CN107194496A - 光伏功率的预测方法及预测装置 - Google Patents
光伏功率的预测方法及预测装置 Download PDFInfo
- Publication number
- CN107194496A CN107194496A CN201710277406.8A CN201710277406A CN107194496A CN 107194496 A CN107194496 A CN 107194496A CN 201710277406 A CN201710277406 A CN 201710277406A CN 107194496 A CN107194496 A CN 107194496A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- high fdrequency
- low frequency
- fdrequency component
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000000052 comparative effect Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种光伏功率的预测方法，包括：对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量，所述低频分量与高频分量具有不同的能量值；将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将所述低频分量和高频分量分别作为分类模型的输出，建立所述强相关变量与低频分量和高频分量的映射关系；获取与待预测光伏功率相关的强相关变量，根据所述与待测光伏功率相关的强相关变量及所述映射关系，得到待预测光伏功率的低频分量和高频分量；对所述待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值。本发明还涉及一种预测装置。该预测方法及预测装置能够准确对光伏功率进行预测。
Description
技术领域
本发明涉及一种光伏功率的预测方法，尤其涉及一种全环节优化的光伏功率的预测方法及预测装置。
背景技术
太阳能光伏发电作为一种重要的分布式电源正逐渐从独立系统向大规模并网方向逐渐被人们所利用。但是由于光伏发电受太阳辐射强度、电池组件、温度、天气云层和一些随机的因素的影响，系统运行过程是一个非平衡的随机过程，其发电量和输出电功率随机性强、波动大且不易控制，在天气突变时表现得尤为突出。这种发电方式在接入电网后必会对电网的安全和管理带来一系列的问题。光伏功率预测即根据历史和当前数据对未来一定时段内的光伏功率进行预测。我国的光伏发电产业起步较晚，目前在短期光伏功率预测领域的研究，仍处于探索阶段。
目前对太阳能发电具有随机性的预测技术研究并不多，传统的预测方法采用的模型包括神经网络模型、径向基函数模型和多层感知模型等。但是，目前的预测方法只能将预测误差控制在20％左右，如果根据该预测结果进行电网调度，仍旧存在很大的电力浪费。
发明内容
综上所述，确有必要提出一种能够准确对光伏功率进行预测的方法及装置。
一种光伏功率的预测方法，其中，所述预测方法包括：
对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量，所述低频分量与高频分量具有不同的能量值；
将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将所述低频分量和高频分量分别作为分类模型的输出，建立所述强相关变量与低频分量和高频分量的映射关系；
获取与待预测光伏功率相关的强相关变量，根据所述与待测光伏功率相关的强相关变量及所述映射关系，得到待预测光伏功率的低频分量和高频分量；
对所述待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值。
作为其中一个实施例，所述对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量的步骤包括：
将实测的历史光伏功率序列进行三层小波分解，得到所述低频分量及高频分量，且所述低频分量的能量值小于所述高频分量。
作为其中一个实施例，在所述将预先获取的历史光伏功率的强相关变量作为分类模型的输入之前，所述方法还包括：
选取影响历史光伏功率的变量时间序列。
计算每一变量时间序列与历史光伏功率时间序列的皮尔逊相关系数，并将该皮尔逊相关系数与预设阈值区间比较；
若任一变量时间序列与所述历史光伏功率时间序列的皮尔逊相关系数位于所述预设阈值区间内，则判断该变量为强相关变量。
在其中一个实施例中，所述将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将所述低频分量和高频分量分别作为分类模型的输出，建立所述强相关变量与低频分量和高频分量的映射关系的步骤包括：以平均温度、平均湿度、平均低云量、温度差分序列方差、低云量差分序列方差作为特征指标，利用自组织映射神经网络建立聚类模型，对辐照度时间序列、温度时间序列、湿度时间序列、气压时间序列、云量时间序列、大气层理论辐照度时间序列、空气质量系数时间序列进行聚类；
聚类之后，每一类别下，以实测历史光伏功率序列进行小波分解得到的低频分量及高频分量作为输出选项，利用所述分类模型进行训练，得到输入变量与输出变量之间的映射关系。
作为其中一个实施例，在所述对所述待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值的步骤之前，所述方法还包括：
根据所述高频分量中含有的噪声分量对最终预测结果的干扰程度，以及所述高频分量对实际光伏功率序列的相关程度进行比较；
根据比较结果选择或舍弃高频分量，若高频分量对实际光伏功率序列的相关程度大于干扰程度，则保留该高频分量；若含有噪声，对预测准确度干扰程度大于相关程度，则在小波重构时舍弃该高频分量。
一种光伏功率的预测装置，其中，所述装置包括：
能量值分解模块，用于对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量，所述低频分量与高频分量具有不同的能量值；
映射关系建立模块，用于将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将所述低频分量和高频分量分别作为分类模型的输出，建立所述强相关变量与低频分量和高频分量的映射关系；
数据处理模块，获取与待预测光伏功率相关的强相关变量，根据所述与待测光伏功率相关的强相关变量及所述映射关系，得到待预测光伏功率的低频分量和高频分量；
光伏功率预测模块，对所述待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值。
作为其中一个实施例，所述能量值分解模块还用于：
将实测的历史光伏功率序列进行三层小波分解，得到所述低频分量及高频分量，且所述低频分量的能量值小于所述高频分量。
作为其中一个实施例，所述映射关系建立模块用于：
选取影响历史光伏功率的变量时间序列。
计算每一变量时间序列与历史光伏功率时间序列的皮尔逊相关系数，并将该皮尔逊相关系数与预设阈值区间比较；
若任一变量时间序列与所述历史光伏功率时间序列的皮尔逊相关系数位于所述预设阈值区间内，则判断该变量为强相关变量。
作为其中一个实施例，所述映射关系建立模块还用于：
以平均温度、平均湿度、平均低云量、温度差分序列方差、低云量差分序列方差作为特征指标，利用自组织映射神经网络建立聚类模型，对辐照度时间序列、温度时间序列、湿度时间序列、气压时间序列、云量时间序列、大气层理论辐照度时间序列、空气质量系数时间序列进行聚类；
聚类之后，每一类别下，以实测历史光伏功率序列进行小波分解得到的低频分量及高频分量作为输出选项，利用分类模型进行训练，得到输入变量与输出变量之间的映射关系。
作为其中一个实施例，所述数据处理模块用于：
选择与待预测的光伏功率相关的强相关变量，包括时间参量、总辐照度、温度、湿度、云量以及大气层外理论辐照度值，作为输入值代入所述映射关系，得到待预测光伏功率的低频分量和高频分量。
作为其中一个实施例，所述光伏功率预测模块用于：
根据所述高频分量中含有的噪声分量对最终预测结果的干扰程度，以及所述高频分量对实际光伏功率序列的相关程度进行比较，判断两者的大小；
根据判断结果选择或舍弃高频分量，若高频分量对实际光伏功率序列的相关程度大于干扰程度，则保留该高频分量；若含有噪声，对预测准确度干扰程度大于相关程度，则在小波重构时舍弃该高频分量。
本发明提供的光伏功率的预测方法及预测装置，通过获取光伏功率的高频分量及低频分量并建立预测模型的输入与输出之间的映射关系，提高预测模型的训练效率，减少规律挖掘的难度，提高预测精度。
附图说明
图1为本发明实施例提供的光伏功率的预测方法的流程框图；
图2为本发明实施例提供的光伏功率预测方法的整体步骤示意图；
图3为基于小波分析和BP神经网络的光伏功率预测模型的流程框图；
图4为本发明实施例提供的光伏功率的预测装置的结构框图。
具体实施方式
下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。
本发明提出了一种针对不同环节的特点和数据条件，对光伏功率预测方法进行改进，从而提高光伏功率预测的预测精度的全环节优化的光伏功率预测方法，主要包括预测输入的优化、预测算法的优化和预测输出的优化三个部分。
请参阅图1，本发明实施例提供一种光伏功率的预测方法，主要包括如下步骤：
步骤S10，对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量，所述低频分量与高频分量具有不同的能量值；
步骤S20，将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将低频分量和高频分量分别作为分类模型的输出，建立强相关变量与低频分量和高频分量的映射关系；
步骤S30，获取与待预测光伏功率相关的强相关变量，根据映射关系得到待预测光伏功率的低频分量和高频分量；
步骤S40，对待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值。
在步骤S10中，通过利用小波分解对历史光伏功率序列进行分解，将光伏功率分解到不同能量段上，从而得到光伏功率的低频分量和高频分量，该低频分量和高频分量的具有不同的能量值。
在步骤S20中，基于实测历史光伏功率数据，可以将与光伏功率具有强关联性的变量，作为输入变量。同时将低频分量和高频分量作为输出变量，利用分类模型进行训练，得到输入变量与输出变量之间的映射关系。所述分类模型可为BP神经网络、支持向量机分类模型或决策树分类模型等中的一种。本实施例中，该分类模型采取BP神经网络。
在步骤S30中，通过将预先获取的与待预测的光伏功率相关的强相关变量，输入映射关系中，能够得到待预测光伏功率的低频分量和高频分量。
在步骤S40中，通过对获得的待预测光伏功率的低频分量和高频分量进行小波重构，进而获得光伏功率的预测值，可以根据高频分量及低频分量对光伏功率的影响，选择低频分量、高频分量进行小波重构。
该实施例提供的光伏功率的预测方法，通过将光伏功率分解为高频分量及低频分量，再获得光伏功率相关的强相关变量与该高频分量与低频分量之间的映射关系，进而得到光伏功率的预测值，能够减少其他变量的干扰，更加精确的对光伏功率进行预测。
请一并参阅图2及图3，作为其中一个实施例，在步骤S10中，可将实测的历史光伏功率序列进行三层小波分解，得到低频分量A1及高频分量D3，D2，D1，且低频分量A1的能量值小于D3、D2及D1。
作为其中一个实施例，在步骤S20中，实测历史光伏功率的强相关变量的选择包括：
步骤S21，选取影响光伏功率的变量时间序列。
变量时间序列包括辐照度时间序列、温度时间序列、湿度时间序列、气压时间序列、云量时间序列、大气层理论辐照度时间序列、空气质量系数时间序列；
步骤S22，计算每一变量时间序列与光伏功率时间序列的皮尔逊相关系数，并将该皮尔逊相关系数与预设阈值区间比较。
步骤S23，若任一变量时间序列与光伏功率时间序列的皮尔逊相关系数位于预设阈值区间内，则判断该变量为强相关变量。
作为其中一个实施例，预设阈值区间可为0.5-1.0。若任意一个变量时间序列与光伏功率时间序列的皮尔逊相关系数的均值的绝对值满足0.5-1.0，则判断该变量为强相关变量。
同时，在步骤S20中，建立强相关变量与低频分量和高频分量的映射关系的步骤包括：
步骤S24，以平均温度、平均湿度、平均低云量、温度差分序列方差、低云量差分序列方差作为特征指标，利用自组织映射(SOM)神经网络建立聚类模型，对辐照度时间序列、温度时间序列、湿度时间序列、气压时间序列、云量时间序列、大气层理论辐照度时间序列、空气质量系数时间序列进行聚类；
步骤S25，聚类之后，每一类别下，以实测历史光伏功率序列进行小波分解得到的低频分量及高频分量作为输出选项，利用BP神经网络进行训练，得到输入变量与输出变量之间的映射关系。
通过神经网络的训练，建立强相关变量与低频分量A1及高频分量D3，D2，D14个分量的映射关系。
作为其中一个实施例，在步骤S30中，通过选择与待预测的光伏功率相关的强相关变量，包括时间参量、总辐照度、温度、湿度、云量以及大气层外理论辐照度值，作为输入值代入映射关系，进而得到待预测光伏功率的低频分量A1’和高频分量D3’、D2’、D1’。
作为其中一个实施例，在步骤S40中，通过对待预测光伏功率的低频分量A1’和高频分量D3’、D2’、D1’进行小波重构，从而得到预测光伏功率的预测值。
另外，作为其中一个实施例，在步骤S40中，还可以根据数据质量对高频分量进行筛选，选择合理的高频分量及低频分量，再进行小波重构。具体而言，可以根据高频分量中含有的噪声分量对最终预测结果的干扰程度，以及高频分量对实际光伏功率序列的相关程度进行比较，判断两者的大小，并根据判断结果选择或舍弃高频分量。若高频分量对实际光伏功率序列的贡献大，则保留该高频分量；若含有大量噪声，对预测准确度干扰效果更明显，则应在小波重构时舍弃该高频分量。上述干扰程度及相关程度可根据经验值进行获取。一般情况下，当光伏数据质量较高时，实际数据中含有的噪声少，则可以保留小波分解得到的各个高频分量进行小波重构。对于某种高频分量，可以选择加入某种高频分量与不加入的结果形成对比，加了以后影响微弱，说明相关程度小，影响大小可跟预设阈值进行比较，该预设阈值可为经验值；若加了以后反而变坏说明干扰程度大，这两种情况都可以选则取消或舍弃这种高频分量。反之，则选择该高频分量。上述步骤能够进一步的提高训练效率，提高预测精度。
本发明提供的光伏功率的预测方法，通过获取并建立预测模型的输入与输出之间的映射关系，提高预测模型的训练效率，减少规律挖掘的难度，提高预测精度。
请一并参阅图4，本发明实施例还提供一种光伏功率的预测装置1000，其中，所述装置包括：
能量值分解模块110，用于对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量，所述低频分量与高频分量具有不同的能量值；
映射关系建立模块120，用于将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将所述低频分量和高频分量分别作为分类模型的输出，建立所述强相关变量与低频分量和高频分量的映射关系；
数据处理模块130，获取与待预测光伏功率相关的强相关变量，根据所述与待测光伏功率相关的强相关变量及所述映射关系，得到待预测光伏功率的低频分量和高频分量；
光伏功率预测模块140，对所述待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值。
在其中一个实施例中，所述能量值分解模块110还用于：
将实测的历史光伏功率序列进行三层小波分解，得到所述低频分量及高频分量，且所述低频分量的能量值小于所述高频分量。
在其中一个实施例中，所述映射关系建立模块120用于：
选取影响历史光伏功率的变量时间序列。
计算每一变量时间序列与历史光伏功率时间序列的皮尔逊相关系数，并将该皮尔逊相关系数与预设阈值区间比较；
若任一变量时间序列与所述历史光伏功率时间序列的皮尔逊相关系数位于所述预设阈值区间内，则判断该变量为强相关变量；
在其中一个实施例中，所述映射关系建立模块120还用于：以平均温度、平均湿度、平均低云量、温度差分序列方差、低云量差分序列方差作为特征指标，利用自组织映射神经网络建立聚类模型，对辐照度时间序列、温度时间序列、湿度时间序列、气压时间序列、云量时间序列、大气层理论辐照度时间序列、空气质量系数时间序列进行聚类；
聚类之后，每一类别下，以实测历史光伏功率序列进行小波分解得到的低频分量及高频分量作为输出选项，利用分类模型进行训练，得到输入变量与输出变量之间的映射关系。
在其中一个实施例中，所述数据处理模块130用于：
选择与待预测的光伏功率相关的强相关变量，包括时间参量、总辐照度、温度、湿度、云量以及大气层外理论辐照度值，作为输入值代入所述映射关系，得到待预测光伏功率的低频分量和高频分量。
在其中一个实施例中，所述光伏功率预测模块140用于：
根据所述高频分量中含有的噪声分量对最终预测结果的干扰程度，以及所述高频分量对实际光伏功率序列的相关程度进行比较，判断两者的大小；
根据判断结果选择或舍弃高频分量，若高频分量对实际光伏功率序列的相关程度大于干扰程度，则保留该高频分量；若含有噪声，对预测准确度干扰程度大于相关程度，则在小波重构时舍弃该高频分量。
本发明提供的光伏功率的预测装置，通过获取并建立预测模型的输入与输出之间的映射关系，提高预测模型的训练效率，减少规律挖掘的难度，提高预测精度。
为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种光伏功率的预测方法，其特征在于，所述预测方法包括：
对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量，所述低频分量与高频分量具有不同的能量值；
将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将所述低频分量和高频分量分别作为所述分类模型的输出，建立所述强相关变量与低频分量和高频分量的映射关系；
获取与待预测光伏功率相关的强相关变量，根据所述与待测光伏功率相关的强相关变量及所述映射关系，得到待预测光伏功率的低频分量和高频分量；
对所述待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值。
2.根据权利要求1所述的预测方法，其特征在于，所述对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量的步骤包括：
将实测的历史光伏功率序列进行三层小波分解，得到所述低频分量及高频分量，且所述低频分量的能量值小于所述高频分量。
3.根据权利要求1所述的预测方法，其特征在于，在所述将预先获取的历史光伏功率的强相关变量作为分类模型的输入之前，所述方法还包括：
选取影响历史光伏功率的变量时间序列；
计算每一变量时间序列与历史光伏功率时间序列的皮尔逊相关系数，并将该皮尔逊相关系数与预设阈值区间比较；
若任一变量时间序列与所述历史光伏功率时间序列的皮尔逊相关系数位于所述预设阈值区间内，则判断该变量为强相关变量。
4.根据权利要求1所述的预测方法，其特征在于，所述将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将所述低频分量和高频分量分别作为分类模型的输出，建立所述强相关变量与低频分量和高频分量的映射关系的步骤包括：
以平均温度、平均湿度、平均低云量、温度差分序列方差、低云量差分序列方差作为特征指标，利用自组织映射神经网络建立聚类模型，对辐照度时间序列、温度时间序列、湿度时间序列、气压时间序列、云量时间序列、大气层理论辐照度时间序列、空气质量系数时间序列进行聚类；
聚类之后，每一类别下，以实测历史光伏功率序列进行小波分解得到的低频分量及高频分量作为输出选项，利用所述分类模型进行训练，得到输入变量与输出变量之间的映射关系。
5.根据权利要求1所述的预测方法，其特征在于，在所述对所述待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值的步骤之前，所述方法还包括：
根据所述高频分量中含有的噪声分量对最终预测结果的干扰程度，以及所述高频分量对实际光伏功率序列的相关程度进行比较；
根据比较结果选择或舍弃高频分量，若高频分量对实际光伏功率序列的相关程度大于干扰程度，则保留该高频分量；若含有噪声，对预测准确度干扰程度大于相关程度，则在小波重构时舍弃该高频分量。
6.一种光伏功率的预测装置，其特征在于，所述装置包括：
能量值分解模块，用于对实测历史光伏功率序列进行小波分解，获得历史光伏功率的低频分量及高频分量，所述低频分量与高频分量具有不同的能量值；
映射关系建立模块，用于将预先获取的历史光伏功率的强相关变量作为分类模型的输入，将所述低频分量和高频分量分别作为分类模型的输出，建立所述强相关变量与低频分量和高频分量的映射关系；
数据处理模块，获取与待预测光伏功率相关的强相关变量，根据所述与待测光伏功率相关的强相关变量及所述映射关系，得到待预测光伏功率的低频分量和高频分量；
光伏功率预测模块，对所述待预测光伏功率的低频分量和高频分量进行小波重构，得到光伏功率预测值。
7.根据权利要求6所述的预测装置，其特征在于，所述能量值分解模块还用于：
将实测的历史光伏功率序列进行三层小波分解，得到所述低频分量及高频分量，且所述低频分量的能量值小于所述高频分量。
8.根据权利要求6所述的预测装置，其特征在于，所述映射关系建立模块用于：
选取影响历史光伏功率的变量时间序列；
计算每一变量时间序列与历史光伏功率时间序列的皮尔逊相关系数，并将该皮尔逊相关系数与预设阈值区间比较；
若任一变量时间序列与所述历史光伏功率时间序列的皮尔逊相关系数位于所述预设阈值区间内，则判断该变量为强相关变量。
9.根据权利要求6所述的预测装置，其特征在于，所述映射关系建立模块还用于：
以平均温度、平均湿度、平均低云量、温度差分序列方差、低云量差分序列方差作为特征指标，利用自组织映射神经网络建立聚类模型，对辐照度时间序列、温度时间序列、湿度时间序列、气压时间序列、云量时间序列、大气层理论辐照度时间序列、空气质量系数时间序列进行聚类；
聚类之后，每一类别下，以实测历史光伏功率序列进行小波分解得到的低频分量及高频分量作为输出选项，利用分类模型进行训练，得到输入变量与输出变量之间的映射关系。
10.根据权利要求6所述的预测装置，其特征在于，所述光伏功率预测模块用于：
根据所述高频分量中含有的噪声分量对最终预测结果的干扰程度，以及所述高频分量对实际光伏功率序列的相关程度进行比较；
根据比较结果选择或舍弃高频分量，若高频分量对实际光伏功率序列的相关程度大于干扰程度，则保留该高频分量；若含有噪声，对预测准确度干扰程度大于相关程度，则在小波重构时舍弃该高频分量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710277406.8A CN107194496A (zh) | 2017-04-25 | 2017-04-25 | 光伏功率的预测方法及预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710277406.8A CN107194496A (zh) | 2017-04-25 | 2017-04-25 | 光伏功率的预测方法及预测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107194496A true CN107194496A (zh) | 2017-09-22 |
Family
ID=59873092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710277406.8A Pending CN107194496A (zh) | 2017-04-25 | 2017-04-25 | 光伏功率的预测方法及预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194496A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840633A (zh) * | 2019-01-29 | 2019-06-04 | 合肥工业大学 | 光伏输出功率预测方法、系统和存储介质 |
| CN110020739A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东金融科技控股有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
| CN110361090A (zh) * | 2019-06-20 | 2019-10-22 | 广东工业大学 | 基于光伏阵列传感器关联性的未来光照度预测方法 |
| CN110598898A (zh) * | 2019-07-30 | 2019-12-20 | 深圳供电局有限公司 | 一种基于开放获取天气数据的光伏预测方法、系统以及存储介质 |
| CN111159902A (zh) * | 2019-12-30 | 2020-05-15 | 清华大学 | 光伏场站功率的确定方法、装置和计算机设备 |
| CN111260206A (zh) * | 2020-01-14 | 2020-06-09 | 中国计量大学 | 一种光伏发电影响因素评价模型、构建方法及应用 |
| CN111932007A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种光伏电站的功率预测方法、装置及存储介质 |
| CN112651537A (zh) * | 2019-10-10 | 2021-04-13 | 国网河北省电力有限公司 | 一种光伏发电超短期功率预测方法及系统 |
| CN113779861A (zh) * | 2021-07-23 | 2021-12-10 | 国网河北省电力有限公司电力科学研究院 | 光伏功率的预测方法及终端设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278169A1 (en) * | 2013-03-12 | 2014-09-18 | Samsung Sdi Co., Ltd. | Apparatus for predicting state of health of battery pack by using discrete wavelet transform |
| CN105528517A (zh) * | 2015-12-01 | 2016-04-27 | 北京国电通网络技术有限公司 | 基于神经网络、小波分解光伏电站功率预测方法、系统 |
| CN106096753A (zh) * | 2016-05-30 | 2016-11-09 | 北京中电普华信息技术有限公司 | 一种光伏出力预测方法和装置 |
| CN106202700A (zh) * | 2016-07-07 | 2016-12-07 | 西安美林数据技术股份有限公司 | 一种光伏发电出力预测的数据分析方法 |
| CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
-
2017
- 2017-04-25 CN CN201710277406.8A patent/CN107194496A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140278169A1 (en) * | 2013-03-12 | 2014-09-18 | Samsung Sdi Co., Ltd. | Apparatus for predicting state of health of battery pack by using discrete wavelet transform |
| CN105528517A (zh) * | 2015-12-01 | 2016-04-27 | 北京国电通网络技术有限公司 | 基于神经网络、小波分解光伏电站功率预测方法、系统 |
| CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
| CN106096753A (zh) * | 2016-05-30 | 2016-11-09 | 北京中电普华信息技术有限公司 | 一种光伏出力预测方法和装置 |
| CN106202700A (zh) * | 2016-07-07 | 2016-12-07 | 西安美林数据技术股份有限公司 | 一种光伏发电出力预测的数据分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张立影，等: ""基于小波变换和神经网络的光伏功率预测"", 《可再生能源》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110020739A (zh) * | 2018-01-10 | 2019-07-16 | 北京京东金融科技控股有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
| CN110020739B (zh) * | 2018-01-10 | 2024-03-05 | 京东科技控股股份有限公司 | 用于数据处理的方法、装置、电子设备及计算机可读介质 |
| CN109840633B (zh) * | 2019-01-29 | 2021-03-23 | 合肥工业大学 | 光伏输出功率预测方法、系统和存储介质 |
| CN109840633A (zh) * | 2019-01-29 | 2019-06-04 | 合肥工业大学 | 光伏输出功率预测方法、系统和存储介质 |
| CN110361090A (zh) * | 2019-06-20 | 2019-10-22 | 广东工业大学 | 基于光伏阵列传感器关联性的未来光照度预测方法 |
| CN110361090B (zh) * | 2019-06-20 | 2021-05-25 | 广东工业大学 | 基于光伏阵列传感器关联性的未来光照度预测方法 |
| CN110598898A (zh) * | 2019-07-30 | 2019-12-20 | 深圳供电局有限公司 | 一种基于开放获取天气数据的光伏预测方法、系统以及存储介质 |
| CN110598898B (zh) * | 2019-07-30 | 2022-07-05 | 深圳供电局有限公司 | 一种基于开放获取天气数据的光伏预测方法、系统以及存储介质 |
| CN112651537A (zh) * | 2019-10-10 | 2021-04-13 | 国网河北省电力有限公司 | 一种光伏发电超短期功率预测方法及系统 |
| CN111159902B (zh) * | 2019-12-30 | 2022-03-18 | 清华大学 | 光伏场站功率的确定方法、装置和计算机设备 |
| CN111159902A (zh) * | 2019-12-30 | 2020-05-15 | 清华大学 | 光伏场站功率的确定方法、装置和计算机设备 |
| CN111260206A (zh) * | 2020-01-14 | 2020-06-09 | 中国计量大学 | 一种光伏发电影响因素评价模型、构建方法及应用 |
| CN111932007A (zh) * | 2020-08-04 | 2020-11-13 | 广州发展新能源股份有限公司 | 一种光伏电站的功率预测方法、装置及存储介质 |
| CN113779861A (zh) * | 2021-07-23 | 2021-12-10 | 国网河北省电力有限公司电力科学研究院 | 光伏功率的预测方法及终端设备 |
| CN113779861B (zh) * | 2021-07-23 | 2023-08-22 | 国网河北省电力有限公司电力科学研究院 | 光伏功率的预测方法及终端设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194496A (zh) | 光伏功率的预测方法及预测装置 | |
| CN110956266B (zh) | 基于层次分析法的多电源电力系统多目标优化调度方法 | |
| CN108776683B (zh) | 一种基于孤立森林算法和神经网络的电力运维数据清洗方法 | |
| CN103400052B (zh) | 一种风电场短期风速组合预测方法 | |
| CN110009529B (zh) | 一种基于堆栈降噪自动编码器的暂态频率获取方法 | |
| CN112183641B (zh) | 融合预估-校正深度学习的暂态频率稳定评估方法及系统 | |
| CN105302848A (zh) | 一种设备智能预警系统的评估值校准方法 | |
| CN107037373A (zh) | 基于神经网络的蓄电池剩余电量预测方法 | |
| CN104333005A (zh) | 基于支持向量回归的电力系统扰动后频率动态预测方法 | |
| CN105046044A (zh) | 基于最优小波包变换的非平稳风速预测方法 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN111915079B (zh) | 一种混合knn风电功率预测方法及系统 | |
| CN114595858A (zh) | 基于滚动时间序列和支持向量机的短期风速预测方法和系统 | |
| CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
| CN114066236A (zh) | 风光有功出力场景生成方法、装置、电子设备及存储介质 | |
| CN113904384B (zh) | 一种基于梯度提升机的电网暂态稳定协调控制方法及系统 | |
| CN105024645A (zh) | 一种基于矩阵进化的光伏阵列故障定位方法 | |
| CN113127469B (zh) | 一种三相不平衡数据的缺失值的填补方法及系统 | |
| CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
| Ayanzadeh et al. | Fossil fuel consumption prediction using emotional learning in Amygdala | |
| CN106815659A (zh) | 一种基于混合模型的超短期太阳辐射预测方法及其装置 | |
| CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
| CN105701591A (zh) | 一种基于神经网络的电网业务分类方法 | |
| Yang et al. | Data-driven load frequency control based on multi-agent reinforcement learning with attention mechanism | |
| CN106682760A (zh) | 一种风电功率爬坡预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |