一种基于卫星云图的超短期分布式光伏功率预测方法转让专利
申请号 : CN202110065167.6
文献号 : CN112766568B
文献日 : 2022-03-15
发明人 : 王珏 , 刘晓艳 , 操海洲 , 姚铁锤 , 王晓光 , 王彦棡 , 迟学斌
申请人 : 中国科学院计算机网络信息中心
摘要 :
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
背景技术
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。
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
刻;
性插值,得到站点s未来Q个时刻的辐照度
2X2的最大池化层以及3个残差块。
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。
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
附图说明
具体实施方式
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。
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。
(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。
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。
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。
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:
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
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。
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。
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。
=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。