考虑时空互补性的水风光功率联合预报方法、装置及设备

1.考虑时空互补性的水风光功率联合预报方法，其特征在于，包括：步骤1、收集整理水风光多能互补系统数据，包括大尺度水文气象因子、水风光多能互补系统的总功率时序数据、水电功率时序数据、风电功率时序数据和光电功率时序数据；步骤2、以水电功率、风电功率、光电功率或总功率为目标功率预报对象，量化水风光多能互补系统中水电功率、风电功率和光电功率的互补性；步骤3、考虑大尺度水文气象因子对水风光多能互补系统对应流域水风光状况的联合影响，筛选对应流域的大尺度水文气象因子；步骤4、考虑水电功率、风电功率、光电功率或总功率在时间上的自相关性；步骤5、构建功率预报模型的映射关系，映射关系考虑水风光多能互补系统中水电功率、风电功率和光电功率的互补性，大尺度水文气象因子对水风光多能互补系统对应流域水风光状况的联合影响，水电功率、风电功率、光电功率或总功率在时间上的自相关性，获取与水风光多能互补系统功率相关的时空互补因子；在步骤5中，时空互补因子包括第t时段第i个与目标功率预报对象互补的电站功率P i (t)，第t时段的第j个大尺度水文气象因子LC j (t)、第t时段目标功率预报对象的历史时序N(t)，得到映射关系如下：式中，f为深度学习方法的模拟函数；n 1 为与水电功率、风电功率或光电功率互补的电站个数；n 2 为大尺度水文气象预报因子个数；m为时空互补因子的滞后时段，用前m时段的时空互补因子预报下一时段目标功率预报对象的功率；步骤6、基于深度学习模型构建功率的点预报模型和区间预报模型；步骤7、基于点预报模型和区间预报模型，根据时空互补因子，进行水电功率、风电功率或光电功率的独立预报，以总功率为标签直接进行总功率中长期的预报。 2.根据权利要求1所述的考虑时空互补性的水风光功率联合预报方法，其特征在于：在步骤2中，基于Copula函数量化水电功率、风电功率和光电功率的互补性。 3.根据权利要求2所述的考虑时空互补性的水风光功率联合预报方法，其特征在于：所述步骤2具体包括：步骤201、基于核密度估计确定水电功率、风电功率和光电功率的边缘分布，核密度估计式如下：式中，x i 为X同分布的样本点；K(t)为核函数；h为窗宽；N为样本点个数；核函数K(t)需要在实数域内满足：步骤202、基于Copula函数进行两两变量联合分布的求解，计算公式如下：式中， 为n维联合分布函数； 为水电功率、风电功率和光电功率的边缘分布函数；C为连接变量的Copula函数；选用欧式距离d 2 进行拟合程度的评价：式中，C n (u,v)为经验Copula函数，I为示性函数，当F n (x ic )≤u时，I取1，否则取0；基于建立的联合分布函数可以建立当已知变量Y＝y时X≤x的条件分布，变量X、Y为水电功率、风电功率和光电功率的任意两者，二元条件概率分布函数如下式所示：式中，f(x,y)是变量X和Y的联合概率密度函数；f(x)、f(y)分别是变量X、Y的概率密度函数；u、v是变量X和Y的累积分布函数；C(u,v)是Copula函数的概率密度函数；步骤203、基于二元条件概率分布函数，建立条件期望分布函数如下式所示：基于式(7)可以求出当给定变量Y＝y时，变量X的平均值，求得当已知水电功率、风电功率或光电功率的分布值时，对应的另一相关变量的条件期望值，从而基于此量化水风光多能互补系统中两两之间的互补性，基于此确定与水电功率、风电功率或光电功率互补的电站功率 4.根据权利要求1所述的考虑时空互补性的水风光功率联合预报方法，其特征在于：在步骤3中，基于最大互信息系数筛选出对应流域的大尺度水文气象因子 步骤3具体包括：步骤301、存在一个有序对数据集D＝{(x mi ,y mi ),i＝1,2,…,n}，通过将X轴划分为x m 份，Y轴划分为y m 份，得到一个x m ×y m 的网格划分G，计算每个网格的互信息值：式中，p(x m )和p(y m )为变量X m 、Y m 的边缘概率密度函数；p(x m ,y m )为两变量的联合概率密度函数，即当前网格中点数与数据总点数的比值；步骤302、将网格中互信息的最大值行归一化：步骤303、进行不同方案的网格划分，并重复步骤301和步骤302，所有方案中最大归一化互信息值即为最大互信息系数：式中，x m y m <B为网格划分总数约束条件，B设置为数据总数的0.6次方。 5.根据权利要求1所述的考虑时空互补性的水风光功率联合预报方法，其特征在于：在步骤6中，采取上下限估计的方法构建区间预报模型，通过构造损失函数的方式来使深度学习朝着预报区间性能更好的方向训练，考虑到预报区间需要满足在尽可能覆盖更多的真实值的基础上区间宽度较小的准则，采用的损失函数如下式所示：Loss＝f 1 +f 2 (12)f 2 ＝k 2 |u q (t)-l q (t)|     (14)式中，f 1 表示区间中值与实际值的距离，区间中值距离实际值越近，说明预报区间的结果更准确，同时，在f 1 内还设置了惩罚因子λ q 来对实际值不在预报区间内的情况进行惩罚，使得网络训练过程中提升区间覆盖率；f 2 用以计算区间宽度，在区间覆盖率相同的情况下区间宽度越窄，对应预测区间的质量越高；通过调整k 1 、k 2 比例系数可以使得网络有针对性地偏向某个指标进行训练，当k 1 、k 2 比例合适的时候，通过调整惩罚因子λ q 可以使得区间的实际值覆盖率与宽度均合；N(t)表示第t时段的功率实际值，单位为MW；u q (t)、l q (t)是模型在第t时段的预报结果，分别表示预报上界和下界；λ q 为惩罚系数；k 1 、k 2 均为比例系数。 6.根据权利要求1所述的考虑时空互补性的水风光功率联合预报方法，其特征在于：还包括步骤8，对于点预报，采用纳什效率系数NSE、偏差系数Bias、均方根误差RMSE和平均绝对误差MAE各项指标进行评价；对于区间预报，采用改进的覆盖宽度综合准则CWC、区间覆盖率PICP和区间标准化平均宽度PINAW指标进行评价，具体计算公式为；式中，N(t)表示第t时段的功率实际值，MW；T为样本总时段数； 表示功率的均值，MW； β、η为CWC的惩罚系数；VR为预报样本的最大值与最小值之差；μ为置信水平；将步骤7得到的总功率中长期的结果与水电功率、风电功率和光电功率累加的结果进行对比。 7.考虑时空互补性的水风光功率联合预报装置，其特征在于，包括：数据收集模块，用于收集整理水风光多能互补系统数据，包括大尺度水文气象因子、水风光多能互补系统的总功率时序数据、水电功率时序数据、风电功率时序数据和光电功率时序数据；功率互补量化模块，用于以水电功率、风电功率、光电功率或总功率为目标功率预报对象，量化水风光多能互补系统中水电功率、风电功率和光电功率的互补性；大尺度水文气象因子确定模块，用于考虑大尺度水文气象因子对水风光多能互补系统对应流域水风光状况的联合影响，筛选对应流域的大尺度水文气象因子；自相关性确定模块，用于考虑水电功率、风电功率、光电功率或总功率在时间上的自相关性；时空互补因子确定模块，用于构建功率预报模型的映射关系，映射关系考虑水风光多能互补系统中水电功率、风电功率和光电功率的互补性，大尺度水文气象因子对水风光多能互补系统对应流域水风光状况的联合影响，水电功率、风电功率、光电功率或总功率在时间上的自相关性，获取与水风光多能互补系统功率相关的时空互补因子；时空互补因子包括第t时段第i个与目标功率预报对象互补的电站功率P i (t)，第t时段的第j个大尺度水文气象因子LC j (t)、第t时段目标功率预报对象的历史时序N(t)，得到映射关系如下：式中，f为深度学习方法的模拟函数；n 1 为与水电功率、风电功率或光电功率互补的电站个数；n 2 为大尺度水文气象预报因子个数；m为时空互补因子的滞后时段，用前m时段的时空互补因子预报下一时段目标功率预报对象的功率；深度学习模块，用于基于深度学习模型构建功率的点预报模型和区间预报模型；功率预报模块，用于基于点预报模型和区间预报模型，根据时空互补因子，进行水电功率、风电功率或光电功率的独立预报，以总功率为标签直接进行总功率中长期的预报。 8.考虑时空互补性的水风光功率联合预报设备，其特征在于，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，处理器用于运行计算机程序时，执行上述权利要求1-7任一项所述考虑时空互补性的水风光功率联合预报方法的步骤。 9.一种计算机存储介质，其特征在于：所述计算机存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现上述权利要求1-7任一项所述考虑时空互补性的水风光功率联合预报方法的步骤。