本发明属于光伏发电，尤其涉及一种基于物理模型与informer的光伏发电预测方法。
背景技术：
1、国家能源局发布2022年全年光伏装机情况，全国光伏新增装机8740.8万千瓦，同比增长60.3％，分布式光伏装机5111.4万千瓦，约占新增装机的58.5％。由于太阳能资源受光照强度、温度、湿度等复杂环境因素的影响，使得光伏发电具有较强的随机波动性和非平稳性，以及由此产生的电网整合挑战，是目前限制光伏使用率的最大问题。准确可靠的光伏功率预测可以提高光伏利用和保证供电可靠性。尽管在过去的十几年中，光伏发电的预测方法经历了巨大的发展，但它仍然落后于诸如风能、负荷预测等其他更成熟的能源预测方法。
2、现有的光伏发电预测方法通常可分为物理方法、机器学习和混合方法。物理方法根据光伏电站的发电原理，只需光伏电站的信息即可建立描述光伏发电功率与太阳辐照度关系的预测模型，无需借助历史数据，在电站建立后立刻就能进行预测，但是该方法对模型和基础信息的准确性有很高要求，准确性不足则容易导致系统性偏差。机器学习通过建立气象数据与历史运行数据之间的映射关系对功率进行预测，该方法不需要建立复杂的物理模型就能处理复杂的非线性问题，具有简单和成本低的优势。传统的统计方法有时间序列预测、支持向量机、极限学习机、人工神经网络等。然而，这些方法对输入数据深层特征的挖掘能力有限，同时其泛化能力难以满足光伏功率预测的精度要求。
3、混合方法是指将物理方法与机器学习组合在一起的方法。一方面，很多相关研究认为太阳能预测发展的主要方向应尽可能多地包含物理模型，比如大气科学和太阳能工程相关。另一方面，目前没有任何物理模型可以完全准确地预测发电量，并且由于缺乏相关数据，还存在多种类型的损失较难在物理模型中计算，例如光谱、污染和失配等损失，这些损失不包括在模型链中。而使用机器学习来补充物理建模可以顾及到这些损失，从而得到比单独使用两种方法更加精准的预测结果。
4、综上，本发明结合物理模型链与informer，提出一种基于物理模型与汲取学习相结合的方法，实现对数值天气预报的时空特征提取和光伏发电量的预测。首先使用物理模型，根据天气预报数据计算得到照射到太阳能板上的直射辐射和散射辐射，由于在物理模型计算辐射时还会考虑到太阳的偏角，所以得到的辐射包含时间和空间信息，例如夏季傍晚的辐照可能会与冬季正午的相同，冬季的晴天的辐射可能会与夏季的阴雨相同，然后利用k均值聚类，将计算得到的辐射值结合温度、湿度等气象数据对天气进行分类，将数据分为晴天、多云、阴雨三类分别将参数输入到informer中进行训练，得到预测结果，并与其他算法对比，以验证本文方法的有效性。
技术实现思路
1、本发明是针对现技术存在的缺陷，提供一种基于物理模型与informer的光伏发电预测方法，其使用物理模型链对数据进行预处理，使用informer模型对发电数据进行预测，得出光伏功率预测值，预测结果更加准确且具有现实意义。
2、为实现上述目的，本发明采用如下技术方案，包括一下步骤：
3、步骤1、从数据源中加载光伏发电量和气象数据，检查数据中是否存在缺失值(nan或null值)或超出一般范围的噪点并采用前后两个数据的平均值进行填充得到最初的数据序列；
4、步骤2、利用时间数据计算得到太阳位置，结合天气预报的晴空指数，通过物理模型的分离和转换两步得到太阳能板接收到的直射辐射和散射辐射，并将数据做归一化处理；
5、步骤3、利用k-means聚类算法将数据分为晴天、多云、阴雨天三大类。把分好的数据分成训练集和测试集；
6、步骤4、训练集中三大类数据分别输入informer模型中进行训练，得到对应天气类型的预测模型；
7、步骤5、将测试集送入相应模型进行预测并逆归一化得到预测结果。
8、进一步地，所述步骤2中，求得直射辐射和散射辐射包括一下步骤：
9、步骤2-1、根据太阳位置及晴空指数，将总辐射分离为直射辐射和散射辐射，采用brl方法，表达式如下：
10、
11、式中d为散射分数，kt为t时刻的晴空指数，ast为视太阳时，α为太阳方位角，iglobal为总辐射，h0为太阳常数，kt为每日晴空指数，ψ为晴空指数的滞后和领先的平均值；
12、步骤2-2、根据太阳能板的倾斜角度，计算倾斜平面的直射辐射与散射辐射，终点在于散射辐射的计算，采用klucher方法，表达式如下：
13、
14、f＝1-(id/ih)2 (6)
15、式中it为倾斜平面的散射辐射，ih为水平面接受的总日照，id为水平面接收到的漫射日照，ψ为太阳方向与倾斜表面法线方向之间的角度，ε是倾斜面与水平面的夹角；
16、步骤2-3、将计算得到的直射辐射与散射辐射和天气预报的相关数据进行归一化处理。
17、进一步地，所述步骤3中，对数据分类包括以下步骤：
18、步骤3-1、使用k-means聚类算法对归一化处理后的温度、湿度等信息和步骤2得到的辐射强度进行分类，表达式如下：
19、
20、其中xj是数据点，ci是簇i的中心的。通过最小化每个数据点与其所属簇的中心点之间的平方距离之和，将数据分为晴天、多云、阴雨三类；
21、步骤3-2、将步骤3-1得到的三类数据分别随机取出10天作为测试集，其余为训练集。
22、进一步地，所述步骤4中，模型训练包括以下步骤：
23、步骤4-1、将分类后的训练集数据分别形成矩阵；
24、步骤4-2、将矩阵输入至informer模型的encoder模块中，以获取特征矩阵。
25、进一步地，所述步骤5中，得到预测结果包括以下步骤：
26、步骤5-1、将测试集数据输入至decoder模块中，以生成归一后的预测光伏功率；
27、步骤5-2、将得到的数据逆归一化，得到最终的光伏数据。
28、与现有技术相比本发明有益效果是：
29、本发明提出的基于物理方法与informer结合的短期光伏发电预测方法，简化了物理模型建立时需要的电站信息，同时避免了部分难以计算的损失带来的影响。informer模型相较于传统机器学习方法，使用了改进的自注意力机制与内部的cnn，能在不丢失信息的同时关注重要性更高的特征，从而生成精度更高的预测结果。物理模型与informer结合的方法预测结果更加准确且具有显示意义，对电力系统规划和经济调度有更大的参考价值。
1.基于物理模型与informer的光伏发电预测方法，其特征在于包括一下步骤：步骤1、从数据源中加载光伏发电量和气象数据，对数据进行清洗；步骤2、通过物理模型得到直射辐射和散射辐射，并将数据做归一化处理；步骤3、利用k-means聚类算法将数据分为晴天、多云、阴雨天三大类；步骤4、训练集中三大类数据分别输入预测模型中进行训练，得到对应天气类型的预测模型；步骤5、将测试集送入相应模型进行预测并逆归一化得到预测结果。
2.根据权利要求1所述的基于物理模型与informer的光伏发电预测方法，其特征在于：所述步骤2中，求得直射辐射和散射辐射包括一下步骤：
3.根据权利要求1所述的基于物理模型与informer的光伏发电预测方法，其特征在于：进一步地，所述步骤3中，对数据分类包括以下步骤：
4.根据权利要求1所述的基于物理模型与informer的光伏发电预测方法，其特征在于：进一步地，所述步骤4中，模型训练包括以下步骤：
5.根据权利要求1所述的基于物理模型与informer的光伏发电预测方法，其特征在于：进一步地，所述步骤5中，得到预测结果包括以下步骤：
