一种光伏电站负荷的预测方法与流程

本发明属于光伏，具体涉及一种光伏电站负荷的预测方法。

背景技术：

1、近年来，随着全球经济社会的快速发展，能源消费呈现大幅上升的趋势。寻求高效、清洁、可再生的能源是解决能源需求持续增长与日益恶化的生态环境间矛盾的必要手段。

2、随着光伏电站的大规模建设，光伏发电逐渐成为一个重要的电能获取方式，配电网运行灵活性得到了大幅度提高。然而，光伏负荷具有随机性、间歇性与波动性，给电网运行决策带来挑战。对光伏电站负荷的准确预测是配电网运行决策的基础。

3、目前，针对光伏负荷预测已经有了不少研究，然而，这些研究往往仅利用历史负荷数据进行短期负荷预测，忽略了气象等外部因素对光伏电厂负荷的显著影响；此外，很多研究在处理负荷数据时，对于数据的关联性分析与特征选择往往受到主观因素的影响。这些问题都限制了对负荷预测的准确率。

技术实现思路

1、本发明的目的在于针对上述现有技术的不足，提出一种光伏电站负荷的预测方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供一种光伏电站负荷的预测方法，所述预测方法包括：

3、获取包括多个样本数据的样本数据序列，并对所述样本数据序列中每个样本数据进行基于滑动窗口的自适应动态调整，得到调样本整后的数据序列，其中，所述调整后的样本数据序列包括多个调整后的历史负荷数据和多个调整后的外部影响因素数据；

4、对所有所述调整后的历史负荷数据和所有所述调整后的外部影响因素数据分别进行基于改进关联分析的多阶段特征选择，得到若干基于特征选择的历史负荷选择数据和若干基于特征选择的外部影响因素选择数据；

5、对由同一时间段的所述历史负荷选择数据和所述外部影响因素选择数据构成的一维时序特征进行增强式变维度编码，得到二维特征灰度图，其中，所有时间段的所有所述二维特度图组成特征灰度图集；

6、将所述灰特征度图集中的所述二维特征灰度图依次基于融合门控循环与注意力机制的负荷预测模型，得到光伏电站负荷的预测结果。

7、在本发明的一个实施例中，所述样本数据序列包括历史负荷数据序列和外部影响因素数据序列，所述历史负荷数据序列包括多个历史负荷数据，所述外部影响因素数据序列包括温度数据序列、相对湿度数据序列和辐射强度数据序列，所述温度数据序列包括多个温度数据，所述相对湿度数据序列包括多个相对湿度数据，所述辐射强度数据序列包括多个辐射强度数据。

8、在本发明的一个实施例中，所有所述样本数据包括多个历史负荷数据和多个外部影响因素数据；

9、对每个所述样本数据进行基于滑动窗口的自适应动态调整，得到调整后的样本数据序列，包括：

10、基于映射公式，分别将每个所述历史负荷数据和每个所述外部影响因素数据映射到[0,1]区间内，得到多个映射后的历史负荷数据和多个映射后的外部影响因素数据；所述映射公式表示为：

11、

12、其中，x’为映射后的历史负荷数据或映射后的外部影响因素数据，x为历史负荷数据或外部影响因素数据，min(x)为所有的历史负荷数据或者所有的外部影响因素数据的最小值，max(x)为所有的历史负荷数据或者所有的外部影响因素数据的最大值；

13、基于标准化公式，分别对每个所述映射后的历史负荷数据和每个所述映射后的外部影响因素数据进行标准化处理，得到所述多个调整后的历史负荷数据和所述多个调整后的外部影响因素数据；所述标准化公式表示为：

14、

15、其中，x″为调整后的历史负荷数据或调整后的外部影响因素数据，μ为数据均值，σ为数据标准差，θ1、θ2均为非零的常数，θ1和θ2的取值范围为[0.001，0.0001]。

16、在本发明的一个实施例中，在对所有所述调整后的历史负荷数据和所有所述调整后的外部影响因素数据分别进行基于改进关联分析的多阶段特征选择之前，还包括：

17、对新加入的样本数据，基于所述映射公式，将新加入的样本数据映射到[0，1]区间内，得到映射后的样本数据；

18、基于根据更新后的均值和更新后的方差构建的标准化公式，对所述映射后的样本数据进行标准化处理，得到调整后的样本数据；所述更新后的均值和更新后的方差分别表示为：

19、

20、

21、其中，μ(t+1)为当前时刻t+1更新后的数据均值，σ(t+1)为当前时刻t+1更新后的数据方差，μ(t)为上一时刻t的数据均值，σ(t)为上一时刻t的数据方差，x(t+1)为当前时刻t+1新加入的样本数据，为当前时刻t+1的样本数据的均值，α为滑动窗口系数。

22、在本发明的一个实施例中，对所有所述调整后的历史负荷数据和所有所述调整后的外部影响因素数据分别进行基于改进关联分析的多阶段特征选择，得到若干基于特征选择的历史负荷选择数据和若干基于特征选择的外部影响因素选择数据，包括：

23、基于改进的聚类方法，对所有所述调整后的历史负荷数据和所有所述调整后的外部影响因素数据分别进行聚类处理，得到所述调整后的历史负荷数据对应的第一最佳聚类簇数量和所述调整后的外部影响因素数据对应的第二最佳聚类簇数量；

24、将每个所述调整后的历史负荷数据替换为聚类簇数量为所述第一最佳聚类簇数量时所在的聚类簇的聚类中心值，得到多个替换后的历史负荷数据，将每个所述调整后的外部影响因素数据替换为聚类簇数量为所述第二最佳聚类簇数量时所在的聚类簇的聚类中心值，得到多个替换后的外部影响因素数据；

25、基于在一个聚类簇中的所有所述替换后的历史负荷数据组成的历史负荷替换数据序列和在一个聚类簇中的所有所述替换后的外部影响因素数据组成的外部影响因素替换数据序列，得到对称修正信息值；

26、基于相关性分析，分别根据所述对称修正信息值对每个所述历史负荷替换数据序列和每个所述外部影响因素替换数据序列进行弱相关特征剔除处理，对应得到若干历史负荷优化数据序列和若干外部影响因素优化数据序列；

27、基于冗余性分析，分别对每个所述历史负荷优化数据序列中的各个历史负荷优化数据和每个所述外部影响因素优化数据序列中的各个外部影响因素优化数据进行冗余特征删除，得到若干所述历史负荷选择数据和若干所述外部影响因素选择数据。

28、在本发明的一个实施例中，所述改进的聚类方法包括：

29、s1、设定最大聚类簇数k；

30、s2、在k轮次聚类时，基于k-means聚类算法对所有待聚类数据进行聚类，生成k个聚类簇，其中，所述待聚类数据为所述调整后的历史负荷数据或者所述调整后的外部影响因素数据，1≤k≤k；

31、s3、计算每个所述待聚类数据的轮廓系数，基于所有所述待聚类数据的轮廓系数，得到聚类簇为k时的平均轮廓系数，所述聚类簇为k时的平均轮廓系数表示为：

32、

33、其中，l0(k)为聚类簇为k时的平均轮廓系数，c为待聚类数据的总数量，l(c)为第c个待聚类数据的轮廓系数，δ为非零的常数，δ的取值范围为[0.001，0.0001]；

34、s4、跳转至步骤s2，进行k+1轮次聚类，以得到聚类簇为k+1时的平均轮廓系数，直至得到聚类簇为k时的平均轮廓系数，选取k个所述平均轮廓系数中的最大值对应聚类簇数量作为最佳聚类簇数量。

35、在本发明的一个实施例中，所述对称修正信息值表示为：

36、

37、

38、其中，smi(u；w)为外部影响因素替换数据序列u和历史负荷替换数据序列w之间的对称修正信息值，c(u)为外部影响因素替换数据序列u的信息熵，c(w)为历史负荷替换数据序列w的信息熵，i(u；w)为外部影响因素替换数据序列u和历史负荷替换数据序列w之间的互信息值，u(i)为外部影响因素替换数据序列u中的第i个取值，w(j)为历史负荷替换数据序列w中的第j个取值，cu为第二最佳聚类簇数量，cw为第一最佳聚类簇数量，p(u(i)，w(j))为满足外部影响因素替换数据为u(i)且历史负荷替换数据为w(j)的采样点占总采样点的比例，p(u(i))为满足外部影响因素替换数据为u(i)的采样点占总采样点的比例，p(w(j))为满足历史负荷替换数据为w(j)的采样点占总采样点的比例。

39、在本发明的一个实施例中，基于相关性分析，分别根据所述对称修正信息值对每个所述历史负荷替换数据序列和每个所述外部影响因素替换数据序列进行弱相关特征剔除处理，对应得到若干历史负荷优化数据序列和若干外部影响因素优化数据序列，包括：

40、判断所述历史负荷替换数据序列对应的对称修正信息值是否小于第一阈值，若是，则将所述历史负荷替换数据序列删除，若否，则保留所述历史负荷替换数据序列，保留的所述历史负荷替换数据序列作为所述历史负荷优化数据序列；

41、判断所述外部影响因素替换数据序列对应的对称修正信息值是否小于第二阈值，若是，则将所述外部影响因素替换数据序列删除，若否，则保留所述外部影响因素替换数据序列，保留的所述外部影响因素替换数据序列作为所述外部影响因素优化数据序列。

42、在本发明的一个实施例中，基于冗余性分析，分别对每个所述历史负荷优化数据序列中的各个历史负荷优化数据和每个所述外部影响因素优化数据序列中的各个外部影响因素优化数据进行冗余特征删除，得到若干所述历史负荷选择数据和若干所述外部影响因素选择数据，包括：

43、判断所述历史负荷优化数据序列中的任意两个历史负荷优化数据的关系，若mi(uexample1；w)＞mi(uexample2；w)，且mi(uexample1；ueample2)＞mi(uexample2；w)，则将uexample2删除，未被删除的历史负荷优化数据作为所述历史负荷选择数据，其中，uexample1和uexample2为两个历史负荷优化数据，mi(uexample1；w)为历史负荷优化数据uexample1与历史负荷替换数据序列w的互信息值，mi(uexample2；w)为历史负荷优化数据uexample2与历史负荷替换数据序列w的互信息值，mi(uexample1；usample2)为历史负荷优化数据uexample1与历史负荷优化数据uexample2的互信息值。

44、在本发明的一个实施例中，对由同一时间段的所述历史负荷选择数据和所述外部影响因素选择数据构成的一维时序特征进行增强式变维度编码，得到二维特征灰度图，包括：

45、利用同一时间段的所述历史负荷选择数据和所述外部影响因素选择数据构建所述一维时序特征；

46、基于增强式变维度编码公式，对所述一维时序特征进行增强式变维度编码，得到初始二维特征灰度图，所述增强式变维度编码公式表示为：

47、

48、其中，p(m，n)为初始二维特征灰度图第m行n列的取值，l为一维时序特征，min(l)为一维时序特征的最小值，max(l)为一维时序特征的最大值，n×n为初始二维特征灰度图的大小，round{·}为取整；

49、基于图像增强公式，对所述初始二维特征灰度图进行图像增强，得到所述二维特征灰度图，所述图像增强公式表示为：

50、eh(m,n)＝ρ(p(m,n)+β)γ

51、其中，eh(m,n)为二维特征灰度图第m行n列的取值，ρ为缩放因子，β为偏移量，γ为增强系数。

52、在本发明的一个实施例中，所述负荷预测模型包括卷积注意力机制模块、门控循环单元与网络头部；

53、将所述特征灰度图集中的所述二维特征灰度图依次基于融合门控循环与注意力机制的负荷预测模型，得到光伏电站负荷的预测结果，包括：

54、将所述二维特征灰度图输入卷积注意力机制模块，得到特征图f；

55、对所述特征图f进行通道注意力机制运算，得到通道特征图f′；

56、对所述通道特征图f′进行空间注意力机制运算，得到空间特征图f″；

57、根据所述通道特征图f′和所述空间特征图f″得到最终特征图f″′；

58、将所述最终特征图f″′输入所述门控循环单元，得到输出特征图；

59、将所述输出特征图输入所述网络头部，得到所述光伏电站负荷的预测结果。

60、本发明的有益效果：

61、本发明所提供的光伏电站自学习负荷预测方法，将外部影响因素数据与历史负荷数据共同构成初始样本集，从而解决了只单一考虑负荷而忽略其它重要因素的问题；并进行基于改进关联分析的多阶段特征选择，克服了关联分析受主观影响过多的缺点；构建特征灰度图并利用基于融合门控循环与注意力机制的负荷预测模型机型预测，考虑到数据间的深层特征关系，提高了模型性能，实现了面向光伏电站可靠的自学习负荷预测。

62、以下将结合附图及实施例对本发明做进一步详细说明。