CN110598956A - 一种光伏电站的发电功率预测方法及装置 - Google Patents

一种光伏电站的发电功率预测方法及装置 Download PDF

Info

Publication number
CN110598956A
CN110598956A CN201910931264.1A CN201910931264A CN110598956A CN 110598956 A CN110598956 A CN 110598956A CN 201910931264 A CN201910931264 A CN 201910931264A CN 110598956 A CN110598956 A CN 110598956A
Authority
CN
China
Prior art keywords
power
weather parameter
target
model
weather
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
Application number
CN201910931264.1A
Other languages
English (en)
Other versions
CN110598956B (zh
Inventor
郑亚锋
魏振华
王春雨
高宇峰
胡荣远
谢丽萍
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.)
State Nuclear Electric Power Planning Design and Research Institute Co Ltd
Original Assignee
State Nuclear Electric Power Planning Design and Research Institute Co Ltd
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 State Nuclear Electric Power Planning Design and Research Institute Co Ltd filed Critical State Nuclear Electric Power Planning Design and Research Institute Co Ltd
Priority to CN201910931264.1A priority Critical patent/CN110598956B/zh
Publication of CN110598956A publication Critical patent/CN110598956A/zh
Application granted granted Critical
Publication of CN110598956B publication Critical patent/CN110598956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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—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

  • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开实施例提供了一种光伏电站的功率预测方法，该方法包括：根据获取的所述天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；当日平均天气参数值满足所述第一阈值条件时，则确定对应的功率预测模型为第一目标模型；当所述日平均天气参数值不满足所述第一阈值条件时，判断日平均天气参数是否满足第二阈值条件；当日平均天气参数值满足所述第二阈值条件时，则确定对应的功率预测模型为第二目标模型；当日平均天气参数值不满足所述第二阈值条件时，则确定对应的功率预测模型为第三目标模型；根据天气参数值和对应的功率预测模型确定所述光伏电站的目标发电功率。本发明实施例中，提高了对光伏电站的发电功率预测的准确性。

Description

一种光伏电站的发电功率预测方法及装置
技术领域
本公开涉及光伏发电技术领域，特别涉及一种光伏电站的功率预测方法及装置。
背景技术
光伏发电是利用太阳能发电的一种方式。大量光伏发电系统接入电网，会对电网的稳定安全带来严峻挑战，为了保证电网安全经济运行，需要对光伏电站的发电功率进行精准预测。
现有技术中，将天气参数值输入到单一的预测模型中，对光伏电站的发电功率进行预测。
发明人发现相关技术中至少存在以下问题：
将天气参数值输入到单一的预测模型中进行发电功率的预测，而并不能根据天气参数值选择其对应的预测模型，导致光伏电站的发电功率的预测准确性低。
发明内容
本公开实施例提供了一种光伏电站的发电功率预测方法及装置，可以提高对光伏电站的发电功率进行预测的准确性。所述技术方案如下：
本公开实施例提供了一种光伏电站的功率预测方法，所述方法包括：
获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值；
根据获取的所述天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；
判断所述日平均天气参数值是否满足第一阈值条件，所述第一阈值条件为所述天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；
当所述日平均天气参数值满足所述第一阈值条件时，则确定对应的功率预测模型为第一目标模型；
当所述日平均天气参数值不满足所述第一阈值条件时，判断所述日平均天气参数是否满足第二阈值条件，所述第二阈值条件为所述天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；
当所述日平均天气参数值满足所述第二阈值条件时，则确定对应的功率预测模型为第二目标模型；
当所述日平均天气参数值不满足所述第二阈值条件时，则确定对应的功率预测模型为第三目标模型；
根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率。
可选的，所述天气参数包括：环境温度和风速，当所述对应的功率预测模型为所述第三目标模型时，所述根据所述多个天气参数对应的天气参数值和所述对应的功率预测模型确定光伏电站的目标发电功率，包括：
根据第一公式得到所述光伏电站的目标发电功率，其中，所述第一公式为：
其中，Pout(t)为目标发电功率，Pmax为光伏电站额定装机功率，ηi为逆变器相对效率因子，IB为太阳常数，IZ(t)为光伏电站所在地太阳辐照强度，η(t)为光伏电站光伏阵列相对效率因子，t为当前时刻；并且所述光伏电站光伏阵列相对效率因子η(t)通过第二公式得到，所述第二公式为：
其中，Tforecast(t)为环境温度，ε为模块温度系数，ws(t)为风速，并且所述光伏电站所在地太阳辐照强度IZ(t)通过第三公式得到，所述第三公式为：
IZ(t)＝ID(t)+IM(t)+IF(t)
其中，IZ(t)为光伏电站所在地太阳辐照强度，ID(t)为直射辐照度分量，IM(t)为散射辐照度分量，IF(t)为反射辐照度分量；
散射辐照度IM(t)的计算公式为：
反射辐照度IF(t)的计算公式为：
直射辐照度ID(t)的计算公式为：
ID(t)＝Ae-km cosγ
其中，ω＝15×(ST-12)，cosγ＝cosh cos(φs-φc)sinθ+sinh cosθ， m为大气质量，h为太阳高度角，ST为真太阳时，为当地纬度，δ为赤纬角,ω为太阳时角，θ为光伏电板阵列的倾斜角，φs为太阳方位角，φc为电池板安装角度，n为积日，ρ为自然地面对太阳辐射的反射率。
可选的，所述第二目标模型的建立方式包括：
获取所述多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及其对应的实际发电功率；
将获取的所述历史天气参数值作为所述天气参数值，将所述第三目标模型作为所述对应的功率预测模型，从而以根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率的方式得到第一发电功率；
根据所述历史天气参数值及其对应的实际发电功率和所述第一发电功率对第一初始模型进行训练，得到所述第二目标模型。
可选的，当对应的功率预测模型为所述第一目标模型时，所述根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率，包括：
将所述天气参数值分别输入到预设的第二初始模型、预设的第三初始模型和预设的第四初始模型中，得到所述预设的第二初始模型对应的第二发电功率、所述预设的第三初始模型对应的第三发电功率和所述预设的第四初始模型对应的第四发电功率，所述预设的第二初始模型、所述预设的第三初始模型和所述预设的第四初始模型是根据历史天气参数值及其对应的实际发电功率训练得到的不同类型的网络模型；
将所述第二发电功率、所述第三发电功率和所述第四发电功率输入到第二公式中，得到所述目标发电功率，所述第四公式为：
其中，Pout为目标发电功率，fi(t)为当前时刻的每个初始模型的发电功率，n为选用的初始模型的个数，i为正整数。
可选的，所述第二目标参数对应的所述预设的第二目标数值通过下列方式得到：
获取所述多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及对应的实际发电功率；
将多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到所述第二目标模型和所述第三目标模型中，分别得到该天中的每个时刻对应的所述第五发电功率和第六发电功率；
根据每天中每个时刻对应的第五发电功率和第六发电功率以及对应的实际发电功率，确定该天对应的第一预测模型为所述第三目标模型还是所述第二目标模型；
计算该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
根据所述日平均历史天气参数值与所述第一预测模型的对应关系，得到所述第二目标参数及所述第二目标数值。
可选的，所述第一目标参数对应的所述预设的第一目标数值通过下列方式得到：
将所述多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到第一目标模型中，分别得到该天中的每个时刻对应的第七发电功率；
根据所述多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值和该天对应的第一预测模型中，得到该天中的每个时刻对应的第八发电功率；
根据每天中每个时刻对应的第七发电功率和所述第八发电功率以及所述历史天气参数值对应的实际发电功率，确定该天对应的第二预测模型为所述第一目标模型还是所述第一预测模型；
获取该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
根据所述多个天气参数中每个天气参数对应的历史天气参数值的日平均历史天气参数值与所述第二预测模型的对应关系，得到所述第一目标参数及所述第一目标数值。
本公开实施例提供了一种光伏电站的功率预测装置，所述装置包括：
获取模块，用于获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值；
第一确定模块，用于根据获取的所述天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；
第一判断模块，用于判断所述日平均天气参数值是否满足第一阈值条件，所述第一阈值条件为所述天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；
第二确定模块，用于当所述日平均天气参数值满足所述第一阈值条件时，则确定对应的功率预测模型为第一目标模型；
第二判断模块，用于当所述日平均天气参数值不满足所述第一阈值条件时，判断所述日平均天气参数是否满足第二阈值条件，所述第二阈值条件为所述天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；
第三确定模块，用于当所述日平均天气参数值满足所述第二阈值条件时，则确定对应的功率预测模型为第二目标模型；
第四确定模块，用于当所述日平均天气参数值不满足所述第二阈值条件时，则确定对应的功率预测模型为第三目标模型；
第五确定模块，用于根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率。
第五确定模块，用于根据天气参数值和对应的功率预测模型确定光伏电站的目标发电功率。
可选的，天气参数包括：环境温度和风速，当对应的功率预测模型为第三目标模型时，第五确定模块还用于：
根据第一公式得到光伏电站的目标发电功率，其中，第一公式为：
其中，Pout(t)为目标发电功率，Pmax为光伏电站额定装机功率，ηi为逆变器相对效率因子，IB为太阳常数，IZ(t)为光伏电站所在地太阳辐照强度，η(t)为光伏电站光伏阵列相对效率因子，t为当前时刻；并且光伏电站光伏阵列相对效率因子η(t)通过第二公式得到，第二公式为：
其中，Tforecast(t)为环境温度，ε为模块温度系数，ws(t)为风速，并且光伏电站所在地太阳辐照强度IZ(t)通过第三公式得到，第三公式为：
IZ(t)＝ID(t)+IM(t)+IF(t)
其中，IZ(t)为光伏电站所在地太阳辐照强度，ID(t)为直射辐照度分量，IM(t)为散射辐照度分量，IF(t)为反射辐照度分量；
散射辐照度IM(t)的计算公式为：
反射辐照度IF(t)的计算公式为：
直射辐照度ID(t)的计算公式为：
ID(t)＝Ae-km cosγ
其中，ω＝15×(ST-12)，cosγ＝cosh cos(φs-φc)sinθ+sinh cosθ， m为大气质量，h为太阳高度角，ST为真太阳时，为当地纬度，δ为赤纬角,ω为太阳时角，θ为光伏电板阵列的倾斜角，φs为太阳方位角，φc为电池板安装角度，n为积日，ρ为自然地面对太阳辐射的反射率。
可选的，装置还包括：第一建立模块，第一建立模块用于：
获取多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及其对应的实际发电功率；
将获取的历史天气参数值作为天气参数值，将所述第三目标模型作为所述对应的功率预测模型，从而以根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率的方式得到第一发电功率；
根据历史天气参数值及其对应的实际发电功率和第一发电功率对第一初始模型进行训练，得到第二目标模型。
可选的，所述第五确定模块还用于：
将所述天气参数值分别输入到预设的第二初始模型、预设的第三初始模型和预设的第四初始模型中，得到所述预设的第二初始模型对应的第二发电功率、所述预设的第三初始模型对应的第三发电功率和所述预设的第四初始模型对应的第四发电功率，所述预设的第二初始模型、所述预设的第三初始模型和所述预设的第四初始模型是根据历史天气参数值及其对应的实际发电功率训练得到的不同类型的网络模型；
将所述第二发电功率、所述第三发电功率和所述第四发电功率输入到第二公式中，得到所述目标发电功率，所述第二公式为：
其中，Pout为目标发电功率，fi(t)为当前时刻的每个初始模型的发电功率，n为选用的初始模型的个数，i为正整数。
可选的，所述装置还包括：第二建立模块，所述第二建立模块用于：
获取所述多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及对应的实际发电功率；
将多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到所述第二目标模型和所述第三目标模型中，分别得到该天中的每个时刻对应的所述第五发电功率和第六发电功率；
根据每天中每个时刻对应的第五发电功率和第六发电功率以及对应的实际发电功率，确定该天对应的第一预测模型为所述第三目标模型或所述第二目标模型；
计算该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
根据所述日平均历史天气参数值与所述第一预测模型的对应关系，得到所述第二目标参数及所述第二目标数值。
可选的，所述装置还包括：第三建立模型，所述第三建立模型用于：
将所述多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到第一目标模型中，分别得到该天中的每个时刻对应的第七发电功率；
根据所述多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值和该天对应的第一预测模型中，得到该天中的每个时刻对应的第八发电功率；
根据每天中每个时刻对应的第七发电功率和所述第八发电功率以及所述历史天气参数值对应的实际发电功率，确定该天对应的第二预测模型为所述第一目标模型还是所述第一预测模型；
获取该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
根据所述多个天气参数中每个天气参数对应的历史天气参数值的日平均历史天气参数值与所述第二预测模型的对应关系，得到所述第一目标参数及所述第一目标数值。
本公开实施例提供的技术方案至少包括以下有益效果：
本公开实施例提供了一种光伏电站的功率预测方法，该方法包括：获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值；根据获取的所述天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；判断所述日平均天气参数值是否满足第一阈值条件，所述第一阈值条件为所述天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；当所述日平均天气参数值满足所述第一阈值条件时，则确定对应的功率预测模型为第一目标模型；当所述日平均天气参数值不满足所述第一阈值条件时，判断所述日平均天气参数是否满足第二阈值条件，所述第二阈值条件为所述天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；当所述日平均天气参数值满足所述第二阈值条件时，则确定对应的功率预测模型为第二目标模型；当所述日平均天气参数值不满足所述第二阈值条件时，则确定对应的功率预测模型为第三目标模型；根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率。本发明实施例中，可以根据日平均参数值确定对应的功率预测模型，通过对应的功率预测模型得到目标发电功率，从而提高了对光伏电站的发电功率进行预测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明实施例提供的一种光伏电站的功率预测方法的流程图；
图2是本发明实施例提供的一种光伏电站的功率预测方法的流程图；
图3是本发明实施例提供的第二目标参数对应的预设的第二目标数值获取方法的流程图；
图4是本发明实施例提供的第一目标参数对应的预设的第一目标数值获取方法的流程图；
图5是本发明实施例提供的第二目标模型的建立方式的流程图；
图6是本发明实施例提供的一种光伏电站的功率预测装置的结构示意图。
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，下面将结合附图对本发明实施方式作进一步地详细描述。
本公开实施例提供了一种光伏电站的功率预测方法，该方法可以由计算机执行，如图1所示，该方法的处理流程可以包括如下的步骤：
步骤S101，获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值；
步骤S102，根据获取的天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；
步骤S103，判断日平均天气参数值是否满足第一阈值条件，第一阈值条件为天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；当日平均天气参数值满足第一阈值条件时，执行步骤S104，当日平均天气参数值不满足第一阈值条件时，执行步骤S105；
步骤S104，则确定对应的功率预测模型为第一目标模型；
步骤S105，判断日平均天气参数是否满足第二阈值条件，第二阈值条件为天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；当日平均天气参数值满足第二阈值条件时，执行步骤S106，当日平均天气参数值不满足第二阈值条件时，执行步骤S107，
步骤S106，则确定对应的功率预测模型为第二目标模型；
步骤S107，当日平均天气参数值不满足第二阈值条件时，则确定对应的功率预测模型为第三目标模型；
步骤S108，根据天气参数值和对应的功率预测模型确定光伏电站的目标发电功率。
本公开实施例提供了一种光伏电站的功率预测方法，该方法包括：获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值；根据获取的天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；判断日平均天气参数值是否满足第一阈值条件，第一阈值条件为天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；当日平均天气参数值满足第一阈值条件时，则确定对应的功率预测模型为第一目标模型；当日平均天气参数值不满足第一阈值条件时，判断日平均天气参数是否满足第二阈值条件，第二阈值条件为天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；当日平均天气参数值满足第二阈值条件时，则确定对应的功率预测模型为第二目标模型；当日平均天气参数值不满足第二阈值条件时，则确定对应的功率预测模型为第三目标模型；根据天气参数值和对应的功率预测模型确定光伏电站的目标发电功率。本发明实施例中，可以根据日平均参数值确定对应的功率预测模型，通过对应的功率预测模型得到目标发电功率，从而提高了光伏电站的发电功率的准确性。
图2是本发明实施例提供的一种光伏电站的功率预测方法的流程图。该方法由计算机设备执行，参见图2，该方法包括步骤S201-步骤S210，下面具体介绍该方法的各个步骤。
步骤S201，获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值。
需要说明的是，预测时刻可以预先设定，在一天的24个小时中，可以每间隔15分钟设置一个预测时刻，可以获取每一个预测时刻的天气参数中每个天气参数的天气参数值，其中，本发明的一些实施例中，天气参数可以为：环境的温度、环境的湿度、风速和云量，这些天气参数可以通过天气预报获取。
步骤S202，根据获取的天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值。
需要说明的是，对于每一个预测时刻，都会获取到每个天气参数的天气参数值，对于每个天气参数，将一天中的该天气参数的所有预测时刻的天气参数值求平均值，得到该天气参数的日平均天气参数值。
步骤S203，判断日平均天气参数值是否满足第一阈值条件，第一阈值条件为天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；当日平均天气参数值满足第一阈值条件时，执行步骤S204，当日平均天气参数值不满足第一阈值条件时，执行步骤S205。
在本发明的一些实施例中，通过判断日平均天气参数值是否满足第一阈值条件来确定对应的功率预测模型。
需要说明的是，第一目标参数对应的预设的第一目标数值通过后续的步骤S401-S405得到。
步骤S204，则确定对应的功率预测模型为第一目标模型。
需要说明的是，通过第一目标模型确定光伏电站的目标发电功率的具体步骤参见步骤S209-S210。
步骤S205，判断日平均天气参数是否满足第二阈值条件，第二阈值条件为天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；当日平均天气参数值满足第二阈值条件时，执行步骤S206，当日平均天气参数值不满足第二阈值条件时，执行步骤S207；
需要说明的是，在日平均天气参数值不满足第一预设条件时，判断日平均天气参数值是否满足第二阈值条件来确定对应的功率预测模型。
在本发明的一些实施例中，第一目标参数和第二目标参数可以相同，也可以不同，第一目标参数和第二目标参数根据实际的训练结果所确定。
步骤S206，则确定对应的功率预测模型为第二目标模型。
第二目标模型的建立过程可以参见以下步骤S501-步骤S503。
步骤S207，当日平均天气参数值不满足第二阈值条件时，则确定对应的功率预测模型为第三目标模型；
步骤S208，当对应的功率预测模型为第三目标模型时，根据第一公式得到光伏电站的目标发电功率，其中，第一公式为：
其中，Pout(t)为目标发电功率，Pmax为光伏电站额定装机功率，ηi为逆变器相对效率因子，IB为太阳常数，IZ(t)为光伏电站所在地太阳辐照强度，η(t)为光伏电站光伏阵列相对效率因子，t为当前时刻；并且所述光伏电站光伏阵列相对效率因子η(t)通过第二公式得到，所述第二公式为：
其中，天气参数包括：环境温度和风速，Tforecast(t)为环境温度，ε为模块温度系数，ws(t)为风速，并且光伏电站所在地太阳辐照强度IZ(t)通过第三公式得到，第三公式为：
IZ(t)＝ID(t)+IM(t)+IF(t)
其中，IZ(t)为光伏电站所在地太阳辐照强度，ID(t)为直射辐照度分量，IM(t)为散射辐照度分量，IF(t)为反射辐照度分量；
散射辐照度IM(t)的计算公式为：
反射辐照度IF(t)的计算公式为：
直射辐照度ID(t)的计算公式为：
ID(t)＝Ae-km cosγ
其中，ω＝15×(ST-12)，cosγ＝cosh cos(φs-φc)sinθ+sinh cosθ， m为大气质量，h为太阳高度角，ST为真太阳时，为当地纬度，δ为赤纬角,ω为太阳时角，θ为光伏电板阵列的倾斜角，φs为太阳方位角，φc为电池板安装角度，n为积日，ρ为自然地面对太阳辐射的反射率。
步骤S209，当对应的功率预测模型为第一目标模型时，将天气参数值分别输入到预设的第二初始模型、预设的第三初始模型和预设的第四初始模型中，得到预设的第二初始模型对应的第二发电功率、预设的第三初始模型对应的第三发电功率和预设的第四初始模型对应的第四发电功率，预设的第二初始模型、预设的第三初始模型和预设的第四初始模型是根据历史天气参数值及其对应的实际发电功率训练得到的不同类型的网络模型。
在本发明的一些实施例中，预设的第二初始模型、预设的第三初始模型和预设的第四初始模型可以不同类型的神经网络模型，分别为：长短期记忆模型、ELMAN神经网络模型和深度信念网络模型。例如可以通过下列方式得到这些模型：
多次将多个天气参数中每个天气参数对应的天气参数值及其对应的实际发电功率输入到初始的长短期记忆模型中，对初始的长短期记忆模型进行训练，得到长短期记忆模型。
多次将多个天气参数中的每个天气参数对应的天气参数值及其对应的实际发电功率输入到初始的ELMAN神经网络模型中，对初始的ELMAN神经网络模型进行训练，得到ELMAN神经网络模型。
多次将多个天气参数中的每个天气参数对应的天气参数值及其对应的实际发电功率输入到初始的深度信念网络模型中，对初始的深度信念网络模型进行训练，得到深度信念网络模型。
步骤S210，将第二发电功率、第三发电功率和第四发电功率输入到第二公式中，得到目标发电功率，第二公式为：
其中，Pout为目标发电功率，fi(t)为当前时刻的每个初始模型的发电功率，n为选用的初始模型的个数，i为正整数。
需要说明的是，本发明的实施例中，n＝3，因此，fi(t)可以为f1(t)、f2(t)和f3(t)，其中，f1(t)可以表示为预设的第二初始模型的发电功率，f2(t)可以表示为预设的第三初始模型的发电功率，f3(t)可以表示为预设的第四初始模型的发电功率。
在本发明的一些实施例中，如图3所示，第二目标参数对应的预设的第二目标数值通过下列步骤S301-步骤S305得到：
步骤S301，获取多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及对应的实际发电功率。
在本发明的一些实施例中，天气参数可以为：环境的温度、环境的湿度、风速和云量。
需要说明的是，每个天气参数的历史天气参数值及其对应的实际发电功率都是采集的该光伏电站的历史数据，通过该光伏电站的历史数据可以确定计算目标发电功率对应的功率预测模型。
步骤S302，将多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到第二目标模型和第三目标模型中，分别得到该天中的每个时刻对应的第五发电功率和第六发电功率。
需要说明的是，每天的不同时刻对应的一组数据集，每组数据集包括：多个天气参数中每个天气参数对应的历史天气参数值，将每天的不同时刻对应的一组数据集分别输入到第二目标模型和第三目标模型中，就可以得到在每天的不同时刻通过第二目标模型计算得到的第五发电功率和通过第三目标模型计算得到的第六发电功率。
步骤S303，根据每天中每个时刻对应的第五发电功率和第六发电功率以及对应的实际发电功率，确定该天对应的第一预测模型为第三目标模型还是第二目标模型。
需要说明的是，第一预测模型要么为第三目标模型，要么为第二目标模型，该步骤确定其中的一个为第三目标模型。
在本发明的一些实施例中，根据每天中每个时刻对应的第五发电功率和第六发电功率以及对应的实际发电功率，确定该天对应的第一预测模型为第三目标模型还是第二目标模型，包括：
将每天中每个时刻对应的第五发电功率和对应的实际发电功率输入到标准均方根误差公式中，得到第二目标模型对应的标准均方根误差，标准均方根误差公式为:
其中，Pforecast(t)为当前第五发电功率，Ptrue(t)为实际发电功率。nRMSE为标准均方根误差，N为采样时刻t的总个数，t为采样时刻。
将每个时刻对应的第六发电功率和对应的实际发电功率输入到上述标准均方根误差公式中，得到第三目标模型对应的标准均方根误差。
从第二目标模型和第三目标模型中，选取标准均方根误差最小的模型作为该天的第一预测模型。
步骤S304，计算该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值。
需要说明的是，对于每一个预测时刻，都会获取到每个天气参数的天气参数值，对于每个天气参数，将一天中的该天气参数的所有预测时刻的天气参数值求平均值，得到该天气参数的日平均天气参数值。
步骤S305，根据日平均历史天气参数值与第一预测模型的对应关系，得到第二目标参数及第二目标数值。
需要说明的是，在得到该天的第一预测模型后，计算该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值，然后，建立多个天气参数中每个天气参数的日平均历史天气参数值与第一预测模型之间的对应关系，然后基于日平均历史天气参数值与第一预测模型的对应关系可以得到第二目标参数及第二目标数值。
在本发明的一些实施例中，根据日平均历史天气参数值与第一预测模型的对应关系，得到第二目标参数及第二目标数值的具体步骤如下：
对于每个天气参数，将该天气参数对应的所有日平均历史天气参数值从大到小排序，得到第一数据集；
计算第一数据中的所有相邻的两个日平均历史天气参数值的平均值，每个平均值作为第一数据集的分类节点，通过每个分类节点分别将第一数据集分为两组；
对于同一分类节点所分类得到的两组数据集，通过如下公式计算该分类节点所对应的基尼指数；
其中，D表示训练样本集合，D1,D2表示样本子集，|D|为样本集合大小，|D1|,|D2|为样本子集大小，|D1 k|表示样本子集D1中第k类样本集合大小，Gini(D1)表示样本子集D1的基尼指数，Gini(D2)表示样本子集D2的基尼指数，Gini(D,A)表示分类节点所对应的基尼指数。
需要说明的是，基尼指数Gini(D,A)表示当选择特征A为分类节点进行划分后样本集D的不确定性，基尼指数取值越大，样本集的不确定性也越大，所以选择特征A的标准是Gini(D,A)的取值越小越好。
从所有的分类节点所对应的基尼指数中，确定基尼指数最小的分类节点以及分类对应的天气参数，将分类节点作为第二目标数值，将分类对应的天气参数作为第二目标参数。
在本发明的一些实施例中，如图4所示，第一目标参数对应的预设的第一目标数值通过下列步骤S401-步骤405得到：
步骤S401，将多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到第一目标模型中，分别得到该天中的每个时刻对应的第七发电功率。
在本发明的一些实施例中，将多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到第一目标模型中，分别得到该天中的每个时刻对应的第七发电功率的步骤参见步骤S209。
步骤S402，根据多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值和该天对应的第一预测模型中，得到该天中的每个时刻对应的第八发电功率。
需要说明的是，在确定该天所对应的第一预测模型后，通过第一预测模型得到的该天的每个时刻对应的第八发电功率可以根据该天的多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到该天对应的第一预测模型中计算得到，也可以获取上述步骤中该天的历史天气参数值通过第一预测模型计算得到的发电功率，当第一预测模型为第二目标模型时，第八发电功率为上述步骤中得到的第五发电功率，当第一预测模型为第三目标模型时，第八发电功率为上述步骤中得到的第六发电功率。
步骤S403，根据每天中每个时刻对应的第七发电功率和第八发电功率以及历史天气参数值对应的实际发电功率，确定该天对应的第二预测模型为第一目标模型还是第一预测模型。
需要说明的是，第二预测模型要么为第一目标模型，要么为第二目标模型，要么为第三目标模型，该步骤确定其中的一个为第二预测模型。
本步骤中的确定该天对应的第二预测模型的步骤与上述确定该天对应的第一预测模型的步骤类似，不再赘述。
步骤S404，获取该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
需要说明的是，获取该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值可以根据该天的多个天气参数中每个天气参数的历史天气参数值求平均值的方式计算得到，也可以获取上述步骤S304中计算得到的对应的日平均历史天气参数值。
步骤S405，根据多个天气参数中每个天气参数对应的历史天气参数值的日平均历史天气参数值与第二预测模型的对应关系，得到第一目标参数及第一目标数值。
本发明的一些实施例中，得到第一目标参数及第一目标数值的步骤与得到第二目标参数及第二目标数值步骤类似，不再赘述。
图5是本发明实施例提供的第二目标模型的建立方式的流程图。该方法由计算机设备执行，参见图5，该方法包括步骤S501-步骤S503，下面具体介绍该方法的各个步骤。
步骤S501，获取多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及其对应的实际发电功率。
在本发明的一些实施例中，天气参数可以为：环境的温度、环境的湿度、风速和云量。
需要说明的是，每个天气参数的历史天气参数值及其对应的实际发电功率都是采集的该光伏电站的历史数据，通过该光伏电站的历史数据建立该光伏电站对应的第二目标模型，通过该第二目标模型预测该光伏电站的目标发电功率。
步骤S502，将获取的历史天气参数值作为天气参数值，将第三目标模型作为对应的功率预测模型，从而以根据天气参数值和对应的功率预测模型确定光伏电站的目标发电功率的方式得到第一发电功率；
需要说明的是，将第三目标模型作为对应的功率预测模型，从而以根据天气参数值和对应的功率预测模型确定光伏电站的目标发电功率的方式得到第一发电功率的具体步骤参见上述步骤S208。
步骤S503，根据历史天气参数值及其对应的实际发电功率和第一发电功率对第一初始模型进行训练，得到第二目标模型。
从天气参数中的环境温度、环境湿度、风速、云量以及第一发电功率作为逐步回归模型的输入参数，天气参数的历史天气参数值对应时刻的实际发电功率作为输出参数，对逐步回归模型进行训练。
在本发明的一些实施例中，第一初始模型为没有进行训练的逐步回归模型，第二目标模型为训练完成得到的逐步回归模型，
逐步回归模型的主要思路是在考虑的全部自变量中按其对的作用大小,显著程度大小或者说贡献大小,由大到小地将自变量逐个引入回归方程,而对那些对作用不显著的变量可能始终不被引入回归方程。另外,已被引入回归方程的变量在引入新变量后也可能失去重要性,而需要从回归方程中剔除出去。引入一个变量或者从回归方程中剔除一个变量都称为逐步回归的一步,每一步都要进行检验,以保证在引入新变量前回归方程中只含有对影响显著的变量,而不显著的变量已被剔除。
根据历史天气参数值及其对应的实际发电功率和第一发电功率对第一初始模型进行训练，得到第二目标模型如下：
需要说明的是，在逐步回归模型进行训练的过程中，自变量分别为：环境温度、环境湿度、风速、云量以及第一发电功率，因变量为：天气参数的历史天气参数值对应的实际发电功率。
对逐步回归模型的训练过程如下：
将全部的5个自变量x1,x2,…,x5，分别与因变量y建立一元回归方程；
分别计算这5个一元回归方程中回归系数的检验统计量，得到的F值分别为取最大的将与预先设定自变量进入方程的显著性水平对应的标准检验统计量Fα(1,n-2)进行比较，若则停止筛选，若则对应的自变量xj进入方程；
分别将自变量xj与其他剩余4个自变量作为新的自变量，分别与因变量y建立二元回归方程，重复上述计算回归系数检验统计量确定需要新引进的4个自变量中的一个自变量，直至所有未引入方程的自变量F1的值均小于Fα(1,n-p-1)为止，其中n表示变量的总数，P表示包含有自变量的项数。
对于上述已经引入变量建立的回归方程进行变量剔除：用已经引入的k个变量建立回归方程，对k个回归方程的回归系数进行F检验，取最小的若则将对应的xj剔出方程，否则，保留xj。对剩下的k-1个自变量建立一个回归方程，对k-1个回归系数进行F检验，取最小的若则将对应的xj剔出方程，直到方程中所剩余的自变量F检验统计量值均大于Fα(1,n-p-1)为止，将当前得到的逐步回归模型作为本申请的第二目标模型。
其中，回归系数F检验统计量值通过如下公式计算得到：
其中，为当前的回归方程对应的天气参数的历史天气参数值对应时刻的实际发电功率对应的估计值，为当前的回归方程的天气参数的历史天气参数值对应的实际发电功率的平均值，yi为当前的回归方程的天气参数的历史天气参数值对应时刻的实际发电功率，其中n表示变量的总数，P表示包含有自变量的项数，SSRj为当前的回归方程对应的回归平方和，SSR为未引入xj时的回归方程对应的回归平方和，SSE当前的回归方程对应的残差平方和。
需要说明的是，变量总数是指自变量x和因变量y总个数。
图6是本发明实施例提供的一种光伏电站的功率预测装置，该装置包括：
获取模块601，用于获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值；
第一确定模块602，用于根据获取的天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；
第一判断模块603，用于判断日平均天气参数值是否满足第一阈值条件，第一阈值条件为天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；
第二确定模块604，用于当日平均天气参数值满足所述第一阈值条件时，则确定对应的功率预测模型为第一目标模型；
第二判断模块605，用于当日平均天气参数值不满足第一阈值条件时，判断日平均天气参数是否满足第二阈值条件，第二阈值条件为天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；
第三确定模块606，用于当日平均天气参数值满足第二阈值条件时，则确定对应的功率预测模型为第二目标模型；
第四确定模块607，用于当日平均天气参数值不满足第二阈值条件时，则确定对应的功率预测模型为第三目标模型；
第五确定模块608，用于根据天气参数值和对应的功率预测模型确定光伏电站的目标发电功率。
可选的，天气参数包括：环境温度和风速，当对应的功率预测模型为第三目标模型时，第五确定模块608还用于：
根据第一公式得到光伏电站的目标发电功率，其中，第一公式为：
其中，Pout(t)为目标发电功率，Pmax为光伏电站额定装机功率，ηi为逆变器相对效率因子，IB为太阳常数，IZ(t)为光伏电站所在地太阳辐照强度，η(t)为光伏电站光伏阵列相对效率因子，t为当前时刻；并且光伏电站光伏阵列相对效率因子η(t)通过第二公式得到，第二公式为：
其中，Tforecast(t)为环境温度，ε为模块温度系数，ws(t)为风速，并且光伏电站所在地太阳辐照强度IZ(t)通过第三公式得到，第三公式为：
IZ(t)＝ID(t)+IM(t)+IF(t)
其中，IZ(t)为光伏电站所在地太阳辐照强度，ID(t)为直射辐照度分量，IM(t)为散射辐照度分量，IF(t)为反射辐照度分量；
散射辐照度IM(t)的计算公式为：
反射辐照度IF(t)的计算公式为：
直射辐照度ID(t)的计算公式为：
ID(t)＝Ae-km cosγ
其中，ω＝15×(ST-12)，cosγ＝cosh cos(φs-φc)sinθ+sinh cosθ， m为大气质量，h为太阳高度角，ST为真太阳时，为当地纬度，δ为赤纬角,ω为太阳时角，θ为光伏电板阵列的倾斜角，φs为太阳方位角，φc为电池板安装角度，n为积日，ρ为自然地面对太阳辐射的反射率。
可选的，装置还包括：第一建立模块609，第一建立模块609用于：
获取多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及其对应的实际发电功率；
将获取的历史天气参数值作为天气参数值，将所述第三目标模型作为所述对应的功率预测模型，从而以根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率的方式得到第一发电功率；
根据历史天气参数值及其对应的实际发电功率和第一发电功率对第一初始模型进行训练，得到第二目标模型。
可选的，所述第五确定模块608还用于：
将所述天气参数值分别输入到预设的第二初始模型、预设的第三初始模型和预设的第四初始模型中，得到所述预设的第二初始模型对应的第二发电功率、所述预设的第三初始模型对应的第三发电功率和所述预设的第四初始模型对应的第四发电功率，所述预设的第二初始模型、所述预设的第三初始模型和所述预设的第四初始模型是根据历史天气参数值及其对应的实际发电功率训练得到的不同类型的网络模型；
将所述第二发电功率、所述第三发电功率和所述第四发电功率输入到第二公式中，得到所述目标发电功率，所述第二公式为：
其中，Pout为目标发电功率，fi(t)为当前时刻的每个初始模型的发电功率，n为选用的初始模型的个数，i为正整数。
可选的，所述装置还包括：第二建立模块610，所述第二建立模块610用于：
获取所述多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及对应的实际发电功率；
将多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到所述第二目标模型和所述第三目标模型中，分别得到该天中的每个时刻对应的所述第五发电功率和第六发电功率；
根据每天中每个时刻对应的第五发电功率和第六发电功率以及对应的实际发电功率，确定该天对应的第一预测模型为所述第三目标模型还是所述第二目标模型；
计算该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
根据所述日平均历史天气参数值与所述第一预测模型的对应关系，得到所述第二目标参数及所述第二目标数值。
可选的，所述装置还包括：第三建立模型611，所述第三建立模型611用于：
将所述多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到第一目标模型中，分别得到该天中的每个时刻对应的第七发电功率；
根据所述多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值和该天对应的第一预测模型中，得到该天中的每个时刻对应的第八发电功率；
根据每天中每个时刻对应的第七发电功率和所述第八发电功率以及所述历史天气参数值对应的实际发电功率，确定该天对应的第二预测模型为所述第一目标模型还是所述第一预测模型；
获取该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
根据多个天气参数中每个天气参数对应的历史天气参数值的日平均历史天气参数值与所述第二预测模型的对应关系，得到所述第一目标参数及所述第一目标数值。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，计算机可读存储介质可以是只读存储器，磁盘或光盘等。例如本发明的光伏电站的功率预测方法可以由计算机设备执行，本发明的一种光伏电站的功率预测装置也可以一种计算机设备。
以上所述仅为本发明的较佳实施例，并不用以限制本发明的保护范围，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种光伏电站的功率预测方法，其特征在于，所述方法包括：
获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值；
根据获取的所述天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；
判断所述日平均天气参数值是否满足第一阈值条件，所述第一阈值条件为所述天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；
当所述日平均天气参数值满足所述第一阈值条件时，则确定对应的功率预测模型为第一目标模型；
当所述日平均天气参数值不满足所述第一阈值条件时，判断所述日平均天气参数是否满足第二阈值条件，所述第二阈值条件为所述天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；
当所述日平均天气参数值满足所述第二阈值条件时，则确定对应的功率预测模型为第二目标模型；
当所述日平均天气参数值不满足所述第二阈值条件时，则确定对应的功率预测模型为第三目标模型；
根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率。
2.根据权利要求1所述的方法，其特征在于，所述天气参数包括：环境温度和风速，当所述对应的功率预测模型为所述第三目标模型时，所述根据所述多个天气参数对应的天气参数值和所述对应的功率预测模型确定光伏电站的目标发电功率，包括：
根据第一公式得到所述光伏电站的目标发电功率，其中，所述第一公式为：
其中，Pout(t)为目标发电功率，Pmax为光伏电站额定装机功率，ηi为逆变器相对效率因子，IB为太阳常数，IZ(t)为光伏电站所在地太阳辐照强度，η(t)为光伏电站光伏阵列相对效率因子，t为当前时刻；并且所述光伏电站光伏阵列相对效率因子η(t)通过第二公式得到，所述第二公式为：
其中，Tforecast(t)为环境温度，ε为模块温度系数，ws(t)为风速，并且所述光伏电站所在地太阳辐照强度IZ(t)通过第三公式得到，所述第三公式为：
IZ(t)＝ID(t)+IM(t)+IF(t)
其中，IZ(t)为光伏电站所在地太阳辐照强度，ID(t)为直射辐照度分量，IM(t)为散射辐照度分量，IF(t)为反射辐照度分量；
散射辐照度IM(t)的计算公式为：
反射辐照度IF(t)的计算公式为：
直射辐照度ID(t)的计算公式为：
ID(t)＝Ae-kmcosγ
其中，ω＝15×(ST-12)，cosγ＝cosh cos(φs-φc)sinθ+sinh cosθ， m为大气质量，h为太阳高度角，ST为真太阳时，为当地纬度，δ为赤纬角,ω为太阳时角，θ为光伏电板阵列的倾斜角，φs为太阳方位角，φc为电池板安装角度，n为积日，ρ为自然地面对太阳辐射的反射率。
3.根据权利要求1所述的方法，其特征在于，所述第二目标模型的建立方式包括：
获取所述多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及其对应的实际发电功率；
将获取的所述历史天气参数值作为所述天气参数值，将所述第三目标模型作为所述对应的功率预测模型，从而以根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率的方式得到第一发电功率；
根据所述历史天气参数值及其对应的实际发电功率和所述第一发电功率对第一初始模型进行训练，得到所述第二目标模型。
4.根据权利要求1所述的方法，其特征在于，当对应的功率预测模型为所述第一目标模型时，所述根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率，包括：
将所述天气参数值分别输入到预设的第二初始模型、预设的第三初始模型和预设的第四初始模型中，得到所述预设的第二初始模型对应的第二发电功率、所述预设的第三初始模型对应的第三发电功率和所述预设的第四初始模型对应的第四发电功率，所述预设的第二初始模型、所述预设的第三初始模型和所述预设的第四初始模型是根据历史天气参数值及其对应的实际发电功率训练得到的不同类型的网络模型；
将所述第二发电功率、所述第三发电功率和所述第四发电功率输入到第二公式中，得到所述目标发电功率，所述第四公式为：
其中，Pout为目标发电功率，fi(t)为当前时刻的每个初始模型的发电功率，n为选用的初始模型的个数，i为正整数。
5.根据权利要求1所述的方法，其特征在于，所述第二目标参数对应的所述预设的第二目标数值通过下列方式得到：
获取所述多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及对应的实际发电功率；
将多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到所述第二目标模型和所述第三目标模型中，分别得到该天中的每个时刻对应的所述第五发电功率和第六发电功率；
根据每天中每个时刻对应的第五发电功率和第六发电功率以及对应的实际发电功率，确定该天对应的第一预测模型为所述第三目标模型还是所述第二目标模型；
计算该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
根据所述日平均历史天气参数值与所述第一预测模型的对应关系，得到所述第二目标参数及所述第二目标数值。
6.根据权利要求5所述的方法，其特征在于，所述第一目标参数对应的所述预设的第一目标数值通过下列方式得到：
将所述多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值输入到第一目标模型中，分别得到该天中的每个时刻对应的第七发电功率；
根据所述多个天气参数中每个天气参数在每天的不同时刻的历史天气参数值和该天对应的第一预测模型，得到该天中的每个时刻对应的第八发电功率；
根据每天中每个时刻对应的第七发电功率和所述第八发电功率以及所述历史天气参数值对应的实际发电功率，确定该天对应的第二预测模型为所述第一目标模型还是所述第一预测模型；
获取该天的多个天气参数中每个天气参数的历史天气参数值的日平均历史天气参数值；
根据所述多个天气参数中每个天气参数对应的历史天气参数值的日平均历史天气参数值与所述第二预测模型的对应关系，得到所述第一目标参数及所述第一目标数值。
7.一种光伏电站的功率预测装置，其特征在于，所述装置包括：
获取模块，用于获取未来一天的多个预测时刻的多个天气参数中每个天气参数的天气参数值；
第一确定模块，用于根据获取的所述天气参数值，得到多个天气参数中每个天气参数的日平均天气参数值；
第一判断模块，用于判断所述日平均天气参数值是否满足第一阈值条件，所述第一阈值条件为所述天气参数中的第一目标参数的日平均天气参数值不小于预设的第一目标数值；
第二确定模块，用于当所述日平均天气参数值满足所述第一阈值条件时，则确定对应的功率预测模型为第一目标模型；
第二判断模块，用于当所述日平均天气参数值不满足所述第一阈值条件时，判断所述日平均天气参数是否满足第二阈值条件，所述第二阈值条件为所述天气参数中的第二目标参数对应的日平均天气参数值不小于预设的第二目标数值；
第三确定模块，用于当所述日平均天气参数值满足所述第二阈值条件时，则确定对应的功率预测模型为第二目标模型；
第四确定模块，用于当所述日平均天气参数值不满足所述第二阈值条件时，则确定对应的功率预测模型为第三目标模型；
第五确定模块，用于根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率。
8.根据权利要求7所述的装置，其特征在于，所述天气参数包括：环境温度和风速，当所述对应的功率预测模型为所述第三目标模型时，所述第五确定模块用于：
根据第一公式得到所述光伏电站的目标发电功率，其中，所述第一公式为：
其中，Pout(t)为目标发电功率，Pmax为光伏电站额定装机功率，ηi为逆变器相对效率因子，IB为太阳常数，IZ(t)为光伏电站所在地太阳辐照强度，η(t)为光伏电站光伏阵列相对效率因子，t为当前时刻；并且所述光伏电站光伏阵列相对效率因子η(t)通过第二公式得到，所述第二公式为：
其中，Tforecast(t)为环境温度，ε为模块温度系数，ws(t)为风速，并且所述光伏电站所在地太阳辐照强度IZ(t)通过第三公式得到，所述第三公式为：
IZ(t)＝ID(t)+IM(t)+IF(t)
其中，IZ(t)为光伏电站所在地太阳辐照强度，ID(t)为直射辐照度分量，IM(t)为散射辐照度分量，IF(t)为反射辐照度分量；
散射辐照度IM(t)的计算公式为：
反射辐照度IF(t)的计算公式为：
直射辐照度ID(t)的计算公式为：
ID(t)＝Ae-kmcosγ
其中，ω＝15×(ST-12)，cosγ＝cosh cos(φs-φc)sinθ+sinh cosθ， m为大气质量，h为太阳高度角，ST为真太阳时，为当地纬度，δ为赤纬角,ω为太阳时角，θ为光伏电板阵列的倾斜角，φs为太阳方位角，φc为电池板安装角度，n为积日，ρ为自然地面对太阳辐射的反射率。
9.根据权利要求7所述的装置，其特征在于，所述装置还包括：第一建立模块，所述第一建立模块用于：
获取所述多个天气参数中每个天气参数在多天的多个时刻的历史天气参数值及其对应的实际发电功率；
将获取的所述历史天气参数值作为所述天气参数值，将所述第三目标模型作为所述对应的功率预测模型，从而以根据所述天气参数值和所述对应的功率预测模型确定所述光伏电站的目标发电功率的方式得到第一发电功率；
根据所述历史天气参数值及其对应的实际发电功率和所述第一发电功率对第一初始模型进行训练，得到所述第二目标模型。
10.根据权利要求7所述的装置，其特征在于，所述第五确定模块还用于：
将所述天气参数值分别输入到预设的第二初始模型、预设的第三初始模型和预设的第四初始模型中，得到所述预设的第二初始模型对应的第二发电功率、所述预设的第三初始模型对应的第三发电功率和所述预设的第四初始模型对应的第四发电功率，所述预设的第二初始模型、所述预设的第三初始模型和所述预设的第四初始模型是根据历史天气参数值及其对应的实际发电功率训练得到的不同类型的网络模型；
将所述第二发电功率、所述第三发电功率和所述第四发电功率输入到第二公式中，得到所述目标发电功率，所述第四公式为：
其中，fBEM为目标发电功率，fi(t)为当前时刻的每个个初始模型的发电功率，n为选用的初始模型的个数，i为正整数。
CN201910931264.1A 2019-09-29 2019-09-29 一种光伏电站的发电功率预测方法及装置 Active CN110598956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910931264.1A CN110598956B (zh) 2019-09-29 2019-09-29 一种光伏电站的发电功率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910931264.1A CN110598956B (zh) 2019-09-29 2019-09-29 一种光伏电站的发电功率预测方法及装置

Publications (2)

Publication Number Publication Date
CN110598956A true CN110598956A (zh) 2019-12-20
CN110598956B CN110598956B (zh) 2022-02-18

Family

ID=68864462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910931264.1A Active CN110598956B (zh) 2019-09-29 2019-09-29 一种光伏电站的发电功率预测方法及装置

Country Status (1)

Country Link
CN (1) CN110598956B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764262A (zh) * 2021-01-11 2022-07-19 领鞅科技(杭州)有限公司 一种太阳能发电站发电功率预测和控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106650784A (zh) * 2016-11-04 2017-05-10 许继集团有限公司 一种基于特征聚类比较的光伏电站功率预测方法及装置
US20180046924A1 (en) * 2015-08-31 2018-02-15 Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences Whole-life-cycle power output classification prediction system for photovoltaic systems
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20180046924A1 (en) * 2015-08-31 2018-02-15 Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences Whole-life-cycle power output classification prediction system for photovoltaic systems
CN106650784A (zh) * 2016-11-04 2017-05-10 许继集团有限公司 一种基于特征聚类比较的光伏电站功率预测方法及装置
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764262A (zh) * 2021-01-11 2022-07-19 领鞅科技(杭州)有限公司 一种太阳能发电站发电功率预测和控制方法
CN114764262B (zh) * 2021-01-11 2023-08-15 领鞅科技(杭州)有限公司 一种太阳能发电站发电功率预测和控制方法

Also Published As

Publication number Publication date
CN110598956B (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
Huang et al. Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN110556820A (zh) 用于确定能量系统操作场景的方法和设备
WO2024046137A1 (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
CN110766134A (zh) 基于循环神经网络的光伏电站短期功率预测方法
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN115049163B (zh) 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
Zjavka PV power intra‐day predictions using PDE models of polynomial networks based on operational calculus
Dukkipati et al. Forecasting of solar irradiance using probability distributions for a PV System: A case study
CN110598956B (zh) 一种光伏电站的发电功率预测方法及装置
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
Leva et al. PV power forecasting improvement by means of a selective ensemble approach
Alanazi et al. Day-ahead solar forecasting using time series stationarization and feed-forward neural network
CN112036718B (zh) 一种考虑新能源不确定性的电力系统安全风险评估方法
CN108256690B (zh) 基于形状参数置信区间的光伏发电预测方法
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN113283492A (zh) 基于Catboost算法的光伏出力场景生成方法及场景生成装置
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
CN115660132B (zh) 一种光伏发电功率预测方法及系统
CN112734073A (zh) 一种基于长短期记忆网络的光伏发电功率短期预测方法
CN116029440A (zh) 光伏电站超短期功率预测方法和装置
CN106897481B (zh) 利用空间多点功率预测特征的风功率集成预测方法及装置
CN116054129A (zh) 一种基于光伏制氢的多电解槽联合运行功率分配方法

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
GR01 Patent grant
GR01 Patent grant