一种基于气象要素的新能源发电功率预测方法及系统与流程

1.本发明属于电力技术领域，具体涉及一种基于气象要素的新能源发电功率预测方法及系统。


背景技术：

2.随着全球气候变暖，地球化石能源日益减少，新能源必定是未来发电的趋势，近年来随着科研技术的不断发展，新能源发电越来越得到重视，其中风力和光伏发电的竞争力在不断加强。
3.把风的动能转变成机械动能，再把机械能转化为电力动能，这就是风力发电。风力发电的原理是利用风力带动风车叶片旋转，再透过增速机将旋转的速度提升来促使发电机发电。依据目前的风车技术，大约是每秒三米的微风速度便可以开始发电。风力发电正在世界上形成一股热潮，因为风力发电不需要使用燃料，也不会产生辐射或空气污染。
4.光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术。主要由太阳电池板、控制器和逆变器三大部分组成，主要部件由电子元器件构成。太阳能电池经过串联后进行封装保护可形成大面积的太阳电池组件，再配合上功率控制器等部件就形成了光伏发电装置。
5.然而风力和光伏发电均存在波动性和不确定性，这种波动性和不确定性通常是由气象要素引起的，发电的输出功率存在这种波动性和不确定性会给电网带来较大的冲击，可能会影响电能质量，甚至影响电力系统安全稳定运行，因此对输出功率的预测十分必要。然后目前的输出功率预测方法无法及时追踪气象要素变化带来的输出功率变化，并且目前的输出功率预测方法往往从单一因素考虑输出功率变化，这种预测方法具有较大的误差性，往往无法实际应用。


技术实现要素：

6.本发明的目的之一在于提供一种基于气象要素的新能源发电功率预测方法，实现实时、准确的新能源发电功率预测。
7.为实现上述目的，本发明所采取的技术方案为：
8.一种基于气象要素的新能源发电功率预测方法，所述基于气象要素的新能源发电功率预测方法，包括：
9.获取气象要素数据进行编码归一化处理后作为输入特征；
10.基于所述输入特征利用预测模型得到新能源发电功率预测结果；
11.其中，所述预测模型包括学习模块、transformer模型以及融合模块，所述学习模块用于学习气象要素中各要素的影响因子输出学习结果，所述transformer模型用于提取输入特征的特征向量，所述融合模块用于融合学习结果以及特征向量输出新能源发电功率预测结果。
12.以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进
一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
13.作为优选，所述获取气象要素数据进行编码归一化处理后作为输入特征，包括：
14.取气象要素中的字符串类型要素，根据预设的编码表将字符串类型编码为数字类型；
15.取转化为数字类型的要素以及气象要素中原来的数字类型要素进行归一化处理得到输入特征。
16.作为优选，所述气象要素包括天气、湿度、空气质量指数、风向、风速、温度和时间，其中天气和风向为字符串类型要素，湿度、空气质量指数、风速、温度和时间为数字类型要素。
17.作为优选，所述天气、湿度、空气质量指数、风向、风速和温度的归一化处理公式如下：
[0018][0019]
式中，x
ij
为第i个要素的第j个值，为原始数据，为归一化处理后的数据，μ(xi)为第i个要素的均值，σ(xi)为第i个要素的标准差；
[0020]
所述时间的归一化处理公式如下：
[0021][0022]
式中，d为日期在一年中的大数，d
out
为时间的归一化处理后的数据。
[0023]
作为优选，所述气象要素还包括编码关系，所述编码关系定义为：
[0024]
encode＝a*10+b
[0025]
其中，encode为前一天气转换到后一天气的编码关系，a为前一天气的编码，b为后一天气的编码。
[0026]
作为优选，所述学习模块为mlp多层感知机，所述mlp多层感知机的输入为气象要素中各要素的影响因子，输出为学习结果。
[0027]
作为优选，所述transformer模型仅采用encoder模块，所述encoder模块包含三层encoder block层。
[0028]
作为优选，所述encoder block层包含两个子层，分别为self-attention层和前馈全连接层，每个子层后连接一个add&norm模块。
[0029]
作为优选，所述self-attention层的处理过程如下：
[0030]
针对第n个输入特征an，其输出特征为bn，计算公式如下：
[0031][0032]
α
′
n，i
＝softmax(qn·ki
)
[0033]qn
＝an·
wq[0034]ki
＝ai·
wk[0035]
vi＝ai·
wv[0036]
式中，n∈[1，i]，i为气象要素中的要素总个数，i∈[1，i]为第i个要素，α
′
n，i
表示输入特征an与输入特征ai的关联性向量，vi表示输入特征ai的新值，softmax()表示softmax函数，qn表示对应于输入特征an的查询向量，ki表示对应于输入特征ai的被查询向量，wq表示查询权重，wk表示被查询权重，wv表示新值权重。
[0037]
作为优选，所述add&norm模块包括层归一化处理，层归一化定义为：
[0038][0039]
式中，为层归一化处理后的输出值，z
(l)
为第l层神经元的净输入，μ
(l)
为第l层神经元的净输入的均值，σ
(l)
为第l层神经元的净输入的方差，γ和β分别代表缩放和平移的参数向量，和z
(l)
维数相同，ln
γ，β
()为层归一化函数；
[0040][0041][0042]
式中，m
l
为第l层神经元的数量，为第l层中第i个神经元的净输入。
[0043]
作为优选，所述融合模块为mlp多层感知机，所述mlp多层感知机的输入为学习结果和特征向量，输出为新能源发电功率预测结果。
[0044]
本发明提供的一种基于气象要素的新能源发电功率预测方法，利用预测模型实现新能源发电功率的实时预测追踪，并且采用综合的气象要素，全方面考虑影响发电功率的因素，得到更加贴合实际的准确预测结果。
[0045]
本发明的目的之二在于提供一种基于气象要素的新能源发电功率预测系统，包括处理器以及存储有若干计算机指令的存储器，所述计算机指令被处理器执行时实现所述基于气象要素的新能源发电功率预测方法的步骤。
附图说明
[0046]
图1为本发明的一种基于气象要素的新能源发电功率预测方法的流程图；
[0047]
图2为本发明的预测模型的结构示意图；
[0048]
图3为本发明的n＝1时self-attention层的处理流程图。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本发明。
[0051]
目前对于风力和光伏发电并网时，若风力或光伏发电的输出功率变化过快，常规的方法就难以有效的进行预测。对此本实施例提供一种有效预测方法，可以明显降低输出功率变化对于电网并网带来的负面影响。
[0052]
如图1所示，本实施例提供一种基于气象要素的新能源发电功率预测方法，包括以下步骤：
[0053]
步骤1、获取气象要素数据进行编码归一化处理后作为输入特征。
[0054]
气象要素表明大气物理状态、物理现象的各项要素。主要有气温、气压、风、湿度、云、降水以及各种天气现象。扩大气象要素的概念，则它还可包括日射特性、大气电特性等大气物理特性，还有自由大气中的气象要素的说法。气象要素原则上还可以包括无法测定，但可求算的、各基本要素的函数，如相当温度、位温和空气密度等。
[0055]
结合本实施例发电功率预测的实际应用场景，本实施例取气象要素主要包括天气、湿度、空气质量指数、风向、风速、温度和时间。根据目前常规的数据采集及记录手段，通常天气和风向为字符串类型要素，湿度、空气质量指数、风速、温度和时间为数字类型要素。以某发电站某一天的气象要素记录数据为例，得到气象要素记录数据如表1所示。
[0056]
表1气象要素记录数据
[0057]
天气湿度空气质量指数风向风速温度时间晴6342东风252021 1.1
[0058]
由于字符串类型无法直接输入深度学习模型，另外时间要素通常记录为时间戳，直接输入深度学习模型会提高预测算力，并且不会带来明显的促进效益，因此需要对天气、风向和时间进行预处理。
[0059]
首先取气象要素中的字符串类型要素，根据预设的编码表将字符串类型编码为数字类型。针对天气要素，其编码方式需要体现出一定的相关性，例如多云、阴之间的关系，综上本实施例提出一种天气编码表如表2所示。
[0060]
表2天气编码表
[0061][0062]
需要说明的是，本实施例中提供的天气编码表为一种优选编码方式，在其他实施中天气的划分可以根据实际情况进行调整，不同的天气对应的编码数字也可以调整。
[0063]
在实际应用中，天气转换对于实际发电功率也可能存在较大影响，对于相应的前
一天气转换到后一天气(例如晴转阴)的关系，编码关系定义为：
[0064]
encode＝a*10+b
[0065]
其中，encode为前一天气转换到后一天气的编码关系，a为前一天气的编码，b为后一天气的编码。需要说明的是，这里的前一天气和后一天气是相对而言的，仅表示从时间上来看前一天气的时间早于后一天气，但不限定具体的时间单位，例如可以是前一时刻天气和后一时刻天气，也可以是前一天天气和后一天天气，根据实际场景取用即可。
[0066]
为了提高发电功率预测的准确性，在其他实施例中，可以将编码关系加入气象要素中作为发电功率预测的影响因素之一。
[0067]
针对风向要素，本实施例风向编码采取八风向，从0到7依次进行赋值。即将东对应的编码为0，东南对应的编码为1，南对应的编码为2，西南对应的编码为3，西对应的编码为4，西北对应的编码为5，北对应的编码为6，东北对应的编码为7。
[0068]
容易理解的是，对风向的编码可以根据实际需要进行调整，例如仅取四风向进行编码，或改变八风向对应的编码数字。
[0069]
然后取转化为数字类型的要素以及气象要素中原来的数字类型要素进行归一化处理得到输入特征。
[0070]
将天气和风向进行编码转换为数字类型后，由于转换后的数字类型以及原来的湿度、空气质量指数、风速、温度和时间等均为较大或较为复杂的字符，为了提高预测速率，本实施例对有所数字类型进行归一化处理。
[0071]
针对天气、湿度、空气质量指数、风向、风速和温度(还可以包含编码关系)的归一化处理公式如下：
[0072][0073]
式中，x
ij
为第i个要素的第j个值，为原始数据，为归一化处理后的数据，μ(xi)为第i个要素的均值，σ(xi)为第i个要素的标准差。
[0074]
由于时间戳的特殊性，本实施例直接将时间归一化为处于一年中的比例，时间的归一化处理公式如下：
[0075][0076]
式中，d为日期在一年中的天数，例如1月15号在一年中的天数为15天，则1月15号对应的d＝15，d
out
为时间的归一化处理后的数据。
[0077]
步骤2、基于输入特征利用预测模型得到新能源发电功率预测结果。
[0078]
随着深度学习的发展，transformer模型在各个领域均得到了有效的发展，但由于气象要素的特殊性，仍没有能够利用transformer模型对于发电功率预测的有效方法，本实施例为了有效应该transformer模型进行发电功率预测，对经典的transformer模型进行改进，重点改进如下：
[0079]
(1)由于本实施例中的输入输出向量长度固定，而且数据集中的数据往往不是连续的，因此本实施例将经典transformer模型中的位置编码变成了一个输入特征，去除了经典transformer模型中的位置编码和输出编码。
[0080]
(2)由于预测模型加入经典transformer模型中的decoder模块会需要更多的数据量，同时由于发电功率预测是分文本问题，有标准的输出格式，无需decoder模块再进行学习，因此本实施例只采用了经典transformer模型中的encoder模块。
[0081]
(3)由于采集的训练数据集有限，因此参数量大的网络很容易过拟合。因此本实施例这里使用的transformer模型在encoder模块只有三层encoder block层，降低了过拟合风险，同时由于自注意力权重的计算加权，transformer模型相比起同等参数量的mlp多层感知机泛化能力更强。
[0082]
考虑到不同的气象要素中的特征对于最终的预测结果会产生不同的影响，所以本实施例在使用改进的transfomer模型的基础上，加入了额外学习模块学习不同因素的影响因子。最终预测模型整体结构如图2所示，包括学习模块、transformer模型以及融合模块，学习模块用于学习气象要素中各要素的影响因子输出学习结果，transformer模型用于提取输入特征的特征向量，融合模块用于融合学习结果以及特征向量输出新能源发电功率预测结果。
[0083]
其中，学习模块为mlp多层感知机，mlp多层感知机的输入为气象要素中各要素的影响因子，输出为学习结果。根据各个对于电力发电量的特征进行聚类分析评估后，本实施例提供一种影响因子设置如表3所示。
[0084]
表3影响因子设置表
[0085][0086]
需要说明的是，表3为本实施例提供的影响因子较优的一种设置方式，在其他实施例中，可根据实际情况进行增减。
[0087]
根据对本实施例所采用的transformer模型的改进点描述可知，本实施例的预测模型中的transformer模型仅采用encoder模块，且encoder模块包含三层encoder block层。block是一个查询学习模块，基于transformer模型的encoder模块对encoder block层进行了3次的重复，(h1，h2，..)表示最终的中间特征向量，会与额外学习模块输出的学习结果进行加权，得到最终输出r。w1、w2、w3、w4分别是各个要素的影响因子，x1、x2、x3、x4是上文提到的归一化后的输入特征，图中以四个输入特征为例进行展示，实际输入根据所取的气象要素而定。
[0088]
transformer模型中的encoder block层包含两个子层，分别为self-attention层和前馈全连接层，每个子层后连接一个add&norm模块。两个子层中最重要的是self-attention层，本实施例以过程中的某个encoder block层的self-attention层为例说明其处理过程。
[0089]
self-attention层针对第n个输入特征an，其输出特征为bn，计算公式如下：
[0090]
[0091]
α
′
n，i
＝softmax(qn·ki
)
[0092]qn
＝an·
wq[0093]ki
＝ai.wk[0094]
vi＝ai.wv[0095]
式中，n∈[1，i]，i为气象要素中的要素总个数，i∈[1，i]为第i个要素，α
′
n，i
表示输入特征an与输入特征ai的关联性向量，vi表示输入特征ai的新值，softmax()表示softmax函数，qn表示对应于输入特征an的查询向量，ki表示对应于输入特征ai的被查询向量，wq表示查询权重，wk表示被查询权重，wv表示新值权重。
[0096]
如图3所示，以n＝1为例进一步明确取处理过程如下：
[0097]
首先，计算输入特征a1与[a2，a3，a4]的关联性向量α，其中α的计算公式如下所示：
[0098]
α
′
1，1
＝soffmax(q1·
k1)
[0099]
α
′
1，2
＝softmax(q1·
k2)
[0100]
α
′
1，3
＝softmax(q1·
k3)
[0101]
α
′
1，4
＝softmax(q1·
k4)
[0102]
其中，α
′
1，1
是通过查询向量q1获得的与a1之间存在的关联性向量，α
′
1，2
是通过查询向量q1获得的与a2之间存在的关联性向量，α
′
1，3
是通过查询向量q1获得的与a3之间存在的关联性向量，α
′
1，4
是通过查询向量q1获得的与a4之间存在的关联性向量，依次可获得整个关联性向量，其中q1是查询向量，k1、k2、k3、k4是查询向量，其公式如下。
[0103]
q1＝a1·
wq[0104]
k1＝a1·
wk[0105]
k2＝a2·
wk[0106]
k3＝a3·
wk[0107]
k4＝a4·
wk[0108]
其中，a1、a2、a3、a4为每个编码层的输入，wq、wk分别是查询权重和被查询权重，是网络学习的变量。
[0109]
然后，通过关联性向量，计算自注意力部分的输出如下：
[0110][0111]
其中，vi表示新值，用于查询向量加权，通过如下方法计算。
[0112]
v1＝a1.wv[0113]
v2＝a2.wv[0114]
v3＝a3.wv[0115]
v4＝a4·
wv[0116]
其中，wv为新值权重。
[0117]
encoder block层中的add&norm模块中，add残差连接的作用和其他神经网络模型中的残差连接作用一致，都是为了将信息传递的更深，增强模型的拟合能力。norm的作用随着网络层数的额增加，通过多层的计算后参数可能会出现过大、过小、方差变大等现象，这会导致学习过程出现异常，模型的收敛非常慢，因此对每一层计算后的数值进行规范化(归一化处理)可以提升模型的表现。
memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，存储器用于存储程序，所述处理器在接收到执行指令后，执行所述程序。
[0131]
所述处理器可能是一种集成电路芯片，具有数据的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0132]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0133]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

技术特征：
1.一种基于气象要素的新能源发电功率预测方法，其特征在于，所述基于气象要素的新能源发电功率预测方法，包括：获取气象要素数据进行编码归一化处理后作为输入特征；基于所述输入特征利用预测模型得到新能源发电功率预测结果；其中，所述预测模型包括学习模块、transformer模型以及融合模块，所述学习模块用于学习气象要素中各要素的影响因子输出学习结果，所述transformer模型用于提取输入特征的特征向量，所述融合模块用于融合学习结果以及特征向量输出新能源发电功率预测结果。2.如权利要求1所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述获取气象要素数据进行编码归一化处理后作为输入特征，包括：取气象要素中的字符串类型要素，根据预设的编码表将字符串类型编码为数字类型；取转化为数字类型的要素以及气象要素中原来的数字类型要素进行归一化处理得到输入特征。3.如权利要求2所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述气象要素包括天气、湿度、空气质量指数、风向、风速、温度和时间，其中天气和风向为字符串类型要素，湿度、空气质量指数、风速、温度和时间为数字类型要素。4.如权利要求3所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述天气、湿度、空气质量指数、风向、风速和温度的归一化处理公式如下：式中，x
ij
为第i个要素的第j个值，为原始数据，为归一化处理后的数据，μ(x
i
)为第i个要素的均值，σ(x
i
)为第i个要素的标准差；所述时间的归一化处理公式如下：式中，d为日期在一年中的天数，d
out
为时间的归一化处理后的数据。5.如权利要求3所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述气象要素还包括编码关系，所述编码关系定义为：encode＝a*10+b其中，encode为前一天气转换到后一天气的编码关系，a为前一天气的编码，b为后一天气的编码。6.如权利要求1所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述学习模块为mlp多层感知机，所述mlp多层感知机的输入为气象要素中各要素的影响因子，输出为学习结果。7.如权利要求1所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述transformer模型仅采用encoder模块，所述encoder模块包含三层encoder block层。8.如权利要求7所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述encoder block层包含两个子层，分别为self-attention层和前馈全连接层，每个子层后连
接一个add&norm模块。9.如权利要求8所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述self-attention层的处理过程如下：针对第n个输入特征a
n
，其输出特征为b
n
，计算公式如下：α
′
n，i
＝softmax(q
n
·
k
i
)q
n
＝a
n
·
w
q
k
i
＝a
i
·
w
k
v
i
＝a
i
·
w
v
式中，n∈[1,i]，i为气象要素中的要素总个数，i∈[1,i]为第i个要素，α
′
n,i
表示输入特征a
n
与输入特征a
i
的关联性向量，v
i
表示输入特征a
i
的新值，softmax()表示softmax函数，q
n
表示对应于输入特征a
n
的查询向量，k
i
表示对应于输入特征a
i
的被查询向量，w
q
表示查询权重，w
k
表示被查询权重，w
v
表示新值权重。10.如权利要求8所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述add&norm模块包括层归一化处理，层归一化定义为：式中，为层归一化处理后的输出值，z
(l)
为第l层神经元的净输入，μ
(l)
为第l层神经元的净输入的均值，σ
(l)
为第l层神经元的净输入的方差，γ和β分别代表缩放和平移的参数向量，和z
(l)
维数相同，ln
γ,β
()为层归一化函数；()为层归一化函数；式中，m
l
为第l层神经元的数量，为第l层中第i个神经元的净输入。11.如权利要求1所述的基于气象要素的新能源发电功率预测方法，其特征在于，所述融合模块为mlp多层感知机，所述mlp多层感知机的输入为学习结果和特征向量，输出为新能源发电功率预测结果。12.一种基于气象要素的新能源发电功率预测系统，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求11中任意一项所述基于气象要素的新能源发电功率预测方法的步骤。

技术总结
本发明公开了一种基于气象要素的新能源发电功率预测方法及系统，包括：获取气象要素数据进行编码归一化处理后作为输入特征；基于输入特征利用预测模型得到新能源发电功率预测结果。其中预测模型包括学习模块、Transformer模型以及融合模块，学习模块用于学习气象要素中各要素的影响因子输出学习结果，Transformer模型用于提取输入特征的特征向量，融合模块用于融合学习结果以及特征向量输出新能源发电功率预测结果。本发明的一种基于气象要素的新能源发电功率预测方法实现实时、准确的新能源发电功率预测。准确的新能源发电功率预测。准确的新能源发电功率预测。


技术研发人员：郁丹 杨鹏 吴君 翁华 唐人 朱维骏 何勇玲
受保护的技术使用者：浙江华云电力工程设计咨询有限公司
技术研发日：2023.07.18
技术公布日：2023/10/8