基于卫星云图预训练和模仿学习的光伏超短期预测方法与流程

本发明属于新能源电力，特别是涉及到一种基于卫星云图预训练和模仿学习的光伏超短期预测方法。

背景技术：

1、在全球能源转型的大背景下光伏装机容量逐渐增加，电力需求日益增长，光伏超短期预测在保持电网稳定、提高储能效率和促进健康电力市场发展方面起着至关重要的作用。然而，光伏发电的有效性和效率在很大程度上取决于辐照度的精准预测。在这方面，光伏超短期预测是一个用于预测未来几分钟到几小时内的太阳辐照度的关键工具。

2、当前的光伏超短期预测方法可以汇总为三类，一类是时序类预测方法，基于实时的光伏场站辐照度和功率数据进行未来几个小时的预测，使用的方法除了传统的arima、指数平滑、时间序列分解和卡尔曼滤波等，深度学习模型lstm和informer等时序预测模型也得到了广泛应用。

3、第二类是基于地基天空成像仪或者空基卫星云图数据反演为辐照度，然后进行时空序列预测，此类方法中最典型的是convlstm，它结合了cnn和lstm的特点。使用卷积结构内的lstm单元，使网络能够同时学习空间和时间特征。其他如transformer和gnn等神经网络也开始应用于辐照度的自回归预测中。预测得到未来的空间辐照度分布，最后定位到地面的场站位置进行辐照度预测。

4、第三类是一种离线耦合云图时空序列预测和场站时序预测的方法，基于地基天空成像仪或者空基卫星云图的原始波段或图片信息作为输入，输入神经网络中进行未来云的格点预测。最后将预测的云的属性与地面的场站辐照度建深度学习模型或者物理模型，以对场站的未来辐照度进行预测。

5、但是，上述光伏超短期预测技术仍面临一些挑战和限制，说明如下：

6、第一类时序预测方法通常依赖于地面观测的辐射度时序数据，但这种方法的预测时效较短，无法捕捉不同光伏场站之间的相关性，并且对新建场站很难提供高质量的预测，特别是对于分布式光伏占比较多的区域预测应用场景。对于超短期辐照度来说，仅使用时间序列信息时，云的局地生消会无法在这类时序预测模型中得以体现，而大尺度的云的移动也必须依赖于数值天气预报的结果，从而引入了新的不确定性。

7、第二类方法侧重于使用地基天空成像仪或空基卫星云图进行预测，但这些方法也有其局限性。例如，地面天空摄像的空间代表性通常仅约3公里，并且预测时间通常不超过30分钟，同时还依赖于昂贵的硬件设备。而基于卫星云图的方法则受限于其空间分辨率和反演辐照度算法的偏差，无法精确地反映地面光伏场站的实际情况。

8、第三类离线耦合云图时空序列预测和场站时序预测的方法一定程度上避免了以上两种方法的缺陷，但这种离线耦合导致场站信息的时空关联与云图空间结构相互联系无法保存在模型中。此外，云图的数据历史长度更长，场站辐照度时长更短无法很好的匹配建模。

9、因此，开发更加先进和精确的光伏超短期预测方法，以克服这些限制和挑战，对于提高光伏发电的效率和可靠性具有至关重要的意义。

技术实现思路

1、针对现有技术中的问题，本发明提出一种基于卫星云图预训练和模仿学习的光伏超短期预测方法，能在线耦合地面光伏场站的辐照度信息和卫星云图信息，利用卫星的多波段数据以及光伏场站辐照度数据来预测光伏场站未来的辐照度或功率。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于卫星云图预训练和模仿学习的光伏超短期预测方法，包括：

4、s1、获取无标签视频数据集，所述无标签视频数据集为卫星云图视频数据的历史数据集；收集有标签数据集，所述有标签数据集为同时存在光伏场站辐照度数据和对应的卫星云图视频数据的历史数据集；所述卫星云图视频数据包括卫星云图的波段数据和反演的云属性和辐照度数据；所述有标签数据集以光伏场站辐照度数据为标签，处理为与所述无标签视频数据相同的时间分辨率；

5、s2、使用所述有标签数据集和逆动力学模型进行训练，建立初始模型；

6、s3、使用所述初始模型为所述无标签视频数据集生成光伏场站辐照度数据的伪标签，将无标签视频数据集转化为伪标签数据集；

7、s4、使用所述伪标签数据集和所述逆动力学模型进行训练，建立预训练模型；

8、s5、对所述预训练模型进行强化学习微调，得到精准预测模型，用于光伏场站辐照度预测。

9、进一步的，步骤s2所述训练包括：在逆动力学模型中输入所述有标签数据集的光伏场站辐照度数据和对应的卫星云图的波段数据、云属性和辐照度数据，通过训练得到预测光伏场站太阳辐照度数据的初始模型。

10、进一步的，步骤s3中生成伪标签的方法包括：将所述无标签视频数据集的卫星云图的波段数据、云属性和辐照度数据输入所述初始模型，预测无标签视频数据集的每个时间点的光伏场站辐照度数据，通过输出预测数据为每个时间点的无标签视频数据生成伪标签。

11、进一步的，步骤s4中所述训练包括：在逆动力学模型中输入所述伪标签数据集的卫星云图视频数据及其伪标签，通过训练得到预测光伏场站太阳辐照度数据的预训练模型。

12、进一步的，步骤s5中所述强化学习微调的过程包括：输入所述预训练模型和最近实测数据和数据质量较好的光伏场站实测辐照度数据，使用强化学习算法对所述预训练模型进行微调。

13、进一步的，步骤s2和步骤s4中的逆动力学模型，替换为传统时间序列模型或神经网络模型。

14、进一步的，步骤s3和步骤s4，替换为通过迁移学习使用所述初始模型巡行训练，对所述初始模型进行微调，得到预训练模型。

15、进一步的，步骤s4替换为：使用监督学习算法和所述伪标签数据集进行训练，建立预训练模型。

16、进一步的，步骤s5中，使用集成学习优化预测，代替强化学习微调。

17、本发明另一方面还提出了一种基于卫星云图预训练和模仿学习的光伏超短期预测系统，包括：

18、数据收集和预处理模块：获取无标签视频数据集，所述无标签视频数据集为卫星云图视频数据的历史数据集；收集有标签数据集，所述有标签数据集为同时存在光伏场站辐照度数据和对应的卫星云图视频数据的历史数据集；所述卫星云图视频数据包括卫星云图的波段数据和反演的云属性和辐照度数据；所述有标签数据集以光伏场站辐照度数据为标签，处理为与所述无标签视频数据相同的时间分辨率；

19、初始模型模块：使用所述有标签数据集和逆动力学模型进行训练，建立初始模型；

20、伪标签模块：使用所述初始模型为所述无标签视频数据集生成光伏场站辐照度数据的伪标签，将无标签视频数据集转化为伪标签数据集；

21、预训练模型模块：使用所述伪标签数据集和所述逆动力学模型进行训练，建立预训练模型；

22、强化学习模块：对所述预训练模型进行强化学习微调，得到精准预测模型，用于光伏场站辐照度预测。

23、进一步的，初始模型模块所述训练包括：在逆动力学模型中输入所述有标签数据集的光伏场站辐照度数据和对应的卫星云图的波段数据、云属性和辐照度数据，通过训练得到预测光伏场站太阳辐照度数据的初始模型。

24、进一步的，伪标签模块包括：将所述无标签视频数据集的卫星云图的波段数据、云属性和辐照度数据输入所述初始模型，预测无标签视频数据集的每个时间点的光伏场站辐照度数据，通过输出预测数据为每个时间点的无标签视频数据生成伪标签。

25、进一步的，预训练模型模块中所述训练包括：在逆动力学模型中输入所述伪标签数据集的卫星云图视频数据及其伪标签，通过训练得到预测光伏场站太阳辐照度数据的预训练模型。

26、进一步的，强化学习模块包括：输入所述预训练模型和最近实测数据和数据质量较好的光伏场站实测辐照度数据，使用强化学习算法对所述预训练模型进行微调。

27、与现有技术相比，本发明具有如下的有益效果：

28、本发明能够充分利用大量的无标签数据，并通过少量的有标签数据进行引导，最终通过强化学习进行微调，以适应具体的太阳辐照度预测任务。本发明通过结合模仿学习和强化学习，使用逆动力学模型，将场站的辐照度变化作为标签数据和卫星云图建立模型，生成伪标签，并通过行为克隆和强化学习进行训练，利用了大规模的无标签视频数据和少量的有标签数据，有效地学习了太阳辐照度的复杂模式，并能够生成高准确度的预测。