CN107491833B - 一种光伏发电功率预测的方法和装置 - Google Patents

一种光伏发电功率预测的方法和装置 Download PDF

Info

Publication number
CN107491833B
CN107491833B CN201710602656.4A CN201710602656A CN107491833B CN 107491833 B CN107491833 B CN 107491833B CN 201710602656 A CN201710602656 A CN 201710602656A CN 107491833 B CN107491833 B CN 107491833B
Authority
CN
China
Prior art keywords
power generation
photovoltaic power
data
prediction model
equivalent
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.)
Active
Application number
CN201710602656.4A
Other languages
English (en)
Other versions
CN107491833A (zh
Inventor
曹军威
秦钰超
华昊辰
胡俊峰
谢挺
郭明星
梅东升
陈裕兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BEIJING ENERGY INVESTMENT HOLDING CO LTD
Beijing Zhizhong Energy Internet Research Institute Co ltd
Tsinghua University
Original Assignee
BEIJING ENERGY INVESTMENT HOLDING CO LTD
Beijing Zhizhong Energy Internet Research Institute Co ltd
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BEIJING ENERGY INVESTMENT HOLDING CO LTD, Beijing Zhizhong Energy Internet Research Institute Co ltd, Tsinghua University filed Critical BEIJING ENERGY INVESTMENT HOLDING CO LTD
Priority to CN201710602656.4A priority Critical patent/CN107491833B/zh
Publication of CN107491833A publication Critical patent/CN107491833A/zh
Application granted granted Critical
Publication of CN107491833B publication Critical patent/CN107491833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明提供一种光伏发电功率预测的方法，通过获取光伏发电功率数据和气象数据，将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；根据光伏发电功率数据和第一预测模型，构建第二预测模型；联合第一预测模型和第二预测模型，预测光伏发电功率；本发明还提供一种光伏发电功率预测的装置，包括获取模块、第一构建模块、第二构建模块和预测模块。本发明提供的该方法和该装置，充分考虑到了发电功率的随机波动对预测结果的影响，从而实现了对光伏发电功率更精确的预测。

Description

一种光伏发电功率预测的方法和装置
技术领域
本发明涉及光伏发电技术领域，更具体地，涉及一种光伏发电功率预测的方法和装置。
背景技术
在现代与未来电力行业，微网的存在有着十分重要的意义。近百年来，世界各国的电力输送和配送主要是由自上而下的大电网完成。目前，全球倡导提出能源互联网的战略构想，提出以可再生清洁能源为主导，通过自下而上的方式构建新一代能源系统。其中，可再生清洁能源也被称为新能源，包括风能、光能等。曾经，由于新能源具有不可控性，间接性，随机性，区域分散性等缺陷，被诟病为垃圾能源。如今，微电网(也称为：微网)及能源互联网概念的提出，为分布式新能源找到了新的适用方案。目前，大力发展光伏发电和风能发电已经成为我国发展新能源的主要趋势和方向。
光伏发电的适用范围比风力发电更广一些，尤其是在城市，因为在城市架设风力发电机(简称：风机)成本较大，难度较高，会对已有城市风貌造成相对较大改动。在城市里，架设光伏发电板则相对容易一些。大量光伏板可以铺设在工厂厂房屋顶，甚至可以通过某些复合材料制作成摩天大楼的墙面玻璃。这样每个建筑都可能成为一个分布式的发电装置。
在未来电力行业，如果按照区域划分微网范围，那么一个城市很有可能会由多个微网组成。在不久的将来，大电网还不会被彻底取消。换言之，大电网仍然可能是电能的主要供应源，微网与大电网相连，同时微网内可再生新能源辅助提供电能。除了在城市里，在偏远的山区，戈壁等地，微网将以一种特殊的形式(离网状态)存在，即微网不与大电网相连。不论是在微网与大电网连接的情况，还是微网离网运行的情况下，在对微网输配电的控制领域中，我们往往需要考虑整个微网系统的运作情况。尤其是在大量分布式新能源存在的情况下，微网内电能的控制问题显得尤为重要。
要做好微网的控制，首先要解决的就是微网内部各组成部分的预测问题。一个典型的微网包括风机，光伏，电池，负载等元素构成。其中，各元素的暂态功率的预测尤为重要。所有的控制策略，包括电能质量的控制策略，电压和频率稳定性的控制策略，微网内电能进行合理地自我生产与消纳控制策略等，都要在精确的风机，光伏，电池，负载等预测下设计进行。
针对某一片给定区域，如果知道其历史气象数据和历史的实际光伏发电功率数据，如何精确预测出光伏的发电功率，有待研究与探索。该问题的难点在于，光伏的发电功率取决于太阳光照射强度和角度，且其发电功率通常存在随机波动。一天中，随机波动幅度在不同的时段也有所不同。通常在受到太阳辐射强度较大的中午，光伏发电功率的随机波动幅度也较大；而在受到太阳辐射强度较小的早晨和傍晚，光伏发电功率的随机波动幅度则较小。现有的对光伏发电功率的预测，没有考虑发电功率的随机波动对预测结果的影响，因此通常对光伏发电功率不能做出精确的预测。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种光伏发电功率预测的方法和装置。
根据本发明的一个方面，提供一种光伏发电功率预测的方法，包括：获取光伏发电功率数据和气象数据，其中，光伏发电功率数据和气象数据属于同一历史时段；将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；根据光伏发电功率数据和第一预测模型，构建第二预测模型；根据第一预测模型和第二预测模型，联合预测光伏发电功率。
其中，根据去噪光伏发电功率数据和气象数据，构建第一预测模型，包括：根据气象数据与等效光伏发电漂移系数，通过神经网络训练获得第一预测模型，其中的气象数据与等效光伏发电漂移系数属于相同时刻；其中，等效光伏发电漂移系数为相同时刻的去噪光伏发电功率数据和理想光伏发电功率数据的比值。
其中，根据气象数据与等效光伏发电漂移系数，通过神经网络训练并获得第一预测模型之前，还包括：根据等效光伏发电漂移系数和每一个气象类型的气象数据获取每一个气象类型与等效光伏发电漂移系数之间的皮尔逊积矩相关系数；基于皮尔逊积矩相关系数，对等效光伏发电漂移系数和每一个气象类型进行相关性分析；基于相关性分析选取满足相关性要求的气象类型的气象数据。
其中，根据光伏发电功率数据和第一预测模型，构建第二预测模型，包括：根据第一预测模型获得历史时段的预测的等效光伏发电漂移系数随时间变化的函数；根据等效光伏发电系数随时间变化的函数和预测的等效光伏发电漂移系数随时间变化的函数，获得等效光伏发电波动系数随时间变化的函数；基于随机微分方程，根据等效光伏发电波动系数随时间变化的函数和一维标准布朗运动函数构建含待定参数的第二预测模型；获取等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于条件概率密度函数，采用最大似然估计法确定第二预测模型中的待定参数；其中，等效光伏发电系数为相同时刻的光伏发电功率数据和理想光伏发电功率数据的比值。
其中，第二预测模型的表达式如下：
dre(t)＝μ1re(t)dt+σ1dw1(t)，
上式中，re(t)为等效光伏发电波动系数随时间变化的函数，w1(t)为一维标准布朗运动函数，μ1和σ1为待定参数。
其中，获取等效光伏发电波动系数随时间变化的函数的条件概率密度函数之前，还包括：基于历史的天气类型将等效光伏发电波动系数的数据分类；相应的，获取等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于条件概率密度函数，采用最大似然估计法确定第二预测模型中的待定参数，包括：获取每个分类的等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于条件概率密度函数，采用最大似然估计法确定每个分类的第二预测模型中的参数。
其中，根据第一预测模型和第二预测模型，联合预测光伏发电功率，包括：获取待预测时刻的气象数据和理想光伏发电功率数据；将待预测时刻的气象数据输入到第一预测模型，获得待预测时刻的等效光伏发电漂移系数；将待预测时刻的时间输入到第二预测模型，获得待预测时刻的等效光伏发电波动系数取值的概率分布；根据待预测时刻的等效光伏发电漂移系数、等效光伏发电波动系数取值的概率分布和理想光伏发电功率数据，获得待预测时刻的光伏发电功率取值的概率分布。
本发明的另一方面，提供一种光伏发电功率预测的装置，包括：获取模块，用于获取光伏发电功率数据和气象数据，光伏发电功率数据和气象数据属于同一历史时段；第一构建模块，用于将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；第二构建模块，用于根据光伏发电功率数据和第一预测模型，构建第二预测模型；预测模块，用于根据第一预测模型和第二预测模型，联合预测光伏发电功率。
本发明的又一方面，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使计算机执行上述的方法。
本发明的又一方面，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使计算机执行上述的方法。
本发明提供的光伏发电功率预测的方法和装置，通过获取光伏发电功率数据和气象数据，将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；根据光伏发电功率数据和第一预测模型，构建第二预测模型；联合第一预测模型和第二预测模型，预测光伏发电功率；从而充分考虑到了发电功率的随机波动对预测结果的影响，实现了对光伏发电功率更精确的预测。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的光伏发电功率预测的方法的流程图；
图2为根据本发明实施例的作平滑处理前后的单日光伏发电功率数据的对照图；
图3为根据本发明实施例的光伏发电功率预测的装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的一个实施例中，参考图1，提供一种光伏发电功率预测的方法，包括：S11，获取光伏发电功率数据和气象数据，光伏发电功率数据和气象数据属于同一历史时段；S12，将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；S13，根据光伏发电功率数据和第一预测模型，构建第二预测模型；S14，根据第一预测模型和第二预测模型，联合预测光伏发电功率。
具体的，针对某一片给定光伏发电区域，其光伏发电功率数据通常存在随机波动，例如，如图2所示，在一天中，随机波动幅度在不同的时段也有所不同，通常在受到太阳辐射强度较大的中午，光伏发电功率的随机波动幅度也较大；而在受到太阳辐射强度较小的早晨和傍晚，光伏发电功率的随机波动幅度则较小。
本实施例中，将光伏发电功率定义为PPV(t)，对PPV(t)的数据作平滑处理后，获得去噪光伏发电功率数据，将去噪光伏发电功率定义为
Figure BDA0001357535710000061
获取某一历史时段的PPV(t)的数据，通过上述方法获得这一历史时段的去噪光伏发电功率数据，并结合该历史时段的气象数据，构建第一预测模型；再根据第一预测模型对该历史时段的预测结果，并结合该历史时段的光伏发电功率数据构建第二预测模型；联合第一预测模型和第二预测模型，预测光伏发电功率。
其中，平滑处理为采用滑动平均的方法进行的处理。
本实施例通过获取光伏发电功率数据和气象数据，将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；根据光伏发电功率数据和第一预测模型，构建第二预测模型；联合第一预测模型和第二预测模型，预测光伏发电功率；从而充分考虑到了发电功率的随机波动对预测结果的影响，实现了对光伏发电功率更精确的预测。
基于上述实施例，根据去噪光伏发电功率数据和气象数据，构建第一预测模型，包括：根据气象数据与等效光伏发电漂移系数，通过神经网络训练获得第一预测模型，其中的气象数据与等效光伏发电漂移系数属于相同时刻；其中，等效光伏发电漂移系数为相同时刻的去噪光伏发电功率数据和理想光伏发电功率数据的比值。
具体的，将理想光伏发电功率定义为PPVT(t)，表示在理想状态下的光伏发电功率，PPVT(t)也可以通过实际工程测量得到，则等效光伏发电漂移系数rp(t)满足如下关系式：
Figure BDA0001357535710000071
上式中，
Figure BDA0001357535710000072
为去噪光伏发电功率，PPVT(t)为理想光伏发电功率。
由于温度、云量、降水概率等气象特征都可能影响光伏发电功率，在构建rp(t)的预测模型(即第一预测模型)时，采用建立历史的气象数据与rp(t)之间的对应关系的方法，来构建rp(t)的预测模型，其中，气象特征包括：温度，湿度，大气压强，风速，云量，降水概率等等。
将历史时段内的若干时刻的气象数据作为输入值，同时将该若干时刻的等效光伏发电漂移系数作为目标值，通过神经网络训练并获得气象数据与等效光伏发电漂移系数之间的关系，即获得第一预测模型。
其中，神经网络可选用多层感知器神经网络。
本实施例通过神经网络训练并获得气象数据与等效光伏发电漂移系数之间的关系，使获得的第一预测模型更准确。
基于上述实施例，根据气象数据与等效光伏发电漂移系数，通过神经网络训练并获得第一预测模型之前，还包括：根据等效光伏发电漂移系数和每一个气象类型的气象数据获取每一个气象类型与等效光伏发电漂移系数之间的皮尔逊积矩相关系数；基于皮尔逊积矩相关系数，对等效光伏发电漂移系数和每一个气象类型进行相关性分析；基于相关性分析选取满足相关性要求的气象类型的气象数据。
具体的，通常情况下，气象类型比较多，并且部分气象类型对光伏发电功率的影响比较小，因此可以不必考虑影响较小的气象类型，仅选择对光伏发电功率的影响比较大的气象类型的气象数据作为神经网络的输入，可以大幅减少数据处理量。
本实施例以R代表皮尔逊积矩相关系数。为了书写简便，我们使用X表示比值rp(t)，使用Y表示某一个气象类型的气象数据，假设有N组X和Y的数据，其相关系数R的定义如下：
Figure BDA0001357535710000081
上式中的
Figure BDA0001357535710000082
和
Figure BDA0001357535710000083
分别表示N组X和Y的均值。
分别计算每一个气象类型对应的相关系数R，根据每一个气象类型对应的相关系数值大小，根据相关系数值大小结合实际的相关性分析选取部分气象类型，将选取的部分气象类型的气象数据作为神经网络的输入。
基于上述实施例，根据光伏发电功率数据和第一预测模型，构建第二预测模型，包括：根据第一预测模型获得历史时段的预测的等效光伏发电漂移系数随时间变化的函数；根据等效光伏发电系数随时间变化的函数和预测的等效光伏发电漂移系数随时间变化的函数，获得等效光伏发电波动系数随时间变化的函数；基于随机微分方程，根据等效光伏发电波动系数随时间变化的函数和一维标准布朗运动函数构建含待定参数的第二预测模型；获取等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于条件概率密度函数，采用最大似然估计法确定第二预测模型中的待定参数；其中，等效光伏发电系数为相同时刻的光伏发电功率数据和理想光伏发电功率数据的比值。
具体的，获取历史时刻的气象数据，输入到第一预测模型，获得该历史时刻的预测的等效光伏发电漂移系数，由此，可以获得历史时段的预测的等效光伏发电漂移系数随时间变化的函数；同时，基于历史时段的光伏发电功率数据，获得等效光伏发电系数，等效光伏发电系数随时间变化的函数r(t)可表示为：
Figure BDA0001357535710000091
上式中，PPV(t)为光伏发电功率，PPVT(t)为理想光伏发电功率。
将历史时段的r(t)函数与历史时段的预测的等效光伏发电漂移系数随时间变化的函数作差，获得该历史时段的等效光伏发电波动系数随时间变化的函数re(t)。
基于随机微分方程，根据历史时段的re(t)函数和一维标准布朗运动函数构建re(t)的预测模型(即第二预测模型)，该re(t)的预测模型的表达式如下：
dre(t)＝μ1re(t)dt+σ1dw1(t)，
上式中，re(t)为等效光伏发电波动系数随时间变化的函数，w1(t)为一维标准布朗运动函数，μ1和σ1为参数。
w1(t)为一维标准布朗运动(Brownian motion)函数，也称为一维标准维纳过程(Wiener process)函数。取时间间隔Δt，将re(t)的预测模型离散化，由于w1(t)为一维标准维纳过程函数，根据其性质，在re(t-Δt)＝x的条件下re(t)＝y的条件概率公式如下：
Figure BDA0001357535710000092
使用最大似然估计(maximum likelihood estimation)方法，利用条件概率密度函数(conditional probability density function)来估计μ1和σ1的值。设有连续的N+1个re(t)的样本{X0，X1，...，XN}，在给定μ1和σ1条件下对应的对数似然函数如下式：
Figure BDA0001357535710000093
根据最大似然估计的原理，对参数μ1和σ1的最优估计满足下式：
Figure BDA0001357535710000101
分别计算对数似然函数关于μ1和σ1的偏导数，并令这两个偏导数为零，得到方程组：
Figure BDA0001357535710000102
求解该方程组得到其唯一解：
Figure BDA0001357535710000103
根据随机微分方程理论可知，re(t)的预测模型可以用μ1和σ1表示，即只需要μ1和σ1的值就可以完全描述re(t)的预测模型。
本实施例基于第一预测模型预测历史时段的等效光伏发电漂移系数随时间变化的函数，并基于预测的等效光伏发电漂移系数随时间变化的函数获得历史时段的等效光伏发电波动系数随时间变化的函数，再由该历史时段的等效光伏发电波动系数随时间变化的函数构建第二预测模型，使构建的第二预测模型更加准确。
基于上述实施例，获取等效光伏发电波动系数随时间变化的函数的条件概率密度函数之前，还包括：基于历史的天气类型将等效光伏发电波动系数的数据分类；相应的，获取等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于条件概率密度函数，采用最大似然估计法确定第二预测模型中的待定参数，包括：获取每个分类的等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于条件概率密度函数，采用最大似然估计法确定每个分类的第二预测模型中的参数。
具体的，光伏发电功率PPV(t)随机波动的幅度除在一天中不同的时段有所不同外，在不同的天气类型下，例如在晴天、阴天、下雨天或者下雪天，也存在差异；为体现这一差异，根据历史的天气类型将等效光伏发电波动系数的数据分类，分别计算每个分类的第二预测模型中的参数。
在对实际光伏发电功率进行预测的时候，可根据预测时间点的天气类型，选择对应的更适合于预测时间点的第二预测模型中的参数，可以进一步提高最终对实际光伏发电功率进行预测的精度。
基于上述实施例，根据第一预测模型和第二预测模型，联合预测光伏发电功率，包括：获取待预测时刻的气象数据和理想光伏发电功率数据；将待预测时刻的气象数据输入到第一预测模型，获得待预测时刻的等效光伏发电漂移系数；将待预测时刻的时间输入到第二预测模型，获得待预测时刻的等效光伏发电波动系数取值的概率分布；根据待预测时刻的等效光伏发电漂移系数、等效光伏发电波动系数取值的概率分布和理想光伏发电功率数据，获得待预测时刻的光伏发电功率取值的概率分布。
作为本发明的又一个实施例，提供一种光伏发电功率预测的装置，包括：获取模块31、第一构建模块32、第二构建模块33和预测模块34，其中：
获取模块31用于获取光伏发电功率数据和气象数据，光伏发电功率数据和气象数据属于同一历史时段；
第一构建模块32用于将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；
第二构建模块33用于根据光伏发电功率数据和第一预测模型，构建第二预测模型；
预测模块34用于根据第一预测模型和第二预测模型，联合预测光伏发电功率。
作为本发明的又一个实施例，提供一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取光伏发电功率数据和气象数据，其中，光伏发电功率数据和气象数据属于同一历史时段；将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；根据光伏发电功率数据和第一预测模型，构建第二预测模型；根据第一预测模型和第二预测模型，联合预测光伏发电功率。
作为本发明的又一个实施例，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机程序，该计算机程序使该计算机执行上述各方法实施例所提供的方法，例如包括：获取光伏发电功率数据和气象数据，其中，光伏发电功率数据和气象数据属于同一历史时段；将光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据去噪光伏发电功率数据和气象数据，构建第一预测模型；根据光伏发电功率数据和第一预测模型，构建第二预测模型；根据第一预测模型和第二预测模型，联合预测光伏发电功率。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过计算机程序指令相关的硬件来完成，前述的计算机程序可以存储于一计算机可读取存储介质中，该计算机程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种光伏发电功率预测的方法，其特征在于，包括：
获取光伏发电功率数据和气象数据，所述光伏发电功率数据和所述气象数据属于同一历史时段；
将所述光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据所述去噪光伏发电功率数据和所述气象数据，构建第一预测模型；
根据所述光伏发电功率数据和所述第一预测模型，构建第二预测模型；
根据所述第一预测模型和所述第二预测模型，联合预测光伏发电功率；
所述根据所述去噪光伏发电功率数据和所述气象数据，构建第一预测模型，包括：
根据所述气象数据与等效光伏发电漂移系数，通过神经网络训练获得所述第一预测模型，所述气象数据与所述等效光伏发电漂移系数属于相同时刻；
其中，所述等效光伏发电漂移系数为相同时刻的所述去噪光伏发电功率数据和理想光伏发电功率数据的比值；
所述根据所述光伏发电功率数据和所述第一预测模型，构建第二预测模型，包括：
根据所述第一预测模型获得所述历史时段的预测的等效光伏发电漂移系数随时间变化的函数；
根据等效光伏发电系数随时间变化的函数和预测的等效光伏发电漂移系数随时间变化的函数，获得等效光伏发电波动系数随时间变化的函数；
基于随机微分方程，根据所述等效光伏发电波动系数随时间变化的函数和一维标准布朗运动函数构建含待定参数的第二预测模型；
获取所述等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于所述条件概率密度函数，采用最大似然估计法确定所述第二预测模型中的所述待定参数；
其中，所述等效光伏发电系数为相同时刻的所述光伏发电功率数据和所述理想光伏发电功率数据的比值，所述等效光伏发电波动系数为相同时刻的所述等效光伏发电系数和所述预测的等效光伏发电漂移系数的差值；
所述根据所述第一预测模型和所述第二预测模型，联合预测光伏发电功率，包括：
获取待预测时刻的气象数据和理想光伏发电功率数据；
将所述待预测时刻的气象数据输入到所述第一预测模型，获得所述待预测时刻的等效光伏发电漂移系数；
将所述待预测时刻的时间输入到所述第二预测模型，获得所述待预测时刻的等效光伏发电波动系数取值的概率分布；
根据所述待预测时刻的等效光伏发电漂移系数、等效光伏发电波动系数取值的概率分布和理想光伏发电功率数据，获得所述待预测时刻的光伏发电功率取值的概率分布。
2.根据权利要求1所述的方法，其特征在于，所述根据所述气象数据与等效光伏发电漂移系数，通过神经网络训练并获得所述第一预测模型之前，还包括：
根据所述等效光伏发电漂移系数和每一个气象类型的气象数据获取每一个气象类型与所述等效光伏发电漂移系数之间的皮尔逊积矩相关系数；
基于所述皮尔逊积矩相关系数，对所述等效光伏发电漂移系数和每一个气象类型进行相关性分析；
基于所述相关性分析选取满足相关性要求的气象类型的气象数据。
3.根据权利要求1所述的方法，其特征在于，所述第二预测模型的表达式如下：
dre(t)＝μ1re(t)dt+σ1dw1(t)，
其中，re(t)为等效光伏发电波动系数随时间变化的函数，w1(t)为一维标准布朗运动函数，μ1和σ1为待定参数。
4.根据权利要求1所述的方法，其特征在于，所述获取所述等效光伏发电波动系数随时间变化的函数的条件概率密度函数之前，还包括：
基于历史的天气类型将所述等效光伏发电波动系数的数据分类；
相应的，所述获取所述等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于所述条件概率密度函数，采用最大似然估计法确定所述第二预测模型中的所述待定参数，包括：
获取每个分类的所述等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于所述条件概率密度函数，采用最大似然估计法确定每个分类的所述第二预测模型中的参数。
5.一种光伏发电功率预测的装置，其特征在于，包括：
获取模块，用于获取光伏发电功率数据和气象数据，所述光伏发电功率数据和所述气象数据属于同一历史时段；
第一构建模块，用于将所述光伏发电功率数据作平滑处理，获得去噪光伏发电功率数据，根据所述去噪光伏发电功率数据和所述气象数据，构建第一预测模型；
第二构建模块，用于根据所述光伏发电功率数据和所述第一预测模型，构建第二预测模型；
预测模块，用于根据所述第一预测模型和所述第二预测模型，联合预测光伏发电功率；
所述第一构建模块，包括：
根据所述气象数据与等效光伏发电漂移系数，通过神经网络训练获得所述第一预测模型，所述气象数据与所述等效光伏发电漂移系数属于相同时刻；
其中，所述等效光伏发电漂移系数为相同时刻的所述去噪光伏发电功率数据和理想光伏发电功率数据的比值；
所述第二构建模块，包括：
根据所述第一预测模型获得所述历史时段的预测的等效光伏发电漂移系数随时间变化的函数；
根据等效光伏发电系数随时间变化的函数和预测的等效光伏发电漂移系数随时间变化的函数，获得等效光伏发电波动系数随时间变化的函数；
基于随机微分方程，根据所述等效光伏发电波动系数随时间变化的函数和一维标准布朗运动函数构建含待定参数的第二预测模型；
获取所述等效光伏发电波动系数随时间变化的函数的条件概率密度函数，基于所述条件概率密度函数，采用最大似然估计法确定所述第二预测模型中的所述待定参数；
其中，所述等效光伏发电系数为相同时刻的所述光伏发电功率数据和所述理想光伏发电功率数据的比值，所述等效光伏发电波动系数为相同时刻的所述等效光伏发电系数和所述预测的等效光伏发电漂移系数的差值；
所述预测模块，包括：
获取待预测时刻的气象数据和理想光伏发电功率数据；
将所述待预测时刻的气象数据输入到所述第一预测模型，获得所述待预测时刻的等效光伏发电漂移系数；
将所述待预测时刻的时间输入到所述第二预测模型，获得所述待预测时刻的等效光伏发电波动系数取值的概率分布；
根据所述待预测时刻的等效光伏发电漂移系数、等效光伏发电波动系数取值的概率分布和理想光伏发电功率数据，获得所述待预测时刻的光伏发电功率取值的概率分布。
6.一种计算机程序产品，其特征在于，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如权利要求1至4任一所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如权利要求1至4任一所述的方法。
CN201710602656.4A 2017-07-21 2017-07-21 一种光伏发电功率预测的方法和装置 Active CN107491833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710602656.4A CN107491833B (zh) 2017-07-21 2017-07-21 一种光伏发电功率预测的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710602656.4A CN107491833B (zh) 2017-07-21 2017-07-21 一种光伏发电功率预测的方法和装置

Publications (2)

Publication Number Publication Date
CN107491833A CN107491833A (zh) 2017-12-19
CN107491833B true CN107491833B (zh) 2020-05-15

Family

ID=60644705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710602656.4A Active CN107491833B (zh) 2017-07-21 2017-07-21 一种光伏发电功率预测的方法和装置

Country Status (1)

Country Link
CN (1) CN107491833B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549929B (zh) * 2018-03-29 2019-06-07 河海大学 一种基于深层卷积神经网络的光伏功率预测方法
CN109274092A (zh) * 2018-10-16 2019-01-25 清华大学 基于能源互联网的能量管理方法及装置
CN109444624A (zh) * 2018-10-23 2019-03-08 塔里木大学 一种分布式光伏发电系统动态功率预测系统
CN109615131A (zh) * 2018-12-07 2019-04-12 国能日新科技股份有限公司 光伏功率预测方法和装置
CN110048462B (zh) * 2019-05-17 2023-09-12 广东工业大学 一种并网型光伏储能系统的能量调度方法、装置及系统
CN112418502B (zh) * 2020-11-13 2024-04-30 国网冀北电力有限公司计量中心 一种基于组合模型的光伏发电预测方法
CN113862691B (zh) * 2021-09-18 2023-04-07 河北建投新能源有限公司 光伏制氢的控制方法、装置、存储介质及电子设备
CN117273987B (zh) * 2023-11-21 2024-02-02 天津风霖物联网科技有限公司 建筑自动化系统数据处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616085A (zh) * 2015-02-16 2015-05-13 河海大学常州校区 一种基于bp神经网络的光伏发电量预测方法
WO2015152941A1 (en) * 2014-04-04 2015-10-08 Siemens Aktiengesellschaft Combing multiple trending models for photovoltaic plant output forecasting
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电系统功率预测方法
CN105719029A (zh) * 2016-03-11 2016-06-29 中国农业大学 一种基于风速波动特征提取的风电功率组合预测方法
JP2017068725A (ja) * 2015-10-01 2017-04-06 日本無線株式会社 独立電源システム及び独立電源システムの制御方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015152941A1 (en) * 2014-04-04 2015-10-08 Siemens Aktiengesellschaft Combing multiple trending models for photovoltaic plant output forecasting
CN104616085A (zh) * 2015-02-16 2015-05-13 河海大学常州校区 一种基于bp神经网络的光伏发电量预测方法
JP2017068725A (ja) * 2015-10-01 2017-04-06 日本無線株式会社 独立電源システム及び独立電源システムの制御方法
CN105719029A (zh) * 2016-03-11 2016-06-29 中国农业大学 一种基于风速波动特征提取的风电功率组合预测方法
CN105631558A (zh) * 2016-03-22 2016-06-01 国家电网公司 基于相似日的bp神经网络光伏发电系统功率预测方法

Also Published As

Publication number Publication date
CN107491833A (zh) 2017-12-19

Similar Documents

Publication Publication Date Title
CN107491833B (zh) 一种光伏发电功率预测的方法和装置
Agga et al. CNN-LSTM: An efficient hybrid deep learning architecture for predicting short-term photovoltaic power production
Li et al. Multi-step wind speed prediction based on turbulence intensity and hybrid deep neural networks
De Giorgi et al. Comparison of strategies for multi-step ahead photovoltaic power forecasting models based on hybrid group method of data handling networks and least square support vector machine
Wu et al. A novel hybrid model for short-term forecasting in PV power generation
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
Pierro et al. Deterministic and stochastic approaches for day-ahead solar power forecasting
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
EP3576029A1 (en) Method and device for determining energy system operating scenarios
Kim et al. Designing solar power generation output forecasting methods using time series algorithms
Paulescu et al. Nowcasting solar irradiance using the sunshine number
Chicco et al. Error assessment of solar irradiance forecasts and AC power from energy conversion model in grid-connected photovoltaic systems
Frederiksen et al. Novel machine learning approach for solar photovoltaic energy output forecast using extra-terrestrial solar irradiance
Gupta et al. Long term estimation of global horizontal irradiance using machine learning algorithms
Jing et al. Ultra short‐term PV power forecasting based on ELM segmentation model
Yang et al. Kalman filter photovoltaic power prediction model based on forecasting experience
Alanazi et al. Day-ahead solar forecasting using time series stationarization and feed-forward neural network
Dhaked et al. Power output forecasting of solar photovoltaic plant using LSTM
Wang et al. Two-tier prediction of solar power generation with limited sensing resource
Alvanitopoulos et al. Solar radiation prediction model based on Empirical Mode Decomposition
Klaiber et al. Deep learning for variable renewable energy: a systematic review
Zhang et al. Power forecasting of solar photovoltaic power systems based on similar day and M5'model trees
Thomas Optimisation Method for the clear sky PV forecast using power records from arbitrarily oriented panels
Zhang et al. Prediction of PV output based on local mean decomposition under limited information
Ameen et al. Modeling of photovoltaic array output current based on actual performance using artificial neural networks

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
GR01 Patent grant
GR01 Patent grant