本技術(shù)涉及數(shù)據(jù)預(yù)測，更具體地說，涉及一種光伏集群功率短期預(yù)測方法和相關(guān)設(shè)備。

背景技術(shù)：

1、在全球能源轉(zhuǎn)型與雙碳目標(biāo)推進(jìn)的背景下，光伏發(fā)電因清潔、可持續(xù)等優(yōu)勢成為能源領(lǐng)域發(fā)展重點。但光伏發(fā)電功率受天氣影響，呈現(xiàn)顯著的間歇性、波動性和隨機(jī)性，這不僅影響光伏系統(tǒng)自身穩(wěn)定輸出，更給電力系統(tǒng)的調(diào)度、安全及經(jīng)濟(jì)運行帶來巨大挑戰(zhàn)。因此，開展高精度的光伏功率預(yù)測研究，對提升電網(wǎng)調(diào)度效率、降低運行成本、推動光伏大規(guī)模并網(wǎng)具有重要意義。

2、當(dāng)前，光伏功率預(yù)測的現(xiàn)有技術(shù)主要有基于物理建模和數(shù)據(jù)驅(qū)動兩類方法?；谖锢斫５姆椒ㄍㄟ^半導(dǎo)體物理、光學(xué)等理論，建立光伏組件與環(huán)境變量間的物理方程，結(jié)合氣象數(shù)據(jù)預(yù)測功率。然而，實際應(yīng)用中，光伏電站地形、組件老化、灰塵遮擋等復(fù)雜因素難以精準(zhǔn)量化，且氣象數(shù)據(jù)存在測量與預(yù)測誤差，大量簡化假設(shè)使得模型適應(yīng)性和泛化能力差。數(shù)據(jù)驅(qū)動方法利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)算法，挖掘歷史數(shù)據(jù)規(guī)律進(jìn)行建模。傳統(tǒng)機(jī)器學(xué)習(xí)方法如支持向量機(jī)、隨機(jī)森林等，在處理大規(guī)模高維數(shù)據(jù)時，依賴人工特征工程，難以自動提取復(fù)雜特征關(guān)系，泛化能力有限；深度學(xué)習(xí)方法如lstm、gru雖能自動提取特征，但在處理輸入特征間復(fù)雜非線性關(guān)系時缺乏全局建模能力，也難以捕捉多尺度動態(tài)特征，在復(fù)雜氣象條件下預(yù)測精度不足。

3、因此，亟需一種新的光伏功率預(yù)測方法，能夠克服現(xiàn)有技術(shù)的缺陷，精準(zhǔn)處理復(fù)雜特征關(guān)系，提升模型在不同場景下的泛化能力，為電力系統(tǒng)的穩(wěn)定運行與優(yōu)化調(diào)度提供可靠支撐。

技術(shù)實現(xiàn)思路

1、本技術(shù)提供了一種光伏集群功率短期預(yù)測方法和相關(guān)設(shè)備，通過獲取數(shù)據(jù)集、運用互信息理論篩選特征重構(gòu)數(shù)據(jù)集，并借助包含隱藏狀態(tài)分析網(wǎng)絡(luò)與多尺度注意力融合網(wǎng)絡(luò)的模型進(jìn)行時序特征提取和多尺度注意力計算，從而可高效處理特征非線性關(guān)系，實現(xiàn)多尺度動態(tài)特征捕捉以增強(qiáng)復(fù)雜氣象下的預(yù)測精度。

2、一種光伏集群功率短期預(yù)測方法，包括：

3、獲取光伏集群的歷史運行數(shù)據(jù)集，所述數(shù)據(jù)集包含氣象特征及對應(yīng)的歷史光伏功率；

4、基于互信息理論對所述歷史運行數(shù)據(jù)集進(jìn)行特征篩選，選取與光伏功率強(qiáng)相關(guān)的特征子集重構(gòu)得到新建光伏數(shù)據(jù)集；

5、將所述新建光伏數(shù)據(jù)集輸入包含隱藏狀態(tài)分析網(wǎng)絡(luò)與多尺度注意力融合網(wǎng)絡(luò)的功率短期預(yù)測模型，通過所述隱藏狀態(tài)分析網(wǎng)絡(luò)提取所述新建光伏數(shù)據(jù)集的時序特征并輸出隱藏狀態(tài)序列，通過所述多尺度注意力融合網(wǎng)絡(luò)對所述隱藏狀態(tài)序列進(jìn)行多尺度時間片段劃分，并依次執(zhí)行片段內(nèi)自注意力計算、片段間自注意力計算、多尺度注意力融合及加權(quán)計算，得到所述光伏集群的功率短期預(yù)測結(jié)果。

6、可選的，基于互信息理論對所述歷史運行數(shù)據(jù)集進(jìn)行特征篩選的過程，包括：

7、計算各氣象特征與光伏功率的互信息值，篩選所述互信息值超過預(yù)設(shè)閾值的所述氣象特征；

8、所述互信息值計算公式為：

9、

10、

11、其中，、分別是氣象特征和光伏功率的信息熵；是氣象特征和光伏功率的聯(lián)合熵；為事件的概率。

12、可選的，所述隱藏狀態(tài)分析網(wǎng)絡(luò)的處理計算公式為：

13、

14、

15、

16、

17、

18、

19、其中，為遺忘門；為激活函數(shù)sigmoid；為隱藏狀態(tài)對遺忘門的權(quán)重矩陣；為時刻的隱藏狀態(tài)；為時刻輸入數(shù)據(jù)對遺忘門的權(quán)重矩陣；為遺忘門的偏置；為時刻輸入網(wǎng)絡(luò)的信息；為更新門；為隱藏狀態(tài)對更新門的權(quán)重矩陣；為時刻輸入數(shù)據(jù)對更新門的權(quán)重矩陣；為更新門的偏置；為待選記憶單元；為雙曲正弦激活函數(shù)；為隱藏狀態(tài)對記憶細(xì)胞的權(quán)重矩陣；為待選記憶單元的偏置；為更新的記憶單元信息；為上一時刻的記憶單元信息；為輸出門；為隱藏狀態(tài)對輸出門的權(quán)重矩陣；為時刻輸入數(shù)據(jù)對輸出門的權(quán)重矩陣；為輸出門的偏置；為時刻的隱藏狀態(tài)信息；為hadamard積。

20、可選的，所述多尺度注意力融合網(wǎng)絡(luò)的處理過程，包括：

21、采用多尺度時間劃分策略對所述隱藏狀態(tài)序列進(jìn)行分段處理，得到多組不同時間尺度的時間片段；

22、對每組所述時間片段執(zhí)行片段內(nèi)自注意力計算以提取局部特征；

23、對所有組所述時間片段執(zhí)行片段間自注意力計算以提取全局特征；

24、融合片段內(nèi)自注意力計算結(jié)果與片段間自注意力計算結(jié)果，通過多尺度路由器對融合結(jié)果進(jìn)行加權(quán)輸出，生成功率短期預(yù)測結(jié)果。

25、可選的，對每個所述時間片段執(zhí)行所述片段內(nèi)自注意力計算的計算公式為：

26、

27、對所有所述時間片段執(zhí)行所述片段間自注意力計算的計算公式為：

28、

29、其中，intraattention為片段內(nèi)自注意力計算結(jié)果，interattention為片段間自注意力計算結(jié)果，為通過線性變化從輸入中生成的intraquery矩陣；為通過線性變化從輸入中生成的intrakey矩陣；為通過線性變化從輸入中生成的intravalue矩陣；是嵌入的注意力維度；為激活函數(shù)。

30、可選的，還包括：

31、對預(yù)測結(jié)果計算評價指標(biāo)，包括平均絕對誤差和均方根誤差；

32、

33、

34、其中，mae為平均絕對誤差；rmse為均方根誤差；為測試集樣本數(shù)；為真實值；為模型預(yù)測值。

35、一種光伏集群功率短期預(yù)測裝置，包括：

36、光伏數(shù)據(jù)單元，用于獲取光伏集群的歷史運行數(shù)據(jù)集，所述數(shù)據(jù)集包含氣象特征及對應(yīng)的歷史光伏功率；

37、特征篩選單元，用于基于互信息理論對所述歷史運行數(shù)據(jù)集進(jìn)行特征篩選，選取與光伏功率強(qiáng)相關(guān)的特征子集重構(gòu)得到新建光伏數(shù)據(jù)集；

38、預(yù)測分析單元，用于將所述新建光伏數(shù)據(jù)集輸入包含隱藏狀態(tài)分析網(wǎng)絡(luò)與多尺度注意力融合網(wǎng)絡(luò)的功率短期預(yù)測模型，通過所述隱藏狀態(tài)分析網(wǎng)絡(luò)提取所述新建光伏數(shù)據(jù)集的時序特征并輸出隱藏狀態(tài)序列，通過所述多尺度注意力融合網(wǎng)絡(luò)對所述隱藏狀態(tài)序列進(jìn)行多尺度時間片段劃分，并依次執(zhí)行片段內(nèi)自注意力計算、片段間自注意力計算、多尺度注意力融合及加權(quán)計算，得到所述光伏集群的功率短期預(yù)測結(jié)果。

39、一種光伏集群功率短期預(yù)測設(shè)備，包括存儲器和處理器；

40、所述存儲器，用于存儲程序；

41、所述處理器，用于執(zhí)行所述程序，實現(xiàn)如上述任一項所述的光伏集群功率短期預(yù)測方法的各個步驟。

42、一種可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時，實現(xiàn)如上述任一項所述的光伏集群功率短期預(yù)測方法的各個步驟。

43、一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，所述計算機(jī)程序被處理器運行時執(zhí)行如上述任一項所述的光伏集群功率短期預(yù)測方法的各個步驟。

44、從上述的技術(shù)方案可以看出，本技術(shù)實施例提供的一種光伏集群功率短期預(yù)測方法和相關(guān)設(shè)備，先獲取包含氣象特征及對應(yīng)歷史光伏功率的光伏集群歷史運行數(shù)據(jù)集；隨后基于互信息理論篩選與光伏功率強(qiáng)相關(guān)的特征，重構(gòu)新建光伏數(shù)據(jù)集；最后將新建數(shù)據(jù)集輸入由隱藏狀態(tài)分析網(wǎng)絡(luò)與多尺度注意力融合網(wǎng)絡(luò)構(gòu)成的功率短期預(yù)測模型，前者提取時序特征輸出隱藏狀態(tài)序列，后者對序列進(jìn)行多尺度時間片段劃分，并依次完成片段內(nèi)自注意力計算、片段間自注意力計算、多尺度注意力融合及加權(quán)計算，得出光伏集群功率短期預(yù)測結(jié)果。

45、針對基于物理建模方法適應(yīng)性和泛化能力差的問題，本技術(shù)完全基于數(shù)據(jù)驅(qū)動，通過互信息理論從歷史數(shù)據(jù)中篩選關(guān)鍵特征，無需對復(fù)雜實際因素進(jìn)行簡化假設(shè)，能夠適應(yīng)不同地形、組件狀態(tài)的光伏電站，有效提升了模型的適應(yīng)性和泛化能力。對于傳統(tǒng)數(shù)據(jù)驅(qū)動方法依賴人工特征工程、難以提取復(fù)雜特征關(guān)系的缺陷，互信息理論的運用實現(xiàn)了特征的自動篩選，精準(zhǔn)度量特征與光伏功率間的依賴程度，去除冗余信息，高效處理特征間的復(fù)雜非線性關(guān)系。在應(yīng)對深度學(xué)習(xí)方法缺乏全局建模能力、難以捕捉多尺度動態(tài)特征的問題上，隱藏狀態(tài)分析網(wǎng)絡(luò)與多尺度注意力融合網(wǎng)絡(luò)發(fā)揮了重要作用。隱藏狀態(tài)分析網(wǎng)絡(luò)深入挖掘數(shù)據(jù)時序特征，多尺度注意力融合網(wǎng)絡(luò)通過多尺度時間片段劃分與自注意力計算，既能聚焦局部數(shù)據(jù)細(xì)節(jié)，又能把握全局?jǐn)?shù)據(jù)關(guān)聯(lián)，實現(xiàn)了對光伏數(shù)據(jù)分鐘級到日級等多尺度動態(tài)特征的有效捕捉，顯著提升了復(fù)雜氣象條件下的預(yù)測精度，為電力系統(tǒng)穩(wěn)定運行與優(yōu)化調(diào)度提供了有力支持。