一种短期光伏发电量预测方法和装置与流程

本申请涉及光伏发电，具体涉及一种短期光伏发电量预测方法和装置。

背景技术：

1、太阳能光伏发电是指利用光伏组件将太阳能直接转化为电能的发电技术。太阳能光伏发电是一种新颖、前景广阔的综合能源利用方法，具有环境污染低、空气和水资源不污染、无噪声污染、因地制宜、安装成本低等优点。准确预测光伏发电过程中产生的电力，可以大大降低发电的随机性和波动性对电网系统稳定性的影响，有利于其均衡运行和优化调度，降低运营成本。但是光伏发电会受到很多因素的影响，如季节、天气、全球太阳辐射、风速等，在不同的天气条件下容易出现较大的波动，其发电具有随机性、波动性和间歇性的特点，光伏发电预测是一个复杂的任务。由于短期太阳能光伏发电预测是优化可再生能源系统和电力市场运行和控制的一个重要方面，很多城市对短期太阳能光伏发电的预测及其在可再生能源的应用中的有效使用方面需求增加了。

2、尽管目前有很多光伏发电量预测方法，但是大多数都是基于传统的循环神经网络及其变体模型,存在数据特征单一，模型泛化能力不足等问题。因此，如何更准确的预测太阳能光伏短期发电的发电量，降低发电的随机性和波动性对电网系统稳定性的影响，已成为本领域亟需解决的技术问题。

技术实现思路

1、鉴于上述问题，本申请提供了一种短期光伏发电量预测方法和装置，提高上述太阳能光伏发电短期发电量预测的准确性，以降低发电的随机性和波动性对电网系统稳定性的影响。

2、为实现上述目的，提供了一种短期光伏发电量预测方法，包括以下步骤：

3、构建由处理天气图像数据的cnn-gru-se组件和处理气象数据的基于ipso优化的ipso-gru组件组成的基于注意力的混合模型；所述天气图像数据为由全天空成像仪采集得到的图像数据，所述气象数据包括温度、湿度、风速、太阳辐射中的任意一种或多种；

4、采集所述光伏发电厂的发电数据、气象数据以及天气图像数据，并对所述气象数据和所述天气图像数据进行预处理和特征选取，得到训练数据集；

5、采用所述训练数据集对所述基于注意力的混合模型进行训练和测试；

6、获取所述光伏发电厂当前时刻的气象数据和天气图像数据，并通过训练后的所述基于注意力的混合模型预测光伏发电厂在接下来的一段时间内的短期发电功率；

7、其中，所述cnn-gru-se组件包括cnn模块、gru网络和se模块；

8、所述cnn模块用于提取图像特征的cnn模块，包括一个使用relu作为激活函数的卷积层、批量归一化层、一个用于降低数据的维度并突出最重要的特征的maxpooling层、一个dropout层，以及一个用于将多维输出转换为一维格式的flattern层；

9、所述gru网络用于将所述cnn模块提取的特征进行排列后作为输入，以捕捉数据的内部动态变化规则和时间服从关系；

10、所述se模块用于明确混合模型内不同特征通道之间的相互依存关系以实现基于通道的注意力机制。

11、为解决上述技术问题，本申请还提供了另一技术方案：

12、一种短期光伏发电量预测装置，包括：

13、基于注意力的混合模型，由处理天气图像数据的cnn-gru-se组件和处理气象数据的基于ipso优化的ipso-gru组件组成，所述天气图像数据为由全天空成像仪采集得到的图像数据，所述气象数据包括温度、湿度、风速、太阳辐射中的任意一种或多种；

14、数据采集模块，用于采集所述光伏发电厂的发电数据、气象数据以及天气图像数据，并对所述气象数据和所述天气图像数据进行预处理和特征选取，得到训练数据集；

15、训练模块，用于采用所述训练数据集对所述基于注意力的混合模型进行训练和测试；

16、预测模块，用于获取所述光伏发电厂当前时刻的气象数据和天气图像数据，并通过训练后的所述基于注意力的混合模型预测光伏发电厂在接下来的一段时间内的短期发电功率；

17、其中，所述cnn-gru-se组件包括cnn模块、gru网络和se模块；

18、所述cnn模块用于提取图像特征的cnn模块，包括一个使用relu作为激活函数的卷积层、批量归一化层、一个用于降低数据的维度并突出最重要的特征的maxpooling层、一个dropout层，以及一个用于将多维输出转换为一维格式的flattern层；

19、所述gru网络即gru神经网络模型，用于将所述cnn模块提取的特征进行排列后作为输入，以捕捉数据的内部动态变化规则和时间服从关系；

20、所述se模块用于明确混合模型内不同特征通道之间的相互依存关系以实现基于通道的注意力机制。

21、区别于现有技术，cnn神经网络可以有效地提取数据集的空间特征，而gru神经网络具有提取时间特征的能力，能够发现光伏发电数据的变化规律，上述技术方案短期光伏发电量预测方法中，融合了卷积神经网络的空间特征提取能力和gru的时序特征预测能力，使得能够从输入数据中有效地学习空间和时间模式，从而与单个模型相比提高了性能。该模型还可以受益于使用高分辨率图像作为输入数据，不仅能通过增加卷积层来更详细地处理输入图像，也可以使用更密集的数据集来训练模型。该模型广泛适用于光伏发电厂和电力系统的发电量量的准确预测，可以帮助系统运营商规划和管理负荷和发电，降低成本，提高整体系统效率。

22、上述技术实现要素：相关记载仅是本申请技术方案的概述，为了让本领域普通技术人员能够更清楚地了解本申请的技术方案，进而可以依据说明书的文字及附图记载的内容予以实施，并且为了让本申请的上述目的及其它目的、特征和优点能够更易于理解，以下结合本申请的具体实施方式及附图进行说明。

技术特征：

1.一种短期光伏发电量预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的短期光伏发电量预测方法，其特征在于，所述se模块包括挤压操作、激发操作和缩放操作；

3.根据权利要求1所述的短期光伏发电量预测方法，其特征在于，gru网络是lstm中很好的一种变体，gru网络的计算公式如下：

4.根据权利要求1所述的短期光伏发电量预测方法，其特征在于，所述ipso-gru组件用于采用改进的粒子群优化算法对所述gru网络参数进行优化,包括以下步骤：

5.根据权利要求1所述的短期光伏发电量预测方法，其特征在于，所述通过训练后的所述基于注意力的混合模型预测光伏发电厂在接下来的一段时间内的短期发电功率，包括：

6.根据权利要求1所述的短期光伏发电量预测方法，其特征在于，所述对所述气象数据和所述天气图像数据进行预处理和特征选取，包括以下步骤：

7.一种短期光伏发电量预测装置，其特征在于，包括：

8.根据权利要求7所述的短期光伏发电量预测装置，其特征在于，所述se模块包括挤压操作、激发操作和缩放操作；

9.根据权利要求7所述的短期光伏发电量预测装置，其特征在于，所述ipso-gru组件用于采用改进的粒子群优化算法对所述gru网络参数进行优化,包括以下步骤：

10.根据权利要求7所述的短期光伏发电量预测装置，其特征在于，所述预测模块还用于将所述cnn-gru-se组件输出的特征向量和所述ipso-gru组件输出的特征向量并列组合在一起，然后输入全连接层进行最后的预测，得到光伏发电厂在接下来的一段时间内的短期发电功率。

技术总结本发明公开了一种短期光伏发电量预测方法和装置，包括构建由处理天气图像数据的CNN‑GRU‑SE组件和处理气象数据的基于IPSO优化的IPSO‑GRU组件组成的基于注意力的混合模型；采用训练数据集对所述基于注意力的混合模型进行训练和测试；获取所述光伏发电厂当前时刻的气象数据和天气图像数据，并通过训练后的所述基于注意力的混合模型预测光伏发电厂在接下来的一段时间内的短期发电功率。本发明中融合了卷积神经网络的空间特征提取能力和GRU的时序特征预测能力，使得能够从输入数据中有效地学习空间和时间模式，从而与单个模型相比提高了性能。技术研发人员：林大甲,黄宗荣,唐秋银,郑敏忠,江世松受保护的技术使用者：金钱猫科技股份有限公司技术研发日：技术公布日：2024/8/27