本發(fā)明屬于新能源預(yù)測，具體涉及一種基于動態(tài)圖卷積的短期多站點(diǎn)太陽輻照度預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、由于石油、煤炭等傳統(tǒng)資源的不可再生性以及對環(huán)境造成污染，因此轉(zhuǎn)向清潔能源，尤其是太陽能的開發(fā)和利用，已成為全球能源轉(zhuǎn)型的重要方向。太陽能以其普遍性、無害性、長久性等顯著優(yōu)勢，被認(rèn)為是未來能源結(jié)構(gòu)中的重要組成部分。光伏發(fā)電作為太陽能利用的主要形式，因其清潔、可再生的特點(diǎn)而被廣泛應(yīng)用。

2、然而，光伏發(fā)電的輸出功率受太陽輻照度的影響顯著，具有明顯的波動性和隨機(jī)性。這種波動性對電網(wǎng)的穩(wěn)定性和安全性構(gòu)成了挑戰(zhàn)，尤其是在大規(guī)模光伏并網(wǎng)的情況下，天氣變化導(dǎo)致的太陽輻照度波動會直接影響光伏電站的輸出，進(jìn)而影響電網(wǎng)的穩(wěn)定運(yùn)行。電網(wǎng)在接入清潔能源時(shí)，必須考慮到這種不間斷波動的影響，并采取相應(yīng)的措施以保障電網(wǎng)的安全。

3、隨著清潔能源在能源結(jié)構(gòu)中所占比例的提高，尤其是太陽能光伏發(fā)電的廣泛應(yīng)用，短期太陽輻照度的精準(zhǔn)預(yù)測對于光伏發(fā)電應(yīng)用的進(jìn)一步擴(kuò)展、電力系統(tǒng)的調(diào)度和波動監(jiān)測具有至關(guān)重要的作用。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：針對現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于動態(tài)圖卷積的短期多站點(diǎn)太陽輻照度預(yù)測方法及系統(tǒng)，提高短期太陽輻照度預(yù)測精度。

2、技術(shù)方案：一種基于動態(tài)圖卷積的短期多站點(diǎn)太陽輻照度預(yù)測方法，包括以下步驟：

3、獲取多站點(diǎn)的歷史太陽輻照度和氣象參數(shù)，每個站點(diǎn)的歷史數(shù)據(jù)構(gòu)成二維矩陣，將多站點(diǎn)的原始二維數(shù)據(jù)堆疊形成三維矩陣，利用擠壓激勵網(wǎng)絡(luò)senet進(jìn)行自適應(yīng)特征選擇，得到不同時(shí)間步的特征選擇權(quán)重，并基于權(quán)重進(jìn)行加權(quán)得到各時(shí)間步特征選擇結(jié)果；

4、基于特征選擇權(quán)重賦值后的多站點(diǎn)數(shù)據(jù)，利用自注意力機(jī)制構(gòu)建站點(diǎn)之間的動態(tài)鄰接矩陣，將動態(tài)鄰接矩陣和特征選擇權(quán)重賦值后的多站點(diǎn)數(shù)據(jù)一同輸入圖卷積網(wǎng)絡(luò)gcn，利用gcn提取時(shí)間序列中的空間特征；

5、利用多頭注意力對已提取空間特征的時(shí)間序列進(jìn)行優(yōu)化，得到空間特征優(yōu)化后的時(shí)序序列；利用雙向長短期記憶bilstm網(wǎng)絡(luò)對空間特征優(yōu)化后的時(shí)序序列進(jìn)行時(shí)間特征提取，得到多站點(diǎn)時(shí)序序列的時(shí)空特征；

6、將多站點(diǎn)時(shí)序序列的時(shí)空特征輸入多層感知機(jī)，輸出多站點(diǎn)最終的太陽輻照度預(yù)測結(jié)果。

7、進(jìn)一步的，每個站點(diǎn)的歷史數(shù)據(jù)構(gòu)成二維矩陣，將多站點(diǎn)的原始二維數(shù)據(jù)堆疊形成三維矩陣，包括：

8、每個站點(diǎn)的歷史數(shù)據(jù)構(gòu)成二維矩陣，表示為z[i]∈rt×m，其中，i表示站點(diǎn)編號，r表示實(shí)數(shù)域，t是站點(diǎn)收集的樣本總數(shù)，m是站點(diǎn)的特征數(shù)量，包括歷史太陽輻照度和氣象參數(shù)；

9、多站點(diǎn)的原始二維數(shù)據(jù)堆疊形成三維矩陣，表示為：o＝stack[z(1),z(2),...,z(i),...,z(n)]，其中n為站點(diǎn)數(shù)量，stack表示從站點(diǎn)的維度積分二維矩陣。

10、進(jìn)一步的，基于權(quán)重進(jìn)行加權(quán)得到各時(shí)間步特征選擇結(jié)果，表示為：其中為時(shí)間步t處m個特征的特征選擇權(quán)重，由擠壓激勵網(wǎng)絡(luò)senet得到；為時(shí)間步t處特征的輸入；為加權(quán)后得到的時(shí)間步t處的特征選擇向量。

11、進(jìn)一步的，利用自注意力機(jī)制構(gòu)建站點(diǎn)之間的動態(tài)鄰接矩陣，包括：

12、將特征選擇權(quán)重賦值后的多站點(diǎn)數(shù)據(jù)表示為輸入序列y，給定輸入序列y，在自注意力機(jī)制中，該輸入序列首先被轉(zhuǎn)變?yōu)椴樵兙仃噏、鍵矩陣k和值矩陣v，計(jì)算公式如下：

13、q＝wqy

14、k＝wky

15、v＝wvy

16、其中，wq、wk和wv是線性變換的可學(xué)習(xí)參數(shù)矩陣；然后在時(shí)間步t處的自適應(yīng)鄰接矩陣a計(jì)算如下：

17、

18、其中，softmax表示了不同時(shí)間步查詢矩陣q和鍵矩陣k之間的相似性，即不同時(shí)間步的注意力分?jǐn)?shù)，其值被壓縮在[0,1]之間；dk是鍵矩陣k的維度。

19、進(jìn)一步的，圖卷積網(wǎng)絡(luò)gcn包括兩層動態(tài)圖卷積層，兩層動態(tài)圖卷積層模型輸出如下：

20、

21、其中，w1和w2分別表示第一個和第二個動態(tài)圖卷積層的可學(xué)習(xí)權(quán)重矩陣，xt是時(shí)間步t處的特征矩陣，表示對應(yīng)的歸一化鄰接矩陣，d表示相應(yīng)的度矩陣；圖卷積運(yùn)算過程通過一階切比雪夫多項(xiàng)式展開近似：

22、

23、其中，w和b分別是可學(xué)習(xí)的權(quán)重矩陣和偏差，x和z分別表示圖卷積層的輸入和輸出。

24、進(jìn)一步的，利用多頭注意力對已提取空間特征的時(shí)間序列進(jìn)行優(yōu)化，得到空間特征優(yōu)化后的時(shí)序序列，表示為：其中，m是多頭注意力機(jī)制的頭數(shù)；是多頭注意力中第i個頭的自注意力輸出，concat是融合層，wo是參數(shù)矩陣；multihead(y)是多頭注意力機(jī)制產(chǎn)生的輸出。

25、進(jìn)一步的，利用雙向長短期記憶bilstm網(wǎng)絡(luò)對空間特征優(yōu)化后的時(shí)序序列進(jìn)行時(shí)間特征提取，包括：

26、it＝σ(wi·[ht-1,xt]+bt)

27、ot＝σ(wo·[ht-1,xt]+bo)

28、ft＝σ(wf·[ht-1,xt]+bf)

29、

30、ht＝ot?tanh(ct)

31、

32、其中，xt是t時(shí)刻lstm網(wǎng)絡(luò)的輸入；ht-1為t-1時(shí)刻lstm網(wǎng)絡(luò)的輸出；it、ot、ft分別為輸入門、輸出門、遺忘門；w*為加權(quán)偏置；b*為對應(yīng)的偏置項(xiàng)；為細(xì)胞狀態(tài)更新過程；ct為t時(shí)刻的細(xì)胞狀態(tài)；tanh為雙曲正切激活函數(shù)；ht為t時(shí)刻的lstm輸出；和分別表示在時(shí)間步t處正向和后向lstm層的輸出，ht是時(shí)間步t時(shí)bilstm層的輸出，即多站點(diǎn)時(shí)序序列的時(shí)空特征。

33、一種基于動態(tài)圖卷積的短期多站點(diǎn)太陽輻照度預(yù)測系統(tǒng)，包括：

34、多站點(diǎn)數(shù)據(jù)重構(gòu)與自適應(yīng)特征選擇模塊，用于獲取多站點(diǎn)的歷史太陽輻照度和氣象參數(shù)，每個站點(diǎn)的歷史數(shù)據(jù)構(gòu)成二維矩陣，將多站點(diǎn)的原始二維數(shù)據(jù)堆疊形成三維矩陣，利用擠壓激勵網(wǎng)絡(luò)senet進(jìn)行自適應(yīng)特征選擇，得到不同時(shí)間步的特征選擇權(quán)重，并基于權(quán)重進(jìn)行加權(quán)得到各時(shí)間步特征選擇結(jié)果；

35、動態(tài)圖卷積空間特征提取模塊，用于基于特征選擇權(quán)重賦值后的多站點(diǎn)數(shù)據(jù)，利用自注意力機(jī)制構(gòu)建站點(diǎn)之間的動態(tài)鄰接矩陣，將動態(tài)鄰接矩陣和特征選擇權(quán)重賦值后的多站點(diǎn)數(shù)據(jù)一同輸入圖卷積網(wǎng)絡(luò)gcn，利用gcn提取時(shí)間序列中的空間特征；

36、時(shí)空特征優(yōu)化提取模塊，用于利用多頭注意力對已提取空間特征的時(shí)間序列進(jìn)行優(yōu)化，得到空間特征優(yōu)化后的時(shí)序序列；利用雙向長短期記憶bilstm網(wǎng)絡(luò)對空間特征優(yōu)化后的時(shí)序序列進(jìn)行時(shí)間特征提取，得到多站點(diǎn)時(shí)序序列的時(shí)空特征；

37、結(jié)果預(yù)測及輸出模塊，用于將多站點(diǎn)時(shí)序序列的時(shí)空特征輸入多層感知機(jī)，輸出多站點(diǎn)最終的太陽輻照度預(yù)測結(jié)果。

38、本發(fā)明還提供一種計(jì)算機(jī)設(shè)備，包括：一個或多個處理器；存儲器；以及一個或多個程序，其中所述一個或多個程序被存儲在所述存儲器中，并且被配置為由所述一個或多個處理器執(zhí)行，所述程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的基于動態(tài)圖卷積的短期多站點(diǎn)太陽輻照度預(yù)測方法的步驟。

39、本發(fā)明還提供一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上所述的基于動態(tài)圖卷積的短期多站點(diǎn)太陽輻照度預(yù)測方法的步驟。

40、有益效果：

41、(1)本發(fā)明提出了一種基于多站點(diǎn)氣象參數(shù)和歷史太陽輻照度的圖時(shí)空特征構(gòu)建方法。通過將每個站點(diǎn)的歷史數(shù)據(jù)構(gòu)成二維矩陣，將多站點(diǎn)的原始二維數(shù)據(jù)堆疊形成三維矩陣，該方法能夠高效地將多站點(diǎn)數(shù)據(jù)組合成統(tǒng)一的特征，從而降低預(yù)測模型的學(xué)習(xí)難度。

42、(2)本發(fā)明引入了擠壓激勵網(wǎng)絡(luò)senet模塊來修改預(yù)測模型。該模塊可以降低方法的復(fù)雜度，提高預(yù)測精度。它通過生成隨時(shí)間變化的自適應(yīng)特征權(quán)重矩陣，量化了不同特征在不同時(shí)間步長中對太陽輻照度預(yù)測的重要性。

43、(3)本發(fā)明利用了動態(tài)圖卷積，將鄰接矩陣構(gòu)造細(xì)化到每個時(shí)間點(diǎn)。動態(tài)圖卷積通過自注意力機(jī)制在不同時(shí)間步動態(tài)生成鄰接矩陣，從而描述不同站點(diǎn)之間空間相關(guān)性的時(shí)變特征。