CN114048896B - 光伏发电数据的预测方法、系统、设备及介质 - Google Patents
光伏发电数据的预测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN114048896B CN114048896B CN202111256777.0A CN202111256777A CN114048896B CN 114048896 B CN114048896 B CN 114048896B CN 202111256777 A CN202111256777 A CN 202111256777A CN 114048896 B CN114048896 B CN 114048896B
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- generation data
- historical
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000001932 seasonal effect Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 239000003016 pheromone Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000257303 Hymenoptera Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种光伏发电数据的预测方法、系统、设备及介质,该预测方法包括:获取一历史时间段的历史光伏发电数据;将历史光伏发电数据输入第一模型,以对历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据;分别将每个分组光伏发电数据输入第二模型,输出不同气象类型下目标时间的预测光伏发电数据。本发明排除了气象因素对光伏发电数据预测的干扰;缩短了单一算法进行光伏发电数据预测的时间,提高了预测的准确性;对历史光伏发电数据进行预处理,改善了原始数据的质量,增强了预测结果的可靠性。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种光伏发电数据的预测方法、系统、设备及介质。
背景技术
随着化石燃料的逐渐枯竭,世界各国都将目光投入到可再生能源上,太阳能发电作为一种清洁能源越来越收到重视。光伏发电与天气因素息息相关,例如,太阳辐照强度、环境温度、天气类型等因素变化都会对光伏发电的输出功率造成影响。
随着光伏发电大规模的集中并入电网,光伏发电的间歇性、不确定性的特征使得输出功率存在天然的波动性,给电力系统的功率平衡、安全稳定和经济运行带来巨大的挑战。现有对光伏发电功率以及发电量的预测方法中,没有考虑天气因素或者发电功率随机波动的因素,造成预测效果差,准确度低。
发明内容
本发明要解决的技术问题是为了克服现有技术中对光伏发电数据预测未考虑天气随机波动的因素,预测效果差且准确度低的缺陷,提供一种光伏发电数据的预测方法、系统、设备及介质。
本发明是通过下述技术方案来解决上述技术问题:
第一方面,本发明提供一种光伏发电数据的预测方法,所述预测方法包括:
获取一历史时间段的历史光伏发电数据;
将所述历史光伏发电数据输入第一模型,以对所述历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据;
分别将每个分组光伏发电数据输入第二模型,输出不同气象类型下目标时间的预测光伏发电数据;所述目标时间基于所述历史时间段确定。
较佳地,所述将所述历史光伏发电数据输入第一模型之前,所述预测方法还包括:
对所述历史光伏发电数据进行预处理;所述预处理包括对所述历史光伏发电数据进行平滑处理以及异常数据剔除。
较佳地,所述第一模型包括基于随机变异策略的蚁群聚类算法构建的聚类模型;
和/或,
所述预测方法通过以下步骤训练得到所述第二模型,包括:
获取待训练的样本时间段内的样本光伏发电数据;
将所述样本光伏发电数据输入BP神经网络模型进行训练,生成所述第二模型;所述BP神经网络模型是以任意已知时间段的所述样本光伏发电数据为输入,以与所述任意已知时间段对应的待测时间的预测数据为输出,所述任意已知时间段和所述待测时间位于所述样本时间段内。
较佳地,所述历史光伏发电数据包括历史光伏发电功率数据,所述将所述历史光伏发电数据输入第一模型,以对所述历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据的步骤包括:
将所述历史光伏发电功率数据输入第一模型,输出不同天气状态对应的分组光伏发电功率数据;所述气象类型包括所述天气状态,所述天气状态包括晴天、阴天以及雨天中的至少一种;
和/或;
所述历史光伏发电数据包括历史光伏发电量数据,所述将所述历史光伏发电数据输入第一模型,以对所述历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据的步骤包括:
将所述历史光伏发电量数据输入第一模型,输出不同季节状态对应的分组光伏发电量数据;所述气象类型包括所述季节状态,所述季节状态包括春季、夏季、秋季以及冬季中的至少一种。
第二方面,本发明提供一种光伏发电数据的预测系统,所述预测系统包括:
第一获取模块,用于获取一历史时间段的历史光伏发电数据;
分类模块,用于将所述历史光伏发电数据输入第一模型,以对所述历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据;
预测模块,用于分别将每个分组光伏发电数据输入第二模型,输出不同气象类型下目标时间的预测光伏发电数据;所述目标时间基于所述历史时间段确定。
较佳地,所述预测系统还包括:
处理模块,用于对所述历史光伏发电数据进行预处理;所述预处理包括对所述历史光伏发电数据进行平滑处理以及异常数据剔除。
较佳地,所述第一模型包括基于随机变异策略的蚁群聚类算法构建的聚类模型;
和/或,
所述预测系统通过以下模块训练得到所述第二模型,包括:
第二获取模块,用于获取待训练的样本时间段内的样本光伏发电数据;
训练模块,用于将所述样本光伏发电数据输入BP神经网络模型进行训练,生成所述第二模型;所述BP神经网络模型是以任意已知时间段的所述样本光伏发电数据为输入,以与所述任意已知时间段对应的待测时间的预测数据为输出,所述任意已知时间段和所述待测时间位于所述样本时间段内。
较佳地,所述历史光伏发电数据包括历史光伏发电功率数据,所述分类模块具体用于:
将所述历史光伏发电功率数据输入第一模型,输出不同天气状态对应的分组光伏发电功率数据;所述气象类型包括所述天气状态,所述天气状态包括晴天、阴天以及雨天中的至少一种;
和/或,
所述历史光伏发电数据包括历史光伏发电量数据,所述分类模块具体用于:
将所述历史光伏发电量数据输入第一模型,输出不同季节状态对应的分组光伏发电量数据;所述气象类型包括所述季节状态,所述季节状态包括梅雨季节或者春季、夏季、秋季以及冬季中的至少一种。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如第一方面所述的光伏发电数据的预测方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的光伏发电数据的预测方法。
本发明的积极进步效果在于:提供一种光伏发电数据的预测方法、系统、设备及介质,通过将聚类后的历史光伏发电数据输入预先训练完成的模型中,输出不同气象类型下未来时段的光伏发电数据。本发明排除了气象因素对光伏发电数据预测的干扰;缩短了单一算法进行光伏发电数据预测的时间,提高了预测的准确性;对历史光伏发电数据进行预处理,改善了原始数据的质量,增强了预测结果的可靠性。
附图说明
图1为本发明实施例1的光伏发电数据的预测方法的第一流程图。
图2为本发明实施例1的光伏发电数据的预测方法的第二流程图。
图3为本发明实施例2的光伏发电数据的预测系统的模块示意图。
图4为本发明实施例3的电子设备的硬件结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例提供一种光伏发电数据的预测方法,该预测方法包括以下步骤:
S1、获取一历史时间段的历史光伏发电数据。
S2、将历史光伏发电数据输入第一模型,以对历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据。
S3、分别将每个分组光伏发电数据输入第二模型,输出不同气象类型下目标时间的预测光伏发电数据;该目标时间基于所述历史时间段确定。
其中,该第一模型包括基于随机变异策略的蚁群聚类算法构建的聚类模型。
针对上述步骤S1,选取某一片给定光伏发电区域,该光伏发电区域的发电数据通常是随机波动的。一天中,随机波动的幅度大小在每个不同的时间段也是不相同的,在受到太阳辐射强度较大的中午,光伏发电功率的变化幅度也是最大的,而在白天和黑夜,光伏发电功率的变化幅度则较小。可以获取3个月、4个月或者5个月的历史光伏发电数据,该历史光伏发电数据可以包括但不限于一天中每小时的光伏发电功率数据,也可以包括但不限于每个月的光伏发电量数据。
针对上述步骤S2,将获取到的历史光伏发电数据输入第一模型中进行自组织聚类后,可以得到晴天、阴天以及阴雨天等不同天气类型对应的分组光伏发电数据。例如,该第一模型是蚁群聚类算法构建的聚类模型时,可以根据天气类型设置聚类模型的聚类中心的数量为3个,蚂蚁数量为200个,最大迭代次数为10000,阈值为0.8等。对历史光伏发电数据构成的信息素矩阵进行迭代,对蚂蚁路径进行记录和存储,并做好标识后,计算出聚类中心以及各个样品对其对应的聚类中心的总的偏离误差F,根据偏离误差F的大小,计算出最佳路径;选择L条路径进行随机变异,计算新路径下的聚类中心以及聚类中心总的偏离误差Ftemp;判断新路径下的目标函数Ftemp是否小于F,如果是,则调整新路径,替换原有的解;更新历史光伏发电数据构成的信息素矩阵,直至不满足预设的迭代条件时,输出聚类分析的结果需要说明的是,蚁群聚类算法为现有技术,在此就不再过多的赘述。
针对上述步骤S3,获取到当前时刻之前,每组气象类型对应的光伏发电数据后,依次将每个分组光伏发电数据输入第二模型后,可以输出未来1个月或者1年的不同气象类型所对应的光伏发电数据的预测值。例如,当获取三个月的历史时间段的历史光伏发电功率时,由第二模型可以输出当前时刻之后,一个月内每日的光伏发电功率的预测值。或者,由第二模型可以输出当前时刻之后,一个月内每周的光伏发电功率的预测值。
如图2所示,将历史光伏发电数据输入第一模型之前,该预测方法还包括以下步骤:
S11、对历史光伏发电数据进行预处理;预处理包括对历史光伏发电数据进行平滑处理以及异常数据剔除。
具体地,可以对历史光伏发电数据进行异常数据剔除后,再进行平滑处理,获取去噪后的光伏发电数据。例如,某光伏发电站共采用30块隆基乐叶450W的光伏面板进行生产,由于每一天的最大光伏发电功率为13.5kW,因此将13.5kW作为第一预设阈值。但是在获取的一历史时间段中,两个时刻采集的光伏发电功率为14.038kW和13.882kW大于第一预设阈值,则将上述两个异常数据进行剔除。换言之,可以设置第二预设阈值,将获取的一历史时间段中的小于第二预设阈值的发电功率的数据也可以进行剔除。
进一步的,对完成异常数据剔除后的历史光伏发电数据采用移动平均法进行平滑处理,选择移动期数N=5,即按照时间顺序每5个采样数据取平均值。经过移动平均法处理后的数据减少了毛刺,提高了原始数据的质量,再依次通过第一模型进行聚类分析,最后经过第二模型输出的未来目标时候的光伏发电数据会更加准确。
需要说明的是,可以根据不同的光伏发电区域,对设置的不同上下阈值以及移动期数可以进行相应的调整。
在一可实现的方案中,该预测方法通过以下步骤训练得到第二模型,包括:
获取待训练的样本时间段内的样本光伏发电数据;
将样本光伏发电数据输入BP神经网络模型进行训练,生成第二模型;该BP神经网络模型是以任意已知时间段的样本光伏发电数据为输入,以与任意已知时间段对应的待测时间的预测数据为输出,任意已知时间段和待测时间位于样本时间段内。
具体地,若获取待训练的样本时间段内的样本光伏发电数据为大样本容量的数据时,可以采用BP神经网络模型进行训练生成第二模型;若获取待训练的样本时间段内的样本光伏发电数据为小样本容量的数据时,可以采用支持向量机进行训练生成第二模型,该方式可以有效的利用各种算法进行计算,提高了光伏发电数据预测的精度,增强了收敛速度。需要说明的是,获取的待训练的样本时间段内的样本光伏发电数据为经过预处理的数据,该预处理的方式可以包括异常数据剔除和平滑处理,具体数据处理的过程与前述步骤S11中的类似,在此就不再赘述。
在一可实现方案中,该历史光伏发电数据包括历史光伏发电功率数据,S2具体包括:
将历史光伏发电功率数据输入第一模型,输出不同天气状态对应的分组光伏发电功率数据;气象类型包括天气状态,天气状态包括晴天、阴天以及雨天中的至少一种。
具体地,对历史光伏发电功率数据输入第一模型时,可以根据历史时间段内出现的天气情况对天气状态进行设定,例如,该天气状态还可以包括晴天、阴天、雨天、阴雨天以及下雪天,选择更适合目标时间进行预测时可能出现的天气状态对第一模型中的某些参数进行设定,从而进一步提高最终对未来实际光伏发电功率进行预测的精度。
在另一可实现方案中,该历史光伏发电数据包括历史光伏发电量数据,S2具体包括:
将历史光伏发电量数据输入第一模型,输出不同季节状态对应的分组光伏发电量数据;气象类型包括季节状态,季节状态包括春季、夏季、秋季以及冬季中的至少一种。
具体地,对历史光伏发电量数据输入第一模型时,可以根据历史时间段内出现的气候特点对季节状态进行划分,例如,该季节状态还可以划分为梅雨季和非梅雨季,选择更适合目标时间进行预测时可能出现的季节状态对第一模型中的某些参数进行设定,从而进一步提高最终对未来实际光伏发电量进行预测的精度。
本实施例提供一种光伏发电数据的预测方法,通过将聚类后的历史光伏发电数据输入预先训练完成的模型中,输出不同气象类型下未来时段的光伏发电数据。本发明排除了气象因素对光伏发电数据预测的干扰;缩短了单一算法进行光伏发电数据预测的时间,提高了预测的准确性;对历史光伏发电数据进行预处理,改善了原始数据的质量,增强了预测结果的可靠性。
实施例2
如图3所示,本实施例提供一种光伏发电数据的预测系统,该预测系统包括:第一获取模块110、分类模块120以及预测模块130。
其中,第一获取模块110,用于获取一历史时间段的历史光伏发电数据;
分类模块120,用于将历史光伏发电数据输入第一模型,以对历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据;
预测模块130,用于分别将每个分组光伏发电数据输入第二模型,输出不同气象类型下目标时间的预测光伏发电数据;目标时间基于历史时间段确定。
其中,该第一模型包括基于随机变异策略的蚁群聚类算法构建的聚类模型。
选取某一片给定光伏发电区域,该光伏发电区域的发电数据通常是随机波动的。一天中,随机波动的幅度大小在每个不同的时间段也是不相同的,在受到太阳辐射强度较大的中午,光伏发电功率的变化幅度也是最大的,而在白天和黑夜,光伏发电功率的变化幅度则较小。第一获取模块110可以获取3个月、4个月或者5个月的历史光伏发电数据,该历史光伏发电数据可以包括但不限于一天中每小时的光伏发电功率数据,也可以包括但不限于每个月的光伏发电量数据。
分类模块120将获取到的历史光伏发电数据输入第一模型中进行自组织聚类后,可以得到晴天、阴天以及阴雨天等不同天气类型对应的分组光伏发电数据。例如,该第一模型是蚁群聚类算法构建的聚类模型时,可以根据天气类型设置聚类模型的聚类中心的数量为3个,蚂蚁数量为200个,最大迭代次数为10000,阈值为0.8等。对历史光伏发电数据构成的信息素矩阵进行迭代,对蚂蚁路径进行记录和存储,并做好标识后,计算出聚类中心以及各个样品对其对应的聚类中心的总的偏离误差F,根据偏离误差F的大小,计算出最佳路径;选择L条路径进行随机变异,计算新路径下的聚类中心以及聚类中心总的偏离误差Ftemp;判断新路径下的目标函数Ftemp是否小于F,如果是,则调整新路径,替换原有的解;更新历史光伏发电数据构成的信息素矩阵,直至不满足预设的迭代条件时,输出聚类分析的结果需要说明的是,蚁群聚类算法为现有技术,在此就不再过多的赘述。
获取到当前时刻之前,每组气象类型对应的光伏发电数据后,预测模块130依次将每个分组光伏发电数据输入第二模型后,可以输出未来1个月或者1年的不同气象类型所对应的光伏发电数据的预测值。例如,当获取三个月的历史时间段的历史光伏发电功率时,由第二模型可以输出当前时刻之后,一个月内每日的光伏发电功率的预测值。或者,由第二模型可以输出当前时刻之后,一个月内每周的光伏发电功率的预测值。
在一可实现的方案中,如图3所示,该预测系统还包括处理模块111。
其中,处理模块111,用于对历史光伏发电数据进行预处理;预处理包括对历史光伏发电数据进行平滑处理以及异常数据剔除。
具体地,处理模块111可以对历史光伏发电数据进行异常数据剔除后,再进行平滑处理,获取去噪后的光伏发电数据。例如,某光伏发电站共采用30块隆基乐叶450W的光伏面板进行生产,由于每一天的最大光伏发电功率为13.5kW,因此将13.5kW作为第一预设阈值。但是在获取的一历史时间段中,两个时刻采集的光伏发电功率为14.038kW和13.882kW大于第一预设阈值,则将上述两个异常数据进行剔除。换言之,可以设置第二预设阈值,将获取的一历史时间段中的小于第二预设阈值的发电功率的数据也可以进行剔除。
进一步的,对完成异常数据剔除后的历史光伏发电数据采用移动平均法进行平滑处理,选择移动期数N=5,即按照时间顺序每5个采样数据取平均值。经过移动平均法处理后的数据减少了毛刺,提高了原始数据的质量,再依次通过第一模型进行聚类分析,最后经过第二模型输出的未来目标时候的光伏发电数据会更加准确。
需要说明的是,可以根据不同的光伏发电区域,对设置的不同上下阈值以及移动期数可以进行相应的调整。
在一可实现的方案中,该预测方法通过以下模块训练得到第二模型,包括:第二获取模块和训练模块。
其中,第二获取模块,用于获取待训练的样本时间段内的样本光伏发电数据;
训练模块,用于将样本光伏发电数据输入BP神经网络模型进行训练,生成第二模型;该BP神经网络模型是以任意已知时间段的样本光伏发电数据为输入,以与任意已知时间段对应的待测时间的预测数据为输出,任意已知时间段和待测时间位于样本时间段内。
具体地,若第二获取模块获取待训练的样本时间段内的样本光伏发电数据为大样本容量的数据时,可以训练模块采用BP神经网络模型进行训练生成第二模型;若第二获取模块获取待训练的样本时间段内的样本光伏发电数据为小样本容量的数据时,可以训练模块采用支持向量机进行训练生成第二模型,该方式可以有效的利用各种算法进行计算,提高了光伏发电数据预测的精度,增强了收敛速度。
在一可实现方案中,该历史光伏发电数据包括历史光伏发电功率数据,分类模块120具体用于:
将历史光伏发电功率数据输入第一模型,输出不同天气状态对应的分组光伏发电功率数据;气象类型包括天气状态,天气状态包括晴天、阴天以及雨天中的至少一种。
具体地,对历史光伏发电功率数据输入第一模型时,可以根据历史时间段内出现的天气情况对天气状态进行设定,例如,该天气状态还可以包括晴天、阴天、雨天、阴雨天以及下雪天,选择更适合目标时间进行预测时可能出现的天气状态对第一模型中的某些参数进行设定,从而进一步提高最终对未来实际光伏发电功率进行预测的精度。
在另一可实现方案中,该历史光伏发电数据包括历史光伏发电量数据,分类模块120具体用于:
将历史光伏发电量数据输入第一模型,输出不同季节状态对应的分组光伏发电量数据;气象类型包括所述季节状态,季节状态包括春季、夏季、秋季以及冬季中的至少一种。
具体地,对历史光伏发电量数据输入第一模型时,可以根据历史时间段内出现的气候特点对季节状态进行划分,例如,该季节状态还可以划分为梅雨季和非梅雨季,选择更适合目标时间进行预测时可能出现的季节状态对第一模型中的某些参数进行设定,从而进一步提高最终对未来实际光伏发电量进行预测的精度。
本实施例提供一种光伏发电数据的预测系统,预测模块通过将聚类后的历史光伏发电数据输入预先训练完成的模型中,输出不同气象类型下未来时段的光伏发电数据。本发明排除了气象因素对光伏发电数据预测的干扰;缩短了单一算法进行光伏发电数据预测的时间,提高了预测的准确性;对历史光伏发电数据进行预处理,改善了原始数据的质量,增强了预测结果的可靠性。
实施例3
图4为本实施例提供的一种电子设备的结构示意图。所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例1的光伏发电数据的预测方法,图4显示的电子设备60仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备60可以以通用计算设备的形式表现,例如其可以为服务器设备。电子设备60的组件可以包括但不限于:上述至少一个处理器61、上述至少一个存储器62、连接不同系统组件(包括存储器62和处理器61)的总线63。
总线63包括数据总线、地址总线和控制总线。
存储器62可以包括易失性存储器,例如随机存取存储器(RAM)621和/或高速缓存存储器622,还可以进一步包括只读存储器(ROM)623。
存储器62还可以包括具有一组(至少一个)程序模块624的程序/实用工具625,这样的程序模块624包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器61通过运行存储在存储器62中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1的光伏发电数据的预测方法。
电子设备60也可以与一个或多个外部设备64(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口65进行。并且,模型生成的设备630还可以通过网络适配器66与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器66通过总线63与模型生成的设备60的其它模块通信。应当明白,尽管图中未示出,可以结合模型生成的设备60使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)系统、磁带驱动器以及数据备份存储系统等。
应当注意,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现实施例1的光伏发电数据的预测方法的步骤。
其中,可读存储介质可以采用的更具体可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行实现实施例1的光伏发电数据的预测方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,所述程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (6)
1.一种光伏发电数据的预测方法,其特征在于,所述预测方法包括:
获取一历史时间段的历史光伏发电数据;
将所述历史光伏发电数据输入第一模型,以对所述历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据;
分别将每个分组光伏发电数据输入第二模型,输出不同气象类型下目标时间的预测光伏发电数据;所述目标时间基于所述历史时间段确定;
所述第一模型包括基于随机变异策略的蚁群聚类算法构建的聚类模型;
所述预测方法通过以下步骤训练得到所述第二模型,包括:
获取待训练的样本时间段内的样本光伏发电数据;
将所述样本光伏发电数据输入BP神经网络模型进行训练,生成所述第二模型;所述BP神经网络模型是以任意已知时间段的所述样本光伏发电数据为输入,以与所述任意已知时间段对应的待测时间的预测数据为输出,所述任意已知时间段和所述待测时间位于所述样本时间段内;
所述历史光伏发电数据包括历史光伏发电功率数据,所述将所述历史光伏发电数据输入第一模型,以对所述历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据的步骤包括:
将所述历史光伏发电功率数据输入第一模型,输出不同天气状态对应的分组光伏发电功率数据;所述气象类型包括所述天气状态,所述天气状态包括晴天、阴天以及雨天中的至少一种;
和/或;
所述历史光伏发电数据包括历史光伏发电量数据,所述将所述历史光伏发电数据输入第一模型,以对所述历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据的步骤包括:
将所述历史光伏发电量数据输入第一模型,输出不同季节状态对应的分组光伏发电量数据;所述气象类型包括所述季节状态,所述季节状态包括春季、夏季、秋季以及冬季中的至少一种。
2.如权利要求1所述的光伏发电数据的预测方法,其特征在于,所述将所述历史光伏发电数据输入第一模型之前,所述预测方法还包括:
对所述历史光伏发电数据进行预处理;所述预处理包括对所述历史光伏发电数据进行平滑处理以及异常数据剔除。
3.一种光伏发电数据的预测系统,其特征在于,所述预测系统包括:
第一获取模块,用于获取一历史时间段的历史光伏发电数据;
分类模块,用于将所述历史光伏发电数据输入第一模型,以对所述历史光伏发电数据进行分类得到与不同气象类型对应的分组光伏发电数据;
预测模块,用于分别将每个分组光伏发电数据输入第二模型,输出不同气象类型下目标时间的预测光伏发电数据;所述目标时间基于所述历史时间段确定;
所述第一模型包括基于随机变异策略的蚁群聚类算法构建的聚类模型;
所述预测系统通过以下模块训练得到所述第二模型,包括:
第二获取模块,用于获取待训练的样本时间段内的样本光伏发电数据;
训练模块,用于将所述样本光伏发电数据输入BP神经网络模型进行训练,生成所述第二模型;所述BP神经网络模型是以任意已知时间段的所述样本光伏发电数据为输入,以与所述任意已知时间段对应的待测时间的预测数据为输出,所述任意已知时间段和所述待测时间位于所述样本时间段内;
所述历史光伏发电数据包括历史光伏发电功率数据,所述分类模块具体用于:
将所述历史光伏发电功率数据输入第一模型,输出不同天气状态对应的分组光伏发电功率数据;所述气象类型包括所述天气状态,所述天气状态包括晴天、阴天以及雨天中的至少一种;
和/或,
所述历史光伏发电数据包括历史光伏发电量数据,所述分类模块具体用于:
将所述历史光伏发电量数据输入第一模型,输出不同季节状态对应的分组光伏发电量数据;所述气象类型包括所述季节状态,所述季节状态包括梅雨季节或者春季、夏季、秋季以及冬季中的至少一种。
4.如权利要求3所述的光伏发电数据的预测系统,其特征在于,所述预测系统还包括:
处理模块,用于对所述历史光伏发电数据进行预处理;所述预处理包括对所述历史光伏发电数据进行平滑处理以及异常数据剔除。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-2中任一项所述的光伏发电数据的预测方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-2任一项所述的光伏发电数据的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111256777.0A CN114048896B (zh) | 2021-10-27 | 2021-10-27 | 光伏发电数据的预测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111256777.0A CN114048896B (zh) | 2021-10-27 | 2021-10-27 | 光伏发电数据的预测方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048896A CN114048896A (zh) | 2022-02-15 |
CN114048896B true CN114048896B (zh) | 2023-02-03 |
Family
ID=80206404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111256777.0A Active CN114048896B (zh) | 2021-10-27 | 2021-10-27 | 光伏发电数据的预测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048896B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819772B (zh) * | 2022-06-28 | 2022-09-13 | 中成空间(深圳)智能技术有限公司 | 应用于光伏气膜的智能能量管理及回收的方法及系统 |
CN115036922B (zh) * | 2022-08-10 | 2022-10-21 | 四川中电启明星信息技术有限公司 | 一种分布式光伏发电电量预测方法及系统 |
CN116031955B (zh) * | 2023-03-31 | 2023-06-27 | 赫里欧新能源有限公司 | 一种微电网型风光柴热储智能互补电力供应方法及系统 |
CN116742622B (zh) * | 2023-08-09 | 2023-11-03 | 山东理工职业学院 | 一种基于光伏发电的发电量预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016132569A1 (ja) * | 2015-02-17 | 2016-08-25 | オーナンバ株式会社 | 太陽光発電システムの未来の電流値または発電量の低下の時期を予測する方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN109858673A (zh) * | 2018-12-27 | 2019-06-07 | 南京工程学院 | 一种光伏发电系统功率预测方法 |
CN113033910A (zh) * | 2021-04-09 | 2021-06-25 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170286838A1 (en) * | 2016-03-29 | 2017-10-05 | International Business Machines Corporation | Predicting solar power generation using semi-supervised learning |
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 |
CN107341569B (zh) * | 2017-06-26 | 2020-04-24 | 清华大学 | 结合光伏功率物理模型与数据驱动的光伏功率预测方法 |
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 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
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 |
CN111738522B (zh) * | 2020-06-28 | 2023-01-03 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
CN113177652A (zh) * | 2020-10-16 | 2021-07-27 | 上海交通大学 | 一种光伏出力预测方法 |
CN113240153A (zh) * | 2021-04-09 | 2021-08-10 | 水发兴业能源(珠海)有限公司 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
CN113487064A (zh) * | 2021-06-10 | 2021-10-08 | 淮阴工学院 | 基于主成分分析和改进lstm的光伏功率预测方法及系统 |
CN113469426A (zh) * | 2021-06-23 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于改进bp神经网络的光伏输出功率预测方法及系统 |
-
2021
- 2021-10-27 CN CN202111256777.0A patent/CN114048896B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016132569A1 (ja) * | 2015-02-17 | 2016-08-25 | オーナンバ株式会社 | 太陽光発電システムの未来の電流値または発電量の低下の時期を予測する方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN109858673A (zh) * | 2018-12-27 | 2019-06-07 | 南京工程学院 | 一种光伏发电系统功率预测方法 |
CN113033910A (zh) * | 2021-04-09 | 2021-06-25 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
Non-Patent Citations (2)
Title |
---|
基于PFA-MBAS-BP神经网络模型的光伏发电短期预测;左远龙等;《电力系统保护与控制》;20200801(第15期);第84-91页 * |
改进神经网络模型在光伏发电预测中的应用;胡克用等;《计算机系统应用》;20191215(第12期);第37-46页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114048896A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114048896B (zh) | 光伏发电数据的预测方法、系统、设备及介质 | |
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN111079980B (zh) | 基于自适应分类策略和混合优化svr的光功率预测方法 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN110543988A (zh) | 一种基于XGBoost算法的光伏短期出力预测系统及方法 | |
Scott et al. | Machine learning for forecasting a photovoltaic (PV) generation system | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN116050666B (zh) | 一种辐照特征聚类的光伏发电功率预测方法 | |
CN113052386A (zh) | 基于随机森林算法的分布式光伏日发电量预测方法和装置 | |
Cabrera et al. | Solar power prediction for smart community microgrid | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
CN116402203A (zh) | 计及天气情况的短时光伏发电量预测方法、系统及介质 | |
CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
CN111260206A (zh) | 一种光伏发电影响因素评价模型、构建方法及应用 | |
KR20190071174A (ko) | 기압 데이터를 이용한 단기 풍속 예측 방법 및 시스템 | |
Romero et al. | Short-term active power forecasting of a photovoltaic power plant using an artificial neural network | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
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 | |
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 | |
CN113780643A (zh) | 一种基于事例推理的光伏电站短期出力预测方法 | |
CN114282637A (zh) | 一种适用于光伏电站发电量预测方法 | |
KR20230066927A (ko) | 발전량 예측 방법 및 장치 | |
Hameed et al. | Transductive-Transfer Learning Based Deep Neural Networks for Day-Ahead PV Power Forecasting in Smart Grid Application: A Comparative Analysis |
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 |