本發(fā)明涉及電力能源，具體涉及一種分布式光伏發(fā)電功率缺失數(shù)據(jù)插補方法及裝置。

背景技術(shù)：

1、近年來，越來越多的工商業(yè)園區(qū)開始配備分布式光伏設(shè)施。工商業(yè)園區(qū)在電力能源系統(tǒng)中的角色，逐漸由單向的電力消費者，轉(zhuǎn)向產(chǎn)消一體的能源管理者。其中，分布式光伏站點作為園區(qū)內(nèi)主要的電源側(cè)資源，其發(fā)電功率數(shù)據(jù)的質(zhì)量與規(guī)模，直接影響著園區(qū)綜合能源管理的信息化與智能化水平。然而，現(xiàn)實場景下，采集設(shè)備故障、傳感器失靈、數(shù)據(jù)傳輸受阻等諸多不確定性干擾因素，均會導(dǎo)致采集到的園區(qū)分布式光伏發(fā)電功率數(shù)據(jù)中包含較多的缺失值。這一問題會對基于功率數(shù)據(jù)的出力分析、功率預(yù)測、能量優(yōu)化調(diào)度等一系列下游任務(wù)產(chǎn)生了較大的負面影響。因此，充分考慮園區(qū)分布式光伏發(fā)電功率數(shù)據(jù)的特點與現(xiàn)狀，針對性地提出可靠的功率缺失值插補方法，對于提升園區(qū)綜合能源管理水平有著重要的實際意義和應(yīng)用價值。

2、目前常用的分布式光伏發(fā)電功率數(shù)據(jù)插補方法，主要可以分為傳統(tǒng)的統(tǒng)計插值方法與基于氣象信息的多變量時序相關(guān)性建模方法。前者包括線性插值、樣條插值、移動平均、指數(shù)平滑等方法，雖然較為簡便易行且對數(shù)據(jù)量要求較低，但通常無法有效捕捉光伏發(fā)電功率數(shù)據(jù)的高波動性與復(fù)雜的非線性時變特征。后者通常依靠光伏發(fā)電功率與輻照強度、云層分布變化情況等氣象信息之間的相關(guān)性進行建模，此類方法在氣象信息與光伏發(fā)電功率數(shù)據(jù)均較為完備充足的場景下比較有效，但對于大量處于建設(shè)初期的園區(qū)分布式光伏站點而言，一方面，光伏發(fā)電功率本身的數(shù)據(jù)量難以保證；另一方面，園區(qū)部署分布式光伏站點時，并不一定會配套部署專門的氣象監(jiān)測裝置，因此無法保證能夠獲取到實時、準確且充分的氣象信息。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種分布式光伏發(fā)電功率缺失數(shù)據(jù)插補方法及裝置，以解決如何對功率缺失數(shù)據(jù)插補的問題。

2、第一方面，本發(fā)明提供了一種分布式光伏發(fā)電功率缺失數(shù)據(jù)插補方法，包括：

3、選取分布式光伏歷史數(shù)據(jù)中無缺失值的序列片段，以滑動窗口的形式將無缺失值的序列片段分割為多個等長的時序樣本，構(gòu)成時序樣本集；

4、基于掩碼建模技術(shù)，利用時序樣本集生成掩碼樣本，每個掩碼樣本與其對應(yīng)的原始時序樣本形成“輸入-輸出”樣本對，所有樣本對的集合形成用于自監(jiān)督學(xué)習(xí)的樣本集；

5、在自監(jiān)督學(xué)習(xí)樣本集上，對以patchtst模型為主干的自監(jiān)督模型進行訓(xùn)練，得到能夠?qū)⒀诖a樣本還原為對應(yīng)原始序列樣本的自監(jiān)督表征學(xué)習(xí)模型；

6、截取存在數(shù)據(jù)缺失的序列片段作為待插補時序樣本，對其中的缺失片段進行掩碼處理后，輸入到自監(jiān)督表征學(xué)習(xí)模型中進行計算，得到的輸出結(jié)果中與缺失值時點位置對應(yīng)的值即為該時點的發(fā)電功率插補數(shù)據(jù)。

7、本發(fā)明提出的插補方法基于自監(jiān)督表征學(xué)習(xí)中的掩碼建模技術(shù)，克服了單個園區(qū)的分布式光伏發(fā)電功率數(shù)據(jù)波動性高、建設(shè)前期數(shù)據(jù)量受限、氣象相關(guān)信息不足等問題，能夠針對缺失片段生成較為可靠的插補結(jié)果，從而為一系列以歷史功率數(shù)據(jù)為支撐的下游計算任務(wù)(如光伏功率預(yù)測等)奠定了高質(zhì)量的數(shù)據(jù)基礎(chǔ)。

8、在一種可選的實施方式中，以滑動窗口的形式將無缺失值的序列片段分割為多個等長的時序樣本的過程，包括：

9、從0時刻起，以采樣時間間隔采集分布式光伏發(fā)電功率數(shù)據(jù)，得到每天多個時點的分布式光伏出力曲線，累積預(yù)設(shè)天數(shù)后形成分布式光伏發(fā)電功率的歷史觀測序列；

10、判斷歷史觀測序列中，每天的出力數(shù)據(jù)是否存在缺失值，若有，則將該天的出力曲線標(biāo)記為待插補的時序樣本，并從歷史觀測序列中剔除；

11、剔除所有含缺失值的時序樣本后，以滑動時間窗的形式，將無缺失的歷史觀測序列片段劃分為多個等長的時序樣本，構(gòu)造用于模型訓(xùn)練的時序樣本集。

12、在一種可選的實施方式中，基于掩碼建模技術(shù)，利用時序樣本集生成掩碼樣本的過程，包括：

13、根據(jù)待插補時序樣本中缺失值數(shù)量占樣本時點總數(shù)的比例分布情況，確定一組掩碼比例集合，掩碼比例用于模擬待插補樣本中不同程度的數(shù)據(jù)缺失情況；

14、對于時序樣本集中的每一個時序樣本，根據(jù)每一種掩碼比例，在時序樣本中多次隨機選擇相應(yīng)比例的原始數(shù)據(jù)進行掩碼處理，得到多個掩碼樣本。

15、在一種可選的實施方式中，得到多個掩碼樣本的過程，包括：

16、利用程序模擬生成服從正態(tài)分布、均值為0、標(biāo)準差為1的隨機數(shù)，作為用于掩碼的白噪聲；

17、對于時序樣本集中的每一個時序樣本，分別以掩碼比例集合中每個比例值為比例，隨機在每個時序樣本中選擇多個時點；

18、將被選中的時點對應(yīng)的光伏功率數(shù)值替換為白噪聲；

19、重復(fù)上述隨機選擇的操作m次，最終得到的掩碼樣本總數(shù)量為：

20、nmask＝n*k*m

21、其中，nmask為掩碼樣本總數(shù)量；n為時序樣本集中的時序樣本數(shù)量；k為比例值的數(shù)量；nmask、n、k均為正整數(shù)。

22、在一種可選的實施方式中，對以patchtst模型為主干的自監(jiān)督模型進行訓(xùn)練的過程，包括：

23、將自監(jiān)督學(xué)習(xí)樣本集按指定比例劃分為訓(xùn)練集、驗證集與測試集；

24、將訓(xùn)練集數(shù)據(jù)劃分為多個批次；

25、采用python程序語言與pytorch深度學(xué)習(xí)框架搭建patchtst深度時序模型的網(wǎng)絡(luò)結(jié)構(gòu)；

26、利用梯度下降方法，依次在多個批次的訓(xùn)練樣本集上對模型進行訓(xùn)練，訓(xùn)練重復(fù)迭代多個輪次；

27、將每個輪次訓(xùn)練得到的模型用于驗證集，記錄驗證集上模型輸出結(jié)果與其對應(yīng)原始功率數(shù)值之間的評估值變化；當(dāng)驗證集上評估值不再下降的次數(shù)超過指定輪次，或模型的訓(xùn)練輪次達到最大指定輪次時，停止訓(xùn)練，保存訓(xùn)練得到的模型參數(shù)；

28、在測試集上評估自監(jiān)督模型對于時序樣本的還原準確程度，若準確程度不滿足要求，則對模型結(jié)構(gòu)及模型超參數(shù)進行調(diào)整，并返回“將自監(jiān)督學(xué)習(xí)樣本集按指定比例劃分為訓(xùn)練集、驗證集與測試集”的步驟，直至模型準確度達標(biāo)。

29、在一種可選的實施方式中，對以patchtst模型為主干的自監(jiān)督模型進行訓(xùn)練的過程，包括：

30、模型的訓(xùn)練目標(biāo)為最小化mse損失函數(shù)，即：

31、

32、其中pt為時序樣本序列在t時點的原始功率數(shù)值；為模型輸出序列在t時點的對應(yīng)數(shù)值；l為時間窗長度。

33、在一種可選的實施方式中，輸入到自監(jiān)督表征學(xué)習(xí)模型中進行計算的過程，包括：

34、利用白噪聲，對待插補時序樣本中的缺失時點進行賦值；

35、對賦值后的待插補樣本，采用minmax方法及歸一化參數(shù)進行歸一化處理；

36、將歸一化處理后的待插補樣本輸入到自監(jiān)督模型中進行計算，得到輸出序列；

37、對輸出序列進行反歸一化處理，將其還原到與光伏發(fā)電功率數(shù)據(jù)相匹配的原始數(shù)值尺度，待插補樣本中每個缺失值時點在輸出序列中對應(yīng)位置的數(shù)值，即為該時點的數(shù)據(jù)插補結(jié)果。

38、第二方面，本發(fā)明提供一種分布式光伏發(fā)電功率缺失數(shù)據(jù)插補裝置，包括：

39、時序樣本集模塊，用于選取分布式光伏歷史數(shù)據(jù)中無缺失值的序列片段，以滑動窗口的形式將無缺失值的序列片段分割為多個等長的時序樣本，構(gòu)成時序樣本集；

40、自監(jiān)督學(xué)習(xí)的樣本集模塊，用于基于掩碼建模技術(shù)，利用時序樣本集生成掩碼樣本，每個掩碼樣本與其對應(yīng)的原始時序樣本形成“輸入-輸出”樣本對，所有樣本對的集合形成用于自監(jiān)督學(xué)習(xí)的樣本集；

41、訓(xùn)練模塊，用于在自監(jiān)督學(xué)習(xí)樣本集上，對以patchtst模型為主干的自監(jiān)督模型進行訓(xùn)練，得到能夠?qū)⒀诖a樣本還原為對應(yīng)原始序列樣本的自監(jiān)督表征學(xué)習(xí)模型；

42、插補模塊，用于截取存在數(shù)據(jù)缺失的序列片段作為待插補時序樣本，對其中的缺失片段進行掩碼處理后，輸入到自監(jiān)督表征學(xué)習(xí)模型中進行計算，得到的輸出結(jié)果中與缺失值時點位置對應(yīng)的值即為該時點的發(fā)電功率插補數(shù)據(jù)。

43、第三方面，本發(fā)明提供了一種計算機設(shè)備，包括：存儲器和處理器，存儲器和處理器之間互相通信連接，存儲器中存儲有計算機指令，處理器通過執(zhí)行計算機指令，從而執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的分布式光伏發(fā)電功率缺失數(shù)據(jù)插補方法。

44、第四方面，本發(fā)明提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機指令，計算機指令用于使計算機執(zhí)行上述第一方面或其對應(yīng)的任一實施方式的分布式光伏發(fā)電功率缺失數(shù)據(jù)插補方法。