一种基于卫星云图的超短期分布式光伏功率预测方法

摘要

本发明涉及一种基于卫星云图的超短期分布式光伏功率预测方法，该方法包括以下步骤：以历史P个连续时刻的SWR矩阵SWR(T‑D‑P+1)～(T‑D)为输入，采用Res‑UNet模型输出D+Q个时刻的SWR矩阵SWRT‑D+1～T+Q；其中，T为指定时刻，D为延时时刻，P为历史时刻，Q为未来时刻；由矩阵SWRT‑D+1～T+Q，得到SWRT‑D+1～T+Q＝SWRT‑D+1～T||SWRT+1～T+Q，其中，||表示拼接符，SWRT+1～T+Q为对应的未来Q个时刻的SWR矩阵；通过对SWRT+1～T+Q中Q个时刻的SWR矩阵进行双线性插值，得到站点s未来Q个时刻的辐照度以Res‑UNet模型预测的为输入，基于LSTM神经网络对分布式站点s未来Q个时刻功率进行预测。

权利要求

1.一种基于卫星云图的超短期分布式光伏功率预测方法，其特征在于，包括以下步骤：以历史P个连续时刻的SWR矩阵SWR(T‑D‑P+1)～(T‑D)为输入，采用Res‑UNet模型输出D+Q个时刻的SWR矩阵SWRT‑D+1～T+Q；其中，T为指定时刻，D为延时时刻，P为历史时刻，Q为未来时刻；

由矩阵SWRT‑D+1～T+Q，得到SWRT‑D+1～T+Q＝SWRT‑D+1～T||SWRT+1～T+Q，其中，||表示拼接符，SWRT+1～T+Q为对应的未来Q个时刻的SWR矩阵；通过对SWRT+1～T+Q中Q个时刻的SWR矩阵进行双线性插值，得到站点s未来Q个时刻的辐照度 所述SWR矩阵是分布于空间60N‑60S,

80E‑160W,分辨率为0.05°x0.05°的辐照度网格，是逐10分钟序列数据；

以Res‑UNet模型预测的 为输入，基于LSTM神经网络对分布式站点s未来Q个时刻功率进行预测；

在基于LSTM神经网络对分布式站点未来Q个时刻功率进行预测步骤中，通过日期编码和时间编码学习光伏发电周期性，实现更精准地预测；

一天和一年的秒数分别设置为：

day＝24*60*60    (2)year＝365.2425*day    (3)将某一时刻t对应的时间戳设置为timestamp，通过正弦函数和余弦函数表达循环周期性，则有：

该时刻t对应的日期编码即为 时间编码为所述以历史P个连续时刻的SWR矩阵SWR(T‑D‑P+1)～(T‑D)为输入，采用Res‑UNet模型输出D+Q个时刻的SWR矩阵SWRT‑D+1～T+Q步骤；包括：先根据经纬度，从SWR矩阵中，选取覆盖121个分布式电站的区域，即[222,222]大小的矩阵，然后放大到[256,256]大小，然后根据batch size整合8个SWR矩阵，按批次输入到Res‑UNet网络的encoder中进行卷积计算。

2.根据权利要求1所述的方法，其特征在于，所述Res‑UNet模型采用U‑Net的编码器‑解码器的结构，以及引入残差块结构。

3.根据权利要求2所述的方法，其特征在于，所述编码器部分由多个卷积‑下采样‑残差块结构的特征提取块堆叠而成，输入为历史P个时刻的SWR序列；每个特征提取块接受一个输入，应用两个3×3的卷积层，一个2×2的最大池化层以及3个残差块。

4.根据权利要求3所述的方法，其特征在于，所述解码器部分包含多个特征重建块，每个块将输入传递到由一个2×2的上采样层和3×3卷积层组成的上卷积模块，两个3×3的卷积层以及3个残差块；每次输入也被相应特征提取块的特征矩阵所附加即横跳连接；所述特征重建块的数量与特征提取块的数量相同；生成的映射通过另一个3×3的卷积层，输出特征矩阵的数量等于所需的预测目标的数量。

5.根据权利要求1所述的方法，其特征在于，采用双线性插值的方法可以估算得到地面站点s在t时刻的辐照度 双线性插值的公式如下：其中，四个网格点的经纬度和辐照度分别为地面站点经纬

度为(lngs,lats)，根据分布式站点周围网格点上的辐照度得到该站点s在t时刻辐照度的估算值 通过对SWRT+1～T+Q中Q个时刻的SWR矩阵进行双线性插值，则可得到站点s未来Q个时刻的辐照度

说明书

一种基于卫星云图的超短期分布式光伏功率预测方法

技术领域

[0001] 本发明涉及分布式光伏功率预测技术，尤其涉及一种基于卫星云图的超短期分布式光伏功率预测方法。

背景技术

[0002] 近年来，国际越来越重视可再生能源的开发和应用，而光伏发电是最主要的一种利用方式。相比集中式光伏，分布式光伏更能体现光伏发电绿色清洁、价格低廉、即发即用
的特性。准确的超短期光伏发电功率预测可以帮助光伏电力系统调度和光伏电站的优化运
行。

[0003] 由于受辐照度影响，光伏发电呈现随机性、抖动性的特点，给光伏功率的准确预测带来了巨大挑战。因此研究太阳辐照度对于预测光伏发电出力具有重要意义。

[0004] 对于太阳辐照度预测的研究，大量学者基于统计机器学习方法结合历史辐照度序列进行了相关工作，但由于无气象测量装置的分布式站点没有观测的辐照度数据，所以以
上方法无法适用于分布式站点。卫星云图的获取依赖于卫星，覆盖范围大且有公开数据集
支持，适合用于地面分布式光伏站点。但以往的大多方法只考虑了时间相关性而没有考虑
空间相关性，且均需要对图像进行处理，增加了算法复杂度。

发明内容

[0005] 本发明目的在于，利用卫星云图解决无历史辐照度序列的分布式站点的辐照度预测问题，从而达到提升功率预测精度的目的。

[0006] 为实现上述目的，本发明提供了一种基于卫星云图的超短期分布式光伏功率预测方法，该方法包括以下步骤：

[0007] 以历史P个连续时刻的SWR矩阵SWR(T‑D‑P+1)～(T‑D)为输入，采用Res‑UNet模型输出D+Q个时刻的SWR矩阵SWRT‑D+1～T+Q；其中，T为指定时刻，D为延时时刻，P为历史时刻，Q为未来时
刻；

[0008] 由矩阵SWRT‑D+1～T+Q，得到SWRT‑D+1～T+Q＝SWRT‑D+1～T||SWRT+1～T+Q，其中，||表示拼接符，SWRT+1～T+Q为对应的未来Q个时刻的SWR矩阵；通过对SWRT+1～T+Q中Q个时刻的SWR矩阵进行双线
性插值，得到站点s未来Q个时刻的辐照度

[0009] 以Res‑UNet模型预测的站点s未来Q个时刻的辐照度 为输入，基于LSTM神经网络对分布式站点未来Q个时刻功率进行预测。

[0010] 优选地，Res‑UNet模型采用U‑Net的编码器‑解码器的结构，以及引入残差块结构。

[0011] 优选地，编码器部分由多个卷积‑下采样‑残差块结构的特征提取块堆叠而成，输入为历史P个时刻的SWR序列；每个特征提取块接受一个输入，应用两个3X3的卷积层，一个
2X2的最大池化层以及3个残差块。

[0012] 优选地，解码器部分包含多个特征重建块，每个块将输入传递到由一个2×2的上采样层和3×3卷积层组成的上卷积模块，两个3×3的卷积层以及3个残差块；每次输入也被
相应特征提取块的特征矩阵所附加即横跳连接；所述特征重建块的数量与特征提取块的数
量相同；生成的映射通过另一个3X3的卷积层，输出特征矩阵的数量等于所需的预测目标的
数量。

[0013] 优选地，采用双线性插值的方法可以估算得到地面站点s在t时刻的辐照度双线性插值的公式如下：

[0014]

[0015]

[0016] 其中，四个网格点的经纬度和辐照度分别为地面站点经
纬度为(lngs，lats)，根据分布式站点周围网格点上的周围网格点上的t时刻的辐照度得到
该站点s在t时刻的辐照度的估算值 通过对SWRT+1～T+Q中Q个时刻的SWR矩阵进行双线性
插值，则可得到站点未来Q个时刻的辐照度

[0017] 优选地，在基于LSTM神经网络对分布式站点未来Q个时刻功率进行预测步骤中，通过日期编码和时间编码学习光伏发电周期性，实现更精准地预测。

[0018] 优选地，一天和一年的秒数分别设置为：

[0019] day＝24*60*60#(2)

[0020] year＝365.2425*day#(3)

[0021] 优选地，将某一时刻t对应的时间戳设置为timestamp，通过正弦函数和余弦函数表达循环周期性，则有：

[0022]

[0023]

[0024]

[0025]

[0026] 该t时刻对应的日期编码即为 时间编码为

[0027] 本发明的有益效果在于：

[0028] (1)引入了卫星的SWR矩阵，弥补了分布式站点无辐照度测量的不足。

[0029] (2)相较于只考虑辐照度的时间相关，提出的Res‑UNet模型考虑了辐照度的时空相关性。

[0030] (3)相较于只考虑历史与未来时刻的变化，功率编码器‑解码器模块中日期和时间编码的引入可以有效学习光伏发电周期性。

附图说明

[0031] 图1为本发明实施例提供的一种基于卫星云图的超短期分布式光伏功率预测方法流程示意图；

[0032] 图2为Res‑UNet模型使用的残差块；

[0033] 图3为基于SWR邻域空间的辐照度估算示意图；

[0034] 图4为基于卫星云图的超短期分布式光伏发电功率预测示意图。

具体实施方式

[0035] 图1为本发明实施例提供的一种基于卫星云图的超短期分布式光伏功率预测方法流程示意图。如图1所示，本发明主要包含以下步骤：

[0036] 步骤一、基于Res‑UNet模型的短波辐照(Short Wave Radiation，SWR)矩阵预测。

[0037] SWR矩阵是分布于空间60N‑60S，80E‑160W，分辨率为0.05°x0.05°的辐照度网格，是逐10分钟序列数据，以弥补分布式站点无气象测量的不足。由于SWR矩阵有D个时刻(30分
钟)的时间延迟，所以T时刻时只能获得T‑D时刻之前的SWR矩阵。因此为实现对未来Q个时刻
N个分布式站点的辐照度预测，需要实现对未来Q+D个时刻的SWR预测。

[0038] 以历史P个连续时刻的SWR矩阵SWR(T‑D‑P+1)～(T‑D)为输入，为得到未来Q个时刻的SWR矩阵SWRT+1～T+Q，Res‑UNet模型需要输出接下来的D+Q个时刻的SWR矩阵SWRT‑D+1～T+Q。如图4所
示，Res‑UNet模型采用了U‑Net的编码器‑解码器(Encoder‑Decoder)的结构，左侧为编码
器，右侧是解码器。由于输入的SWR矩阵时空特征复杂且尺寸较大，为实现逐像素点的辐照
度预测，需要加深网络层数。Res‑UNet模型引入的残差块(Residual Block)结构有效解决
了网络加深会带来梯度弥散的问题。

[0039] 图2为Res‑UNet模型使用的残差块，x为conv‑relu堆叠层的输入，H(x)为其要学习逼近的函数，原始输入x经过一个conv‑relu堆叠层，学习到F(x)，然后与原始输入x相加
(element‑wise addition)得到要逼近的目标H(x)，即H(x)＝F(x)+x，这种跨过堆叠层的连
接方式为Short Connection。残差块的引入可以把原始信息流入更深的层，抑制信息的退
化。反向传播过程中，Short Connection这一支路的导数是1，所以可以把深层的误差很好
的保留传递给浅层，从而抑制梯度链式法则带来的梯度弥散。如图4所示，在Res‑UNet模型
中，残差块贯穿整个编码器和解码器结构中。

[0040] 如图4所示，编码器由多个卷积‑下采样‑残差块结构的特征提取块堆叠而成，上一特征提取块的输出是下一特征提取块的输入，编码器初始输入为历史P个时刻的SWR序列
SWR(T‑D‑P+1)～(T‑D)。每个特征提取块接受一个输入，应用两个3X3的卷积层，一个2X2的最大池
化层以及3个残差块。每经过一个卷积层，卷积核和隐层特征通道的数量会加倍；每经过一
个最大池化层(max pooling layer)，特征矩阵(feature map)的尺寸变小，尺度变大，多个
池化层实现了对SWR矩阵的多尺度特征识别；残差块在当前尺度上进行时空特征的提取，不
会改变隐层的尺寸及特征通道数，3个残差块的运用，使得同一尺度下，特征提取更充分，且
抑制网络加深带来的梯度弥散。编码器这样的体系结构可以有效地学习SWR的时空特征。如
图4所示，大小为[256，256，P]的SWR(T‑D‑P+1)～(T‑D)经3×3卷积层后，尺寸不变，特征通道数映
射为64，得到[256，256，64]的特征矩阵；然后会经过一个2×2最大池化层，尺寸减半，通道
数量不变，得到[128，128，64]的特征矩阵；最后，会经过3个残差块，在该尺度和特征通道数
量下，充分提取特征。这之后的每一个特征提取块都会在尺寸减半，特征通道加倍的基础上
特征的充分提取，经多个特征提取块提取特征，最终输出其对应的高度抽象特征，即图4中
的[16，16，512]的特征矩阵，该特征矩阵将作为解码器的输入。

[0041] 解码器部分以编码器的输出为输入，包含多个特征重建块。特征重建块由一个2×2的上采样层和3×3卷积层组成的上卷积模块，两个3×3的卷积层以及3个残差块组成。每
经一个上卷积模块，特征矩阵尺寸加倍，特征通道数减半，每经两个3×3卷积层，特征矩阵
尺寸不变，特征通道数减半，特征重建块的数量与特征提取块的数量相同，残差块的运用，
使得同一尺度下，特征提取更充分，且抑制网络加深带来的梯度弥散。每个特征重建块的输
入不仅包含上一特征重建块的输出也被特征提取块中同尺寸的特征矩阵所附加即横跳连
接(skip connection)。横跳连接融合特征提取部分的输出，将多尺度特征融合在了一起，
确保了编码器编码图像时学习到的特征将被用于重建网格。如图4所示，编码器输出的大小
为[16，16，512]的特征矩阵首先会经3×3卷积层得到[16，16，1024]的特征矩阵，该特征矩
阵会作为第一个特征重建块的输入；然后[16，16，1024]的特征矩阵会经过上卷积模块得到
[32，32，512]的特征矩阵；之后[32，32，512]的特征矩阵会和编码器中同尺度的特征矩阵进
行拼接得到[32，32，1024]的特征矩阵；最后该特征矩阵在两个3×3卷积层作用下特征通道
数减半，并经残差块进行特征充分提取得到[32，32，512]的输出，该特征矩阵将作为下一特
征重建块的输入。解码器最终输出特征矩阵[256，256，D+Q]，其通道数量等于预测目标的数
量即D+Q，实现了对SWRT‑D+1～T+Q的预测。

[0042] 步骤二、基于SWR邻域空间的辐照度估算。对于Res‑UNet得到SWRT‑D+1～T+Q，有SWRT‑D+1～T+Q＝SWRT‑D+1～T||SWRT+1～T+Q，||表示拼接符，SWRT+1～T+Q为对应的未来Q个时刻的SWR矩
阵。为得到站点s(s∈[1，N])的辐照度，需要对站点周围的SWR矩阵点上的辐照度进行拟合。
如图3所示，在某一时刻t时，四个网格点的经纬度和辐照度已知，分别为
地面站点经
纬度为(lngs，lats)。双线性插值的公式如下：

[0043]

[0044]

[0045] 由此，可以根据分布式站点周围网格点上的周围网格点上的t时刻的辐照度得到该站点s在t时刻的辐照度的估算值 通过对SWRT+1～T+Q中Q个时刻的SWR矩阵进行双线性
插值则可以得到站点s未来Q个时刻的辐照度 进而可得到N个站点未来Q个时刻
的辐照度

[0046] 步骤三、基于LSTM的功率预测。

[0047] 如图4所示，基于LSTM的光伏功率预测，以Res‑UNet预测的未来Q个时刻辐照度为输入，实现了对分布式站点s未来Q个时刻功率的预测。由于地球的公转和自转，光伏发电功
率变化呈现周期性，日期编码和时间编码分别描述了光伏发电功率的年周期性和日周期
性。在光伏功率预测模型中加入日期编码和时间编码可以更好地学习光伏发电周期性，从
而实现更精准地预测。

[0048] 将一天和一年的秒数分别设置为：

[0049] day＝24*60*60#(2)

[0050] year＝365.2425*day#(3)

[0051] 设某一时刻t对应的时间戳(从1970年1月1日开始所经过的秒数)为timestamp，通过正弦函数和余弦函数表达循环周期性，则有：

[0052]

[0053]

[0054]

[0055]

[0056] 该t时刻对应的日期编码即为 时间编码为 如图4所示，基于LSTM的光伏功率预测同样采用编码器‑解码器的结构，其中FC层表示全连接层，L
5 5
表示LSTM单元，Xt∈R 表示t时刻的输入特征，Yt∈R 表示t时刻的输出特征。对于编码器而
言， 为历史某一t时刻
的 日 期编 码、时 间编 码和 站点s 的光 伏发电 功 率。对于解 码器 而言 ，
为未来某一t时刻的日期
编码、时间编码和Res‑UNet预测的站点s的辐照度。 为站
点s未来某一t时刻的预测功率。编码器输入站点s历史H个时刻的特征XT‑H+1～T，解码器输入
站点s未来Q个时刻的特征XT+1～T+Q，输出未来Q个时刻的预测功率YT+1～T+Q，从而实现了对站点
s未来功率的预测。

[0057] 以下为具体的实施方案：

[0058] (1)选取了某个省份121个无气象测量装置的分布式光伏电站。输入的SWR矩阵为覆盖该121个站点的最小范围，大小为[222，222]的矩阵。

[0059] (2)基于Res‑UNet的辐照度预测实验选取2018年07月01日至2018年08月31日每天08：00‑20：00的数据作为训练集，2018年09月01日‑2019年06月30日每天08：00‑20：00的数
据作为验证集，以历史1小时的P＝6个连续SWR矩阵来预测未来1小时L+Q＝6个连续的SWR矩
阵。由于SWR有半小时(D＝3)的数据延迟，所以实现了未来30分钟(Q＝3)的辐照度预测。实
验中，首先将[222，222]的矩阵放大至[256，256]，然后每次将batch_size＝8的批数据通过
1个8层的Res_UNet，采用Adam优化算法以1e‑5的学习率进行学习优化。

[0060] (3)在基于LSTM的功率预测实验中，将2018年09月01日‑2019年06月30日每天08：00‑20：00的数据随机抽取四分之一的天数作为验证集，剩余四分之三作为训练集。以历史S
＝4时刻的日期编码、时间编码、功率和未来Q个时刻的日期编码、时间编码和Res‑UNet预测
的辐照度，预测未来Q个时刻的功率。

[0061] 本发明实施例的有益效果在于：

[0062] (1)引入了卫星的SWR网格，弥补了分布式站点无辐照度测量的不足。

[0063] (2)相较于只考虑辐照度的时间相关，提出的Res‑UNet模型考虑了辐照度的时空相关性。

[0064] (3)相较于只考虑历史与未来时刻的变化，功率编码器‑解码器模块中日期和时间编码的引入可以有效学习光伏发电周期性。