CN109615131A - 光伏功率预测方法和装置 - Google Patents
光伏功率预测方法和装置 Download PDFInfo
- Publication number
- CN109615131A CN109615131A CN201811495348.7A CN201811495348A CN109615131A CN 109615131 A CN109615131 A CN 109615131A CN 201811495348 A CN201811495348 A CN 201811495348A CN 109615131 A CN109615131 A CN 109615131A
- Authority
- CN
- China
- Prior art keywords
- day
- predicted
- prediction
- weather
- irradiation level
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明实施例提供一种光伏功率预测方法和装置。其中,光伏功率预测方法包括:根据待预测日的最大预测辐照度,获取待预测日的气象类型;将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。本发明实施例提供的光伏功率预测方法和装置,通过确定待预测日的气象类型,并将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率,能针对不同的气象类型采用不同的模型预测光伏功率,能提高预测的准确率。
Description
技术领域
本发明实施例涉及光伏发电技术领域,尤其涉及一种光伏功率预测方法和装置。
背景技术
随着光伏大规模接入电网,其带来的时变性、波动性、随机性将对电网的安全稳定运行带来巨大的冲击,很大程度增加了电网调度的调配难度。光伏功率预测技术是提高光伏并网质量、优化电网调度计划、推进电网安全稳定运行的基础技术,对于保障电网的安全稳定运行具有重要意义。因此,进行光伏功率预测具有十分重要的现实意义。
目前光伏功率预测主要采用基于预测模型进行预测的方法。预测模型主要包括物理模型、神经网络模型、时间序列模型、概率预测模型等。由于光伏功率受天气的影响较大,光伏功率预测多采用基于数值天气预报(numerical weather prediction,简称NWP)功率预测模型。现有的基于NWP的功率预测模型,仅仅只是根据数值天气预报数据进行功率预测,且模型具有单一性,光伏功率预测准确率较低。
发明内容
针对现有技术存在的问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的光伏功率预测方法和装置。
第一方面,本发明实施例提供一种光伏功率预测方法,用于预测光伏电场的输出功率,包括:
根据待预测日的最大预测辐照度,获取待预测日的气象类型;
将待预测日的天气预报数据输入所述待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
第二方面,本发明实施例提供一种光伏功率预测装置,包括:
气象类型确定模块,用于根据待预测日的最大预测辐照度,获取待预测日的气象类型;
输出功率预测模块,用于将待预测日的天气预报数据输入所述待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
第三方面,本发明实施例提供一种电子设备,用于预测光伏电场的输出功率,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的光伏功率预测方法。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的光伏功率预测方法。
本发明实施例提供的光伏功率预测方法和装置,通过确定待预测日的气象类型,并将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率,能针对不同的气象类型采用不同的模型预测光伏功率,能提高预测的准确率。
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提供的光伏功率预测方法的流程示意图;
图2为根据本发明实施例提供的光伏功率预测装置的功能框图;
图3为根据本发明实施例提供的电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、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,对本发明实施例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。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。
为了克服现有技术的上述问题,本发明实施例提供一种光伏功率预测方法和装置,其发明构思是,通过分析光伏电场季节性纵向分析,结合数值天气预报数据,将气象类型分为不同类型,并针对不同气象类型分别建立光伏功率预测模型;当需要进行待预测日的输出功率预测时,确定待预测日的数气象类型并改用该气象类型的光伏功率预测模型进行输出功率预测。
需要说明的是,对光伏电场的输出功率的预测可分为中长期、短期和超短期预测。本发明各实施例提供的光伏功率预测方法的装置,适用于短期预测。
图1为根据本发明实施例提供的光伏功率预测方法的流程示意图。如图1所示,一种光伏功率预测方法用于预测光伏电场的输出功率,包括:步骤S101、根据待预测日的最大预测辐照度,获取待预测日的气象类型。
具体地,获取待预测日的数值天气预报数据中的最大预测辐照度。
需要说明的是,本发明各实施例中的辐照度,为太阳辐照度。太阳辐照度是指太阳辐射经过大气层的吸收、散射、反射等作用后到达固体地球表面上单位面积单位时间内的辐射能量。其单位为:瓦特/平方米。
光伏发电主要受太阳辐照度的影响,不同气象类型的太阳辐照度差异较大,因而光伏电场输出功率的预测与气象类型有关。
对于晴天、阴天、多云、雨天、雪天等不同的气象类型,太阳对地面的辐射程度不同,相应的太阳辐照度不同。因此,可以根据每日的最大辐照度,确定当日的气象类型。对于待预测日,可以根据待预测日的最大预测辐照度,获取待预测日的气象类型。
可以理解的是,可以将辐照度变化规律相似的气象类型作为一个气象类型进行处理。
步骤S102、将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
可以理解的是,气象类型有多个,不同气象类型时,辐照度的变化规律不同,因而辐照度对输出功率的影响规律不同,例如,晴天和阴天,辐照度的变化规律较大,因而辐照度对输出功率的影响规律相差较大。因此,需要针对不同气象类型,建立不同的功率预测模型。
功率预测模型的个数可以为多个。多个功率预测模型分别对应不同的气象类型。获得待预测日的气象类型之后,可以确定该气象类型对应的功率预测模型,并将待预测日的天气预报数据输入该功率预测模型,获得模型输出的光伏电场待预测日的预测输出功率。预测输出功率,指输出功率的预测值。
例如,功率预测模型可以包括晴天对应的功率预测模型、阴天对应的功率预测模型、多云对应的功率预测模型、雨天对应的功率预测模型和雪天对应的功率预测模型;若待预测日的气象类型为晴天,则将待预测日的天气预报数据输入晴天对应的功率预测模型,获得待预测日的预测输出功率。
需要说明的是,上述各气象类型对应的功率预测模型都可以根据历史天气预报数据和历史输出功率获得。
本发明实施例通过确定待预测日的气象类型,并将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率,能针对不同的气象类型采用不同的模型预测光伏功率,能提高预测的准确率。
基于上述各实施例的内容,步骤S101、根据待预测日的最大预测辐照度,获取待预测日的气象类型的具体步骤包括:步骤S1011、根据待预测日的信息和气象类型基准曲线,获取待预测日的基准辐照度;其中,气象类型基准曲线是根据历史最大预测辐照度数据获得的。
需要说明的是,步骤S101之前,可以根据历史最大预测辐照度数据获得气象类型基准曲线。
在晴天,由于太阳日出到日落的运行,辐照度呈现出先增大后减小的趋势,通常在午后达到峰值,且一日内的变化幅度较大;而在阴天、多云、雨天或雪天,由于云层的遮挡,辐照度的变化幅度较小;因此,可以根据每日的最大预测辐照,区分不同的气象类型。
气象类型基准曲线,用于描述基准辐照度的变化趋势。基准辐照度,是辐照度的临界值,用于区分不同气象类型。由于晴天太阳辐照度的峰值较大而阴天、多云、雨天、雪天太阳辐照度的峰值较小,因此,在本发明实施例及下文的各发明实施例中,可以将阴天、多云、雨天、雪天等除了晴天以外的气象类型作为一种气象类型,称为阴天;也就是说,将气象类型分为晴天和阴天两种,基准辐照度是区分晴天与阴天的辐照度的临界值。
由于太阳辐照强度随着一年四季气候的不断变化而呈现一定的周期性,历史最大预测辐照度数据,可以包括待预测日前一个月、上几个年度同月份以及同月份的前后相邻个一个月中每日的最大预测辐照度。上几个年度,可以根据需要选取。例如。可以选取上一年度,即去年。
太阳辐照度随着一年四季气候的不断变化而呈现一定的周期性,虽然这种周期性比较明显,但是光伏发电的最大值能常年维持在一个相对较为稳定的水平。因此,同一光伏电场利用相同季节的气象特性建立光伏功率预测模型能较好的适应季节性、周期性特点。
根据历史最大预测辐照度数据,可以通过机器学习、拟合等方法获得气象类型基准曲线。将每日分别用该日在所属年中是第几日表示,因此,根据待预测日是今年第几日,确定气象类型基准曲线上待预测日对应的基准辐照度,作为待预测日的基准辐照度。
步骤S1012、若判断获知待预测日的最大预测辐照度大于待预测日的基准辐照度,则将待预测日的气象类型确定为晴天;若判断获知待预测日的最大预测辐照度小于待预测日的基准辐照度,则将待预测日的气象类型确定为阴天。
具体地,获得待预测日的基准辐照度后,将待预测日的最大预测辐照度与待预测日的基准辐照度进行比较。
若待预测日的最大预测辐照度大于待预测日的基准辐照度,说明待预测日的辐照度的峰值超过临界值,将待预测日的气象类型确定为晴天;若待预测日的最大预测辐照度小于待预测日的基准辐照度,说明待预测日的辐照度的峰值低于临界值,将待预测日的气象类型确定为阴天。
本发明实施例根据待预测日的最大预测辐照度和基准辐照度确定待预测日的气象类型,能更准确地确定待预测日的气象类型,从而能根据待预测日的气象类型对应的功率预测模型预测待预测日的输出功率,预测准确率更高。
基于上述各实施例的内容,获得气象类型基准曲线的具体步骤包括:根据多项式回归方法对历史最大预测辐照度数据进行拟合,获得用于确定每日的基准辐照度的气象类型基准曲线。
具体地,可以采用多项式回归,对历史最大预测辐照度数据进行拟合,获取气象类型基准曲线。气象类型基准曲线,用于确定每日的基准辐照度。气象类型基准曲线上的点,用于表示每日的基准辐照度。
将历史最大预测辐照度数据中的每日,分别用该日在所属年中是第几日表示并按照时间顺序排列,获得向量DS;将历史最大预测辐照度数据中每日的最大预测辐照度,用向量MFR表示。向量MFR中的元素与向量DS中的元素意义对应。
可以对向量DS和向量MFR进行多项式拟合(例如,可以采用六次多项式拟合),获取多项式系数向量MFR_B。
根据多项式系数向量MFR_B和向量DS,获取向量DS对应的向量MFR1。
根据向量MFR和向量MFR1,确定用于表示基准辐照度的向量MFR2。向量MFR2中每个元素的值,可以根据向量MFR和向量MFR1中相同位置的元素的值确定。可以为向量MFR和向量MFR1中相同位置的元素的值中较小的一个和较大的一个分别赋予权重,较小的一个的权重小于较大的一个权重。
例如,向量MFR2中的第i个元素的值MFR2(i)可以通过下面的公式计算:
MFR2(i)=min(MFR(i),MFR1(i))×p1+min(MFR(i),MFR1(i))×p2
其中,p1、p2分别表示第一权重;MFR(i)和MFR1(i)分别表示向量MFR和向量MFR1中第i个元素的值。p1可以取0.3,p2可以取0.7。
根据向量MFR2可以获得气象类型基准曲线。根据向量MFR2获得气象类型基准曲线的具体方法,本发明实施例不作具体限制。例如,可以根据多项式回归方法对向量MFR2进行拟合,获得气象类型基准曲线。
在二维直角坐标系中,横坐标表示每日在年中的序号,纵坐标表示辐照度,可以得到气象类型基准曲线。若待预测日的最大预测辐照度对应的点位于气象类型基准曲线的上方,则待预测日的气象类型为晴天;若待预测日的最大预测辐照度对应的点位于气象类型基准曲线的下方,则待预测日的气象类型为阴天。
本发明实施例根据多项式回归方法对历史最大预测辐照度数据进行拟合,获取气象类型基准曲线,能更准确地区分待预测日的气象类型,从而能根据待预测日的气象类型对应的功率预测模型预测待预测日的输出功率,预测准确率更高。
基于上述各实施例的内容,将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率的具体步骤包括:若获取的待预测日的气象类型为晴天,则将待预测日的预测辐照度输入至晴天模型,输出待预测日的预测输出功率;其中,晴天模型是根据晴天的历史预测辐照度和晴天的历史输出功率获得的。
具体地,晴天模型,指用于在待预测日的气象类型为晴天时,进行广伏功率预测。
可以理解的是,对于晴天,对光伏功率影响最大的因素就是辐照度,在步骤S101之前,先根据晴天的历史预测辐照度和晴天的历史输出功率获取晴天模型。
晴天的历史预测辐照度和晴天的历史输出功率,包括待预测日前一个月、上几个年度同月份以及同月份的前后相邻个一个月中每日的预测辐照度和实际输出功率。上几个年度,可以根据需要选取。例如。可以选取上一年度,即去年。
若待预测日的气象类型为晴天,将待预测日的预测辐照度输入至晴天模型,晴天模型输出待预测日的预测输出功率。
本发明实施例通过将晴天的预测辐照度输入至晴天模型,输出待预测日的预测输出功率,预测准确率更高。
基于上述各实施例的内容,将待预测日的预测辐照度输入至晴天模型,输出待预测日的预测输出功率的具体步骤包括:将待预测日的预测辐照度输入至晴天模型中的时序平均子模型,输出晴天第一原始预测结果;将待预测日的预测辐照度输入至晴天模型中的最小二乘子模型,输出晴天第二原始预测结果;根据晴天第一原始预测结果和晴天第二原始预测结果,输出待预测日的预测输出功率;其中,时序平均子模型是根据晴天的历史预测辐照度中的各预测时刻,对各预测时刻对应的所述晴天历史输出功率进行平均获得的;最小二乘子模型是根据最小二乘回归方法对晴天的历史预测辐照度和晴天的历史输出功率进行拟合获得的。
具体地,晴天模型可以包括多个子模型;获得各上述子模型输出的原始预测结果之后,可以对各上述子模型输出的原始预测结果进行处理,获得待预测日的预测输出功率。
根据各子模型输出的原始预测结果,获得待预测日的预测输出功率的具体方法,本发明实施例不作具体限制。
例如,可以根据预设的权重对各子模型输出的原始预测结果进行加权,将加权结果作为待预测日的预测输出功率;还可以将各子模型输出的原始预测结果的平均值作为待预测日的预测输出功率。
对于晴天,输出功率随辐照度变化的规律较为简单,优选地,可以采用两个子模型:时序平均子模型和最小二乘子模型,根据上述两个子模型输出的原始预测结果,获取待预测日的预测输出功率。
通过对光伏功率发电规律的研究可以发现,当晴天时,多数情况下上午与下午的输出功率趋势不同,而多日的相同时刻的输出功率相同。一般情况下,同样的预测辐照度下,上午比下午的输出功率普遍要高。
对于时序平均子模型,输入为待预测日的预测辐照度序列。预测辐照度序列,由一日内多个时刻的预测辐照度组成。
一日内的预测时刻用向量T=(t1,t2,…,tn)表示,则待预测日的预测辐照度序列可以用向量R=(r1,r2,…,rn)表示,待预测日的预测输出功率用向量X=(x1,x2,…,xn)表示。其中,n表示预测时刻的个数。
对于每个预测时刻ti(i=1,2,…,n),
其中,m表示晴天的历史预测辐照度序列的个数;yi1,yi2,…,yim分别表示历史输出功率序列Y1,Y2,…,Ym中预测时刻ti对应的输出功率。
将预测日的预测输出功率用向量X,作为晴天第一原始预测结果。
最小二乘子模型,是根据最小二乘回归方法对晴天的历史预测辐照度和对应的晴天的历史输出功率进行拟合,获得的。
最小二乘公式为y=a*r*r+b*r+c,通过对晴天的历史预测辐照度r和对应的晴天的历史输出功率y的拟合,确定公式中的最优系数a,b,c,获得最小二乘子模型。其中,y表示任一预测时刻的历史输出功率,r表示该预测时刻的历史预测辐照度。
将待预测日的预测辐照度序列输入最小二乘子模型,可以获得待预测日的预测输出功率序列,作为晴天第二原始预测结果。
根据晴天第一原始预测结果和晴天第二原始预测结果,可以获得待预测日的预测输出功率。
例如,可以根据预设的权重对晴天第一原始预测结果和晴天第二原始预测进行加权,或者对晴天第一原始预测结果和晴天第二原始预测结果进行平均,获得待预测日的预测输出功率。
本发明实施例根据时序平均子模型和最小二乘子模型分别输出的晴天第一原始预测结果和晴天第二原始预测结果,获得待预测日的预测输出功率,能够避免单一的模型在数值天气预报预测不准的情况下,预测功率偏高的不足,能获得更准确的预测结果。
基于上述各实施例的内容,将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率的具体步骤包括:若获取的待预测日的气象类型为阴天,则将待预测日的天气预报数据输入至阴天模型,输出待预测日的预测输出功率;其中,阴天模型是根据阴天的历史天气预报数据和阴天的历史输出功率进行训练获得的。
需要说明的是,对于阴天,输出功率随辐照度变化的规律较为复杂,不宜采用时序平均和最小二乘等简单的方法构建阴天模型,因此,可以基于机器学习的方法获得阴天模型。
可以理解的是,可以根据天的历史天气预报数据和阴天的历史输出功率对原始的机器学习模型进行训练,将训练好的机器学习模型作为阴天模型。
阴天的历史天气预报数据和阴天的历史输出功率,包括待预测日前一个月、上几个年度同月份以及同月份的前后相邻个一个月中每日的历史天气预报数据和实际输出功率。上几个年度,可以根据需要选取。例如。可以选取上一年度,即去年。天气预报数据,可以为数值天气预报数据。
若待预测日的气象类型为阴天,将待预测日的天气预报数据输入至阴天模型,阴天模型输出待预测日的预测输出功率。
本发明实施例通过将阴天的天气预报数据输入至阴天模型,输出待预测日的预测输出功率,预测准确率更高。
基于上述各实施例的内容,获得阴天模型的具体步骤包括:将每日的历史预测辐照度、历史预测湿度和历史预测辐照度的平方作为广义回归神经网络的输入,根据交叉验证方法对广义回归神经网络进行训练,根据广义回归神经网络的输出和每日的历史输出功率,调整概率分布矩阵和广义回归神经网络中的光滑因子,获得预测误差最小的广义回归神经网络作为阴天模型;其中,概率分布矩阵,用于描述每日的历史预测辐照度和历史输出功率落入各预测辐照度和输出功率区间的概率。
具体地,原始的机器学习模型可以为广义回归神经网络(general regressionneural network,简称GRNN)。
广义回归神经网络由输入层、隐含层和输出层构成的,具有一个径向基层网络和一个特殊的线性网络层。GRNN建立在非参数回归的基础上,以样本数据为后验条件,执行Parzen非参数估计,依据最大概率原则计算网络输出。相对于BP模型,GRNN模型的优点是模型结构简单,需要调整的参数少,预测速度快,并且避免了繁琐、冗长的数学计算。GRNN收敛于样本量积聚较多的优化回归面,并且在样本数据较少时,具有良好的非线性逼近性能,预测效果较好。
GRNN包括输入层、模式层、求和层、输出层。
本发明实施例中,输入层的输入为每日的历史预测辐照度、历史预测湿度和历史预测辐照度的平方。每日的天气预报数据至少包括历史预测辐照度和历史预测湿度。
GRNN是利用概率密度函数来进行预测,光滑因子是GRNN中的重要参数,如何得到最优的光滑因子是GRNN网络的关键。本发明实施例通过设定初始概率分布矩阵,将光滑因子的值设为以0.1为步长取0.1到1.0之间的值。
可以通过概率分布矩阵,表示概率密度函数。可以统计每日的历史预测辐照度和历史输出功率的概率分布函数。
具体地,可以将历史预测辐照度除以50后四舍五入作为横向分割单元,将历史输出功率乘以0.1再除以装机容量后四舍五入获得的整数作为纵向分割单元,统计每日的历史预测辐照度和历史输出功率落入各预测辐照度和输出功率区间的概率,获得原始概率分布矩阵。
可以根据交叉验证(Cross validation,简称CV)方法对广义回归神经网络进行训练,例如可以采用k折交叉验证(K-CV)方法。k折交叉验证方法中,k可以等于3但不限于此。本发明实施例对k的具体取值不作限制。
将阴天历史天气预报数据和阴天的历史输出功率作为训练样本,对于每个训练样本,将该训练样本对应的GRNN输出结果与该训练样本中的历史输出功率之差的归一化结果,获取预测绝对误差。
GRNN输出结果为PF,对应的历史输出功率为PR,预测绝对误差E的计算公式为
E=|PR-PF|/maxPowernorm
其中,maxPowernorm是历史输出功率的归一化最大值。
第i个光滑因子对应的误差ErrorRes(i)为:
其中,W(k)表示第k个样本数据对应的概率分布矩阵中的元素值,E(k)表示第k个样本数据对应的预测绝对误差。
每次训练后,调整概率分布矩阵和光滑因子,并计算光滑因子对应的误差。将光滑因子对应的误差最小时的GRNN作为训练结果。
由于采用k-CV方法进行训练,需要进行k次运行,可以根据预测绝对误差获得每次运行的系数,并根据每次运行的输出结果乘以对应的每次运行的系数后求和,获得预测输出功率。
可以理解的是,预测时,将待预测日的预测辐照度、预测湿度和预测辐照度的平方输入阴天模型,阴天模型输出待预测日的预测输出功率。
可以理解的是,用于阴天的辐照度变化幅度较小,可以采用某一预测时刻的预测辐照度或者各预测时刻的预测辐照度的平均值作为待预测日的预测辐照度。待预测日的预测湿度的获取也可采用类似待预测日的预测辐照度的获取方法,此处不再赘述。
本发明实施例根据交叉验证方法对广义回归神经网络进行训练获得阴天模型,能获得更准确的阴天输出功率的预测结果。进一步地,模型的训练时间更短、预测速度更快。
图2为根据本发明实施例提供的光伏功率预测装置的功能框图。基于上述各实施例的内容,如图2所示,该光伏功率预测装置用于预测光伏电场的输出功率,包括气象类型确定模块201和输出功率预测模块202,其中:
气象类型确定模块201,用于根据待预测日的最大预测辐照度,获取待预测日的气象类型;
输出功率预测模块202,用于将待预测日的天气预报数据输入所述待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
具体地,气象类型确定模块201获取待预测日的数值天气预报数据中的预测辐照度,并根据待预测日的预测辐照度中的最大预测辐照度,获取待预测日的气象类型。
输出功率预测模块202根据气象类型确定模块201获取的待预测日的气象类型,将将待预测日的天气预报数据输入该气象类型对应的功率预测模型,获取待预测日的预测输出功率。
本发明实施例提供的光伏功率预测装置,用于执行本发明实施例提供的光伏功率预测方法,该光伏功率预测装置包括的模块实现相应功能的具体方法和流程详见上述光伏功率预测方法的实施例,此处不再赘述。
该光伏功率预测装置用于前述各实施例的光伏功率预测方法。因此,在前述各实施例中的光伏功率预测方法中的描述和定义,可以用于本发明实施例中各执行模块的理解。
本发明实施例通过确定待预测日的气象类型,并将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率,能针对不同的气象类型采用不同的模型预测光伏功率,能提高预测的准确率。
图3为根据本发明实施例提供的电子设备的结构框图。基于上述实施例的内容,如图3所示,该电子设备可以包括:处理器(processor)301、存储器(memory)302和总线303;其中,处理器301和存储器302通过总线303完成相互间的通信;处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令,以执行上述各方法实施例所提供的方法,例如包括:根据待预测日的最大预测辐照度,获取待预测日的气象类型;将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
本发明另一实施例公开一种计算机程序产品,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,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:根据待预测日的最大预测辐照度,获取待预测日的气象类型;将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
此外,上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明另一实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:根据待预测日的最大预测辐照度,获取待预测日的气象类型;将待预测日的天气预报数据输入待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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。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)执行上述各个实施例或者实施例的某些部分的方法。
最后应说明的是: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 (10)
1.一种光伏功率预测方法,用于预测光伏电场的输出功率,其特征在于,包括:
根据待预测日的最大预测辐照度,获取待预测日的气象类型;
将待预测日的天气预报数据输入所述待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
2.根据权利要求1所述的光伏功率预测方法,其特征在于,所述根据待预测日的最大预测辐照度,获取待预测日的气象类型的具体步骤包括:
根据待预测日的信息和气象类型基准曲线,获取待预测日的基准辐照度;
若判断获知所述待预测日的最大预测辐照度大于所述待预测日的基准辐照度,则将待预测日的气象类型确定为晴天;
若判断获知所述待预测日的最大预测辐照度小于所述待预测日的基准辐照度,则将待预测日的气象类型确定为阴天;
其中,所述气象类型基准曲线是根据历史最大预测辐照度数据获得的。
3.根据权利要求2所述的光伏功率预测方法,其特征在于,获得所述气象类型基准曲线的具体步骤包括:
根据多项式回归方法对所述历史最大预测辐照度数据进行拟合,获得用于确定每日的基准辐照度的所述气象类型基准曲线。
4.根据权利要求2或3所述的光伏功率预测方法,其特征在于,所述将待预测日的天气预报数据输入所述待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率的具体步骤包括:
若获取的所述待预测日的气象类型为晴天,则将待预测日的预测辐照度输入至晴天模型,输出待预测日的预测输出功率;
其中,所述晴天模型是根据晴天的历史预测辐照度和晴天的历史输出功率获得的。
5.根据权利要求4所述的光伏功率预测方法,其特征在于,所述将待预测日的预测辐照度输入至晴天模型,输出待预测日的预测输出功率的具体步骤包括:
将待预测日的预测辐照度输入至晴天模型中的时序平均子模型,输出晴天第一原始预测结果;
将待预测日的预测辐照度输入至晴天模型中的最小二乘子模型,输出晴天第二原始预测结果;
根据所述晴天第一原始预测结果和所述晴天第二原始预测结果,输出待预测日的预测输出功率;
其中,所述时序平均子模型是根据所述晴天的历史预测辐照度中的各预测时刻,对各预测时刻对应的所述晴天历史输出功率进行平均获得的;所述最小二乘子模型是根据最小二乘回归方法对所述晴天的历史预测辐照度和晴天的历史输出功率进行拟合获得的。
6.根据权利要求2或3所述的光伏功率预测方法,其特征在于,所述将待预测日的天气预报数据输入所述待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率的具体步骤包括:
若获取的所述待预测日的气象类型为阴天,则将待预测日的天气预报数据输入至阴天模型,输出待预测日的预测输出功率;
其中,所述阴天模型是根据阴天的历史天气预报数据和阴天的历史输出功率进行训练获得的。
7.根据权利要求6所述的光伏功率预测方法,其特征在于,获得所述阴天模型的具体步骤包括:
将每日的历史预测辐照度、历史预测湿度和历史预测辐照度的平方作为广义回归神经网络的输入,根据交叉验证方法对广义回归神经网络进行训练,根据广义回归神经网络的输出和每日的历史输出功率,调整概率分布矩阵和广义回归神经网络中的光滑因子,获得预测误差最小的广义回归神经网络作为所述阴天模型;
其中,所述概率分布矩阵,用于描述每日的历史预测辐照度和历史输出功率落入各预测辐照度和输出功率区间的概率。
8.一种光伏功率预测装置,用于预测光伏电场的输出功率,其特征在于,包括:
气象类型确定模块,用于根据待预测日的最大预测辐照度,获取待预测日的气象类型;
输出功率预测模块,用于将待预测日的天气预报数据输入所述待预测日的气象类型对应的功率预测模型,获取待预测日的预测输出功率。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一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指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811495348.7A CN109615131A (zh) | 2018-12-07 | 2018-12-07 | 光伏功率预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811495348.7A CN109615131A (zh) | 2018-12-07 | 2018-12-07 | 光伏功率预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615131A true CN109615131A (zh) | 2019-04-12 |
Family
ID=66007638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811495348.7A Pending CN109615131A (zh) | 2018-12-07 | 2018-12-07 | 光伏功率预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615131A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN110598956A (zh) * | 2019-09-29 | 2019-12-20 | 国核电力规划设计研究院有限公司 | 一种光伏电站的发电功率预测方法及装置 |
CN110717634A (zh) * | 2019-10-23 | 2020-01-21 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
CN112116127A (zh) * | 2020-08-20 | 2020-12-22 | 中国农业大学 | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
CN112926653A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
CN112925824A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 针对极端天气类型的光伏功率预测方法及系统 |
CN113379005A (zh) * | 2021-08-12 | 2021-09-10 | 新风光电子科技股份有限公司 | 一种电网电力设备能源智能管理系统及方法 |
CN113408785A (zh) * | 2021-05-20 | 2021-09-17 | 上海晨翘智能科技有限公司 | 光功率的预测方法、装置、设备及存储介质 |
WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN113988491A (zh) * | 2021-12-29 | 2022-01-28 | 北京东润环能科技股份有限公司 | 光伏短期功率预测方法、装置、电子设备及存储介质 |
CN114611799A (zh) * | 2022-03-15 | 2022-06-10 | 南方电网数字电网研究院有限公司 | 发电功率预测方法、装置、设备、存储介质和程序产品 |
CN116109007A (zh) * | 2023-03-23 | 2023-05-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电功率确定方法、服务器及存储介质 |
CN117175657A (zh) * | 2023-09-04 | 2023-12-05 | 广东永光新能源设计咨询有限公司 | 光伏储能系统的容量配置方法、装置、介质及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
CN103530819A (zh) * | 2013-10-18 | 2014-01-22 | 国家电网公司 | 并网型光伏电站发电系统的输出功率的测定方法及设备 |
CN105447509A (zh) * | 2015-11-10 | 2016-03-30 | 天津大学 | 一种光伏发电系统的短期功率预测方法 |
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN106779223A (zh) * | 2016-12-21 | 2017-05-31 | 创维互联(北京)新能源科技有限公司 | 一种光伏系统发电功率实时预测方法及装置 |
CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
CN107491833A (zh) * | 2017-07-21 | 2017-12-19 | 清华大学 | 一种光伏发电功率预测的方法和装置 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
-
2018
- 2018-12-07 CN CN201811495348.7A patent/CN109615131A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218673A (zh) * | 2013-03-27 | 2013-07-24 | 河海大学 | 基于bp神经网络的光伏发电短期出力预测方法 |
CN103530819A (zh) * | 2013-10-18 | 2014-01-22 | 国家电网公司 | 并网型光伏电站发电系统的输出功率的测定方法及设备 |
CN105447509A (zh) * | 2015-11-10 | 2016-03-30 | 天津大学 | 一种光伏发电系统的短期功率预测方法 |
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN106779223A (zh) * | 2016-12-21 | 2017-05-31 | 创维互联(北京)新能源科技有限公司 | 一种光伏系统发电功率实时预测方法及装置 |
CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
CN107491833A (zh) * | 2017-07-21 | 2017-12-19 | 清华大学 | 一种光伏发电功率预测的方法和装置 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN110598335B (zh) * | 2019-09-17 | 2023-08-11 | 阳光慧碳科技有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
CN110598956B (zh) * | 2019-09-29 | 2022-02-18 | 国核电力规划设计研究院有限公司 | 一种光伏电站的发电功率预测方法及装置 |
CN110598956A (zh) * | 2019-09-29 | 2019-12-20 | 国核电力规划设计研究院有限公司 | 一种光伏电站的发电功率预测方法及装置 |
CN110717634A (zh) * | 2019-10-23 | 2020-01-21 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
CN110717634B (zh) * | 2019-10-23 | 2023-04-14 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN112116127A (zh) * | 2020-08-20 | 2020-12-22 | 中国农业大学 | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
CN112116127B (zh) * | 2020-08-20 | 2024-04-02 | 中国农业大学 | 一种基于气象过程与功率波动关联的光伏功率预测方法 |
CN112925824A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 针对极端天气类型的光伏功率预测方法及系统 |
CN112926653B (zh) * | 2021-02-25 | 2022-08-26 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
CN112926653A (zh) * | 2021-02-25 | 2021-06-08 | 山东大学 | 基于小时级天气类型校正的光伏功率短期预测方法及系统 |
CN113408785B (zh) * | 2021-05-20 | 2023-04-07 | 上海晨翘智能科技有限公司 | 光功率的预测方法、装置、设备及存储介质 |
CN113408785A (zh) * | 2021-05-20 | 2021-09-17 | 上海晨翘智能科技有限公司 | 光功率的预测方法、装置、设备及存储介质 |
CN113379005A (zh) * | 2021-08-12 | 2021-09-10 | 新风光电子科技股份有限公司 | 一种电网电力设备能源智能管理系统及方法 |
CN113988491A (zh) * | 2021-12-29 | 2022-01-28 | 北京东润环能科技股份有限公司 | 光伏短期功率预测方法、装置、电子设备及存储介质 |
CN114611799A (zh) * | 2022-03-15 | 2022-06-10 | 南方电网数字电网研究院有限公司 | 发电功率预测方法、装置、设备、存储介质和程序产品 |
CN114611799B (zh) * | 2022-03-15 | 2023-09-19 | 南方电网数字电网研究院有限公司 | 基于监督学习的时序神经网络新能源出力多步预测方法 |
CN116109007A (zh) * | 2023-03-23 | 2023-05-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电功率确定方法、服务器及存储介质 |
CN117175657A (zh) * | 2023-09-04 | 2023-12-05 | 广东永光新能源设计咨询有限公司 | 光伏储能系统的容量配置方法、装置、介质及设备 |
CN117175657B (zh) * | 2023-09-04 | 2024-02-06 | 广东永光新能源设计咨询有限公司 | 光伏储能系统的容量配置方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615131A (zh) | 光伏功率预测方法和装置 | |
Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
CN109462231B (zh) | 居民微电网的负荷优化调度方法、系统和存储介质 | |
CN103679263B (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
CN103996082B (zh) | 一种基于双重随机理论的太阳辐射强度预测方法 | |
CN104836256B (zh) | 一种配电网光伏消纳能力计算的方法及系统 | |
Succetti et al. | Deep neural networks for multivariate prediction of photovoltaic power time series | |
EP3576029A1 (en) | Method and device for determining energy system operating scenarios | |
CN109345046A (zh) | 光伏功率的预测方法及装置 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
CN108090563A (zh) | 一种基于bp神经网络的电能量预测方法 | |
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
CN108038568A (zh) | 一种基于粒子群算法的变权组合电力负荷短期预测方法 | |
Gensler et al. | An analog ensemble-based similarity search technique for solar power forecasting | |
WO2017049428A1 (zh) | 一种基于备用对象代价性能比的旋转备用容量优化方法 | |
CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 | |
CN112215478A (zh) | 光储电站的功率协调控制方法和装置、存储介质 | |
CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
Sulaiman et al. | Real and reactive power flow allocation in deregulated power system utilizing genetic-support vector machine technique | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN109190749A (zh) | 一种用于智能电表寿命的预测方法及装置 | |
Wang et al. | Prediction intervals for short-term photovoltaic generation forecasts | |
CN112508734B (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 |
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 |
Application publication date: 20190412 |
|
RJ01 | Rejection of invention patent application after publication |