基于图结构网络的分布式光伏功率协同预测方法及系统

本发明涉及分布式光伏功率协同预测，尤其涉及一种基于图结构网络的分布式光伏功率协同预测方法及系统。

背景技术：

1、太阳能作为可再生新能源的一种，具有可再生能力强、清洁环保、资源丰富、开发利用方便等优点。光伏发电具有随机性和不连续性等特点，在并网时对电网的影响较大。预测光伏发电功率能够提高功率输出的预见性，不仅能保证电网调度信息的可靠性，还能帮助电网调度合理规划，对推动光伏发电行业健康稳定发展具有重要意义。

2、现阶段，单个光伏电站光伏预测方法得到迅速发展，包括如统计学方法、深度学习法、神经网络模型法等预测方法，在此基础上，集中式、分布式光伏电站光伏功率的协同预测方法也在不断进步。而与集中式光伏电站或单站点相比，分布光伏电站具有安装分散、容量小，数据采集及通信安全可靠性不高等特点，这也决定了分布光伏电站功率预测系统需采取不同于现有集中式光伏电站功率预测系统的技术方案。现有的分布式光伏电站功率预测方法多采用深度学习及神经网络模型的方式，但是，现有方式所提取的光伏电站数据特征不完善，无法深入挖掘分布式光伏功率的深度特征；网络模型性能受网络参数的影响，现有模型参数多采用默认值，导致模型预测性能较差；预测过程中并未考虑多个分布式光伏电站之间的协同关系，最终使得分布式光伏功率协同预测的准确性和可靠性较差。

技术实现思路

1、为解决上述现有技术的不足，本发明提供了一种基于图结构网络的分布式光伏功率协同预测方法及系统，通过多种不同类型网络层(包括图结构网络gcn、卷积神经网络网络cnn、长短期记忆网络lstm)的复杂搭建，构建了一种分布式光伏功率协同预测模型，并利用鲸鱼优化算法来优化所搭建模型的超参数，以此提高模型预测性能；通过分析影响分布式光伏协同功率预测的气候影响因素，将该气候影响因素历史数据结合光伏功率历史数据输入至所搭建的协同预测模型，以此捕获每一光伏站点时序数据长时间内随时间变化的动态特征、所有光伏站点之间的空间依赖关系以及所有光伏站点时序数据短时间内的波动即短期时间特征，更全面的理解和预测分布式光伏电站的功率输出，提高协同预测的准确性和可靠性。

2、第一方面，本发明提供了一种基于图结构网络的分布式光伏功率协同预测方法。

3、一种基于图结构网络的分布式光伏功率协同预测方法，包括：

4、获取分布式光伏电站所有站点的历史数据；所述历史数据包括气候影响因素历史数据和功率历史数据；

5、对历史数据进行数据预处理，获取每一站点的历史时序数据；

6、将所有站点的历史时序数据输入至分布式光伏功率协同预测模型中，该模型由多层cnn、gcn、lstm网络复合构成，分为并行的两个分支，分支一为并行的cnn和gcn网络，分别提取输入数据的短期时间特征和站点间空间特征；分支二为多个并行的lstm网络，分别提取每一站点数据的长期时间特征；cnn和gcn网络的输出拼接后，再分别与每一lstm网络的输出拼接，经过对应的全连接层后再拼接，输出每一站点的实际功率预测值。

7、进一步的技术方案，所述气候影响因素包括辐射强度、温度、气压、湿度；所述功率包括实际功率和额定功率。

8、进一步的技术方案，所述气候影响因素的筛选，包括：

9、获取分布式光伏电站每一站点的多种气候因素历史数据和功率历史数据；

10、对获取的历史数据进行归一化处理；

11、采用斯皮尔曼相关性分析法，计算不同站点的不同气候因素数据与实际功率数据之间的相关性，根据相关性筛选得到气候影响因素。

12、进一步的技术方案，所述多种气候因素包括辐射强度、温度、气压、湿度、降水量、风速。

13、进一步的技术方案，对历史数据进行数据预处理，包括：

14、对每一站点的历史数据依次进行滑动窗口数据切片、异常数据剔除、标准化处理和时间格式转换，获取历史时序数据。

15、进一步的技术方案，构建分布式光伏功率协同预测模型，并采用鲸鱼优化算法优化模型超参数，包括：

16、初始化鲸鱼数量和最大迭代次数，随机初始化生成一群鲸鱼，用于表示一组模型超参数；

17、计算每一鲸鱼的适应度，确定当前最优鲸鱼的位置，以此训练模型并返回模型在测试数据集上的损失值；所述损失值是基于预测功率和实际功率，以均方根误差、平均绝对误差和决定系数为指标计算得到的；

18、通过在搜索空间中随机搜索，基于适应度更新鲸鱼位置，基于更新后的位置进行下一迭代的训练；

19、不断训练迭代，直至达到最大迭代次数，此时得到最优超参数组合并将其赋予预测模型中。

20、第二方面，本发明提供了一种基于图结构网络的分布式光伏功率协同预测系统。

21、一种基于图结构网络的分布式光伏功率协同预测系统，包括：

22、数据获取模块，用于获取分布式光伏电站所有站点的历史数据；所述历史数据包括气候影响因素历史数据和功率历史数据；

23、数据预处理模块，用于对历史数据进行数据预处理，获取每一站点的历史时序数据；

24、分布式光伏功率协同预测模块，用于将所有站点的历史时序数据输入至分布式光伏功率协同预测模型中，该模型由多层cnn、gcn、lstm网络复合构成，分为并行的两个分支，分支一为并行的cnn和gcn网络，分别提取输入数据的短期时间特征和站点间空间特征；分支二为多个并行的lstm网络，分别提取每一站点数据的长期时间特征；cnn和gcn网络的输出拼接后，再分别与每一lstm网络的输出拼接，经过对应的全连接层后再拼接，输出每一站点的实际功率预测值。

25、第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。

26、第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。

27、以上一个或多个技术方案存在以下有益效果：

28、1、本发明提供了一种基于图结构网络的分布式光伏功率协同预测方法及系统，通过多种不同类型网络层(包括图结构网络gcn、卷积神经网络网络cnn、长短期记忆网络lstm)的复杂搭建，构建了一种分布式光伏功率协同预测模型，并利用鲸鱼优化算法来优化所搭建模型的超参数，以此提高模型预测性能；通过分析影响分布式光伏协同功率预测的气候影响因素，将该气候影响因素历史数据结合光伏功率历史数据输入至所搭建的协同预测模型，以此捕获每一光伏站点时序数据长时间内随时间变化的动态特征、每一光伏站点之间的空间依赖关系以及所有光伏站点时序数据短时间内的波动即短期时间特征(或称为局部特征)，更全面的理解和预测分布式光伏电站的功率输出，提高协同预测的准确性和可靠性。

29、2、本发明中引入了图结构网络gcn，通过该gcn网络来处理分布式光伏系统中的空间关系。传统的预测方法往往忽视了不同光伏电站之间的空间相关性，或是仅使用简化的数学模型进行处理，其无法准确捕捉不同光伏电站之间复杂的空间依赖关系，为此，本发明利用gcn来建模光伏电站/单元间的复杂连接和互动，能够更准确地反映出不同单元之间的相互影响，有效提高预测的准确性；同时，本发明还引入了cnn网络，利用该网络提取数据中心的局部特征，通过网络中的卷积层识别时序数据中的短期模式(即短时间内的波动)，将其与空间特征拼接形成数据结构特征，再与每一电站的长期时序特征联合，实现分布式光伏电站的功率协同准确预测。

30、3、本发明所搭建的模型专注于协同预测，其能够综合多个分布式光伏发电单元(即光伏电站)的数据，进行集体预测，不仅能够提高单个单元的预测准确率，而且还能优化整个系统的能源管理和调度效率，在实际应用中，这一协同预测能够为电网运营提供更为精确和稳定的功率输出预测，有助于降低因功率波动带来的风险。