[发明专利]一种基于深度全天图像学习的光伏发电预测混合方法

说明书

本发明公开了一种基于深度全天图像学习的光伏发电预测混合方法,随着太阳能在电网中的渗透率不断提高，太阳能光伏预测已成为维护电力系统稳定和经济运行不可或缺的环节，在运行阶段可再生能源的预测精度直接影响能源调度，提出一系列基于深度全天空图像学习架构的新方法，用于极短期太阳能光伏发电预测，其中前瞻窗口涉及4到20分钟的范围，特别是，明确提出了集成静态天空图像单元和动态天空图像流的多个深度学习模型，通过所提出的模型对不断变化的天气条件进行深入掌握，将推动光伏发电技术的迅速发展。

技术领域

发明涉及光伏发电的领域,尤其涉及一种基于深度全天图像学习的光伏发电预测混合方法。

背景技术

收集太阳能已成为我们克服破坏性气候变化和促进可持续能源未来的解决方案之一。随着屋顶光伏面板的普及，太阳能在电力系统中的渗透率有望稳步提高。然而，光伏发电的输出在很大程度上取决于天气条件，尤其是光伏面板上的云层运动。快速变化和不可控的条件导致太阳能发电的波动和间歇性，这给更高可再生能源的电力系统稳定性和经济运行带来了重大挑战。

近年来，人们对太阳能的精确建模和预测的兴趣显着增加。传统的太阳能预测方法通常旨在预测大区域的整体太阳能发电量或强度。辐照度是研究最多的因素，因为它是影响光伏系统输出的最直接变量。预测太阳辐照度最直接的方法是采用数值天气预报(NWP)模型，其中执行一系列数学模拟以生成对包括辐照度在内的天气条件的预测，然后将预测值输入到用于太阳能输出预测的光伏模拟模型中。同样，不使用光伏仿真模型，而是开发了隐马尔可夫模型(HMM)和支持向量机(SVM)来获取预测的气象数据，包括气温、相对湿度、辐照度和风速，以生成光伏功率预测。由于光伏系统的物理特性比较稳定和确定，提高气象参数的预测精度通常可以带来更好的太阳能输出预测性能。

最近，基于地面的全天成像技术已经可用。虽然最初被引入气象科学界以检测云、估计太阳辐照度和分析云光学厚度，但全天成像仪(WSI)很快就引起了短期太阳预报界的关注，因为它们通常为观测云状况提供更精细的时间分辨率，这是太阳输出波动的主要因素。已经有不少基于WSI技术的短期太阳辐照度预测建议。这些早期方法与多种特征工程技术共享类似的天空图像处理管道设计，这些技术导致最终的太阳能发电预测，包括云图决策、云运动跟踪、云临近预报和太阳辐照度或发电预测模块。

机器学习模型被应用于上述基于WSI的框架。它跳过了云图标记步骤，并使用原始天空图像的互相关方法估计云运动。派生的云运动和历史太阳辐照度数据用于训练线性预测模型，与早期方法相比，该模型显示出显着提高的预测性能。

因此，本发明提出了几种深度学习回归模型，仅依靠WSI数据来提高短期太阳能发电预测的性能，而不涉及其他常见的气象、天气和季节数据。开发了几种不同的深度学习架构来处理WSI图像并生成太阳能发电预测。

发明内容

为了克服现有技术存在的缺点与不足,本发明提供一种基于深度全天图像学习的光伏发电预测混合方法，通过构建混合动静态预测模型以整体方式处理原始全天成像仪(WSI)数据和光伏发电测量，将WSI图像和光伏发电测量的序列以预定的间隔周期性地同步和收集，并存储在各自的数据库中。

本发明中，T表示为预先定义的观察序列长度，预测器处理观察到的全天空图像的过去序列，表示为以及最近的光伏发电测量序列，表示为P＝[p₁,…,p_T]，将预测值表示为其中x_t表示第t个时间步长的WSI图像，p_t是t处的光伏发电输出测量值，δ是预测范围。

本发明中，静态图像的模型，是开发和训练端到端模型，该模型可以在静态WSI图像中自动感知太阳的位置、太阳直射度、云的体积、太阳光遮挡甚至云增强现象，并从所学的知识中回归未来的短期光伏发电。

本发明中，具有最新观察到的全天图像的基于卷积神经网络(CNN)的模型，CNN层充当自动编码器，从WSI图像中提取特征，然后是多个完全连接的层，用于计算将来的光伏发电输出；