本發(fā)明涉及分布式光伏功率協(xié)同預(yù)測，尤其涉及一種基于圖結(jié)構(gòu)網(wǎng)絡(luò)的分布式光伏功率協(xié)同預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、太陽能作為可再生新能源的一種，具有可再生能力強(qiáng)、清潔環(huán)保、資源豐富、開發(fā)利用方便等優(yōu)點。光伏發(fā)電具有隨機(jī)性和不連續(xù)性等特點，在并網(wǎng)時對電網(wǎng)的影響較大。預(yù)測光伏發(fā)電功率能夠提高功率輸出的預(yù)見性，不僅能保證電網(wǎng)調(diào)度信息的可靠性，還能幫助電網(wǎng)調(diào)度合理規(guī)劃，對推動光伏發(fā)電行業(yè)健康穩(wěn)定發(fā)展具有重要意義。

2、現(xiàn)階段，單個光伏電站光伏預(yù)測方法得到迅速發(fā)展，包括如統(tǒng)計學(xué)方法、深度學(xué)習(xí)法、神經(jīng)網(wǎng)絡(luò)模型法等預(yù)測方法，在此基礎(chǔ)上，集中式、分布式光伏電站光伏功率的協(xié)同預(yù)測方法也在不斷進(jìn)步。而與集中式光伏電站或單站點相比，分布光伏電站具有安裝分散、容量小，數(shù)據(jù)采集及通信安全可靠性不高等特點，這也決定了分布光伏電站功率預(yù)測系統(tǒng)需采取不同于現(xiàn)有集中式光伏電站功率預(yù)測系統(tǒng)的技術(shù)方案?，F(xiàn)有的分布式光伏電站功率預(yù)測方法多采用深度學(xué)習(xí)及神經(jīng)網(wǎng)絡(luò)模型的方式，但是，現(xiàn)有方式所提取的光伏電站數(shù)據(jù)特征不完善，無法深入挖掘分布式光伏功率的深度特征；網(wǎng)絡(luò)模型性能受網(wǎng)絡(luò)參數(shù)的影響，現(xiàn)有模型參數(shù)多采用默認(rèn)值，導(dǎo)致模型預(yù)測性能較差；預(yù)測過程中并未考慮多個分布式光伏電站之間的協(xié)同關(guān)系，最終使得分布式光伏功率協(xié)同預(yù)測的準(zhǔn)確性和可靠性較差。

技術(shù)實現(xiàn)思路

1、為解決上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于圖結(jié)構(gòu)網(wǎng)絡(luò)的分布式光伏功率協(xié)同預(yù)測方法及系統(tǒng)，通過多種不同類型網(wǎng)絡(luò)層(包括圖結(jié)構(gòu)網(wǎng)絡(luò)gcn、卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)cnn、長短期記憶網(wǎng)絡(luò)lstm)的復(fù)雜搭建，構(gòu)建了一種分布式光伏功率協(xié)同預(yù)測模型，并利用鯨魚優(yōu)化算法來優(yōu)化所搭建模型的超參數(shù)，以此提高模型預(yù)測性能；通過分析影響分布式光伏協(xié)同功率預(yù)測的氣候影響因素，將該氣候影響因素歷史數(shù)據(jù)結(jié)合光伏功率歷史數(shù)據(jù)輸入至所搭建的協(xié)同預(yù)測模型，以此捕獲每一光伏站點時序數(shù)據(jù)長時間內(nèi)隨時間變化的動態(tài)特征、所有光伏站點之間的空間依賴關(guān)系以及所有光伏站點時序數(shù)據(jù)短時間內(nèi)的波動即短期時間特征，更全面的理解和預(yù)測分布式光伏電站的功率輸出，提高協(xié)同預(yù)測的準(zhǔn)確性和可靠性。

2、第一方面，本發(fā)明提供了一種基于圖結(jié)構(gòu)網(wǎng)絡(luò)的分布式光伏功率協(xié)同預(yù)測方法。

3、一種基于圖結(jié)構(gòu)網(wǎng)絡(luò)的分布式光伏功率協(xié)同預(yù)測方法，包括：

4、獲取分布式光伏電站所有站點的歷史數(shù)據(jù)；所述歷史數(shù)據(jù)包括氣候影響因素歷史數(shù)據(jù)和功率歷史數(shù)據(jù)；

5、對歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，獲取每一站點的歷史時序數(shù)據(jù)；

6、將所有站點的歷史時序數(shù)據(jù)輸入至分布式光伏功率協(xié)同預(yù)測模型中，該模型由多層cnn、gcn、lstm網(wǎng)絡(luò)復(fù)合構(gòu)成，分為并行的兩個分支，分支一為并行的cnn和gcn網(wǎng)絡(luò)，分別提取輸入數(shù)據(jù)的短期時間特征和站點間空間特征；分支二為多個并行的lstm網(wǎng)絡(luò)，分別提取每一站點數(shù)據(jù)的長期時間特征；cnn和gcn網(wǎng)絡(luò)的輸出拼接后，再分別與每一lstm網(wǎng)絡(luò)的輸出拼接，經(jīng)過對應(yīng)的全連接層后再拼接，輸出每一站點的實際功率預(yù)測值。

7、進(jìn)一步的技術(shù)方案，所述氣候影響因素包括輻射強(qiáng)度、溫度、氣壓、濕度；所述功率包括實際功率和額定功率。

8、進(jìn)一步的技術(shù)方案，所述氣候影響因素的篩選，包括：

9、獲取分布式光伏電站每一站點的多種氣候因素歷史數(shù)據(jù)和功率歷史數(shù)據(jù)；

10、對獲取的歷史數(shù)據(jù)進(jìn)行歸一化處理；

11、采用斯皮爾曼相關(guān)性分析法，計算不同站點的不同氣候因素數(shù)據(jù)與實際功率數(shù)據(jù)之間的相關(guān)性，根據(jù)相關(guān)性篩選得到氣候影響因素。

12、進(jìn)一步的技術(shù)方案，所述多種氣候因素包括輻射強(qiáng)度、溫度、氣壓、濕度、降水量、風(fēng)速。

13、進(jìn)一步的技術(shù)方案，對歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，包括：

14、對每一站點的歷史數(shù)據(jù)依次進(jìn)行滑動窗口數(shù)據(jù)切片、異常數(shù)據(jù)剔除、標(biāo)準(zhǔn)化處理和時間格式轉(zhuǎn)換，獲取歷史時序數(shù)據(jù)。

15、進(jìn)一步的技術(shù)方案，構(gòu)建分布式光伏功率協(xié)同預(yù)測模型，并采用鯨魚優(yōu)化算法優(yōu)化模型超參數(shù)，包括：

16、初始化鯨魚數(shù)量和最大迭代次數(shù)，隨機(jī)初始化生成一群鯨魚，用于表示一組模型超參數(shù)；

17、計算每一鯨魚的適應(yīng)度，確定當(dāng)前最優(yōu)鯨魚的位置，以此訓(xùn)練模型并返回模型在測試數(shù)據(jù)集上的損失值；所述損失值是基于預(yù)測功率和實際功率，以均方根誤差、平均絕對誤差和決定系數(shù)為指標(biāo)計算得到的；

18、通過在搜索空間中隨機(jī)搜索，基于適應(yīng)度更新鯨魚位置，基于更新后的位置進(jìn)行下一迭代的訓(xùn)練；

19、不斷訓(xùn)練迭代，直至達(dá)到最大迭代次數(shù)，此時得到最優(yōu)超參數(shù)組合并將其賦予預(yù)測模型中。

20、第二方面，本發(fā)明提供了一種基于圖結(jié)構(gòu)網(wǎng)絡(luò)的分布式光伏功率協(xié)同預(yù)測系統(tǒng)。

21、一種基于圖結(jié)構(gòu)網(wǎng)絡(luò)的分布式光伏功率協(xié)同預(yù)測系統(tǒng)，包括：

22、數(shù)據(jù)獲取模塊，用于獲取分布式光伏電站所有站點的歷史數(shù)據(jù)；所述歷史數(shù)據(jù)包括氣候影響因素歷史數(shù)據(jù)和功率歷史數(shù)據(jù)；

23、數(shù)據(jù)預(yù)處理模塊，用于對歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，獲取每一站點的歷史時序數(shù)據(jù)；

24、分布式光伏功率協(xié)同預(yù)測模塊，用于將所有站點的歷史時序數(shù)據(jù)輸入至分布式光伏功率協(xié)同預(yù)測模型中，該模型由多層cnn、gcn、lstm網(wǎng)絡(luò)復(fù)合構(gòu)成，分為并行的兩個分支，分支一為并行的cnn和gcn網(wǎng)絡(luò)，分別提取輸入數(shù)據(jù)的短期時間特征和站點間空間特征；分支二為多個并行的lstm網(wǎng)絡(luò)，分別提取每一站點數(shù)據(jù)的長期時間特征；cnn和gcn網(wǎng)絡(luò)的輸出拼接后，再分別與每一lstm網(wǎng)絡(luò)的輸出拼接，經(jīng)過對應(yīng)的全連接層后再拼接，輸出每一站點的實際功率預(yù)測值。

25、第三方面，本公開還提供了一種電子設(shè)備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機(jī)指令，所述計算機(jī)指令被處理器運行時，完成第一方面所述方法的步驟。

26、第四方面，本公開還提供了一種計算機(jī)可讀存儲介質(zhì)，用于存儲計算機(jī)指令，所述計算機(jī)指令被處理器執(zhí)行時，完成第一方面所述方法的步驟。

27、以上一個或多個技術(shù)方案存在以下有益效果：

28、1、本發(fā)明提供了一種基于圖結(jié)構(gòu)網(wǎng)絡(luò)的分布式光伏功率協(xié)同預(yù)測方法及系統(tǒng)，通過多種不同類型網(wǎng)絡(luò)層(包括圖結(jié)構(gòu)網(wǎng)絡(luò)gcn、卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)cnn、長短期記憶網(wǎng)絡(luò)lstm)的復(fù)雜搭建，構(gòu)建了一種分布式光伏功率協(xié)同預(yù)測模型，并利用鯨魚優(yōu)化算法來優(yōu)化所搭建模型的超參數(shù)，以此提高模型預(yù)測性能；通過分析影響分布式光伏協(xié)同功率預(yù)測的氣候影響因素，將該氣候影響因素歷史數(shù)據(jù)結(jié)合光伏功率歷史數(shù)據(jù)輸入至所搭建的協(xié)同預(yù)測模型，以此捕獲每一光伏站點時序數(shù)據(jù)長時間內(nèi)隨時間變化的動態(tài)特征、每一光伏站點之間的空間依賴關(guān)系以及所有光伏站點時序數(shù)據(jù)短時間內(nèi)的波動即短期時間特征(或稱為局部特征)，更全面的理解和預(yù)測分布式光伏電站的功率輸出，提高協(xié)同預(yù)測的準(zhǔn)確性和可靠性。

29、2、本發(fā)明中引入了圖結(jié)構(gòu)網(wǎng)絡(luò)gcn，通過該gcn網(wǎng)絡(luò)來處理分布式光伏系統(tǒng)中的空間關(guān)系。傳統(tǒng)的預(yù)測方法往往忽視了不同光伏電站之間的空間相關(guān)性，或是僅使用簡化的數(shù)學(xué)模型進(jìn)行處理，其無法準(zhǔn)確捕捉不同光伏電站之間復(fù)雜的空間依賴關(guān)系，為此，本發(fā)明利用gcn來建模光伏電站/單元間的復(fù)雜連接和互動，能夠更準(zhǔn)確地反映出不同單元之間的相互影響，有效提高預(yù)測的準(zhǔn)確性；同時，本發(fā)明還引入了cnn網(wǎng)絡(luò)，利用該網(wǎng)絡(luò)提取數(shù)據(jù)中心的局部特征，通過網(wǎng)絡(luò)中的卷積層識別時序數(shù)據(jù)中的短期模式(即短時間內(nèi)的波動)，將其與空間特征拼接形成數(shù)據(jù)結(jié)構(gòu)特征，再與每一電站的長期時序特征聯(lián)合，實現(xiàn)分布式光伏電站的功率協(xié)同準(zhǔn)確預(yù)測。

30、3、本發(fā)明所搭建的模型專注于協(xié)同預(yù)測，其能夠綜合多個分布式光伏發(fā)電單元(即光伏電站)的數(shù)據(jù)，進(jìn)行集體預(yù)測，不僅能夠提高單個單元的預(yù)測準(zhǔn)確率，而且還能優(yōu)化整個系統(tǒng)的能源管理和調(diào)度效率，在實際應(yīng)用中，這一協(xié)同預(yù)測能夠為電網(wǎng)運營提供更為精確和穩(wěn)定的功率輸出預(yù)測，有助于降低因功率波動帶來的風(fēng)險。