CN108256693A - 一种光伏发电功率预测方法、装置及系统 - Google Patents
一种光伏发电功率预测方法、装置及系统 Download PDFInfo
- Publication number
- CN108256693A CN108256693A CN201810140569.6A CN201810140569A CN108256693A CN 108256693 A CN108256693 A CN 108256693A CN 201810140569 A CN201810140569 A CN 201810140569A CN 108256693 A CN108256693 A CN 108256693A
- Authority
- CN
- China
- Prior art keywords
- prediction
- variable
- target
- variation
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010248 power generation Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000013480 data collection Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000005755 formation reaction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供了一种光伏发电功率预测方法、装置及系统，该预测方法首先获取待预测光伏发电系统的预测目标，然后确定与预测目标对应的影响变量为第一变量数据集，之后计算第一变量数据集中的影响变量的权重，并确定影响变量的权重大于第一预设权重的影响变量为第二变量数据集。将第二变量数据集输入到变量训练模型中，计算出每个变量训练模型的目标分数，并确定目标得分高于第一预设得分的变量训练模型为目标模型，然后根据目标模型的目标分数以及目标模型的预测值，确定出预测发电功率。可见，本方案能够根据输入参数的不同进行预测模型的选用，并且对输入参数进行筛选，排除数据贡献度小的影响变量对模型的干扰，提高了预测结果的准确性。
Description
技术领域
本发明涉及新能源发电技术领域，具体涉及一种光伏发电功率预测方法、装置及系统。
背景技术
随着新能源的快速发展，光伏发电也在大规模的接入电网，然而，影响光伏发电的外界因素较多，因此，光伏发电存在随机性、波动性、间歇性、不确定性等缺点，对电网的经济安全稳定运行造成了严重的影响。
为了进一步削弱光伏发电系统由于上述缺点导致的电网影响，通常，通过对光伏发电系统进行准确预设，以提高电力运行的稳定性。即通过预测的方式充分利用太阳能资源，获得更优的经济效益以及社会效益。
光伏发电功率预测方法通常分为物理方法以及统计方法，其中，物理方法是利用光伏的物理特性建立预测模型，统计方法是利用光伏电站运行的历史数据进行预测，如根据历史数据和气象、环境的对应关系进行预测。具体的，如图1所示，首先选择几种固定的预测算法模型分别建立预测模型，再通过预测值与实际值的误差通过一定方法对每个单一模型确定权重，根据权重和单一模型预测值计算得到最终预测结果。
然而，发明人发现，上述的预设方法一旦其中某个预测模型的预测效果较差，会影响整个组合模型的整体预测精度。除此，上述预测方法中，选用的固定模型，即不能根据输入参数的不同进行不同预测模型的选用，没有针对性，可能会导致预测结果不准确。
综上，如何提供一种光伏发电功率预测方法、装置及系统，能够根据输入参数的不同进行预测模型的选用，进而提高预测结果的准确性，是本领域技术人员亟待解决的一大技术难题。
发明内容
有鉴于此，本发明实施例提供了一种光伏发电功率预测方法，够根据输入参数的不同进行预测模型的选用，并且对输入参数进行筛选，排除数据贡献度小的影响变量对模型的干扰，提高了预测结果的准确性。
为实现上述目的，本发明实施例提供如下技术方案：
一种光伏发电功率预测方法，包括：
获取待预测光伏发电系统的预测目标，所述预设目标包括预测空间范围、预测时间范围以及预测时间尺度中的一项或多项；
根据所述预测目标，确定所述待预测光伏发电系统的数据参数中与所述预测目标对应的影响变量为第一变量数据集；
计算所述第一变量数据集中的所述影响变量的权重；
确定所述影响变量的权重大于第一预设权重的影响变量为第二变量数据集；
将所述第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个所述变量训练模型的目标分数，所述目标分数表征所述变量训练模型的准确程度；
确定目标得分高于第一预设得分的所述变量训练模型为目标模型；
根据所述目标模型的目标分数以及所述目标模型的预测值，确定出预测发电功率。
可选的，还包括：
预先获取待预测光伏发电系统的数据参数，所述数据参数至少包括所述待预测光伏发电系统的历史运行数据、气象数据、数值天气预报数据、电站基本配置信息数据、地理位置数据、设备物理参数数据中的一项或多项。
可选的，所述获取待预测光伏发电系统的预测目标，包括：
获取预测请求，按照预设分类规则，将所述预测请求划分成所述预测目标。
可选的，确定所述第一预设权重，包括：
将所述第一变量数据集中的所述影响变量按照权重大小依次代入变量训练模型；
获取所述变量训练模型的预测精度；
确定所述预测精度最大时的所述变量训练模型输入的影响变量中权重最小值为第一预设权重。
可选的，所述将所述第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个所述变量训练模型的目标分数，包括：
获取每个所述变量训练模型的预测误差衡量指标，所述预测误差衡量指标包括平均绝对误差、平均绝对值绝对误差、平均相对误差、平均绝对值相对误差、均方根误差、相对均方根误差以及标准差中的一项或多项；
将所述预测误差衡量指标进行加权，计算得到所述变量训练模型的目标得分。
可选的，所述根据所述目标模型的目标分数以及所述目标模型的预测值，确定出预测发电功率，包括：
根据所述目标模型的目标分数，确定每个所述目标模型的权重；
基于所述目标模型的权重以及所述目标模型的预测值，进行加权得到所述预测发电功率。
一种光伏发电功率预测装置，包括：
第一获取模块，用于获取待预测光伏发电系统的预测目标，所述预设目标包括预测空间范围、预测时间范围以及预测时间尺度中的一项或多项；
第一确定模块，用于根据所述预测目标，确定所述待预测光伏发电系统的数据参数中与所述预测目标对应的影响变量为第一变量数据集；
第一计算模块，用于计算所述第一变量数据集中的所述影响变量的权重；
第二确定模块，用于确定所述影响变量的权重大于第一预设权重的影响变量为第二变量数据集；
第二计算模块，用于将所述第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个所述变量训练模型的目标分数，所述目标分数表征所述变量训练模型的准确程度；
第二确定模块，用于确定目标得分高于第一预设得分的所述变量训练模型为目标模型；
第三确定模块，用于根据所述目标模型的目标分数以及所述目标模型的预测值，确定出预测发电功率。
可选的，还包括：
第二获取模块，用于预先获取待预测光伏发电系统的数据参数，所述数据参数至少包括所述待预测光伏发电系统的历史运行数据、气象数据、数值天气预报数据、电站基本配置信息数据、地理位置数据、设备物理参数数据中的一项或多项。
可选的，所述第一获取模块包括：
第一获取单元，用于获取预测请求，按照预设分类规则，将所述预测请求划分成所述预测目标。
可选的，还包括第四确定模块，用于确定所述第一预设权重，所述第四确定模块包括：
处理单元，用于将所述第一变量数据集中的所述影响变量按照权重大小依次代入变量训练模型；
第二获取单元，用于获取所述变量训练模型的预测精度；
第一确定单元，用于确定所述预测精度最大时的所述变量训练模型输入的影响变量中权重最小值为第一预设权重。
可选的，所述第二计算模块包括：
第三获取单元，用于获取每个所述变量训练模型的预测误差衡量指标，所述预测误差衡量指标包括平均绝对误差、平均绝对值绝对误差、平均相对误差、平均绝对值相对误差、均方根误差、相对均方根误差以及标准差中的一项或多项；
第一计算单元，用于将所述预测误差衡量指标进行加权，计算得到所述变量训练模型的目标得分。
可选的，所述第三确定模块包括：
第二确定单元，用于根据所述目标模型的目标分数，确定每个所述目标模型的权重；
第二计算单元，用于基于所述目标模型的权重以及所述目标模型的预测值，进行加权得到所述预测发电功率。
一种光伏发电功率预测系统，包括任意一项上述的光伏发电功率预测装置。
基于上述技术方案，本发明实施例提供了一种光伏发电功率预测方法，首先获取待预测光伏发电系统的预测目标，然后根据预测目标，确定待预测光伏发电系统的数据参数中与预测目标对应的影响变量为第一变量数据集，之后计算第一变量数据集中的影响变量的权重并确定影响变量的权重大于第一预设权重的影响变量为第二变量数据集。将第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个变量训练模型的目标分数，并确定目标得分高于第一预设得分的变量训练模型为目标模型，然后根据目标模型的目标分数以及目标模型的预测值，确定出预测发电功率。可见，本方案提供的预测方法能够根据输入参数的不同进行预测模型的选用，并且对输入参数进行筛选，排除数据贡献度小的影响变量对模型的干扰，提高了预测结果的准确性。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为现有技术中的一种光伏发电功率预测系统的结构示意图；
图2为本发明实施例提供的一种光伏发电功率预测方法的流程示意图；
图3为本发明实施例提供的一种光伏发电功率预测方法中预测目标的分类的示意图；
图4为本发明实施例提供的一种光伏发电功率预测方法的又一流程示意图；
图5为本发明实施例提供的一种光伏发电功率预测方法的又一流程示意图；
图6为本发明实施例提供的一种光伏发电功率预测方法的又一流程示意图；
图7为本发明实施例提供的一种光伏发电功率预测方法的又一流程示意图；
图8为本发明实施例提供的一种光伏发电功率预测方法的又一流程示意图；
图9为本发明实施例提供的一种光伏发电功率预测方法的展示示意图；
图10为本发明实施例提供的一种光伏发电功率预测装置的结构示意图。
具体实施方式
结合背景技术可知，现有技术中的预设方法一旦其中某个预测模型的预测效果较差，会影响整个组合模型的整体预测精度。除此，现有技术中的预测方法选用的固定模型，即不能根据输入参数的不同进行不同预测模型的选用，没有针对性，可能会导致预测结果不准确。
基于此，本发明实施例提供了一种光伏发电功率预测方法，如图2所示，包括步骤：
S21、获取待预测光伏发电系统的预测目标。
其中，所述预设目标包括预测空间范围、预测时间范围以及预测时间尺度中的一项或多项。具体的，如图3所示，预测空间范围可以包括光伏电站某一组串、光伏电站某一阵列、光伏电站某一区域、整个光伏电站等，当光伏电站的各个阵列所使用设备型号以及容量不同时，整个光伏电站的发电量预测是通过多个组串(阵列)的发电量预测汇总得到。预测时间范围可以包括瞬时功率预测、固定时段发电量预测等。预测时间尺度可以包括超短期、短期、中长期等。
本步骤中，预测目标是通过将待预测光伏发电系统的预测需求进行逐一分解得到的，具体的可以通过获取预测请求，按照预设分类规则，将所述预测请求划分成所述预测目标。即将预测目标对应到图3中的各个小分类，如预设目标为“某一光伏组串”的“未来瞬时功率预测”，其中，功率预测为“短期预测”。由于发明人考虑到不是所有预测方法都适应每种预测目标的要求，如利用电气电量参数建立的各种物理预测方法，在超短期预测中某些情况下能达到很高的精度，却不适应于中长期预测的要求。因此本步骤将待预测光伏发电系统的预测目标进行逐一分类，以便确定出最优的预测模型。
S22、根据所述预测目标，确定所述待预测光伏发电系统的数据参数中与所述预测目标对应的影响变量为第一变量数据集。
首先，需要预先获取待预测光伏发电系统的全部数据参数，所述数据参数至少包括所述待预测光伏发电系统的历史运行数据、气象数据、数值天气预报数据、电站基本配置信息数据、地理位置数据、设备物理参数数据中的一项或多项。
然后根据上述的预测目标，从全部数据中提取所需的数据周期和数据范围作为第一变量数据集，以便后续模型的代入。
S23、计算所述第一变量数据集中的所述影响变量的权重。
影响变量的权重确定方法有多种，在本实施例中，可以采用复相关系数确定每个影响变量的权重。假设有影响变量x1，x2，...，xm，若影响变量xk与其他影响变量的复相关系数越大，则说明影响变量xk与其他影响变量之间的共线性关系越强，越容易由其他影响变量的线性组合表示，重复信息越多，则该影响变量的权重也就应该越小。若影响变量xk与其他影响变量的复相关系数R越大，该影响变量的权重越小。通过计算得到的每个影响变量与其他变量的复相关系数为R1、R2、…、Rm。由此可得到每个影响变量的权重为：Pi＝(1/Ri)/Σ(1/Ri)。
S24、确定所述影响变量的权重大于第一预设权重的影响变量为第二变量数据集。
具体的，如图4所示，该第一预设权重可以通过如下方式进行计算得到：
S41、将所述第一变量数据集中的所述影响变量按照权重大小依次代入变量训练模型；
S42、获取所述变量训练模型的预测精度；
S43、确定所述预测精度最大时的所述变量训练模型输入的影响变量中权重最小值为第一预设权重。
示意性的，根据预测目标的要求，输入相应的符合格式要求的变量数据集(第一变量数据集)，然后针对输入变量进行筛选，得到第二变量数据集。具体的，发明人考虑到：因光伏预测中所能使用的直接影响变量以及衍生变量本身数量有限，且变量之间可能存在多重相关性的特点，如果强制剔除贡献度小的变量或使用变量降维的方法都有可能丢失大量原始变量信息，降低预测精度。
因此，在本实施例中，将第一变量数据集中所有可输入的影响变量依次组合纳入模型，筛选出使训练模型预测精度达到最优状态下的影响变量组合(即第二变量数据集)。
具体的，如图5所示，为防止最终筛选的影响变量组合中，由于计算误差导致保留的部分影响变量却没有抛弃的部分影响变量重要，将根据光伏预测影响变量的贡献度大小赋予不同的权重，按照变量权重从大到小排序，逐步引入变量训练模型，如第一次训练模型时使用权重排名第一的影响变量，第二次训练模型时使用权重排名第一、第二的影响变量。计算每次训练模型的预测平均精度，判定使预测平均精度最优时，引入到模型的影响变量权重最小值达到多少，该值作为筛选变量的阈值范围。
当按照权重大小依次引入影响变量到训练模型时，依次判断预测模型平均精度是否达到最优，找出模型预测平均精度达到最优状态时引入的影响变量组合中变量权重最小值，若影响变量的权重低于该权重最小值作剔除处理，以完成输入变量的自动筛选过程。
S25、将所述第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个所述变量训练模型的目标分数，所述目标分数表征所述变量训练模型的准确程度。
具体的，本步骤可以通过如图6所述的方法实现，如下：
S61、获取每个所述变量训练模型的预测误差衡量指标，所述预测误差衡量指标包括平均绝对误差、平均绝对值绝对误差、平均相对误差、平均绝对值相对误差、均方根误差、相对均方根误差以及标准差中的一项或多项；
S62、将所述预测误差衡量指标进行加权，计算得到所述变量训练模型的目标得分。
正如上文所述，功率预测方法有很多种，但不是所有预测方法都适应每种预测目标的要求，如利用电气电量参数建立的各种物理预测方法，在超短期预测中某些情况下能达到很高的精度，却不适应于中长期预测的要求。
因此在每种细分预测目标下，分别预先设置特定的符合预测目标要求的多种预测模型方法，根据预测目标，使用该预测目标下的多种预测模型方法，针对输入的数据集进行预测。通过模型测试样本计算并输出每个模型的预测误差衡量指标：平均绝对误差、平均绝对值绝对误差、平均相对误差、平均绝对值相对误差、均方根误差、相对均方根误差、标准差等。
S26、确定目标得分高于第一预设得分的所述变量训练模型为目标模型；
S27、根据所述目标模型的目标分数以及所述目标模型的预测值，确定出预测发电功率。
具体的，本实施例如图7所示，提供了一种具体实现预测发电功率的具体实现步骤：
S71、根据所述目标模型的目标分数，确定每个所述目标模型的权重；
S72、基于所述目标模型的权重以及所述目标模型的预测值，进行加权得到所述预测发电功率。
示意性的，将多种单一预测算法得到的精度指标经过熵值法加权综合得到每个预测算法的模型得分，将得分低于某一阈值或者得分最差的一定比例的模型剔除掉，针对剩余的得分较高的模型，根据模型得分确定模型在预测系统中所占权重，将每个模型的预测结果结合模型得分加权综合得到最终预测结果，如下：
首先在本实施例中通过熵值法确定预测误差衡量指标的权重。其中，熵值法(Entropy)属于客观赋权方法，其原理是通过计算信息的熵，以指标的相对变化程度为依据，决定各个指标对整个系统的权重大小。熵值法的基本步骤如下：
a)熵值法根据指标信息载量的大小来确定指标权重，设有n个预测模型，m项模型预测误差衡量指标，决策矩阵中xij为第j个预测误差衡量指标属性下第i个预测模型的预测误差衡量指标值。
b)计算第j项预测误差衡量指标下第i个模型的特征比重或贡献度pij。
c)计算第j项预测误差衡量指标的熵值ej，它表示所有模型对第j项预测误差衡量指标的贡献总量。
一般情况下，取常数k＝1/lnn，这样能保证0≤ej≤1。当某个预测误差衡量指标属性各个模型的贡献度pij趋于一致时，ej趋于1。由于pij趋于一致，说明该预测误差衡量指标属性在决策时不起作用，特别是当pij全相等时，可以不考虑该预测误差衡量指标属性，认为该预测误差衡量指标属性的权重为0。
d)计算预测误差衡量指标xj的差异性系数gj，gj＝1-ej·它表示第j项预测误差衡量指标下各模型贡献度的不一致性程度，由ej决定。显然，gj越大，越重视该项预测误差衡量指标的作用。
e)确定每项预测误差衡量指标的权重系数wj，它是经过归一化后的权重系数，可表述为
而对多个预测模型的预测误差衡量指标项进行标准化处理，如图8所示，由于误差越小，模型预测效果越好，所以预测误差衡量指标标准化处理时使用x'＝(min-x)/(min-max)公式进行处理，经过min-max标准化后，新指标值均在0～1之间，最优值为1，最劣值为0。
模型得分Scorej＝Σwj*x'j。然后将模型得分较低的一定比例或得分低于某一阈值的预测模型剔除。并根据筛选出的优质预测模型的得分，通过线性比例变换法确定每个单一预测模型的最终权重ai，其中，ai＝Scorej/max(Scorej)。最后结合每个单一模型的预测值hi加权得到最终预测结果Σai*hi。
可见，本方案提供的预测方法能够根据输入参数的不同进行预测模型的选用，并且对输入参数进行筛选，排除数据贡献度小的影响变量对模型的干扰，提高了预测结果的准确性。
在上述实施例的基础上，本实施例还提供了一种预测结果的展示界面，如图9所示，该预测系统输出的是光伏电站某个组串或某个阵列的预测结果，如果需要预测需求是光伏电站的某一区域或者整个电站的预测值，可通过汇总组串或方阵的预测结果得到。
除此，本实施例还提供了一种光伏发电功率预测装置，如图10所示，包括：
第一获取模块101，用于获取待预测光伏发电系统的预测目标，所述预设目标包括预测空间范围、预测时间范围以及预测时间尺度中的一项或多项；
第一确定模块102，用于根据所述预测目标，确定所述待预测光伏发电系统的数据参数中与所述预测目标对应的影响变量为第一变量数据集；
第一计算模块103，用于计算所述第一变量数据集中的所述影响变量的权重；
第二确定模块104，用于确定所述影响变量的权重大于第一预设权重的影响变量为第二变量数据集；
第二计算模块105，用于将所述第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个所述变量训练模型的目标分数，所述目标分数表征所述变量训练模型的准确程度；
第二确定模块106，用于确定目标得分高于第一预设得分的所述变量训练模型为目标模型；
第三确定模块107，用于根据所述目标模型的目标分数以及所述目标模型的预测值，确定出预测发电功率。
可选的，本实施例提供的光伏发电功率预测装置，还包括：
第二获取模块，用于预先获取待预测光伏发电系统的数据参数，所述数据参数至少包括所述待预测光伏发电系统的历史运行数据、气象数据、数值天气预报数据、电站基本配置信息数据、地理位置数据、设备物理参数数据中的一项或多项。
具体地，所述第一获取模块包括：
第一获取单元，用于获取预测请求，按照预设分类规则，将所述预测请求划分成所述预测目标。
除此，本实施例提供的光伏发电功率预测装置，还可以包括第四确定模块，用于确定所述第一预设权重，所述第四确定模块包括：
处理单元，用于将所述第一变量数据集中的所述影响变量按照权重大小依次代入变量训练模型；
第二获取单元，用于获取所述变量训练模型的预测精度；
第一确定单元，用于确定所述预测精度最大时的所述变量训练模型输入的影响变量中权重最小值为第一预设权重。
优选的，所述第二计算模块包括：
第三获取单元，用于获取每个所述变量训练模型的预测误差衡量指标，所述预测误差衡量指标包括平均绝对误差、平均绝对值绝对误差、平均相对误差、平均绝对值相对误差、均方根误差、相对均方根误差以及标准差中的一项或多项；
第一计算单元，用于将所述预测误差衡量指标进行加权，计算得到所述变量训练模型的目标得分。
其中，所述第三确定模块包括：
第二确定单元，用于根据所述目标模型的目标分数，确定每个所述目标模型的权重；
第二计算单元，用于基于所述目标模型的权重以及所述目标模型的预测值，进行加权得到所述预测发电功率。
该装置的工作原理请参阅上述方法实施例，在此不重复叙述。
在上述实施例的基础上，本实施例还提供了一种光伏发电功率预测系统，包括任意一项上述的光伏发电功率预测装置。
综上所示，本发明实施例提供了一种光伏发电功率预测方法，首先获取待预测光伏发电系统的预测目标，然后根据预测目标，确定待预测光伏发电系统的数据参数中与预测目标对应的影响变量为第一变量数据集，之后计算第一变量数据集中的影响变量的权重并确定影响变量的权重大于第一预设权重的影响变量为第二变量数据集。将第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个变量训练模型的目标分数，并确定目标得分高于第一预设得分的变量训练模型为目标模型，然后根据目标模型的目标分数以及目标模型的预测值，确定出预测发电功率。可见，本方案提供的预测方法能够根据输入参数的不同进行预测模型的选用，并且对输入参数进行筛选，排除数据贡献度小的影响变量对模型的干扰，提高了预测结果的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (13)
1.一种光伏发电功率预测方法，其特征在于，包括：
获取待预测光伏发电系统的预测目标，所述预设目标包括预测空间范围、预测时间范围以及预测时间尺度中的一项或多项；
根据所述预测目标，确定所述待预测光伏发电系统的数据参数中与所述预测目标对应的影响变量为第一变量数据集；
计算所述第一变量数据集中的所述影响变量的权重；
确定所述影响变量的权重大于第一预设权重的影响变量为第二变量数据集；
将所述第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个所述变量训练模型的目标分数，所述目标分数表征所述变量训练模型的准确程度；
确定目标得分高于第一预设得分的所述变量训练模型为目标模型；
根据所述目标模型的目标分数以及所述目标模型的预测值，确定出预测发电功率。
2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，还包括：
预先获取待预测光伏发电系统的数据参数，所述数据参数至少包括所述待预测光伏发电系统的历史运行数据、气象数据、数值天气预报数据、电站基本配置信息数据、地理位置数据、设备物理参数数据中的一项或多项。
3.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述获取待预测光伏发电系统的预测目标，包括：
获取预测请求，按照预设分类规则，将所述预测请求划分成所述预测目标。
4.根据权利要求1所述的光伏发电功率预测方法，其特征在于，确定所述第一预设权重，包括：
将所述第一变量数据集中的所述影响变量按照权重大小依次代入变量训练模型；
获取所述变量训练模型的预测精度；
确定所述预测精度最大时的所述变量训练模型输入的影响变量中权重最小值为第一预设权重。
5.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述将所述第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个所述变量训练模型的目标分数，包括：
获取每个所述变量训练模型的预测误差衡量指标，所述预测误差衡量指标包括平均绝对误差、平均绝对值绝对误差、平均相对误差、平均绝对值相对误差、均方根误差、相对均方根误差以及标准差中的一项或多项；
将所述预测误差衡量指标进行加权，计算得到所述变量训练模型的目标得分。
6.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述根据所述目标模型的目标分数以及所述目标模型的预测值，确定出预测发电功率，包括：
根据所述目标模型的目标分数，确定每个所述目标模型的权重；
基于所述目标模型的权重以及所述目标模型的预测值，进行加权得到所述预测发电功率。
7.一种光伏发电功率预测装置，其特征在于，包括：
第一获取模块，用于获取待预测光伏发电系统的预测目标，所述预设目标包括预测空间范围、预测时间范围以及预测时间尺度中的一项或多项；
第一确定模块，用于根据所述预测目标，确定所述待预测光伏发电系统的数据参数中与所述预测目标对应的影响变量为第一变量数据集；
第一计算模块，用于计算所述第一变量数据集中的所述影响变量的权重；
第二确定模块，用于确定所述影响变量的权重大于第一预设权重的影响变量为第二变量数据集；
第二计算模块，用于将所述第二变量数据集中的影响变量输入到至少一个变量训练模型，计算出每个所述变量训练模型的目标分数，所述目标分数表征所述变量训练模型的准确程度；
第二确定模块，用于确定目标得分高于第一预设得分的所述变量训练模型为目标模型；
第三确定模块，用于根据所述目标模型的目标分数以及所述目标模型的预测值，确定出预测发电功率。
8.根据权利要求7所述的光伏发电功率预测装置，其特征在于，还包括：
第二获取模块，用于预先获取待预测光伏发电系统的数据参数，所述数据参数至少包括所述待预测光伏发电系统的历史运行数据、气象数据、数值天气预报数据、电站基本配置信息数据、地理位置数据、设备物理参数数据中的一项或多项。
9.根据权利要求7所述的光伏发电功率预测装置，其特征在于，所述第一获取模块包括：
第一获取单元，用于获取预测请求，按照预设分类规则，将所述预测请求划分成所述预测目标。
10.根据权利要求7所述的光伏发电功率预测装置，其特征在于，还包括第四确定模块，用于确定所述第一预设权重，所述第四确定模块包括：
处理单元，用于将所述第一变量数据集中的所述影响变量按照权重大小依次代入变量训练模型；
第二获取单元，用于获取所述变量训练模型的预测精度；
第一确定单元，用于确定所述预测精度最大时的所述变量训练模型输入的影响变量中权重最小值为第一预设权重。
11.根据权利要求7所述的光伏发电功率预测装置，其特征在于，所述第二计算模块包括：
第三获取单元，用于获取每个所述变量训练模型的预测误差衡量指标，所述预测误差衡量指标包括平均绝对误差、平均绝对值绝对误差、平均相对误差、平均绝对值相对误差、均方根误差、相对均方根误差以及标准差中的一项或多项；
第一计算单元，用于将所述预测误差衡量指标进行加权，计算得到所述变量训练模型的目标得分。
12.根据权利要求7所述的光伏发电功率预测装置，其特征在于，所述第三确定模块包括：
第二确定单元，用于根据所述目标模型的目标分数，确定每个所述目标模型的权重；
第二计算单元，用于基于所述目标模型的权重以及所述目标模型的预测值，进行加权得到所述预测发电功率。
13.一种光伏发电功率预测系统，其特征在于，包括如权利要求7-12中任意一项所述的光伏发电功率预测装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140569.6A CN108256693B (zh) | 2018-02-11 | 2018-02-11 | 一种光伏发电功率预测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140569.6A CN108256693B (zh) | 2018-02-11 | 2018-02-11 | 一种光伏发电功率预测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108256693A true CN108256693A (zh) | 2018-07-06 |
| CN108256693B CN108256693B (zh) | 2024-02-13 |
Family
ID=62745023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810140569.6A Active CN108256693B (zh) | 2018-02-11 | 2018-02-11 | 一种光伏发电功率预测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108256693B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492709A (zh) * | 2018-12-06 | 2019-03-19 | 新奥数能科技有限公司 | 基于混合模型的数据预测方法及装置 |
| CN110162995A (zh) * | 2019-04-22 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 评估数据贡献程度的方法及其装置 |
| CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
| CN114882961A (zh) * | 2022-06-09 | 2022-08-09 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102588211A (zh) * | 2012-02-29 | 2012-07-18 | 沈阳华人风电科技有限公司 | 一种风力发电机组全工况模型预测控制方法及系统 |
| CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
| CN103699944A (zh) * | 2013-12-31 | 2014-04-02 | 国电南京自动化股份有限公司 | 一种多预测模式的风电光伏发电功率预测系统 |
| CN105512775A (zh) * | 2016-02-01 | 2016-04-20 | 北京交通大学 | 一种光伏发电系统的功率预测方法 |
| CN105760961A (zh) * | 2016-03-08 | 2016-07-13 | 广州供电局有限公司 | 光伏输出功率预测方法和系统 |
| CN106228278A (zh) * | 2016-08-19 | 2016-12-14 | 长园深瑞继保自动化有限公司 | 光伏功率预测系统 |
| US20170161622A1 (en) * | 2015-12-07 | 2017-06-08 | Industrial Technology Research Institute | System and method for predicting remaining useful life of component of equipment |
| CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
-
2018
- 2018-02-11 CN CN201810140569.6A patent/CN108256693B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102588211A (zh) * | 2012-02-29 | 2012-07-18 | 沈阳华人风电科技有限公司 | 一种风力发电机组全工况模型预测控制方法及系统 |
| CN103023065A (zh) * | 2012-11-20 | 2013-04-03 | 广东工业大学 | 一种基于相对误差熵值法的风电短期功率预测方法 |
| CN103699944A (zh) * | 2013-12-31 | 2014-04-02 | 国电南京自动化股份有限公司 | 一种多预测模式的风电光伏发电功率预测系统 |
| US20170161622A1 (en) * | 2015-12-07 | 2017-06-08 | Industrial Technology Research Institute | System and method for predicting remaining useful life of component of equipment |
| CN105512775A (zh) * | 2016-02-01 | 2016-04-20 | 北京交通大学 | 一种光伏发电系统的功率预测方法 |
| CN105760961A (zh) * | 2016-03-08 | 2016-07-13 | 广州供电局有限公司 | 光伏输出功率预测方法和系统 |
| CN106228278A (zh) * | 2016-08-19 | 2016-12-14 | 长园深瑞继保自动化有限公司 | 光伏功率预测系统 |
| CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492709A (zh) * | 2018-12-06 | 2019-03-19 | 新奥数能科技有限公司 | 基于混合模型的数据预测方法及装置 |
| CN110162995A (zh) * | 2019-04-22 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 评估数据贡献程度的方法及其装置 |
| CN110162995B (zh) * | 2019-04-22 | 2023-01-10 | 创新先进技术有限公司 | 评估数据贡献程度的方法及其装置 |
| CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
| CN114882961A (zh) * | 2022-06-09 | 2022-08-09 | 佛山众陶联供应链服务有限公司 | 基于原料权重作为模型参数选择条件的烧成曲线预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108256693B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
| Wan et al. | Optimal prediction intervals of wind power generation | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
| CN106529704A (zh) | 月最大电力负荷预测方法及装置 | |
| CN110222897A (zh) | 一种配电网可靠性分析方法 | |
| CN107437135B (zh) | 一种新型储能选型方法 | |
| CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN111967684B (zh) | 一种基于大数据分析的计量资产主动配送方法 | |
| CN109523077B (zh) | 一种风电功率预测方法 | |
| Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
| CN117878979B (zh) | 基于电储能的功率平衡及动态补偿系统 | |
| CN112035552A (zh) | 一种基于关联规则的电压暂降严重程度预测方法及装置 | |
| CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
| CN112070354A (zh) | 电网设备运行效率评估方法 | |
| CN111239516A (zh) | 一种互感器寿命预测方法及装置 | |
| CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| CN110400233A (zh) | 一种基于神经网络的配电网损失电量计算方法及装置 | |
| CN115907307A (zh) | 面向电网实时数据交互的电力系统碳排放流在线分析方法 | |
| Mundotiya et al. | Comprehensive Review on Uncertainty in Wind Power Forecasting-Models and Challenges | |
| CN112801373A (zh) | 一种基于大数据分析的水情测报信息系统 | |
| CN118170976B (zh) | 基于电力企业用户画像的智能推荐方法及系统 |
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 |