布式光伏出力预测方法、系统及存储介质，通过提取不同时刻卫星云图辐照度的遮蔽特征进行处理，基于动态卷积生成对抗网络，预测短期云层遮蔽特征。结合集中式光伏电站的辐照度数据和分布式光伏电站的空间相关性，以及预测得的云层遮蔽特征建立数据库建立以卷积长短期神经网络为结构特征的分布式光伏电站出力预测模型。并通过真实数据，验证基于动态卷积生成对抗网络和卫星云图视频帧的分布式光伏电站出力预测方法具有有效性和准确性。
附图说明
图1是基于动态卷积生成对抗网络和卫星云图视频帧的分布式光伏电站辐照度预测流程图；
图2是基于动态卷积生成对抗的网络卫星云图视频帧预测模型流程图；
图3是基于CNN-LSTM的分布式光伏出力流程图；
图4是晴天条气象件下的辐照度预测结果示意图；
图5是小雨-阴天-多云气象条件下的辐照度预测结果示意图；
图6是晴朗气象条件下的出力预测结果示意图；
图7是多云气象条件下的出力预测结果示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本实施例介绍一种分布式光伏出力预测方法，包括：
获取分布式光伏电站所在位置下的历史卫星云图信息、辐照度数据、出力数据和气象数据；
对历史卫星云图信息进行云层类型特征提取，获取不同时刻卫星云图对辐照度的遮蔽特征；
将不同时刻卫星云图对辐照度的遮蔽特征输入预先基于动态卷积生成对抗网络构建的遮蔽特征预测模型中，得到未来短时的云层遮蔽预测数据；
采用最大均值差异MMD算法计算分布式光伏电站所在领域内集中式光伏的出力数据最小值，获得与分布式光伏电站空间相关性最强的集中式光伏电站数据；
将分布式光伏电站的历史辐照度数据、出力数据、天气数据与集中式光伏电站数据以及未来短时的云层遮蔽预测数据输入预先构建的卷积长短期神经网络预测模型进行训练；
依据训练好的卷积长短期神经网络预测模型，输入目标地区的分布式光伏电站日前辐照度数据、遮蔽特征预测数据，获得待预测时段的分布式光伏功率预测结果。
如图1、图2和图3所示，本实施例提供的分布式光伏出力预测方法，其应用过程具体涉及如下步骤：
步骤1、获取公共气象数据平台中分布式光伏电站所在位置下的历史卫星云图信息、气象数据、集中式光伏电站和分布式光伏电站的辐照度数据和出力数据；
收集目标地区分布式光伏电站的天气数据，通过查询历史气象数据，截取了该地区目标时段包含晴朗、小雨、阴、多云等条件下的历史辐照度数据。由于光伏出力数据的采样频率为15min/点，而辐照度数据的采样频率为5min/点。为了保持两者频率的一致性，需要对辐照度数据进行降采样处理。将采样之后光伏出力数据和辐照度数据的采样频率均为15min/点。
步骤2、对目标分布式光伏电站的历史辐照数据、出力数据和天气数据进行预处理，包括异常处理、归一化处理和采样频率统一化处理；其中，归一化的计算公式如下：
式中：min(x)和max(x)分别表示该特征的最小值和最大值。
异常处理包括异常值处理和缺失值处理。其中光伏出力的异常值为超出光伏电站额定功率的值或负值，异常值处理将异常值视为缺失值，转入缺失值处理；缺失值处理采用平均法，取前后两个时刻的值平均数作为缺失处的值。
步骤3、对分布式光伏电站历史卫星云图信息进行云层数据预处理；具体包括：
步骤31、对云图进行标准化，其中图像矩阵中每个像素强度的计算公式为：
pi,j＝Kρ(sinα)A
式中：K为太阳常数，ρ表示反照率，α表示太阳高度角，pi,j表示在云图中(i，j)坐标下的像素强度。
经过标准化处理的每个坐标下的像素强度的计算公式为：
式中：min(pi,j)、max(pi,j)分别表示云图中像素强度的最小值和最大值。
步骤32、对标准化云图进行“去底”，其中原始的云图经过标准化处理后的像素矩阵的表达式为：
式中：v表示当前云图的编号，w表示云图集中云图的个数。n表示云图像素矩阵的维度。
通过不同时刻的卫星云图的像素值交叉计算得到地面像素矩阵的表达式为：
因此，经过标准化处理后的“去底”的卫星云图的像素表达式为：
式中：表示经过第w个云图计算后的最终像素矩阵。
步骤4、对“去底”后的卫星云图进行云层类型特征提取；具体包括；
步骤41、在云层厚度计算前对原始的卫星云图进行HSV转换来描述图片中包含云层类型这一特征，其计算公式为：
S＝(max-min)/max
V＝max(R,G,B)
式中：max＝max(R,G,B),min＝min(R,G,B)。H表征图形的色调，S表征图形的饱和度，V表征明度。
步骤42、基于公共数据平台中带有颜色特征的云层类型的遮蔽特征计算，其计算公式为：
式中：vij表示云图中对应坐标(i，j)像素点的V值，δn表示晴空矫正系数，Tn为透射矩阵。
步骤5、基于动态卷积生成对抗网络(Dynamic Convolutional GenerativeAdversarial Network，DC-GAN)，构建遮蔽特征预测模型；
1、其中三维遮蔽特征表示为：
I＝(x,y,g,h,t)
式中：x和y分表表示该分布式光伏坐在位置的经纬度，g表示该时刻该位置云层像素值，h表示该时刻和该位置出的云层类型，t表示时间。
生成对抗网络的计算函数为：
式中：x表示为真实的云层图像，z为隐空间变量，G为生成网络，D为对抗网络。
同时在生成网络优化模块加入了CDNA模块，其计算表达式为：
式中：(-k，k)表示像素的位移范围，x和y表示像素坐标，k和了分别表示像素坐标的位移距离。
利用处理后的特征数据训练遮蔽特征预测模型，得到未来短时的云层遮蔽预测数据；
步骤6、采用最大均值误差(Maximum Mean Discrepancy,MMD)计算在该卫星云层覆盖范围下的与当前目标分布式光伏电站的MMD最小值的集中式光伏电站。
步骤7、提取该集中式光伏电站的相关气象数据，作为当前分布式光伏电站气象数据的相关部分数据。
步骤8、提取该分布式光伏电站所在位置处的云团遮蔽特征，作为该分布式光伏电站气象数据中的一部分，对其气象数据的时变性修正。
步骤9、构建卷积长短期神经网络CNN-LSTM(Convolutional Neural Netwroks-Long short-term memory,CNN-LSTM)为结构特征的分布式光伏电站出力预测模型；
具体包括：
步骤91、创建卷积神经网络模型提取数据库各组数据的空间、时间特征；计算过程如下：
式中：为第(k-1)层的第i个特征图的输出值；/>为第k层第j个特征图与第(k-1)层第i个特征图之间的卷积核；/>为第k层的第j个特征图所对应的阀值；Nj为输入的特征图的集合；/>为第k层的第j个特征图的输出值；f(·)为激活函数。
步骤92、将CNN中提取的特征输入到LSTM模型中进行评估和预测，计算过程如下：
遗忘门帮助LSTM决定哪些信息将从记忆单元状态中删除:
ft＝σ(Wfxxt+Wfhht-1+bf)
LSTM使用输入门it来决定将要存储到新单元状态Ct的新信息，计算过程如下：
it＝σ(Wixxt+Wihht-1+bi)
gt＝φ(Wgtxt+Wghht-1+bg)
Ct＝Ct-1ft+gtit
式中：gt为添加到新单元状态的候选值；Ct－1ft作用是确定有多少信息将从Ct－1中遗忘；gtit确定有多少信息添加到新单元状态Ct为向量中元素按位相乘。
使用输出门ot计算ht的过程如下：
ot＝σ(Woxxt+Wohht-1+b0)
ht＝otφ(Ct)
式中：σ,φ分别为sigmoid激活函数和tanh激活函数；Wfx、Wfh、Wix、Wih、Wgx、Wgh、Wox、Woh分别为遗忘门、输入门、输入节点、输出门与输入xt和上一隐含状态ht-1相乘的权值矩阵；bf、bt、bg、b0为对应的偏置；ft、it、gt、ot、Ct、ht分别为遗忘门、输入门、输入节点、输出门、记忆单元状态和隐含状态的输出结果。
步骤10、以集中式光伏电站的辐照度、出力、天气数据和集中式光伏电站与分布式光伏电站的空间相关性以及未来短时的遮蔽特征预测数据训练卷积长短期神经网络预测模型；
在分布式光伏辐照度的预测中，由于其所在位置的云层遮蔽特征呈现一定的时序特征性，并且和附近的集中式光伏的辐照度呈现一定的空间相关性，通过分析在领域中的集中式光伏和分布式光伏的最大均值差异(Maximum Mean Discrepancy,MMD)值，当集中式光伏的出力数据与分布式光伏的出力数据MMD值最小时，认为这两个电站的空间相关性最强。因此，以及借助于附近集中式光伏的辐照度数据和云层的遮蔽特征的时序特性来对其辐照度进行预测。在分布式光伏出力的预测中，由于光伏的出力是与辐照度、温度、光伏容量等变量强相关性的时间序列问题。因此，可以采用和辐照度相同的预测模型进行预测。
用CNN网络提取基于云图的辐照度数据，以及处理影响光伏出力的其它变量。在出力预测模型的主体部分，采用多层LSTM网络作为光伏出力的预测部分。其中CNN网络中卷积层用于提取辐照度数据特征，最后一层全连接层用于构建于LSTM神经网络的网络链接，将提取的数据特征作为LSTM网络的输入。
步骤11、依据训练好的卷积长短期神经网络预测模型，输入目标地区的分布式光伏电站日前辐照度数据、遮蔽特征预测数据，获得待预测时段的分布式光伏功率预测结果。
具体包括：
采用MMD算法计算分布式光伏电站所在领域内集中式光伏的出力最小值，获得与分布式光伏电站空间相关性最强的集中式光伏电站数据。
输入目标地区的分布式光伏电站日前辐照度数据、遮蔽特征预测数据；
获得卷积神经网络-长短期记忆神经网络预测模型输出作为待测时间点分布式光伏出力预测结果。
对预测结果进行准确性评价，具体的：
使用平均绝对误差MAE、根均方误差EMSE作为评价指标。
下面结合一个优选实施例，对上述实施例中涉及到的内容进行说明。
为了验证本专利所提方法的有效性，实验部分选取了湖南省永州市江华瑶族自治县的光伏数据作为研究对象。该地区的光伏电站的基本信息如表1所示。
表1光伏电站基本信息
其中，把4号光伏电站鹧鸪坝电站视为该地区附近的集中式光伏电站，其余均视为分布式光伏电站。同时为了验证本专利所提的基于DC-GAN的卫星云图视频帧的辐照度预测方法的有效性，采用真实的辐照度数据作为基准对比NWP辐照度和本案例计算得到的辐照度。通过查询历史气象数据，截取了该地区在2021年间包含晴朗、小雨、阴、多云等条件下的历史辐照度数据。其中，晴朗时段的辐照度数据为2021年2月13日7：00-2021年2月15日19：00。由小雨-阴-多云气象变化时段的数据为2021年2月10日7：00-2021年2月12日19：00。
在对辐照度的预测效果进行评价之前，需要对基于卫星云图视频帧的预测效果进行评价。由于不同时间点视频帧的预测结果的SSIM都不是相同的，因此，本案例采用不同气象条件的平均4h内的视频帧预测误差的平均值作为考察指标。不同时段的云图视频帧预测的平均SSIM如表2所示。
表2不同时段的云图视频帧预测的平均SSIM
从表3可知，基于卫星云图遮蔽特征的视频帧的预测效果平均值都在0.86以上，达到了理想的预测效果。
表3不同电站辐照度预测误差结果
在完成遮蔽特征视频帧预测之后，获取了未来时刻的卫星云图，针对该云图运用本专利描述的方法计算未来时刻的辐照度。其中，在不同气象条件下的辐照度预测曲线如图4，图5所示。表4记录了不同电站在晴天条件下的平均辐照度误差结果。
表4不同气象条件下辐照度预测误差结果
从表中可以看出，在小雨以及阴天条件下，本专利所推荐的方法和基于NWP的辐照度值的误差都相对较小，但是在多云天气条件下，虽然本专利所推荐的方法以及基于NWP的辐照度计算结果的误差都比较大，但是本专利所推荐的方法相对NWP更加接近真实的辐照度数据。
基于上述辐照度计算结果，对分布式光伏的出力进行预测。在该预测模型中采用数据集的80％作为训练集，20％作为测试集。数据集的时间段为2021年1月29日-2021年2月15日。因为光伏出力的主要影响因素为辐照度数据，因此可采用某一个光伏电站的出力数据进行验证，本专利采用容量最大的分布式电站华阳田电站的出力数据进行计算。其在晴天气象条件下的分布式光伏出力结果如图6所示。从图中可以看出，在晴朗气象条件下，本专利所提出的分布式光伏出力预测结果与真实的光伏出力结果想接近，其MAE值为0.25WM，EMSE值为0.43WM。图7为在多云气象条件下华阳田气象站的预测出力与真实出力曲线。在图中可以看出，在多云气象条件下，光伏的出力出现了比较大的波动，其MAE值和EMSE值相对晴天气象条件下要大，但是本专利所提出的预测结果的走势基本与真实光伏出力走势相吻合。在极端气象条件下，本专利所提出的方法能够提供可靠的光伏出力预测数据。
综上所述，本发明所提出的基于动态卷积生成对抗网络和卫星云图视频帧的分布式光伏电站辐照度预测模型能够提高分布式光伏出力预测的整体精度，鲁棒性高，有利于电网系统的稳定运行。
实施例2
本实施例提供一种分布式光伏出力预测系统，包括：
数据采集模块，用于获取分布式光伏电站所在位置下的历史卫星云图信息、辐照度数据、出力数据和气象数据；
卫星云图处理模块，用于对历史卫星云图信息进行云层类型特征提取，获取不同时刻卫星云图对辐照度的遮蔽特征；
遮蔽预测数据获取模块，用于将不同时刻卫星云图对辐照度的遮蔽特征输入预先基于动态卷积生成对抗网络构建的遮蔽特征预测模型中，得到未来短时的云层遮蔽预测数据；
空间相关性分析模块，用于采用最大均值差异MMD算法计算分布式光伏电站所在领域内集中式光伏的出力数据最小值，获得与分布式光伏电站空间相关性最强的集中式光伏电站数据；
训练模块，用于将分布式光伏电站的历史辐照度数据、出力数据、天气数据与集中式光伏电站数据以及未来短时的云层遮蔽预测数据输入预先构建的卷积长短期神经网络预测模型进行训练；
功率预测模块，用于依据训练好的卷积长短期神经网络预测模型，输入目标地区的分布式光伏电站日前辐照度数据、遮蔽特征预测数据，获得待预测时段的分布式光伏功率预测结果。
实施例3
本实施例提供一种电子设备，其特征在于：包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
实施例4
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1中任一项所述方法的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本公开的技术方案而非对其保护范围的限制，尽管参照上述实施例对本公开进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本公开后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在公开待批的权利要求保护范围之内。

Claims (13)

1.一种分布式光伏出力预测方法，其特征在于，包括：
获取分布式光伏电站所在位置下的历史卫星云图信息、辐照度数据、出力数据和气象数据；
对历史卫星云图信息进行云层类型特征提取，获取不同时刻卫星云图对辐照度的遮蔽特征；
将不同时刻卫星云图对辐照度的遮蔽特征输入预先基于动态卷积生成对抗网络构建的遮蔽特征预测模型中，得到未来短时的云层遮蔽预测数据；
采用最大均值差异MMD算法计算分布式光伏电站所在领域内集中式光伏的出力数据最小值，获得与分布式光伏电站空间相关性最强的集中式光伏电站数据；
将分布式光伏电站的历史辐照度数据、出力数据、天气数据与集中式光伏电站数据以及未来短时的云层遮蔽预测数据输入预先构建的卷积长短期神经网络预测模型进行训练；
依据训练好的卷积长短期神经网络预测模型，输入目标地区的分布式光伏电站日前辐照度数据、遮蔽特征预测数据，获得待预测时段的分布式光伏功率预测结果。
2.根据权利要求1所述的分布式光伏出力预测方法，其特征在于，所述获取分布式光伏电站所在位置下的历史卫星云图信息、辐照度数据、出力数据和气象数据，包括：
收集目标地区分布式光伏电站的天气数据，通过查询历史气象数据，截取了该地区目标时段包含晴朗、小雨、阴、多云条件下的历史辐照度数据，对辐照度数据进行降采样处理，将采样之后光伏出力数据和辐照度数据的采样频率保持一致。
3.根据权利要求1所述的分布式光伏出力预测方法，其特征在于，对分布式光伏电站的历史辐照度数据、出力数据和天气数据进行预处理，包括异常处理、归一化处理和采样频率统一化处理，其中，归一化的计算公式如下：
式中：min(x)和max(x)分别表示该特征的最小值和最大值；
异常处理包括异常值处理和缺失值处理，其中光伏出力的异常值为超出光伏电站额定功率的值或负值，异常值处理将异常值视为缺失值，转入缺失值处理；缺失值处理采用平均法，取前后两个时刻的值平均数作为缺失处的值。
4.根据权利要求1所述的分布式光伏出力预测方法，其特征在于，对分布式光伏电站的历史卫星云图信息进行云层数据预处理，包括：
对云图进行标准化，其中图像矩阵中每个像素强度的计算公式为：
pi,j＝Kρ(sinα)A
式中：K为太阳常数，ρ表示反照率，α表示太阳高度角，pi,j表示在云图中(i，j)坐标下的像素强度；
经过标准化处理的每个坐标下的像素强度的计算公式为：
式中：min(pi,j)、max(pi,j)分别表示云图中像素强度的最小值和最大值；
对标准化云图进行“去底”，其中原始的云图经过标准化处理后的像素矩阵的表达式为：
式中：v表示当前云图的编号，w表示云图集中云图的个数，n表示云图像素矩阵的维度；
通过不同时刻的卫星云图的像素值交叉计算得到地面像素矩阵的表达式为：
因此，经过标准化处理后的“去底”的卫星云图的像素表达式为：
式中：表示经过第w个云图计算后的最终像素矩阵。
5.根据权利要求1所述的分布式光伏出力预测方法，其特征在于，对历史卫星云图信息进行云层类型特征提取，包括：
在云层厚度计算前对原始的卫星云图进行HSV转换来描述图片中包含云层类型这一特征，其计算公式为：
S＝(max-min)/max
V＝max(R,G,B)
式中：max＝max(R,G,B),min＝min(R,G,B)，H表征图形的色调，S表征图形的饱和度，V表征明度；
基于公共数据平台中带有颜色特征的云层类型的遮蔽特征计算，其计算公式为：
式中：vij表示云图中对应坐标(i，j)像素点的V值，δn表示晴空矫正系数，Tn为透射矩阵。
6.根据权利要求1所述的分布式光伏出力预测方法，其特征在于，基于动态卷积生成对抗网络构建遮蔽特征预测模型，包括：
三维遮蔽特征表示为：
I＝(x,y,g,h,t)
式中：x和y分表表示该分布式光伏坐在位置的经纬度，g表示该时刻该位置云层像素值，h表示该时刻和该位置出的云层类型，t表示时间；
生成对抗网络的计算函数为：
式中：x表示为真实的云层图像，z为隐空间变量，G为生成网络，D为对抗网络；
同时在生成网络优化模块加入了CDNA模块，其计算表达式为：
式中：(-k，k)表示像素的位移范围，x和y表示像素坐标，k和了分别表示像素坐标的位移距离。
7.根据权利要求1所述的分布式光伏出力预测方法，其特征在于，所述卷积长短期神经网络预测模型的构建方法，包括：
创建卷积神经网络模型，提取数据库各组数据的空间、时间特征；
将提取的特征输入到LSTM模型中进行评估和预测。
8.根据权利要求7所述的分布式光伏出力预测方法，其特征在于，所述创建卷积神经网络模型，提取数据库各组数据的空间、时间特征，计算公式如下：
式中：为第(k-1)层的第i个特征图的输出值；/>为第k层第j个特征图与第(k-1)层第i个特征图之间的卷积核；/>为第k层的第j个特征图所对应的阀值；Nj为输入的特征图的集合；/>为第k层的第j个特征图的输出值；f(·)为激活函数。
9.根据权利要求8所述的分布式光伏出力预测方法，其特征在于，所述将提取的特征输入到LSTM模型中进行评估和预测，计算过程如下：
LSTM使用遗忘门决定哪些信息将从记忆单元状态中删除:
ft＝σ(Wfxxt+Wfhht-1+bf)
LSTM使用输入门it来决定将要存储到新单元状态Ct的新信息，计算过程如下：
it＝σ(Wixxt+Wihht-1+bi)
gt＝φ(Wgxxt+Wghht-1+bg)
Ct＝Ct-1ft+gtit
式中：gt为添加到新单元状态的候选值；Ct－1ft作用是确定有多少信息将从Ct－1中遗忘；gtit确定有多少信息添加到新单元状态Ct为向量中元素按位相乘；
使用输出门ot计算ht的过程如下：
ot＝σ(Woxxt+Wohht-1+b0)
ht＝otφ(Ct)
式中：σ,φ分别为sigmoid激活函数和tanh激活函数；Wfx、Wfh、Wix、Wih、Wgx、Wgh、Wox、Woh分别为遗忘门、输入门、输入节点、输出门与输入xt和上一隐含状态ht-1相乘的权值矩阵；bf、bt、bg、b0为对应的偏置；ft、it、gt、ot、Ct、ht分别为遗忘门、输入门、输入节点、输出门、记忆单元状态和隐含状态的输出结果。
10.根据权利要求1所述的分布式光伏出力预测方法，其特征在于，对所述分布式光伏出力预测结果进行进行准确性评价，具体的：
使用平均绝对误差MAE、根均方误差EMSE作为评价指标。
11.一种分布式光伏出力预测系统，其特征在于，包括：
数据采集模块，用于获取分布式光伏电站所在位置下的历史卫星云图信息、辐照度数据、出力数据和气象数据；
卫星云图处理模块，用于对历史卫星云图信息进行云层类型特征提取，获取不同时刻卫星云图对辐照度的遮蔽特征；
遮蔽预测数据获取模块，用于将不同时刻卫星云图对辐照度的遮蔽特征输入预先基于动态卷积生成对抗网络构建的遮蔽特征预测模型中，得到未来短时的云层遮蔽预测数据；
空间相关性分析模块，用于采用最大均值差异MMD算法计算分布式光伏电站所在领域内集中式光伏的出力数据最小值，获得与分布式光伏电站空间相关性最强的集中式光伏电站数据；
训练模块，用于将分布式光伏电站的历史辐照度数据、出力数据、天气数据与集中式光伏电站数据以及未来短时的云层遮蔽预测数据输入预先构建的卷积长短期神经网络预测模型进行训练；
功率预测模块，用于依据训练好的卷积长短期神经网络预测模型，输入目标地区的分布式光伏电站日前辐照度数据、遮蔽特征预测数据，获得待预测时段的分布式光伏功率预测结果。
12.一种电子设备，其特征在于：包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。
13.一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：该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。
CN202311448616.0A 2023-11-02 2023-11-02 一种分布式光伏出力预测方法、系统及存储介质 Pending CN117498321A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311448616.0A CN117498321A (zh) 2023-11-02 2023-11-02 一种分布式光伏出力预测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311448616.0A CN117498321A (zh) 2023-11-02 2023-11-02 一种分布式光伏出力预测方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN117498321A true CN117498321A (zh) 2024-02-02

Family

ID=89677596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311448616.0A Pending CN117498321A (zh) 2023-11-02 2023-11-02 一种分布式光伏出力预测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN117498321A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118174296A (zh) * 2024-05-11 2024-06-11 国网浙江省电力有限公司 一种面向新型配电系统的出力预测方法及系统
CN118554447A (zh) * 2024-07-25 2024-08-27 国能日新科技股份有限公司 基于卫星云图预训练和模仿学习的光伏超短期预测方法
CN118587608A (zh) * 2024-07-31 2024-09-03 国网山东省电力公司微山县供电公司 基于时空特征的分布式光伏电站辐照度预测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118174296A (zh) * 2024-05-11 2024-06-11 国网浙江省电力有限公司 一种面向新型配电系统的出力预测方法及系统
CN118554447A (zh) * 2024-07-25 2024-08-27 国能日新科技股份有限公司 基于卫星云图预训练和模仿学习的光伏超短期预测方法
CN118587608A (zh) * 2024-07-31 2024-09-03 国网山东省电力公司微山县供电公司 基于时空特征的分布式光伏电站辐照度预测方法及系统

Similar Documents

Publication Publication Date Title
CN117498321A (zh) 一种分布式光伏出力预测方法、系统及存储介质
CN111199523B (zh) 电力设备识别方法、装置、计算机设备和存储介质
CN113537561A (zh) 一种基于地基云图的超短期太阳辐射预测方法和系统
CN116384583A (zh) 一种基于多神经网络的光伏功率预测方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN112288084B (zh) 基于特征图通道重要性的深度学习目标检测网络压缩方法
CN108133182B (zh) 一种基于云成像的新能源发电预测方法及装置
CN117576724A (zh) 一种无人机飞鸟检测方法、系统、设备和介质
CN112380985A (zh) 变电站入侵异物实时检测方法
Crispim et al. Prediction of the solar radiation evolution using computational intelligence techniques and cloudiness indices
Dhanalakshmi et al. [Retracted] Application of Machine Learning in Multi‐Directional Model to Follow Solar Energy Using Photo Sensor Matrix
CN116152206A (zh) 一种光伏输出功率预测方法、终端设备及存储介质
US12001938B2 (en) Convolutional neural network for estimating a solar energy production indicator
Crispim et al. Solar radiation prediction using RBF neural networks and cloudiness indices
Wang et al. Combined ultra-short-term prediction method of PV power considering ground-based cloud images and chaotic characteristics
Ma et al. Corn-plant counting using scare-aware feature and channel interdependence
CN116706907A (zh) 基于模糊推理的光伏发电预测方法和相关设备
CN116029440A (zh) 光伏电站超短期功率预测方法和装置
CN117151998A (zh) 一种基于支持向量回归的图像光照校正方法
Zhu et al. Infrared and visible image fusion using threshold segmentation and weight optimization
CN110175639B (zh) 一种基于特征选取的短期风电功率预测方法
Radovan et al. Prediction of HSV color model parameter values of cloud movement picture based on artificial neural networks
CN118587563B (zh) 基于无人机配网线路自适应巡检中的自监督预训练方法
CN113449611B (zh) 一种基于yolo网络压缩算法的安全帽识别智能监控系统
KR20200064377A (ko) 영상의 상대 방사 보정 방법 및 수행 장치

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