CN110717623B - 融合多种天气状况的光伏发电功率预测方法及装置、设备 - Google Patents

融合多种天气状况的光伏发电功率预测方法及装置、设备 Download PDF

Info

Publication number
CN110717623B
CN110717623B CN201910891067.1A CN201910891067A CN110717623B CN 110717623 B CN110717623 B CN 110717623B CN 201910891067 A CN201910891067 A CN 201910891067A CN 110717623 B CN110717623 B CN 110717623B
Authority
CN
China
Prior art keywords
power
training
data
weather
photovoltaic power
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
CN201910891067.1A
Other languages
English (en)
Other versions
CN110717623A (zh
Inventor
谭杰
潘程
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201910891067.1A priority Critical patent/CN110717623B/zh
Publication of CN110717623A publication Critical patent/CN110717623A/zh
Application granted granted Critical
Publication of CN110717623B publication Critical patent/CN110717623B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (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

本发明涉及光伏电站发电功率预测技术领域，具体涉及一种融合多种天气状况的光伏发电功率预测方法及装置、设备。目的在于解决预测精度低的问题。本发明的预测方法包括：将待预测功率对应的天气变量数据分别输入不同天气状况下的功率预测器，得到预设数量的预测功率值；根据得到的预测功率值，以及每个功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率；其中，功率预测器通过以下方法训练得到：获取训练数据集并划分为预设数量的样本组，利用每个样本组分别对未训练的预测器进行训练，得到不同天气状况下的功率预测器。本发明避免了某些天气变量数据无法准确划分为某一类天气状况导致的较高预测误差，有效提高了光伏发电功率预测精度。

Description

融合多种天气状况的光伏发电功率预测方法及装置、设备
技术领域
本发明涉及光伏电站发电功率预测技术领域，具体涉及一种融合多种天气状况的光伏发电功率预测方法及装置、设备。
背景技术
太阳能作为最清洁、最具发展前景的可再生能源之一，具有巨大的开发和应用潜力。太阳能发电是发展和利用太阳能的一个极其重要的途径。但由于受太阳辐照度等天气条件的影响，其功率输出具有明显的周期性、季节性和随机波动性。这些特点对大规模光伏并网系统的安全性、稳定性和电能质量带来了严峻的挑战。因此，如何准确有效地预测太阳能发电量，对于电网调度和光伏电站的运行具有重要意义。
在不同天气状况下分别构建预测模型是提高太阳能发电预测精度的重要途径之一。现有文献中，通常基于天气数据进行天气状况划分，如使用地外太阳辐照度G0和地表太阳辐照度Gs来划分不同的天气状况；使用日最大辐照度、最高温度、最大波动、波动均值、波动标准差、波动最大三阶导数作为核模糊C均值(KFCM)的输入来划分天气状况。然后，使用所划分天气状况的数据构建预测模型。虽然上述方法取得了较好的预测性能，但没有针对某些天气变量无法准确划分为某一种天气状况的情况进行分析，导致这些天气变量对应的发电功率预测精度低。
发明内容
为了解决现有技术中的上述问题，本发明提出了一种融合多种天气状况的光伏发电功率预测方法及装置、设备，有效提高了光伏发电功率预测精度。
本发明的第一方面，提出一种融合多种天气状况的光伏发电功率预测方法，所述方法包括：
将待预测功率对应的天气变量数据分别输入预设数量的不同天气状况下的功率预测器，得到所述预设数量的预测功率值；
根据所述预设数量的预测功率值，以及每个所述功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率；
其中，
所述功率预测器通过以下方法训练得到：
获取训练数据集，所述训练数据集中每个训练样本包括：天气变量数据和光伏发电功率数据；
将所述训练数据集划分为所述预设数量的样本组，使每个所述样本组分别对应一类特定的天气状况；
利用所述预设数量的样本组分别对未训练的预测器进行训练，从而得到所述预设数量的不同天气状况下的所述功率预测器。
优选地，“将所述训练数据集划分为所述预设数量的样本组，使每个所述样本组分别对应一类特定的天气状况”的步骤具体包括：
根据所述训练数据集中各样本的光伏发电功率数据，采用K均值聚类算法对所述训练数据集进行分类，其中K为所述预设数量，从而得到所述预设数量的样本组，且每个所述样本组分别对应一类特定的天气状况。
优选地，所述功率预测器的权重值通过以下步骤训练得到：
将所述训练数据集中每个训练样本的天气变量数据分别输入各个所述功率预测器，得到相应的预测功率值；并以得到的预测功率值作为权重学习器的输入，以该训练样本的光伏功率数据作为真实功率值，对所述权重学习器进行训练，从而得到各个所述功率预测器的权重值。
优选地，在所述获取训练数据集的步骤之前，还包括进行数据预处理的步骤：
获取天气变量数据和对应的光伏发电功率数据，并进行预处理，从而得到训练数据集；其中，对光伏功率数据使用名义标称容量进行预处理，对天气数据采用MinMax函数进行预处理：
Figure BDA0002208769390000021
其中，xi'为经过预处理后的第i个天气变量数据，xi为第i个天气变量数据，xmax和xmin分别为天气变量数据的最大值和最小值，N为获取的天气变量数据的总个数。
本发明的第二方面，提出一种融合多种天气状况的光伏发电功率预测装置，所述装置包括：
预测模块，配置为将待预测功率对应的天气变量数据分别输入预设数量的不同天气状况下的功率预测器，得到所述预设数量的预测功率值；
融合模块，配置为根据所述预设数量的预测功率值，以及每个所述功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率；
预测器训练模块，包括：数据集获取单元、分类单元和训练单元；
其中，
所述数据集获取单元配置为获取训练数据集，所述训练数据集中每个训练样本包括：天气变量数据和光伏发电功率数据；
所述分类单元配置为将所述训练数据集划分为所述预设数量的样本组，每个所述样本组分别对应一类特定的天气状况；
所述训练单元配置为利用所述预设数量的样本组分别对未训练的预测器进行训练，从而得到所述预设数量的不同天气状况下的所述功率预测器。
优选地，所述分类单元具体包括：K均值聚类单元；
所述K均值聚类单元配置为：根据所述训练数据集中各样本的光伏发电功率数据，采用K均值聚类算法对所述训练数据集进行分类，其中K为所述预设数量，从而得到所述预设数量的样本组，且每个所述样本组分别对应一类特定的天气状况。
优选地，所述装置还包括权重值生成单元；
所述权重值生成单元配置为：将所述训练数据集中每个训练样本的天气变量数据分别输入各个所述功率预测器，得到相应的预测功率值；并以得到的预测功率值作为权重学习器的输入，以该训练样本的光伏功率数据作为真实功率值，对所述权重学习器进行训练，从而得到各个所述功率预测器的权重值。
优选地，所述装置还包括预处理单元；
所述预处理单元配置为：获取天气变量数据和对应的光伏发电功率数据，并进行预处理，从而得到训练数据集；其中，对光伏功率数据使用名义标称容量进行预处理，对天气数据采用MinMax函数进行预处理：
Figure BDA0002208769390000041
其中，xi'为经过预处理后的第i个天气变量数据，xi为第i个天气变量数据，xmax和xmin分别为天气变量数据的最大值和最小值，N为获取的天气变量数据的总个数。
本发明的第三方面，提出一种存储设备，其中存储有多条程序，所述程序适于由处理器加载并执行，以实现上面所述的融合多种天气状况的光伏发电功率预测方法。
本发明的第四方面，提出一种控制设备，包括：
处理器，适于加载程序；以及
存储器，适于存储所述程序；
所述程序适于由所述处理器加载并执行，以实现上面所述的融合多种天气状况的光伏发电功率预测方法。
与最接近的现有技术相比，本发明具有如下有益效果：
本发明在模型训练过程中，将训练数据集划分为预设数量的样本组，使得每个样本组分别对应一类特定的天气状况；利用预设数量的样本组分别对未训练的预测器进行训练，从而得到预设数量的不同天气状况下的功率预测器。本发明基于光伏发电功率数据对训练数据集进行聚类分析，所采用的聚类算法能够将具有相似模式的光伏功率曲线聚为一类，训练出的功率预测器能够很好地拟合天气变量与光伏发电功率之间的关系。
在进行功率预测时，先将待预测功率对应的天气变量数据分别输入预设数量的不同天气状况下的功率预测器，得到预设数量的预测功率值；然后根据得到的预设数量的预测功率值，以及每个功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率。采用本发明的预测方法，避免了某些天气变量数据无法准确划分为某一类天气状况所带来的较高预测误差的情况，有效提高了光伏发电功率预测精度。
附图说明
图1是本发明的融合多种天气状况的光伏发电功率预测方法实施例的主要步骤示意图；
图2是本发明实施例中功率预测器训练方法的主要步骤示意图；
图3是本发明实施例中采用四种不同的预测方法得到的预测结果示意图；
图4是本发明的融合多种天气状况的光伏发电功率预测装置实施例的主要构成示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
图1是本发明的融合多种天气状况的光伏发电功率预测方法实施例的主要步骤示意图。如图1所示，本实施例的预测方法包括步骤S1-S2：
步骤S1，将待预测功率对应的天气变量数据分别输入预设数量的不同天气状况下的功率预测器，得到预设数量的预测功率值；
步骤S2，根据预设数量的预测功率值，以及每个功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率，如公式(1)所示：
Figure BDA0002208769390000051
其中，
Figure BDA0002208769390000052
为最终预测结果，即融合多种天气状况的光伏发电功率；wj为第j种天气状况下的功率测器的权重值，即第j个预测功率值在最终预测结果中所占的比重；
Figure BDA0002208769390000061
为第j个预测功率值，即由第j个功率预测器得出的预测值；K为天气状况的种类数，即功率预测器的个数。
图2是本发明实施例中功率预测器训练方法的主要步骤示意图。如图2所示，本实施例中，功率预测器可以通过以下步骤A1-A3的方法训练得到：
步骤A1，获取训练数据集，训练数据集中每个训练样本包括：天气变量数据和光伏发电功率数据。
步骤A2，将训练数据集划分为预设数量的样本组，使每个样本组分别对应一类特定的天气状况。
本实施例中，根据训练数据集中各样本的光伏发电功率数据，采用K均值聚类算法对训练数据集进行分类，其中K为预设数量，从而得到预设数量的样本组，且每个样本组分别对应一类特定的天气状况。
例如，设置预设数量为3，即聚类个数为3(K＝3)。以日光伏功率数据(24维)作为K均值聚类(K-means)算法的输入，进而得到3类具有相似模式的光伏功率。
步骤A3，利用预设数量的样本组分别对未训练的预测器(如随机森林预测器)进行训练，从而得到预设数量的不同天气状况下的功率预测器。
本实施例中，在对预测器进行训练的步骤A1之前还包括：
步骤A0，获取天气变量数据和对应的光伏发电功率数据，并进行预处理，从而得到训练数据集。其中，对光伏功率数据使用名义标称容量进行预处理，对天气数据采用如公式(2)所示的MinMax函数进行预处理：
Figure BDA0002208769390000062
其中，xi'为经过预处理后的第i个天气变量数据，xi为第i个天气变量数据，xmax和xmin分别为天气变量数据的最大值和最小值，N为获取的天气变量数据的总个数(如N＝24)。
例如，采用澳大利亚某地的光伏发电功率数据进行分析，光伏发电功率数的分辨率为1小时，天气变量数据由欧洲中期天气预报中心提供，天气变量数据日前发布，分辨率为1小时。对光伏功率数据使用名义标称容量进行预处理，对天气变量数据采用如公式(2)所示的MinMax函数进行预处理。本实施例中，使用2012年4月1日至2013年3月30日的数据作为训练数据集，2013年4月1日至2013年4月30日作为验证集，2013年5月1日至2013年5月31日作为测试集。
在一种优选的实施例中，功率预测器的权重值可以通过以下步骤训练得到：
将训练数据集中每个训练样本的天气变量数据分别输入各个功率预测器，得到相应的预测功率值；并以得到的预测功率值作为权重学习器(如岭回归)的输入，以该训练样本的光伏功率数据作为真实功率值，对权重学习器进行训练，从而得到各个功率预测器的权重值。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
为了对比本发明的预测方法与现有预测方法的性能，通过nMAE(normalized meanabsolute error，归一化平均绝对误差)、nRMSE(normalized root-mean-squaredeviation，归一化均方根误差)和forecast skill(预报技术)三种评估指标分别对随机森林预测方法、梯度提升回归树预测方法、持久性预测方法以及本发明的预测方法进行性能评估，评价指标的计算方法如公式(3)-(5)所示：
Figure BDA0002208769390000071
Figure BDA0002208769390000072
Figure BDA0002208769390000073
其中，采用的测试数据集中有M个样本(包括M个天气变量数据和相应的M个实际光伏发电功率值)，使用上述四个不同的预测方法后，分别得到M个发电功率预测值，
Figure BDA0002208769390000081
为经名义装机容量归一化的第m个光伏发电功率预测值，ym为经名义装机容量归一化的第m个实际光伏发电功率值，nRMSEPersistence为持久性预测模型的nRMSE值。
图3是本发明实施例中采用四种不同的预测方法得到的预测结果示意图。采用相同的测试集分别利用本发明的预测方法、随机森林预测方法、梯度提升回归树预测方法和持久性预测方法进行预测后，得到的预测结果分别如图3(a)-(d)所示，以测试集中的实际值为横坐标，以得到的预测值为纵坐标，在图中画点，每一个黑点表示一个预测结果，当黑点越靠近45度斜向上的直线，说明预测值与实际值越接近。
利用公式(3)-(5)计算得到的评价指标如表1所示：
表1
nMAE(％) nRMSE(％) skill
随机森林预测方法 5.73 11.38 0.15
梯度提升回归树预测方法 6.87 11.86 0.11
持久性预测方法 5.66 13.40 ---
本发明的预测方法 4.75 10.07 0.25
由表1中可知，使用本发明的预测方法得到的nMAE和nRMSE指标分别为4.75％和10.07％，是上述四种方法中的最低值，本发明的预测方法的forecast skill为0.25，是上述四种方法中的最高值。由此可知，本发明的预测方法能够进一步地提高光伏发电功率的预测精度。
基于与上述方法实施例相同的技术构思，本发明还提供了一种融合多种天气状况的光伏发电功率预测装置实施例，下面进行具体说明。
图4是本发明的融合多种天气状况的光伏发电功率预测装置实施例的主要构成示意图。如图4所示，本实施例的预测装置包括：预测模块10、融合模块20、预测器训练模块30和权重值生成模块40。
其中，预测模块10配置为将待预测功率对应的天气变量数据分别输入预设数量的不同天气状况下的功率预测器，得到预设数量的预测功率值；融合模块20配置为根据预设数量的预测功率值，以及每个功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率；预测器训练模块30配置为对预测器进行训练，得到不同天气状况下的功率预测器；权重值生成模块40配置为：将训练数据集中每个训练样本的天气变量数据分别输入各个功率预测器，得到相应的预测功率值；并以得到的预测功率值作为权重学习器的输入，以该训练样本的光伏功率数据作为真实功率值，对权重学习器进行训练，从而得到各个功率预测器的权重值。
本实施例中，预测器训练模块30具体包括：数据集获取单元31、分类单元32和训练单元33。
其中，数据集获取单元31配置为获取训练数据集，训练数据集中每个训练样本包括：天气变量数据和光伏发电功率数据；分类单元32配置为将训练数据集划分为预设数量的样本组，每个样本组分别对应一类特定的天气状况；训练单元配置33为利用预设数量的样本组分别对未训练的预测器进行训练，从而得到预设数量的不同天气状况下的功率预测器。
在一种优选的实施例中，分类单元32可以包括：K均值聚类单元。K均值聚类单元配置为：根据训练数据集中各样本的光伏发电功率数据，采用K均值聚类算法对训练数据集进行分类，其中K为预设数量，从而得到预设数量的样本组，且每个样本组分别对应一类特定的天气状况。
在一种优选的实施例中，预测器训练模块30还包括预处理单元。预处理单元配置为：获取天气变量数据和对应的光伏发电功率数据，对其中的光伏功率数据使用名义标称容量进行预处理，对其中的天气数据采用如公式(2)所示的MinMax函数进行预处理。
本申请中对融合多种天气状况的光伏发电功率预测装置进行模块、单元划分，仅仅是为了更好地理解本发明的技术方案所涉及的功能，在实践中，这些模块所对应的功能可以由单个硬件加载程序并执行。
基于上述发电功率预测方法，本发明还提出一种存储设备的实施例，其中存储有多条程序，所述程序适于由处理器加载并执行，以实现上面所述的融合多种天气状况的光伏发电功率预测方法。
进一步地，本发明还提出一种控制设备的实施例，包括：处理器和存储器。其中，处理器适于加载程序，存储器适于存储该程序；该程序适于由该处理器加载并执行，以实现上面所述的融合多种天气状况的光伏发电功率预测方法。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤、模块、单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子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。这些功能究竟以电子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。本领域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。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (6)

1.一种融合多种天气状况的光伏发电功率预测方法，其特征在于，所述方法包括：
将待预测功率对应的天气变量数据分别输入预设数量的不同天气状况下的功率预测器，得到所述预设数量的预测功率值；
根据所述预设数量的预测功率值，以及每个所述功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率；
其中，
所述功率预测器通过以下方法训练得到：
获取训练数据集，所述训练数据集中每个训练样本包括：天气变量数据和光伏发电功率数据；
将所述训练数据集划分为所述预设数量的样本组，使每个所述样本组分别对应一类特定的天气状况；根据所述训练数据集中各样本的光伏发电功率数据，采用K均值聚类算法对所述训练数据集进行分类，其中K为所述预设数量，从而得到所述预设数量的样本组，且每个所述样本组分别对应一类特定的天气状况；以日光伏功率数据作为K均值聚类算法的输入，进而得到具有相似模式的光伏功率数；
利用所述预设数量的样本组分别对未训练的预测器进行训练，从而得到所述预设数量的不同天气状况下的所述功率预测器；
所述功率预测器的权重值通过以下步骤训练得到：
将所述训练数据集中每个训练样本的天气变量数据分别输入各个所述功率预测器，得到相应的预测功率值；并以得到的预测功率值作为权重学习器的输入，以该训练样本的光伏功率数据作为真实功率值，对所述权重学习器进行训练，从而得到各个所述功率预测器的权重值。
2.根据权利要求1所述的融合多种天气状况的光伏发电功率预测方法，其特征在于，在所述获取训练数据集的步骤之前，还包括进行数据预处理的步骤：
获取天气变量数据和对应的光伏发电功率数据，并进行预处理，从而得到训练数据集；其中，对光伏功率数据使用名义标称容量进行预处理，对天气数据采用MinMax函数进行预处理：
Figure FDA0003809241440000021
其中，x'i为经过预处理后的第i个天气变量数据，xi为第i个天气变量数据，xmax和xmin分别为天气变量数据的最大值和最小值，N为获取的天气变量数据的总个数。
3.一种融合多种天气状况的光伏发电功率预测装置，其特征在于，所述装置包括：
预测模块，配置为将待预测功率对应的天气变量数据分别输入预设数量的不同天气状况下的功率预测器，得到所述预设数量的预测功率值；
融合模块，配置为根据所述预设数量的预测功率值，以及每个所述功率预测器的权重值，计算得到融合多种天气状况的光伏发电功率；
预测器训练模块，包括：数据集获取单元、分类单元和训练单元；
其中，
所述数据集获取单元配置为获取训练数据集，所述训练数据集中每个训练样本包括：天气变量数据和光伏发电功率数据；
所述分类单元配置为将所述训练数据集划分为所述预设数量的样本组，每个所述样本组分别对应一类特定的天气状况；根据所述训练数据集中各样本的光伏发电功率数据，采用K均值聚类算法对所述训练数据集进行分类，其中K为所述预设数量，从而得到所述预设数量的样本组，且每个所述样本组分别对应一类特定的天气状况；以日光伏功率数据作为K均值聚类算法的输入，进而得到具有相似模式的光伏功率数；
所述训练单元配置为利用所述预设数量的样本组分别对未训练的预测器进行训练，从而得到所述预设数量的不同天气状况下的所述功率预测器；
所述装置还包括权重值生成单元；
所述权重值生成单元配置为：将所述训练数据集中每个训练样本的天气变量数据分别输入各个所述功率预测器，得到相应的预测功率值；并以得到的预测功率值作为权重学习器的输入，以该训练样本的光伏功率数据作为真实功率值，对所述权重学习器进行训练，从而得到各个所述功率预测器的权重值。
4.根据权利要求3所述的融合多种天气状况的光伏发电功率预测装置，其特征在于，所述装置还包括预处理单元；
所述预处理单元配置为：获取天气变量数据和对应的光伏发电功率数据，并进行预处理，从而得到训练数据集；其中，对光伏功率数据使用名义标称容量进行预处理，对天气数据采用MinMax函数进行预处理：
Figure FDA0003809241440000031
其中，x'i为经过预处理后的第i个天气变量数据，xi为第i个天气变量数据，xmax和xmin分别为天气变量数据的最大值和最小值，N为获取的天气变量数据的总个数。
5.一种存储设备，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行，以实现权利要求1-2中任一项所述的融合多种天气状况的光伏发电功率预测方法。
6.一种控制设备，包括：
处理器，适于加载程序；以及
存储器，适于存储所述程序；
其特征在于，所述程序适于由所述处理器加载并执行，以实现权利要求1-2中任一项所述的融合多种天气状况的光伏发电功率预测方法。
CN201910891067.1A 2019-09-20 2019-09-20 融合多种天气状况的光伏发电功率预测方法及装置、设备 Active CN110717623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910891067.1A CN110717623B (zh) 2019-09-20 2019-09-20 融合多种天气状况的光伏发电功率预测方法及装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910891067.1A CN110717623B (zh) 2019-09-20 2019-09-20 融合多种天气状况的光伏发电功率预测方法及装置、设备

Publications (2)

Publication Number Publication Date
CN110717623A CN110717623A (zh) 2020-01-21
CN110717623B true CN110717623B (zh) 2022-11-08

Family

ID=69209965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910891067.1A Active CN110717623B (zh) 2019-09-20 2019-09-20 融合多种天气状况的光伏发电功率预测方法及装置、设备

Country Status (1)

Country Link
CN (1) CN110717623B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815027A (zh) * 2020-06-09 2020-10-23 山东大学 一种光伏场站发电功率预测方法及系统
CN114900124B (zh) * 2022-04-12 2023-01-24 广东绿建联能源环境科技有限公司 光伏发电检测系统及其检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516145A (zh) * 2017-07-27 2017-12-26 浙江工业大学 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法
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
CN108985521A (zh) * 2018-08-02 2018-12-11 广东工业大学 光伏发电系统的输出功率预测方法、装置、设备及介质
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
CN109978284A (zh) * 2019-04-25 2019-07-05 中国人民解放军国防科技大学 一种基于混合神经网络模型的光伏发电功率分时预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516145A (zh) * 2017-07-27 2017-12-26 浙江工业大学 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法
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
CN108985521A (zh) * 2018-08-02 2018-12-11 广东工业大学 光伏发电系统的输出功率预测方法、装置、设备及介质
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
CN109978284A (zh) * 2019-04-25 2019-07-05 中国人民解放军国防科技大学 一种基于混合神经网络模型的光伏发电功率分时预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"光伏发电功率多时间尺度预测方法研究";甄钊;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20190415(第4期);第51页 *

Also Published As

Publication number Publication date
CN110717623A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
CN111639815B (zh) 一种多模型融合预测电网缺陷物资的方法及系统
Dumitru et al. Daily average wind energy forecasting using artificial neural networks
CN110929953A (zh) 基于聚类分析的光伏电站超短期出力预测方法
CN112200377A (zh) 基于sarimax模型的光伏中长期发电量预报方法及装置
CN111369045A (zh) 一种短期光伏发电功率预测的方法
CN110717623B (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN114006369B (zh) 区域风光场站功率联合预测方法、装置、电子设备和存储介质
Babatunde et al. Predictive analysis of photovoltaic plants specific yield with the implementation of multiple linear regression tool
CN111126868B (zh) 一种道路交通事故发生风险确定方法及系统
CN111027768A (zh) 数据处理方法、装置和应用平台
CN104102951A (zh) 一种基于emd历史数据预处理的短期风电功率预测方法
CN112580874A (zh) 一种基于随机森林算法和tcn的短期风电功率预测方法
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN113505923A (zh) 一种地区电网短期负荷预测方法及系统
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN114912716A (zh) 基于双向长短时记忆网络的短期电力负荷预测方法及系统
Palma-Behnke et al. Synthetic time series generation model for analysis of power system operation and expansion with high renewable energy penetration
Yang et al. Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection
CN110991741B (zh) 一种基于深度学习的断面约束概率预警方法及系统
Putra et al. Modeling of high uncertainty photovoltaic generation in quasi dynamic power flow on distribution systems: A case study in Java Island, Indonesia
CN116757321A (zh) 太阳直接辐射量预测方法、系统、设备及存储介质
Wang et al. Multiscale prediction of wind speed and output power for the wind farm
CN111060755A (zh) 一种电磁干扰诊断方法和装置

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
GR01 Patent grant
GR01 Patent grant