本發(fā)明屬于光伏發(fā)電預(yù)測，具體涉及基于因果推斷和多尺度特征融合的光伏發(fā)電日前預(yù)測方法。

背景技術(shù)：

1、太陽輻射等氣象因素對光伏發(fā)電輸出具有顯著影響，導(dǎo)致其發(fā)電呈現(xiàn)較強(qiáng)的間歇性和不確定性，尤其是在光伏并網(wǎng)后，電網(wǎng)頻率和電壓的波動性增加，易引發(fā)不穩(wěn)定現(xiàn)象，對電力系統(tǒng)的穩(wěn)定運(yùn)行構(gòu)成挑戰(zhàn)。因此，精確的光伏發(fā)電日前預(yù)測尤為重要，能為電網(wǎng)調(diào)度提供可靠依據(jù)，并提升電力系統(tǒng)的調(diào)度效率和整體穩(wěn)定性。

2、當(dāng)前的光伏發(fā)電預(yù)測技術(shù)在特征提取階段普遍采用相關(guān)性分析方法，通過建立歷史氣象特征數(shù)據(jù)與光伏發(fā)電功率數(shù)據(jù)之間的相關(guān)性，篩選出對發(fā)電功率具有顯著影響的關(guān)鍵特征，后續(xù)再將這些特征輸入到深度學(xué)習(xí)模型中產(chǎn)生最終預(yù)測。然而相關(guān)性分析方法僅能評估氣象因素與發(fā)電功率之間的關(guān)聯(lián)性，無法揭示預(yù)測模型輸入與目標(biāo)輸出之間的因果關(guān)系。此外，單一深度學(xué)習(xí)模型在預(yù)測中存在固有局限，難以適應(yīng)復(fù)雜多變的應(yīng)用場景。集成學(xué)習(xí)作為一種先進(jìn)的技術(shù)框架，通過構(gòu)建多個基學(xué)習(xí)器來提升整體性能，已被廣泛采用。但是基學(xué)習(xí)器的多樣性不足，會導(dǎo)致集成學(xué)習(xí)模型無法捕捉數(shù)據(jù)中的豐富特征與模式并限制泛化能力。進(jìn)一步地，基學(xué)習(xí)器之間的協(xié)同效應(yīng)問題仍較為突出，如何有效融合各基學(xué)習(xí)器的預(yù)測結(jié)果，成為提高預(yù)測精度的關(guān)鍵挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于因果推斷和多尺度特征融合的光伏發(fā)電日前預(yù)測方法，采用pcmci因果推斷（peter-clark?minimal?conditionalindependence）確定模型不同輸入的權(quán)重，考慮到光伏發(fā)電功率序列具有的時序特性，使用不同的基學(xué)習(xí)器分別從全局和局部視角提取序列特征，同時提取序列周期性和結(jié)構(gòu)化的特征信息，捕捉多維序列的不同趨勢，并結(jié)合預(yù)測時刻的局部氣象波動特征，提升光伏發(fā)電日前預(yù)測在應(yīng)對不同氣候波動時的準(zhǔn)確性。

2、一種基于因果推斷和多尺度特征融合的光伏發(fā)電日前預(yù)測方法，具體步驟如下：

3、步驟一、對歷史氣象特征數(shù)據(jù)進(jìn)行噪聲抑制與異常值處理，并分別對不同特征數(shù)據(jù)進(jìn)行最大最小歸一化處理，將其數(shù)值范圍調(diào)整至[0,?1]，以消除量綱對因果推斷結(jié)果的干擾。

4、步驟二、針對步驟一處理后的數(shù)據(jù)進(jìn)行劃分，設(shè)置滑動窗口的滑動步長為1、窗口大小為n，得到樣本：

5、

6、其中，i=1,2,...,l-n-m+1，d表示歷史氣象特征數(shù)據(jù)的維度，l表示歷史氣象特征數(shù)據(jù)的長度。

7、將未來的m個時間步的光伏發(fā)電功率作為標(biāo)簽：

8、

9、步驟三、選擇各樣本中相同位置元素組成輸入序列，選擇各標(biāo)簽中相同位置元素組成輸出序列，使用pcmci因果推斷（peter-clark?minimal?conditional?independence）方法計(jì)算輸入、輸出序列間的因果推斷權(quán)重，從而得到樣本中各元素對于輸出功率標(biāo)簽的整體因果影響權(quán)重：

10、

11、其中，，對每個元素的整體因果權(quán)重通過最大最小歸一化處理調(diào)整其數(shù)值范圍至[0,1]，得到權(quán)重矩陣。使用權(quán)重矩陣對樣本進(jìn)行加權(quán)，得到加權(quán)樣本。

12、步驟四、構(gòu)建bilstm預(yù)測網(wǎng)絡(luò)、時序卷積網(wǎng)絡(luò)（tcn）預(yù)測網(wǎng)絡(luò)和se-resnet50預(yù)測網(wǎng)絡(luò)作為基學(xué)習(xí)器，并訓(xùn)練，具體步驟如下：

13、步驟4.1、將加權(quán)樣本輸入bilstm預(yù)測網(wǎng)絡(luò)，訓(xùn)練bilstm預(yù)測網(wǎng)絡(luò)預(yù)測未來m個時間步的光伏發(fā)電功率，將bilstm預(yù)測網(wǎng)絡(luò)的輸出映射到預(yù)測目標(biāo)。

14、步驟4.2、將加權(quán)樣本輸入tcn預(yù)測網(wǎng)絡(luò)，訓(xùn)練tcn預(yù)測網(wǎng)絡(luò)預(yù)測未來m個時間步的光伏發(fā)電功率，將tcn預(yù)測網(wǎng)絡(luò)的輸出映射到預(yù)測目標(biāo)。

15、步驟4.3、針對樣本中的每一維特征，生成一個形狀為的gaf（格拉姆角場）矩陣，將一個樣本的的個gaf矩陣堆疊在一起，形成一個通道數(shù)為d的圖像，輸入se-resnet50預(yù)測網(wǎng)絡(luò)，訓(xùn)練se-resnet50預(yù)測網(wǎng)絡(luò)預(yù)測未來m個時間步的光伏發(fā)電功率，將se-resnet50預(yù)測網(wǎng)絡(luò)的輸出映射到預(yù)測目標(biāo)。

16、步驟4.4、分別使用網(wǎng)格搜索法和貝葉斯優(yōu)化對基學(xué)習(xí)器的離散型參數(shù)、連續(xù)型超參數(shù)進(jìn)行尋優(yōu)，計(jì)算基學(xué)習(xí)器的預(yù)測目標(biāo)與標(biāo)簽的均方誤差（mse），通過均方誤差最小值來確定最優(yōu)模型參數(shù)，訓(xùn)練預(yù)測網(wǎng)絡(luò)。

17、步驟五、對于預(yù)測的目標(biāo)時刻m，選擇前后各三個時刻的局部氣候波動數(shù)據(jù)，構(gòu)成m時刻的局部氣候波動序列=，應(yīng)用離散小波變換（dwt）對每個維度的局部氣候波動數(shù)據(jù)進(jìn)行小波分解，使用分解得到的逼近系數(shù)為、細(xì)節(jié)系數(shù)為以及對應(yīng)的標(biāo)準(zhǔn)差、，作為m時刻局部氣候波動數(shù)據(jù)的特征，e=1,2,…e，h=1,2,…h(huán)，其中e表示天氣預(yù)報(bào)氣象特征數(shù)據(jù)的維度，h表示小波分解的層數(shù)。

18、步驟六、構(gòu)建多層交叉注意力融合模型，在第一層交叉注意力機(jī)制中，對m時刻局部氣候波動數(shù)據(jù)和m時刻的局部氣候波動序列的特征進(jìn)行拼接，通過線性層映射為鍵矩陣k1和值矩陣v1；對于三個基學(xué)習(xí)器輸出的m時刻的預(yù)測功率，拼接后通過線性層映射為查詢矩陣q1，輸出氣象數(shù)據(jù)與初步預(yù)測值之間的融合結(jié)果。

19、在第b層注意力機(jī)制中，將第b-1層注意力機(jī)制的輸出映射為查詢矩陣qb，鍵矩陣kb和值矩陣vb，輸出融合特征。通過b層注意力模塊，逐層提取深層模式，生成最終的融合特征表示，b=2,3,…b。通過多層感知機(jī)將最終的融合特征表示映射到預(yù)測目標(biāo)，即m時刻的光伏發(fā)電功率。

20、采用網(wǎng)格搜索法確定交叉注意力機(jī)制的特征維度d和注意力層數(shù)b，通過貝葉斯優(yōu)化算法確定學(xué)習(xí)率??和dropout?率，訓(xùn)練多層交叉注意力融合模型。

21、步驟七、對于未知的待預(yù)測日光伏發(fā)電功率，獲取前?n?步的d?維歷史氣象特征數(shù)據(jù)，使用步驟三中計(jì)算得到的權(quán)重矩陣對前n步的歷史氣象特征數(shù)據(jù)進(jìn)行加權(quán)，然后并行地輸入步驟四訓(xùn)練后的三個預(yù)測網(wǎng)絡(luò)中，生成三組初步的日前預(yù)測結(jié)果。針對每個預(yù)測時間點(diǎn)提取局部氣候波動數(shù)據(jù)的特征，與該時間點(diǎn)的初步的日前預(yù)測結(jié)果一同輸入步驟六訓(xùn)練后的多層交叉注意力融合模型，得到該時刻的預(yù)測日光伏發(fā)電功率。

22、本發(fā)明具有以下有益效果：

23、1.利用?pcmci?因果推斷（peter-clark?minimal?conditional?independence）方法，能夠有效識別光伏發(fā)電預(yù)測模型中輸入與輸出預(yù)測之間的因果關(guān)系，提升模型的可解釋性。與傳統(tǒng)的相關(guān)性分析方法不同，pcmci?能夠捕捉光伏發(fā)電系統(tǒng)中復(fù)雜的非線性和高階依賴關(guān)系，更大程度上降低冗余特征對模型性能的干擾，增強(qiáng)模型針對不同輸入的魯棒性和泛化能力。

24、2.?考慮到歷史氣象特征序列與光伏發(fā)電功率序列具有的長期依賴性、局部突變性，本方法通過將歷史氣象特征序列和發(fā)電功率序列構(gòu)成的多維時間序列分別輸入到bilstm?模型和?tcn?模型中進(jìn)行處理。進(jìn)一步地，為了更好地捕捉序列的周期性特征，采用將多維時間序列轉(zhuǎn)換為?gaf?圖像的方式，并通過?se-resnet50?網(wǎng)絡(luò)進(jìn)行特征提取。該方法充分利用了?bilstm、tcn?和?gaf-se-resnet50?的優(yōu)勢，能夠從全局、局部和周期性三個層面全面刻畫多維時間序列的復(fù)雜特征。通過這種多尺度特征提取方式，有助于在復(fù)雜氣候變化環(huán)境下提供更加精確、穩(wěn)定和全面的光伏發(fā)電預(yù)測。

25、3.?本方法充分挖掘天氣預(yù)報(bào)（nwp）特征數(shù)據(jù)的潛力，通過提取每個預(yù)測時刻的局部氣象波動特征，并結(jié)合交叉注意力機(jī)制，將該時刻三個基模型的預(yù)測輸出與局部氣象波動特征進(jìn)行融合。通過這種方式，模型能根據(jù)不同氣象波動模式動態(tài)調(diào)整對三個基學(xué)習(xí)器預(yù)測輸出的關(guān)注度，從而精確捕捉關(guān)鍵的預(yù)測信息，極大程度上增強(qiáng)了預(yù)測模型對多樣化氣候波動的響應(yīng)能力，從而顯著提高了預(yù)測精度和魯棒性。