本发明涉及光伏功率预测领域，尤其涉及一种基于多尺度特征融合的tpe-cbigru分布式光伏短期功率预测方法。
背景技术：
1、目前，在光伏功率预测领域，尽管业界已经进行了深入的研究并取得了显著的进展，但研究的焦点多集中于光伏电站或光伏集群的功率预测问题。其中，预测方法主要分为传统方法与人工智能方法，其中传统方法主要包含物理建模方法与统计学方法，但上述方法处理复杂非线性问题的能力有限，无法充分挖掘数据中各特征与光伏功率的非线性特征映射关系，导致预测精度提升较为困难。
2、随着人工智能技术的快速发展，深度学习因其强大的非线性拟合与泛化能力而深受研究者的青睐，目前已被应用于电力系统故障诊断与预防、能源预测与优化、电力市场分析与决策支持、新能源功率预测等诸多领域。常用的深度学习算法有循环神经网络、长短期记忆网络和门控循环单元等，然而，上述方法均未考虑时间尺度与周期尺度对模型构建与功率映射的重要性，没有挖掘到发电功率数据集在不同时间尺度和周期尺度内的整体情况和变化趋势的信息，而这些信息包含了与光伏功率相关的关键特征信息，从而导致序列信息中重要特征的丢失。此外，仅使用单一的时序模型进行建模，遗漏了数据中一定的空间特征，无法充分利用数据中可挖掘的其他特征，使得模型预测曲线与实际功率曲线偏离较大，导致预测精确度不高。
技术实现思路
1、本发明针对分布式光伏场短期功率预测中的关键挑战，提出了一种基于多尺度特征融合的tpe-cbigru模型预测方法，来解决气象条件、时间特征及功率周期性特征的全面提取与融合不足的问题。
2、本发明采用的技术方案如下：
3、一种基于多尺度特征融合的tpe-cbigru分布式光伏短期功率预测方法，其特征在于，包括以下步骤：
4、s11：原始数据预处理，基于knn(k-nearest neighbors)插值法根据原始数据中各特征列缺失点的临近值，自动计算填补原始数据中的缺失值，异常值用异常点前后一个时间步的平均值替代，所述原始数据包括功率、辐照度、温度、压力以及湿度；
5、s12：构建输入特征矩阵，所述输入特征矩阵由原始处理数据、时间特征矩阵和功率周期特征矩阵三部分进行矩阵拼接的方式进行融合构成数据层特征融合，所述原始处理数据即步骤s11处理后的数据；
6、s13：数据标准化，将步骤s12构建的输入特征矩阵进行z-score标准化，不改变数据的分布形状和数据的相对关系，保留数据中的相对差异信息；
7、s14：超参数优化，将步骤s13产生的数据层特征融合数据集输入到tpe-cbigru模型中进行训练，并使用基于tpe的贝叶斯超参数优化算法对tpe-cbigru模型的超参数寻优，并返回最优超参数组合；
8、s15：预测结果分析，将测试集输入优化后的tpe-cbigru模型得到光伏功率预测结果。
9、进一步的，步骤s12中，所述时间特征矩阵为原始数据中提取的年份、季节、月份、日期、小时和分钟信息构成的特征矩阵；所述功率周期特征矩阵为原始数据中由发电功率的平均值、最大值、最小值、标准差和方差周期特征构成。
10、进一步的，步骤s13中，所述数据标准化的表达式为：
11、
12、其中，xj选择x矩阵中的一个特征或一列，μj为特征(j)所有值的均值，σj为特征(j)的标准差，m表示样本数量，表示第i个样本在第j个特征上的值，j表示特征值，i表示样本值，表示样本数量的倒数，即每个样本在计算均值时所占的权重。
13、进一步的，步骤s14中，所述tpe-cbigru模型的构建包括以下步骤：
14、s21：通过cnn(convolutional neural network)网络模型对输入数据进行空间特征提取并输出提取的高维空间特征，通过bi-gru(bidirectional gated recurrent unit)网络模型对输入数据进行长时序特征提取并输出提取的高维时间特征，基于高维空间特征和高维时间特征构建cbigru预测模型，所述输入数据为原始数据进行数据层特征融合且经过标准化后的数据集；
15、s22：使用基于tpe(tree-structured parzen estimator)的贝叶斯优化算法对cbigru预测模型进行参数优化；
16、s23：并在步骤s21和s22的基础上采用add网络将来自不同网络层的特征张量进行元素级融合完成模型层的特征融合，构建高维时空特征矩阵；
17、进一步的，步骤s21中，所述cnn网络模型在时间序列数据中提取空间特征，所述时间序列数据是在时间轴上连续排列的空间数据点，cnn网络模型利用其局部感知和权值共享的特性，在时间序列中发现并利用数据点之间的空间相关性。
18、进一步的，步骤s21中，所述bi-gru网络模型是gru的特殊变体结构，所述bi-gru网络模型由两层输出相同但信息传递方向相反的gru模型组成，两层gru模型同时分别考虑过去和未来时刻的信息，充分挖掘光伏功率长时序特征，其中bi-gru网络模型的构建步骤为：
19、s31：单层gru结构表达式为：
20、
21、其中，xt为t时刻gru模型的输入；δ和tanh分别为sigmoid和双曲正切激活函数；ct为重置门，表示t时刻输入xt与上一时刻隐藏层输出ht-1对候选隐藏状态的影响；gt为更新门，表示上一时刻隐藏层输出ht-1对t时刻隐藏层输出ht的影响大小；为候选隐藏状态，由输入xt和上一时刻隐藏层输出ht-1计算得到；ht为隐藏层的输出；wc、wg和w分别为重置门、更新门和候选隐藏状态的权重矩阵；ht-1为上一时刻隐藏层输出；ctht-1为重置门ct与上一时刻的隐藏状态ht-1的逐元素乘积，用于调整上一时刻隐藏状态对当前候选隐藏状态的影响；(1-gt)ht-1为上一时刻隐藏状态ht-1的保留部分；为当前候选隐藏状态经过更新门gt的调整；
22、s32：根据所述gru模型，设置正、负序gru层构建bi-gru模型，bi-gru网络计算式可表示为：
23、
24、其中：为t时刻正序gru模型输出，为t时刻负序gru模型输出；wf1与wf2分别为正序gru模型输入权重矩阵和t-1时刻输出权重矩阵；wb1与wb2分别为负序gru模型输入权重矩阵和t+1时刻输出权重矩阵；所w1与w2分别为正序gru模型和负序gru模型输出权重矩阵。
25、进一步的，步骤s22中，所述基于tpe的贝叶斯优化算法是一种非标准的贝叶斯优化算法，所述基于tpe的贝叶斯优化算法对cb igru预测模型进行参数优化的步骤如下：
26、s41：传统的贝叶斯优化公式为：
27、
28、h(x)是在f(x)的损失小于阈值y*时的观测密度，g(x)是由剩余观测值形成的密度，y表示目标函数的输出值，y*表示贝叶斯优化中的阈值，x表示输入参数；
29、s42：在基于tpe的贝叶斯优化算法中，利用传统的贝叶斯公式来优化期望改进函数ei：
30、
31、其中，表示在给定阈值y*下，对于输入参数x的期望改进，p(x)表示输入参数x的概率分布，p(y)表示目标函数输出值y的概率分布；
32、s43：令γ＝p(y<y*)，表示基于tpe的贝叶斯优化算法的一定分位数，用以划分h(x)和g(x)，并构造：
33、p(x)＝∫p(x|y)p(y)dy＝γh(x)+(1-γ)g(x)
34、s44：由步骤s42和s43可得ei的简化式为：
35、
36、所述基于tpe的贝叶斯优化算法来用来评估选定的候选对象，在迭代一定次数后，算法返回具有最大ei的候选最优超参数组合，由ei的简化式可知，所述最大ei的候选最优超参数组合为在点x下h(x)的概率高且g(x)的概率低时ei最大，即返回最优超参数组合。
37、本发明的有益效果如下：
38、1、提出了tpe-cbigru模型用于短期光伏功率预测，通过cnn和bi-gru网络分别捕获空间和时间特征，并通过add层进行特征融合，更细致地挖掘光伏功率数据背后的内在联系。
39、2、整合了气象条件、时间特性和光伏发电功率的周期性特征等多尺度特征，显著提高了短期光伏功率预测的准确性。
40、3、展示了通过tpe进行的贝叶斯超参数优化在cbigru模型中的应用，有效搜索最优超参数组合，并进一步提高了模型的预测性能。
1.一种基于多尺度特征融合的tpe-cbigru分布式光伏短期功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多尺度特征融合的tpe-cbi gru分布式光伏短期功率预测方法，其特征在于，步骤s12中，所述时间特征矩阵为原始数据中提取的年份、季节、月份、日期、小时和分钟信息构成的特征矩阵；所述功率周期特征矩阵为原始数据中由发电功率的平均值、最大值、最小值、标准差和方差周期特征构成。
3.根据权利要求1所述的一种基于多尺度特征融合的tpe-cbi gru分布式光伏短期功率预测方法，其特征在于，步骤s13中，所述数据标准化的表达式为：
4.根据权利要求1所述的一种基于多尺度特征融合的tpe-cbi gru分布式光伏短期功率预测方法，其特征在于，步骤s14中，所述tpe-cbigru模型的构建包括以下步骤：
5.根据权利要求4所述的一种基于多尺度特征融合的tpe-cbi gru分布式光伏短期功率预测方法，其特征在于，步骤s21中，所述cnn网络模型在时间序列数据中提取空间特征，所述时间序列数据是在时间轴上连续排列的空间数据点。
6.根据权利要求4所述的一种基于多尺度特征融合的tpe-cbi gru分布式光伏短期功率预测方法，其特征在于，步骤s21中，所述bi-gru网络模型是gru的特殊变体结构，所述bi-gru网络模型由两层输出相同但信息传递方向相反的gru模型组成，两层gru模型同时分别考虑过去和未来时刻的信息，充分挖掘光伏功率长时序特征，其中bi-gru网络模型的构建步骤为：
7.根据权利要求4所述的一种基于多尺度特征融合的tpe-cbi gru分布式光伏短期功率预测方法，其特征在于，步骤s22中，所述基于tpe的贝叶斯优化算法是一种非标准的贝叶斯优化算法，所述基于tpe的贝叶斯优化算法对cbigru预测模型进行参数优化的步骤如下：
