[0001] 本发明属于风光发电预测领域，特别涉及一种面向极端天气情景下的风光功率预测方法。

[0002] 在当前全球能源转型的大背景下，风能和太阳能作为清洁能源的代表，逐渐成为电力系统中的重要组成部分。然而，风光发电具有显著的间歇性和不稳定性，特别是在极端天气条件下，风光功率的预测变得更加复杂且具有挑战性。准确的风光功率预测对于电网的稳定运行、发电计划的制定以及新能源的高效利用具有重要意义。

[0003] 目前，风光功率预测技术主要依赖于气象预报数据和历史发电数据，采用统计模型和机器学习模型进行功率预测。常用的预测方法包括时间序列分析（如ARIMA模型）、线性回归、支持向量机（SVM）、随机森林（Random Forest）、神经网络（NN）等。这些方法在常规天气条件下表现较好，但在极端天气条件下，预测精度显著下降。

[0004] 极端天气事件，如台风、暴雨、冰雹、极端高温和极端低温等，会对风光发电系统造成极大影响。具体表现为：风速和太阳辐射的不确定性增大，使得传统预测模型难以应对；极端天气可能导致设备故障或发电效率显著降低，进一步增加了功率预测的难度；由于极端天气事件的突发性和不确定性，传统的预测模型往往缺乏足够的响应时间和调整能力。

[0005] 虽然现有的风光功率预测技术在正常天气条件下取得了一定的成果，但在极端天气条件下仍存在以下不足：（1）预测模型对极端天气的敏感性不高，无法准确捕捉极端天气对发电功率的影响。

[0006] （2）数据处理和模型训练过程中缺乏对极端天气数据的专项处理和优化。

[0007] （3）现有系统难以实现实时预测和预警，无法及时调整发电计划和电网运行策略。

[0008] 在极端天气条件下，可供人工智能模型训练的真实数据较少，主要原因包括：（1）极端天气事件发生频率低：极端天气事件如台风、暴雨、冰雪等相对少见，导致相关的风光功率数据较少。

[0009] （2）数据采集和记录不完整：极端天气发生时，设备故障或数据传输中断等问题可能导致数据缺失或不完整。

[0010] （3）历史数据样本有限：极端天气下的风光发电数据往往只在特定地区和特定时间段内有记录，缺乏全面性和代表性。

[0011] 由于上述原因，极端天气情景下的真实数据非常有限，给人工智能算法的训练带来了巨大挑战。没有足够的训练数据，模型可能无法有效学习和预测极端天气下的风光功率变化，导致预测精度低下。因此，亟需通过创新的方法来解决数据不足的问题，以提高极端天气条件下风光功率预测的准确性。

[0012] 为了应对上述挑战，近年来的研究重点逐渐转向利用大数据分析、深度学习、智能算法等前沿技术，开发更加精准的风光功率预测方法。例如，Attention机制已经显示出在处理非线性和复杂时间序列数据方面的潜力，Attention机制通过为输入序列的不同部分分配不同的权重，使模型能够动态关注重要的时间步或特征。在风光功率预测中，不同时间步长的气象数据和历史发电数据对未来功率的影响程度不同，Attention机制可以自动学习并分配合适的权重，关注关键时间步长和特征，从而提高预测精度。此外，融合多源数据，如卫星遥感数据、地面观测数据和气象预报数据，通过数据融合技术提高预测模型的整体性能，也是当前的研究热点。

[0032] 进行清楚、完整地描述，显然，所描述的实施例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。

[0033] 一种面向极端天气情景下的风光功率预测方法，如图1所示，包括如下步骤：步骤一、从多种数据源获取风光功率相关的原始数据，从原始数据中挑选出极端天气情景下的时刻，将挑选出的极端天气出现时刻所对应的所有原始数据存储备用，形成基础数据样本。

[0034] 获得原始数据的数据源为气象数据、历史发电数据以及卫星遥感数据，原始数据种类包括温度、风速、风向、大气压强、湿度、降水量以及太阳辐射。

[0035] 从原始数据中挑选出极端天气情景的时刻的操作如下：S1.1、计算在全周期时间段内各时刻的各能源气象环境资源参数的原始数据的平均值，具体表达式为：
；
其中， 代表t时刻的能源气象环境资源参数的平均值， 为全周期内第i个t时刻能源气象环境资源参数的数据值，N=1,2,3,…,n为全周期内t时刻的总个数。

[0036] S1.2、计算得到能源气象环境资源参数的异常值，能源气象环境资源参数的异常值用以下公式计算：；
其中， 代表第i个t时刻的能源气象环境资源参数的异常值， 为第i个t时刻
的能源气象环境资源参数的数据值。

[0037] S1.3、利用步骤S1.2得到的能源气象环境资源参数的异常值 ，计算全天24个时刻对应的能源气象环境资源参数的标准差，采用以下公式计算：；
其中， 代表全天24个时刻对应的能源气象环境资源参数的标准差，t=0,1,
2,…,23。

[0038] S1.4、将所有时刻的能源气象环境资源参数的异常值进行标准化处理，表达式为：。

[0039] 只要有一种能源气象环境资源参数的 大于或等于2，代表t时刻出现极端天气，将 大于或等于2的所有时刻提取出来，定义为极端天气条件下异常信号的出现时刻，将挑选出的极端天气出现时刻所对应的所有原始数据存储备用，形成基础数据样本。

[0040] 由标准正态分布可知，数据在其平均值2个标准差之内的概率为95%，超过2个标准差的地表入射辐照度异常值出现概率小于5%，可定义为极端天气条件下异常信号的出现时刻。将通过上述方法所挑选出的极端天气出现时刻所对应的所有原始数据存储备用。

[0041] 步骤二、对步骤一中形成的基础数据样本进行数据增强，生成新的训练数据。

[0042] 数据增强技术是通过对现有数据进行各种变换生成新的训练数据，以扩展数据集的大小和多样性，从而提升机器学习模型的性能和泛化能力。在极端天气条件下，由于真实数据的稀缺性，数据增强技术显得尤为重要，用于扩展极端天气情景下的数据量。

[0043] 以下详细描述数据增强技术在极端天气风光功率预测中的应用。

[0044] 对基础数据样本进行至少一种数据增强处理，将数据增强处理生成的增强数据与基础数据样本进行整合得到新的训练数据。多种数据增强处理的方法选用以下一种或几种：1）噪声添加：在基础数据样本的原始数据中加入随机噪声，以模拟传感器误差和环境变化。噪声添加可以增加数据集的鲁棒性，使模型在面对不确定性时更具有适应性。

[0045] 噪声添加操作包括对能源气象环境资源参数的数据添加高斯噪声或泊松噪声，以模拟自然环境中的随机波动，添加高斯噪声表达式为： ；
其中， 表示均值为0、方差为 的高斯噪声， 为数据增强之前的各
能源气象环境资源参数的数据； 为数据增强之后的各能源气象环境资源参数的数据。

[0046] 添加泊松噪声表达式为： ；其中， 表示参数为 的泊松噪声。

[0047] 2）数据变换：是通过几何变换和随机操作，生成多样化的训练数据，增强模型的鲁棒性。具体地，例如可以采用随机裁剪或平移变换或尺度变换。

[0048] 随机裁剪为对能源气象环境资源参数的时间序列数据进行随机裁剪，生成不同长度的子序列，表达式如下： ；其中，和 为随机选择的裁剪起始和结束位置；
所述平移变换为对能源气象环境资源参数的时间序列数据进行平移操作，以模拟数据采集中的时间偏移和延迟，表达式如下： ；
其中， 为随机选择的时间平移量；
所述尺度变换为对能源气象环境资源参数的时间序列数据进行缩放，以模拟不同天气条件下的强度变化，表达式如下： ；
其中， 为随机选择的缩放因子。

[0049] 3）时间序列增强：针对风光功率预测中的时间序列数据，采用特定的增强方法，以保持时间序列的时序特性。

[0050] 采用时间遮掩或时序混合对时间序列数据进行增强。

[0051] 时间遮掩为在时间序列中随机选择部分时间段进行遮掩，模拟数据缺失或传感器故障情况，对 时间段的数据进行遮掩，其他数据保留，表达式如下：；
其中， 为随机选择的遮掩时间段， 表示 时间段外的其他数
据。

[0052] 所述时序混合为将不同时间序列的数据进行混合，生成新的时间序列，表达式如下：；
其中， 为混合比例系数， 和 为不同的时间序列。

[0053] 4）极端天气模拟：对现有数据进行极端天气条件的模拟。

[0054] 极端天气模拟包括台风模拟和/或暴雨模拟；台风模拟为对风速数据进行台风模型的模拟，使风速呈现出台风经过时的特征变化，表达式为：
；
其中， 为台风风速峰值， 为台风中心经过时刻， 为风速变化的标准差；
表示台风风速的模拟值， 为指数函数，具体是以实数e为底的指数函数，e≈
2.71828。

[0055] 暴雨模拟为对太阳辐射数据进行暴雨条件下的遮挡模拟，生成暴雨条件下的功率数据，表达式如下：；
其中， 为原始太阳辐射数据， 为遮挡系数， 为t时刻的降雨强度，
为进行暴雨模拟后的太阳辐射数据。

[0056] 5）增强数据整合：将1）4）生成的增强数据与基础数据样本的原始数据进行整合。~

[0057] 所述增强数据整合为将增强数据的合集与基础数据样本的原始数据按比例合并，表达式为：；
其中， 表示合并后的数据， 表示各种增强数据的合集。

[0058] 步骤三、采用步骤二生成的新的训练数据，对用于极端天气识别的机器学习模型进行训练，训练后的机器学习模型对极端天气进行识别，提高模型在极端天气条件下的预测性能。

[0059] 机器学习模型采用现有的随机森林或支持向量机SVM。

[0060] 步骤四、采用步骤二生成的新的训练数据，对现有的风光功率预测模型进行训练，构建极端天气情景下的风光功率预测模型，用于对极端天气下的风光发电功率进行预测。

[0061] 极端天气情景下的风光功率预测模型为现有的变换器（Transformer）模型，基于Transformer的注意力机制进行风光功率预测。

[0062] Transformer模型在处理非线性和复杂时间序列数据方面表现出色，尤其适用于极端天气条件下的风光功率预测。

[0063] 模型设计：采用基于Transformer的模型进行风光功率预测，具体步骤如下：
1）输入层：接受预处理后的时间序列数据。

[0064] 2）位置编码：为时间序列数据添加位置编码，保留时序信息。

[0065] 3）多头注意力层：通过多头注意力机制，捕捉输入数据的不同维度间的依赖关系。

[0066] 4）前馈神经网络：通过全连接层对注意力输出进行处理，生成最终的功率预测值。

[0067] 模型训练：1）输入准备：将步骤二生成的新的训练数据按时间序列格式组织，输入到
Transformer模型。

[0068] ；其中，xi是第i个时间步的特征向量。

[0069] 2）位置编码：为每个时间步添加位置编码，以保留时序信息。

[0070] ；；
其中，pos是时间步，i是维度索引， 是模型维度。

[0071] 3）多头注意力层：通过多头注意力机制，计算输入序列的注意力权重。

[0072] ；Q,K,V分别是查询矩阵、键矩阵和值矩阵， 是键的维度。

[0073] 4）前馈神经网络：将注意力层的输出通过前馈神经网络，生成最终的功率预测值。

[0074] ；其中， 、 、 、 是可训练的权重和偏置。

[0075] 5）损失函数：使用均方误差（MSE）作为损失函数，优化模型参数。

[0076] 通过实时监控预测误差和实际发电功率，动态调整模型和修正策略，使预测模型逐步适应新的极端天气条件。实现闭环反馈控制，根据实时数据和预测误差进行自适应调整，提高模型的长期稳定性和准确性。

[0077] 方法1，在Transformer模型中，增加或减少多头注意力层的数量，改变注意力头的数量。

[0078] 方法2，利用在线学习算法，通过增量更新的方式调整模型参数，使模型适应最新的数据特征。

[0079] ；其中，是更新后的模型参数，是学习率，是损失函数， 和 分别
为极端天气下的实际功率和模型预测功率。

[0080] 常规天气条件下的风光功率预测模型在设计时通常考虑的是较为稳定的气象条件，这些模型往往基于历史数据和统计规律来建立预测算法。然而，在极端天气条件下，这些模型可能不再适用，原因包括以下几个方面：1）极端条件下的非线性效应：极端天气事件，如飓风、沙尘暴、雷暴、极端温度等，会带来非线性和突发性的气象条件变化，这些变化超出了常规天气模式的范围，导致模型预测失准。

[0081] 2）缺乏相关数据：极端天气事件相对较少，这意味着用于训练模型的历史数据可能不足以涵盖所有可能的极端情况，从而导致模型在遇到未见过的极端事件时表现不佳。

[0082] 3）模型的泛化能力受限：许多预测模型是在正常天气条件下校准的，它们可能没有经过足够的测试以验证在极端条件下的性能。模型可能无法捕捉到极端条件下的关键变量之间的复杂关系。

[0083] 4）风力和光照条件的变化：极端天气可能导致风速过高或过低，超出风力发电机的运行范围；同时，云层、降雪、沙尘等可以显著减少到达太阳能电池板的太阳辐射，影响光伏发电量。

[0084] 5）环境参数的快速变化：极端天气条件下，温度、湿度、气压等环境参数可能迅速变化，而这些参数对风光发电效率有直接影响。

[0085] 本方法通过步骤一、二扩展极端天气情景下的数据量，有效扩展了训练数据集的规模和多样性，增强了模型在极端天气条件下的鲁棒性。

[0086] 上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举，即在此范围内的等同替换改进，也在本发明的保护范围之内。