一种基于图时间序列的分布式光伏出力多步长预测方法与流程

1.本发明涉及一种基于图时间序列的分布式光伏出力多步长预测方法，属于光伏发电技术领域。


背景技术：

2.近年来，由于社会经济发展对化石能源的过度依赖，能源资源日渐枯竭，同时大量碳排放也导致温室效应日益加重，极端天气的频繁出现，减少温室气体排放引起了各国政府的重视。光伏发电是应对气候危机，实现节能减排的重要手段。光伏发电具有随机性、波动性、间歇性的特点，对电网的安全稳定运行是很大挑战。为了保障电网安全稳定运行，对光伏出力的预测就变得非常重要。
3.对光伏出力预测，一般需要分析气象数据光伏出力数据的耦合关系，从而对未来的出力值进行拟合。然而，对于分布式光伏发电系统，各站点的空间分布一般比较广泛，加上海拔、地理环境等差异，各站点的实际气象条件均有所不同，而实践中一般也难以为每个站点都单独设置气象监测装置或提供数值天气预报。因此，在仅使用广域气象数据的条件下，如何提高分布式光伏出力预测的精度成为一个值得研究的问题。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述和/或现有的基于图时间序列的分布式光伏出力多步长预测方法中存在的问题，提出了本发明。
6.因此，本发明所要解决的问题在于如何提高分布式光伏出力预测的精度。为解决上述技术问题，本发明提供如下技术方案：一种基于图时间序列的分布式光伏出力多步长预测方法，其包括，
7.历史数据获取；对历史数据进行预处理并构造训练数据集；利用训练数据训练图时间序列模型；根据图时间序列模型，预测未来多步长的分布式光伏出力值。
8.作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述历史数据包括目标分布式光伏发电系统的特征数据，所述特征数据包括气象特征数据和出力特征数据。
9.所述气象特征数据为目标分布式光伏发电系统所在区域的历史气象数据；所述出力特征数据为目标分布式光伏发电系统中各目标站点的历史出力数据。
10.作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述对历史数据进行预处理包括以下步骤：
11.对气象特征数据和出力特征数据中的空缺值进行线性插值补全，具体公式为：
[0012][0013]
其中，ti和tj表示数据空缺区间的前一个和后一个时间节点，和分别为时间节点ti和tj的数据值，x
t
为插值后介于ti和tj之间的时间节点t的数据值；
[0014]
对补全后的数据进行归一化处理，归一化表达式为：
[0015][0016]
其中，x表示数据集中的某一特征，x
′
表示归一化后的特征值，x
min
和x
max
分别表示历史数据中该特征的最小值和最大值。
[0017]
作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述构造训练数据集的具体步骤如下：
[0018]
对特征数据中的每连续p+q个时间节点t1，
…
，t
p+q
的数据进行划分。
[0019]
利用前p个时间节点t1～t
p
的气象特征数据和出力特征数据作为输入数据，其后q个时间节点t
p+1
～t
p+q
的出力数据作为对应的监督信息数据，构造训练数据集。
[0020]
所述p和q是根据任务需求确定的超参数。
[0021]
作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述图时间序列模型由图学习层和编码解码器构成。
[0022]
作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述图学习层负责计算图邻接矩阵，获取节点之间的隐含关联。
[0023]
作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述图学习层的计算公式如下：
[0024][0025]
θ
ij
＝sigmoid(fc(fc(zi||zj)))
[0026]zij
＝fc(vec(conv(xi)))
[0027]
其中，a
ij
是图邻接矩阵中第i行第j列的元素，和是服从标准gumbel分布的随机变量，s是接近0的超参数，sigmoid为激活函数，xi表示第i类特征数据，conv表示卷积运算，vec表示向量化操作，fc表示全连接层运算，zi||zj表示将张量zi和zj拼接，θ
ij
是由zi||zj经过fc和sigmoid函数变换得到的中间变量。
[0028]
作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述编码解码器包括编码器和解码器；所述编码器和解码器皆由若干个扩散卷积门控循环单元串联构成。
[0029]
作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述编码器用于接收特征数据和图学习层输出的图邻接矩阵，输出的最终状态作为解码器的初始化输入。
[0030]
所述解码器用于接收图学习层输出的图邻接矩阵，解码器初始化输入为编码器的输出，其中：
[0031]
在训练阶段，解码器接收监督信息数据并输出预测结果；
[0032]
在预测阶段，解码器分步接收模型本身产生的预测结果并输出下一步的预测结果。
[0033]
作为本发明所述基于图时间序列的分布式光伏出力多步长预测方法，其中：所述解码器和编码器中的扩散卷积门控循环单元的计算过程如下：
[0034]rt
＝sigmoid(w
r*a
[x
t
||h
t
]+br)
[0035]ct
＝tanh(w
c*a
[x
t
||(r
t
⊙ht
)]+bc)
[0036]ut
＝sigmoid(w
u*a
[x
t
||h
t
]+bu)
[0037]ht
＝u
t
⊙ht-1
+(1-u
t
)
⊙ct
[0038]
其中，a为图学习层输出的图邻接矩阵，*a表示利用a做扩散卷积，
⊙
表示按元素乘积；x
t
表示扩散卷积门控循环单元在第t步接收的数据；r
t
，c
t
，u
t
，h
t
分别表示扩散卷积门控循环单元在第t步的重置门状态、当前记忆内容、更新门状态、隐藏状态，h
t
表示扩散卷积门控循环单元在第t步的隐藏状态；h
t-1
表示扩散卷积门控循环单元在第t-1步的隐藏状态；br，bc，bu分别表示重置门、当前记忆内容、更新门的偏置。
[0039]
扩散卷积的计算方式由以下公式表示：
[0040][0041]
其中，do和di分别表示a的出度矩阵和入度矩阵，q表示r，u，c中的一个变量，表示对应于q的两个可学习参数，k为超参数。
[0042]
本发明有益效果为：本发明将各类气象特征和分布式光伏发电系统中个站点出力特征数据用图的节点表示，利用图学习层动态地学习各类特征数据间的联系，利用编码解码器融合节点的特征并提取时序特征，最终实现分布式光伏出力的多步长预测。在仅依赖历史信息的前提下，本发明的模型可以获得高精度预测效果。
附图说明
[0043]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0044]
图1为实施例1中基于图时间序列的分布式光伏出力多步长预测方法流程图。
[0045]
图2为实施例1中基于图时间序列的分布式光伏出力多步长预测方法的图时间序列模型结构图。
[0046]
图3为实施例1中基于图时间序列的分布式光伏出力多步长预测方法的扩散卷积门控循环单元结构图。
[0047]
图4为实施例2中基于图时间序列的分布式光伏出力多步长预测方法的预测效果站点1示意图。
[0048]
图5为实施例2中基于图时间序列的分布式光伏出力多步长预测方法的预测效果站点2示意图。
[0049]
图6为实施例2中基于图时间序列的分布式光伏出力多步长预测方法的预测效果站点3示意图。
[0050]
图7为实施例2中基于图时间序列的分布式光伏出力多步长预测方法的预测效果站点4示意图。
[0051]
图8为实施例2中基于图时间序列的分布式光伏出力多步长预测方法的预测效果站点5示意图。
具体实施方式
[0052]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0053]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0054]
其次，此处所称的“一个实施例”或“实施例”是指可包括于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0055]
实施例1
[0056]
参照图1～图3，为本发明第一个实施例，该实施例提供了一种基于图时间序列的分布式光伏出力多步长预测方法，包括：
[0057]
s1：历史数据获取，获取目标地区的气象数据和光伏出力历史数据；
[0058]
进一步的，所述历史数据获取的目标为分布式光伏发电系统的特征数据。更进一步的，所述分布式光伏发电系统的特征数据包括气象特征数据和出力特征数据。
[0059]
具体的，气象特征数据是指目标分布式光伏发电系统所在区域的历史气象数据，包括但不限于太阳辐照度、温度、风速等。
[0060]
具体的，出力特征数据是指目标分布式光伏发电系统中各目标站点的历史出力数据。
[0061]
s2:将获取的目标地区的气象数据和光伏出力历史数据进行预处理并构造训练数据集。
[0062]
进一步的，对获取的目标地区的气象数据和光伏出力历史数据进行预处理包括以下步骤：
[0063]
s2.1：对气象特征数据和出力特征数据中的空缺值进行线性插值补全，具体公式如下：
[0064][0065]
其中，ti和tj表示数据空缺区间的前一个和后一个时间节点，和分别为时间节点ti和tj的数据值，x
t
为插值后介于ti和tj之间的时间节点t的数据值。
[0066]
s2.2：对补全后的数据进行归一化处理，归一化表达式为：
[0067][0068]
其中，x表示数据集中的某一特征，x
′
表示归一化后的特征值，x
min
和x
max
分别表示历史数据中该特征的最小值和最大值。
[0069]
进一步的，针对预处理后的数据进行构造训练数据集，具体步骤如下：
[0070]
对特征数据中的每连续p+q个时间节点t1，
…
，t
p+q
的数据进行划分；
[0071]
进一步的，利用前p个时间节点t1～t
p
的气象特征数据和出力特征数据作为输入数据，其后q个时间节点t
p+1
～t
p+q
的出力数据作为对应的监督信息数据，构造训练数据集。
[0072]
应说明的是，其中p和q是根据任务需求确定的超参数。
[0073]
s3：利用构造的训练数据集训练图时间序列模型。
[0074]
进一步的，所述图时间序列模型由图学习层和编码解码器构成。
[0075]
其中，图学习层负责计算一个图邻接矩阵，用于获取节点之间的隐含关联。
[0076]
更进一步的，一个节点是用来代表一个类别的气象特征数据，或一个站点的出力特征数据。
[0077]
具体的，所述图学习层的计算公式如下：
[0078][0079]
θ
ij
＝sigmoid(fc(fc(zi||zj)))
[0080]zij
＝fc(vec(conv(xi)))
[0081]
其中，a
ij
是图邻接矩阵中第i行第j列的元素，和是服从标准gumbel分布的随机变量，s是接近0的超参数，sigmoid为激活函数，xi表示第i类特征数据，conv表示卷积运算，vec表示向量化操作，fc表示全连接层运算，zi||zj表示将张量zi和zj拼接，θ
ij
是由zi||zj经过fc和sigmoid函数变换得到的中间变量。
[0082]
进一步的，所述编码解码器包括编码器和解码器，所述编码器和解码器由若干个扩散卷积门控循环单元串联构成，用于负责将节点的信息与其相邻的信息进行融合，以处理特征数据间的依赖关系，并输出预测结果。
[0083]
s4：根据训练得到的图时间序列模型，预测未来多步长的分布式光伏出力值。
[0084]
进一步的，所述编码器用于接收特征数据和图学习层输出的图邻接矩阵，其输出的最终状态作为解码器的初始化输入。
[0085]
所述解码器用于接收图学习层输出的图邻接矩阵，解码器初始化输入为编码器的输出，其中：
[0086]
在训练阶段，解码器接收监督信息数据并输出预测结果；
[0087]
在预测阶段，解码器分步接收模型本身产生的预测结果并输出下一步的预测结果。
[0088]
具体的，所述解码器和编码器中的扩散卷积门控循环单元的计算过程如下：
[0089]rt
＝sigmoid(w
r*a
[x
t
||h
t
]+br)
[0090]ct
＝tanh(w
c*a
[x
t
||(r
t
⊙ht
)]+bc)
[0091]ut
＝sigmoid(w
u*a
[x
t
||h
t
]+bu)
[0092]ht
＝u
t
⊙hr-1
+(1-u
t
)
⊙ct
[0093]
其中，a为图学习层输出的图邻接矩阵，*a表示利用a做扩散卷积，
⊙
表示按元素乘积；x
t
表示扩散卷积门控循环单元在第t步接收的数据；r
t
，c
t
，u
t
，h
t
分别表示扩散卷积门控循环单元在第t步的重置门状态、当前记忆内容、更新门状态、隐藏状态，h
t
表示扩散卷积门控循环单元在第t步的隐藏状态；h
r-1
表示扩散卷积门控循环单元在第t-1步的隐藏状态；br，bc，bu分别表示重置门、当前记忆内容、更新门的偏置。
[0094]
扩散卷积的计算方式由以下公式表示：
[0095][0096]
其中，do和di分别表示a的出度矩阵和入度矩阵，q表示r，u，c中的一个变量，表示对应于q的两个可学习参数，k为超参数。
[0097]
实施例2
[0098]
参照图4～图8，为本发明第二个实施例，在第一个实施例的基础之上，为了验证其有益效果，提供了与传统方案的对比说明。
[0099]
具体的，本实施例实验数据来自某地分布式光伏发电装置采集；
[0100]
首先，采集的数据包括气象特征数据及出力特征数据；气象特征数据包括短波辐射、气压、风速3类气象信息，数据采集频率为5分钟每次；出力特征数据包括5个目标站点的出力数据，数据采集频率为5分钟每次。
[0101]
其次，模型训练集为2021年全年数据，测试集为2022年数据。
[0102]
具体的，s4中预测任务是用10个时间节点的历史数据预测未来6个时间节点的出力数据，因此s2中的超参数取p＝10，q＝6；s300中的图时间序列的参数设置：图学习层的超参数设为s＝0.001，编码器和解码器中扩散卷积门控循环单元的个数均设为3，扩散卷积门控循环单元中的超参数k＝2。
[0103]
其次，模型训练部分，损失函数选择均方误差函数，优化器选择adam，学习率为0.001，训练回合数为30。
[0104]
为了说明模型预测效果，将本发明所提方法与传统lstm方法对比，对比的lstm模型层数为3，训练部分设置与本发明所提方法一致。任选一个预测日，用两种模型6步预测的结果如图4所示。
[0105]
预测效果用平均绝对误差(mae)e
mae
和均方根误差(rmse)e
rmse
评价，这两项指标越小，则说明预测效果越好。具体公式为：
[0106][0107]
[0108]
在预测结果中，不同步长的平均预测误差对比如下表所示：
[0109]
表1本发明方法与传统方法对比结果
[0110][0111]
实验结果表明，本发明方法对lstm的mae误差改进了0.64％～9.31％不等，rmse误差改进了0.38％～7.43％不等，预测精确度有显著提升。
[0112]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：包括，历史数据获取；对历史数据进行预处理并构造训练数据集；利用训练数据训练图时间序列模型；根据图时间序列模型，预测未来多步长的分布式光伏出力值。2.如权利要求1所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述历史数据包括目标分布式光伏发电系统的特征数据，所述特征数据包括气象特征数据和出力特征数据；所述气象特征数据为目标分布式光伏发电系统所在区域的历史气象数据；所述出力特征数据为目标分布式光伏发电系统中各目标站点的历史出力数据。3.如权利要求1所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述对历史数据进行预处理包括以下步骤：对气象特征数据和出力特征数据中的空缺值进行线性插值补全，具体公式为：其中，t
i
和t
i
表示数据空缺区间的前一个和后一个时间节点，和分别为时间节点t
i
和t
j
的数据值，x
t
为插值后介于t
i
和t
j
之间的时间节点t的数据值；对补全后的数据进行归一化处理，归一化表达式为：其中，x表示数据集中的某一特征，x
‘
表示归一化后的特征值，x
min
和x
max
分别表示历史数据中该特征的最小值和最大值。4.如权利要求1所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述构造训练数据集的具体步骤如下：对特征数据中的每连续p+q个时间节点t1，
…
，t
p+q
的数据进行划分；利用前p个时间节点t1～t
p
的气象特征数据和出力特征数据作为输入数据，其后q个时间节点t
p+1
～t
p+q
的出力数据作为对应的监督信息数据，构造训练数据集；p和q是根据任务需求确定的超参数。5.如权利要求1所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述图时间序列模型由图学习层和编码解码器构成。6.如权利要求5所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述图学习层负责计算图邻接矩阵，获取节点之间的隐含关联。7.如权利要求6所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述图学习层的计算公式如下：θ
ij
＝sigmoid(fc(fc(z
i
||z
j
)))z
ij
＝fc(vec(conv(x
i
)))
其中，a
ij
是图邻接矩阵中第i行第j列的元素，和是服从标准gumbel分布的随机变量，s是接近0的超参数，sigmoid为激活函数，x
i
表示第i类特征数据，conv表示卷积运算，vec表示向量化操作，fc表示全连接层运算，z
i
||z
j
表示将张量z
i
和z
j
拼接，θ
ij
是由z
i
||z
j
经过fc和sigmoid函数变换得到的中间变量。8.如权利要求5所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述编码解码器包括编码器和解码器；所述编码器和解码器皆由若干个扩散卷积门控循环单元串联构成。9.如权利要求7所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述编码器用于接收特征数据和图学习层输出的图邻接矩阵，输出的最终状态作为解码器的初始化输入；所述解码器用于接收图学习层输出的图邻接矩阵，解码器初始化输入为编码器的输出，其中：在训练阶段，解码器接收监督信息数据并输出预测结果；在预测阶段，解码器分步接收模型本身产生的预测结果并输出下一步的预测结果。10.如权利要求9所述的基于图时间序列的分布式光伏出力多步长预测方法，其特征在于：所述解码器和编码器中的扩散卷积门控循环单元的计算过程如下：r
t
＝sigmoid(w
r*a
[x
t
||h
t
]+b
r
)c
t
＝tanh(w
c*a
[x
t
||(r
t
⊙
h
t
)]+b
c
)u
t
＝sigmoid(w
u*a
[x
t
||h
t
]+b
u
)h
t
＝u
t
⊙
h
t-1
+(1-u
t
)
⊙
c
t
其中，a为图学习层输出的图邻接矩阵，*a表示利用a做扩散卷积，
⊙
表示按元素乘积；x
t
表示扩散卷积门控循环单元在第t步接收的数据；r
t
,c
t
,u
t
,h
t
分别表示扩散卷积门控循环单元在第t步的重置门状态、当前记忆内容、更新门状态、隐藏状态，h
t
表示扩散卷积门控循环单元在第t步的隐藏状态；h
t-1
表示扩散卷积门控循环单元在第t-1步的隐藏状态；b
r
,b
c
,b
u
分别表示重置门、当前记忆内容、更新门的偏置；扩散卷积的计算方式由以下公式表示：其中，d
o
和d
i
分别表示a的出度矩阵和入度矩阵，q表示r,u,c中的一个变量，表示对应于q的两个可学习参数，k为超参数。

技术总结
本发明公开了一种基于图时间序列的分布式光伏出力多步长预测方法，包括历史数据获取；对历史数据进行预处理并构造训练数据集；利用训练数据训练图时间序列模型；根据图时间序列模型，预测未来多步长的分布式光伏出力值。本发明将各类气象特征和分布式光伏发电系统中个站点出力特征数据用图的节点表示，利用图学习层动态地学习各类特征数据间的联系，利用编码解码器融合节点的特征并提取时序特征，最终实现分布式光伏出力的多步长预测，在仅依赖历史信息的前提下，本发明的模型可以获得高精度预测效果。精度预测效果。精度预测效果。


技术研发人员：朱涛 黄伟 李俊伟 朱元富 龚新勇 辛平安 胡馨 杨永志
受保护的技术使用者：云南电网有限责任公司昆明供电局
技术研发日：2023.03.21
技术公布日：2023/7/20