本发明涉及光电功率预测，具体是一种基于时空分布特性的区域光伏发电功率预测方法。
背景技术：
1、光伏发电已迅速成为继水电、风电之后的第三大可再生能源。根据国际能源署的数据，2021年全球新增光伏装机容量将达到175gw，占可再生能源新增装机容量的一半以上。到2021年底，全球光伏累计装机容量已超过942gw。作为全球最大的光伏系统，中国将在2021年安装53gw光伏系统，其中55.3％来自分布式光伏发电。受光伏发电自身特性的影响，光伏发电的输出具有很大的随机性和不确定性。大规模分布式光伏接入配电网，将对配电网的安全稳定运行产生巨大影响。因此，有必要对光伏发电进行超短时间尺度的预测，为电力系统的合理调度提供指导，确保电网供需平衡的实现。
2、光伏预测技术主要利用气象数据、历史发电数据以及先进的数学和计算方法，通过建立模型来预测未来光伏发电功率。这些模型可以基于统计方法、机器学习算法，甚至是深度学习网络。预测时间范围从短时至几分钟到几小时，到中长时的几天，以满足不同电网和能源管理需求。基于光伏发电的物理原理建立模型，考虑了太阳辐射、气象条件等因素，具有较好的可解释性，但良好的物理模型需要详细的系统参数和环境信息，对模型输入数据的要求较高，数据获取和更新困难，且对于短期和中期预测的准确性较低，特别是在变化较大的天气条件下。基于历史数据的统计方法，简单易实现，计算速度较快但是统计方法对于复杂天气条件和大规模光伏系统的适应性较差，难以捕捉系统中非线性和动态的关系，缺乏对于光伏功率波动的深层次理解，对于特殊事件和突发情况的应对能力有限。机器学习方法能够处理非线性关系和大规模数据，适用于复杂的光伏系统，但对于新的或异常情况的预测可能较为困难，泛化能力有一定限制。
3、近年来，为了应对突变天气对光伏发电功率造成的剧烈波动，集成模型的应用愈加广泛。云团的移动对光伏功率的影响也被从各种角度进行建模刻画，其主要数据来源于云图。现有的技术在应用云图特征时，为了避免云图特征与其他气象特征之间存在的耦合关系对模型的预测精度造成影响，大多采用神经网络对于特征进行进一步整合，但由于神经网络的解释性较低，特征融合过程中不可避免地存在一些信息的损失，合理使用云图于气象特征表征时空分布特性逐渐成为光伏预测领域的研究重点。
技术实现思路
1、针对现有技术的不足，本发明提供了一种基于时空分布特性的区域光伏发电功率预测方法，将云团运动的影响与光伏场站间建立联系描述光伏预测的时空分布特性。通过不同气象条件下邻近光伏电厂发电数据的加入，挖掘光伏发电功率的时空特性，与其他关键气象特征结合，进一步提高光伏发电功率预测精度。
2、为实现以上目的，本发明通过以下技术方案予以实现：
3、一种基于时空分布特性的区域光伏发电功率预测方法，包括以下步骤：
4、s1：关键气象特征因素提取；
5、s2：云图特征提取及分类；
6、s3：选择关键邻近电站；
7、s4：修正邻近电站功率特征数据；
8、s5：生成预测模型；
9、s6：光伏发电功率预测。
10、步骤s1具体包括：
11、获取同一时间分辨率的气象特征与光伏电站的功率数据，构建光伏预测数据集，记s个气象特征因素为s,建立xgboost模型，利用xgboost模型分析数值预报数据与光伏发电功率之间的相关性，选取光伏发电功率的关键气象特征因素。
12、建立xgboost模型，利用xgboost模型分析数值预报数据与光伏发电功率之间的相关性，选取光伏发电功率的关键气象特征因素，具体包括：
13、xgboost模型的目标函数表示为：
14、
15、其中，n是样本数量，是模型对第i个样本的预测误差，即损失函数，yi和分别是光伏功率的真实值和基于xgboost模型回归后输出的预测值，k是树的数量，ω(fk)是正则化惩罚函数，用于控制模型的复杂性；
16、选择均方根预测误差作为损失函数即：
17、
18、为了进行梯度提升，目标函数的二阶taylor展开式为：
19、
20、其中，t表示当前的迭代轮数，gi是损失函数对于预测值的一阶导数(梯度)，hi是损失函数对于预测值的二阶导数，ft(xi)是第t棵树对样本i的预测值，ω(ft)是正则化项；
21、建立好模型后，使用贪婪算法，遍历所有可能的气象特征因素和分割点，对于每个气象特征因素s，通过分割点a将光伏预测数据集划分为左右两个子集：
22、
23、
24、lafter(s,a)＝wleft(s,a)lossleft(s,a)+wright(s,a)lossright(s,a)
25、其中，nleft(s,a)、nright(s,a)分别是分割点划分后小于分割点和大于分割点的样本数量，lossleft(s,a)是nleft(s,a)点集对应的损失函数，lossright(s,a)是nright(s,a)点集对应的损失函数，wleft(s,a)、wright(s,a)是nleft(s,a)、nright(s,a)权值；
26、计算气象特征因素s在所有分割点下所产生的增益均值gains,
27、
28、通过gains来度量特征的重要性，选取gains值较大的前五个关键气象特征因素作为预测模型的输入特征。
29、步骤s2具体包括：
30、获取目标区域卫星云图原始图像，进行图像预处理，将预处理后得到的图像数据输入cnn网络，得到图像特征向量，利用k-means聚类方法进行分类。
31、图像预处理包括辐射定标、大气校正、几何矫正、图像增强、噪声去除、波段合成、分辨率调整、裁剪和子图提取。
32、利用k-means聚类方法进行分类具体为：
33、选择k个聚类中心，对每个数据点，将其分配到与其最近的聚类中心所对应的簇，k-means聚类方法的目标是最小化簇内数据点的平方和，即：
34、
35、其中，k是簇的数量，nk是第k个簇的数据点数量，是第i个簇中的第j个数据点，μi是第i个簇的聚类中心。
36、步骤s3具体包括：
37、基于云图特征分类结果，考虑预测时间尺度ti与目标电厂最大风速vmaxi，在第i类中计算目标光伏电厂需要考虑的云运动范围半径ri；
38、ri＝vmaxiti
39、记目标光伏电厂的历史功率数据为x，在所需考虑的云运动范围r中的邻近光伏电厂个数为n，邻近光伏电厂的历史功率数据为yi,则可以计算得到目标电厂与邻近光伏电厂之间的相关系数ρx,yi，
40、
41、按照相关系数的相关性排序，选出每一类别下与目标电厂发电功率相关性最高的相邻电站。
42、步骤s4具体包括：
43、对选取出每一类别下的相关性最高的邻近电站与目标电站之间的发电功率相关性是不同的，为充分保留邻近电站的功率数据，设根据相关性分析共得到m个邻近电站，对这m个电站历史数据进行重要性裁决：
44、对每个从邻近电站历史功率分布中抽取的样本，计算其权重，
45、
46、其中，xi是目标电站的功率数据，yji是第j个邻近电站的功率数据，p(xi)、q(yji)分别是目标电站和邻近电站在i处的概率密度函数；
47、使用核密度估计kde算法近似概率密度函数，选择高斯核进行如下处理，
48、
49、其中，x是要估计的点，xi是数据点，h是带宽；
50、选定带宽，对每个数据点应用核函数，将它们叠加获得密度估计公式计算如下，得到各个数据点的核密度估计
51、
52、
53、将得到的核密度估计用于绘制概率密度图像，绘制p(xi)、q(yji)概率密度图像，对权重进行归一化处理，得到每个电站的重要性权重，
54、
55、对第j个邻近电站的历史光伏功率数据进行特征放缩，得到功率数据转化后得到的新特征数据dji，
56、
57、其中s是样本标准差，
58、
59、步骤s5具体包括：
60、将每一类别下目标电厂历史功率数据、邻近电厂历史功率数据及关键气象特征数据作为输入，输入长短期记忆神经网络训练模型。
61、长短期记忆神经网络在rnn的基础上进行了改进，以解决梯度消失的问题。长短期记忆神经网络lstm的单元有三个门：输入门，遗忘门，输出门；其处理信息的过程可以通过如下公式表示：
62、g(x)＝σ(wx+b)
63、ft＝σ(wf·[ht-1,xt]+bf)
64、it＝σ(wi·[ht-1,xt]+bi)
65、ct'＝tanh(wc·[ht-1,xt]+bc)
66、
67、ot＝σ(wo·[ht-1,xt]+bo)
68、
69、其中，x是输入向量，w是权重向量，b是偏置项，是sigmoid激活函数，wf为遗忘门权重矩阵，wi是输入门权重矩阵，wc是权重矩阵，wo是输出门权重矩阵，bf是遗忘门偏置，bi为输入门偏置项，bo为输出门偏置项，tanh是激活函数。
70、步骤s6具体包括：
71、将目标电厂功率数据、邻近电厂功率数据及数值天气预报数据输入训练好的长短期记忆神经网络模型得到最终目标电厂光伏功率预测值。
72、本发明提供了一种基于时空分布特性的区域光伏发电功率预测方法。具备以下有益效果：
73、本发明综合利用了数值天气预报数据、云图数据和电站历史功率数据，通过使用xgboost分析数值天气预报数据与光伏发电功率的关系，cnn网络对云图数据进行特征提取，以及k-means聚类方法对云图数据进行分类，分类后根据各个类别下云团的不同特征来确定不同相邻区域半径及云运动时间。通过相关性分析选取不同天气状况下的邻近电站，基于核函数kde算法修正邻近电站的光伏功率数据，充分考虑邻近电站的关联性与重要性，使用长短期记忆网络提高了预测模型的时序性能。这种方法通过多层次、多角度的数据分析和处理，有效地综合了不同类型的信息，弥补了传统光伏发电功率预测中对于时空特性挖掘不足的问题，提高了光伏发电功率预测的准确性和稳定性。
1.一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：步骤s1具体包括：
3.根据权利要求2所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：建立xgboost模型，利用xgboost模型分析数值预报数据与光伏发电功率之间的相关性，选取光伏发电功率的关键气象特征因素，具体包括：
4.根据权利要求1或3所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：步骤s2具体包括：
5.根据权利要求4所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：图像预处理包括辐射定标、大气校正、几何矫正、图像增强、噪声去除、波段合成、分辨率调整、裁剪和子图提取。
6.根据权利要求4所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：利用k-means聚类方法进行分类具体为：
7.根据权利要求1、3、5或6所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：步骤s3具体包括：
8.根据权利要求7所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：步骤s4具体包括：
9.根据权利要求1、3、5、6或8所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：步骤s5具体包括：
10.根据权利要求9所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：长短期记忆神经网络lstm的单元有三个门：输入门，遗忘门，输出门；其处理信息的过程可以通过如下公式表示：
11.根据权利要求1、3、5、6、8或10所述的一种基于时空分布特性的区域光伏发电功率预测方法，其特征在于：步骤s6具体包括：
