本发明涉及光伏系统功率预测领域，具体而言，涉及一种具有季节性规律特征的光伏功率预测方法及系统。
背景技术：
1、全球环境问题的日益加剧促使全球能源结构向着以新能源为主导的能源体系转变。太阳能由于其易于捕获的特点与巨大的能源储量使其成为备受关注的可再生能源之一。在对太阳能的应用中，光伏发电的低成本及可实现大规模部署优势成为了主要利用方式。然而，光伏发电由于受到多种环境因素的影响使其表现出了不稳定与间歇性特点，这对电网稳定运行带来潜在的安全隐患。因此，实现精准稳定的光伏功率预测对提高光伏发电在未来的大范围应用具有重要意义。
2、光伏功率预测任务的实现方式具有多样性，物理、数学和数据驱动的方法均被广泛使用。随着硬件设备的发展，数据驱动的深度神经网络算法在序列预测任务中呈现出一定的性能优势。通过深度网络学习数据的分布规律，并依照学习到的知识进行数据拟合是数据驱动算法的核心思想。通过欧氏距离对预测任务进行相似日聚类，并设计深度网络对聚类日数据进行学习与预测。k-means++算法也可以对目标数据的特征进行相似样本搜索，用于训练预测网络。概率集成方法能够对预测变量进行集成估计，以用于预测任务。进行目标任务相似数据选择的方法具有目标数据类型已知的前提条件。而预测任务中天气状况较为多变且不可预知，这使得使用针对性数据训练出来的深度网络具有较差的泛化性能。
3、为了应对连续预测任务的挑战，我们可以在长时间序列数据中学习特征知识，并将其应用于连续且未知的预测任务。通过深度递归网络进行长时间序列的分段多步预测。也可以通过遗传算法对bi-lstm进行优化来以处理光伏长期输出数据。当前长序列数据的研究存在内存使用量与时间复杂度呈平方级增长的挑战。因此为了降低算法的资源需求，也可以仅选择利用单一的功率数据用于模型训练和预测，但是这导致该方法仅限于从功率数据维度拓展特征知识，而未考虑光伏功率输出受到多种环境因素的物理影响，会造成模型的可用环境过于单一。
4、为解决上述问题，可以使用高维度特征进行辅助预测的解决办法。去噪自编码器(dae)能够对高维度特征进行降维，并将降维后的数据用于深度网络的训练。通道注意力用于对多种环境变量的特征提取，并与时间卷积网络结合进行功率预测。双流网络可以从时间与空间角度对光伏系统多种气象因素进行学习并用于功率预测。然而，采用高维特征虽提升光伏功率的可解释力，但仍然存在一些局限性。光伏系统的长期季节性变化很容易被忽视。同时，高维特征空间增加了网络复杂性，使得各特征与目标标签间复杂的非线性关系使评估特征对预测任务的贡献变得困难。
5、有鉴于此，特提出本发明。
技术实现思路
1、有鉴于此，本发明公开了一种具有季节性规律特征的光伏功率预测方法，该方法针对当前光伏功率预测领域存在的环境高维特征针对预测任务的有益性差异很难分辨；常见系统对光伏季节性变化产生影响的关注度低；高维度长序列光伏数据再算法中训练局限性大的问题。提出了一种长期的具有季节性规律特征的光伏功率预测方法。
2、本发明的光伏功率预测方法主要包括三部分，第一部分进行高维度特征筛选，依据特征瓶颈得分与最优特征组合条件的配合筛选出最优特征组合。第二部分提出基于正余弦幅相特性的季节针对性位置编码，对四个季节使用不同的编码方式，增加模型季节感知能力。第三部分设计膨胀因果卷积网络对informer架构进行强化，增强模型的高维度特征学习能力。最终对筛选出的最优特征组合加入季节性位置编码，并用于增强informer网络的训练，从而进行预测任务。
3、具体地，本发明是通过以下技术方案实现的：
4、本发明提供了一种具有季节性规律特征的光伏功率预测方法，包括如下步骤：
5、将原始特征向量进行高维度特征筛选，依据特征瓶颈得分与筛选条件的配合筛选出最优特征组合；
6、建立基于正余弦幅相特性的季节性位置编码，采用季节性位置编码替换原有informer网络的原有位置编码，并结合所述最优特征组合以增强informer网络的训练，进行光伏功率预测。
7、本发明除了提供一种光伏功率预测方法，还提供了一种具有季节性规律特征的光伏功率预测系统，包括：
8、筛选模块：用于将原始特征向量进行高维度特征筛选，依据特征瓶颈得分与筛选条件的配合筛选出最优特征组合；
9、预测模块：用于建立基于正余弦幅相特性的季节性位置编码，采用季节性位置编码替换原有informer网络的原有位置编码，并结合所述最优特征组合以增强informer网络的训练，进行光伏功率预测。
10、总之，本发明的方案具有如下有益效果：
11、实现了高维度长时间序列的特征自适应分析与筛选，并根据光伏系统的季节性特征进行了季节性编码。首先，所提出的特征有益性评价指标：特征瓶颈得分fbs可以有效的进行各变量与输出功率有效性的量化评价。使用fbs筛选出的最优特征组合可以达到最佳的预测效果。其次，通过正余弦的幅相特性可以一定的值范围内将四季的数据通过季节性位置编码进行区分，提升模型了对四季特征的区分能力，也提高预测准确率。最后，使用膨胀因果卷积模块的informer模型通过最优特征组合与季节性的位置编码可以更好的完成长序列的特征学习与预测任务。相较于其他预测模型有预测准确率的提升与曲线拟合度的优势。
1.一种具有季节性规律特征的光伏功率预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的光伏功率预测方法，其特征在于，所述特征瓶颈得分的计算方法包括如下步骤：
3.根据权利要求2所述的光伏功率预测方法，其特征在于，所述最优特征组合的得到方法包括如下步骤：
4.根据权利要求3所述的光伏功率预测方法，其特征在于，所述季节性位置编码的建立方法是通过引入相位偏移因子以及幅值偏移因子对正余弦参数进行修改，从而进行季节性偏移；
5.根据权利要求4所述的光伏功率预测方法，其特征在于，所述季节性位置编码是通过将(4),(5)中的nz设置为4，并将φ(zi)，a(zi)与正余弦函数进行结合，由此得到光伏系统季节性位置编码表示为式(6)与式(7)所示，其中i表示季节性变量zi的索引，j表示模型的维度索引，dmodel表示模型的维度：
6.根据权利要求5所述的光伏功率预测方法，其特征在于，informer网络的训练过程中，在稀疏化自注意力进行全局特征捕获的基础上使用因果卷积对局部特征进行更精细化的捕捉，同时引入膨胀卷积，计算结果yddc可表示为如下所示，并使用ddc表示计算过程：
7.权利要求1-6任一项所述的光伏功率预测方法的预测系统，其特征在于，包括：
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1-6任一所述光伏功率预测方法的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述光伏功率预测方法的步骤。
