CN114298441A - 一种光伏功率预测方法及系统 - Google Patents
一种光伏功率预测方法及系统 Download PDFInfo
- Publication number
- CN114298441A CN114298441A CN202210007517.8A CN202210007517A CN114298441A CN 114298441 A CN114298441 A CN 114298441A CN 202210007517 A CN202210007517 A CN 202210007517A CN 114298441 A CN114298441 A CN 114298441A
- Authority
- CN
- China
- Prior art keywords
- correlation
- data set
- factor
- prediction model
- factors
- 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
Images
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种光伏功率预测方法及系统，首先对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集；并获取所述相关因素集的历史数据，得到相关数据集；然后对所述相关数据集进行预处理，得到预处理数据集；并基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型；最后基于训练好的所述预测模型，结合各所述相关因素的预测数据，对光伏的功率进行预测。本发明能快速、准确地实现光伏发电功率的预测，为电力调度提供良好的基础。
Description
技术领域
本发明涉及光伏发电技术领域，特别是涉及一种光伏功率预测方法及系统。
背景技术
近年来，光伏发电产业在快速发展，但是由于光伏发电具有极强的间歇性和波动性，会导致电网瘫痪。电网的稳定并网运行需要不同发电方式之间的协调配合，对传统的发电方式(如水电和火电)进行调节，代价是非常巨大的，因此，预测光伏的功率情况进而提前科学的修正其功率计划可以保证电力系统运行的安全性和经济性。
目前现有的各种基于传统的物理方法光伏功率预测算法，预测精度低，泛化能力不强；统计方法建模难度较大，过程复杂。基于人工智能的光伏发电功率预测技术以及相应的工程应用软件，存在预测性能不稳定的缺点。
发明内容
有鉴于此，本发明提供了一种光伏功率预测方法及系统，以快速地、准确地对光伏发电功率进行预测，为电力调度提供基础。
为实现上述目的，本发明提供了如下方案：
一种光伏功率预测方法，包括：
对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集；
获取所述相关因素集的历史数据，得到相关数据集；
对所述相关数据集进行预处理，得到预处理数据集；
基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型；
基于训练好的所述预测模型，结合各所述相关因素的预测数据，对光伏的功率进行预测。
优选地，所述对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集，包括：
对内部影响因素集中各内部影响因素分别与功率转换效率做相关性分析，选取相关性大于内部设定值的所述内部影响因素，得到内部相关因素集；
对外部影响因素集中各外部影响因素分别与辐射强度做相关性分析，选取相关性大于外部设定值的所述外部影响因素，得到外部相关因素集；所述影响因素集包括所述内部影响因素集和所述外部影响因素集；所述相关因素集包括所述内部相关因素集和所述外部相关因素集。
优选地，所述对所述相关数据集进行预处理，得到预处理数据集，包括：
对所述相关数据集进行缺失值补充，得到补充数据集；
对所述补充数据集进行异常值替换，得到替换数据集；
对所述替换数据集进行归一化处理，得到归一化数据集；
对所述归一化数据集进行降维处理，得到降维数据集；所述降维数据集即为所述预处理数据集。
优选地，所述基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型，包括：
基于梯度提升树方法建立所述预测模型；
重复修改所述预测模型的参数，并结合所述预处理数据集对所述预测模型进行迭代优化，直至所述预测模型的损失函数值小于或等于损失设定值，得到训练好的所述预测模型。
优选地，所述内部影响因素集包括光伏电池板的温度特性、光伏电池板的结构材料和逆变器的特性；
所述外部影响因素集包括地理位置、气候、局地时间、天气、太阳辐照度、气溶胶、云团、风速、风向、环境温度计和光伏电池板的安装角度。
本发明还通过了一种光伏功率预测系统，包括：
相关性模块，对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集；
数据模块，获取所述相关因素集的历史数据，得到相关数据集；
预处理模块，对所述相关数据集进行预处理，得到预处理数据集；
训练模块，基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型；
预测模块，基于训练好的所述预测模型，结合各所述相关因素的预测数据，对光伏的功率进行预测。
优选地，所述相关性模块包括：
内因相关性单元，对内部影响因素集中各内部影响因素分别与功率转换效率做相关性分析，选取相关性大于内部设定值的所述内部影响因素，得到内部相关因素集；
外因相关性单元，对外部影响因素集中各外部影响因素分别与辐射强度做相关性分析，选取相关性大于外部设定值的所述外部影响因素，得到外部相关因素集；所述影响因素集包括所述内部影响因素集和所述外部影响因素集；所述相关因素集包括所述内部相关因素集和所述外部相关因素集。
优选地，所述预处理模块模块包括：
缺失单元，对所述相关数据集进行缺失值补充，得到补充数据集；
异常单元，对所述补充数据集进行异常值替换，得到替换数据集；
归一化单元，对所述替换数据集进行归一化处理，得到归一化数据集；
降维单元，对所述归一化数据集进行降维处理，得到降维数据集；所述降维数据集即为所述预处理数据集。
优选地，所述训练模块包括：
模型建立单元，基于梯度提升树方法建立所述预测模型；
模型训练单元，重复修改所述预测模型的参数，并结合所述预处理数据集对所述预测模型进行迭代优化，直至所述预测模型的损失函数值小于或等于损失设定值，得到训练好的所述预测模型。
优选地，所述内部影响因素集包括光伏电池板的温度特性、光伏电池板的结构材料和逆变器的特性；
所述外部影响因素集包括地理位置、气候、局地时间、天气、太阳辐照度、气溶胶、云团、风速、风向、环境温度计和光伏电池板的安装角度。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明涉及一种光伏功率预测方法及系统，首先对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集；并获取所述相关因素集的历史数据，得到相关数据集；然后对所述相关数据集进行预处理，得到预处理数据集；并基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型；最后基于训练好的所述预测模型，结合各所述相关因素的预测数据，对光伏的功率进行预测。本发明能快速、准确地实现光伏发电功率的预测，为电力调度提供良好的基础。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明光伏功率预测方法流程图；
图2为本发明光伏功率预测系统结构图。
符号说明：1-相关性模块，2-数据模块，3-预处理模块，4-训练模块，5-预测模块。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
本发明的目的是提供一种光伏功率预测方法及系统，以快速地、准确地对光伏发电功率进行预测，为电力调度提供基础
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明光伏功率预测方法流程图。如图所示，本发明提供了一种光伏功率预测方法，包括：
步骤S1，对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集。
具体地，所述步骤S1包括：
步骤S11，对内部影响因素集中各内部影响因素分别与功率转换效率做相关性分析，选取相关性大于内部设定值的所述内部影响因素，得到内部相关因素集。本实施例中，所述内部影响因素集包括光伏电池板的温度特性、光伏电池板的结构材料和逆变器的特性。
步骤S12，对外部影响因素集中各外部影响因素分别与辐射强度做相关性分析，选取相关性大于外部设定值的所述外部影响因素，得到外部相关因素集。本实施例中，所述外部影响因素集包括地理位置、气候、局地时间、天气、太阳辐照度、气溶胶、云团、风速、风向、环境温度计和光伏电池板的安装角度。
所述影响因素集包括所述内部影响因素集和所述外部影响因素集；所述相关因素集包括所述内部相关因素集和所述外部相关因素集。
优选地，基于Pearson相关系数法进行相关性分析，相关性如表1。
表1相关性表
本实施例中，所述内部设定值和所述外部设定值均取0.5。r表示相关程度。
步骤S2，获取所述相关因素集的历史数据，得到相关数据集。
步骤S3，对所述相关数据集进行预处理，得到预处理数据集。
具体地，所述步骤S3包括：
步骤S31，基于牛顿插值法对所述相关数据集进行缺失值补充，得到补充数据集。
步骤S32，基于3σ原则对所述补充数据集进行异常值替换，得到替换数据集。
步骤S33，对所述替换数据集进行归一化处理，得到归一化数据集。计算公式为：
其中，x表示归一化处理前的样本数据，max和min分别为样本中的最大值和最小值，x*是样本数据经过归一化后的数值。
步骤S34，基于主成分分析法对所述归一化数据集进行降维处理，得到降维数据集；所述降维数据集即为所述预处理数据集。
步骤S4，基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型。
基于梯度提升树方法建立所述预测模型。
将梯度提升树模型初始化。
建立基于梯度提升树方法，计算每一步模型残差。
拟合残差，回归学习计算得每一步梯度决策树；
更新模型输出，得到所述预测模型。
重复修改所述预测模型的参数，并结合所述预处理数据集对所述预测模型进行迭代优化，直至所述预测模型的损失函数值小于或等于损失设定值，得到训练好的所述预测模型。
步骤S5，基于训练好的所述预测模型，结合各所述相关因素的预测数据，对光伏的功率进行预测。
图2为本发明光伏功率预测系统结构图。如图所示，本发明提供了一种光伏功率预测系统，包括：相关性模块1、数据模块2、预处理模块3、训练模块4和预测模块5。
所述相关性模块1对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集。
所述数据模块2获取所述相关因素集的历史数据，得到相关数据集。
所述预处理模块3对所述相关数据集进行预处理，得到预处理数据集。
所述训练模块4基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型。
所述预测模块5基于训练好的所述预测模型，结合各所述相关因素的预测数据，对光伏的功率进行预测。
作为一种可选的实施方式，本发明所述相关性模块1包括：内因相关性单元和外因相关性单元。
所述内因相关性单元对内部影响因素集中各内部影响因素分别与功率转换效率做相关性分析，选取相关性大于内部设定值的所述内部影响因素，得到内部相关因素集。
所述外因相关性单元对外部影响因素集中各外部影响因素分别与辐射强度做相关性分析，选取相关性大于外部设定值的所述外部影响因素，得到外部相关因素集；所述影响因素集包括所述内部影响因素集和所述外部影响因素集；所述相关因素集包括所述内部相关因素集和所述外部相关因素集。
作为一种可选的实施方式，本发明所述预处理模块模块4包括：缺失单元、异常单元、归一化单元和降维单元。
所述缺失单元对所述相关数据集进行缺失值补充，得到补充数据集。
所述异常单元对所述补充数据集进行异常值替换，得到替换数据集。
所述归一化单元对所述替换数据集进行归一化处理，得到归一化数据集。
所述降维单元对所述归一化数据集进行降维处理，得到降维数据集；所述降维数据集即为所述预处理数据集。
作为一种可选的实施方式，本发明所述训练模块4包括：模型建立单元和模型训练单元。
所述模型建立单元基于梯度提升树方法建立所述预测模型。
所述模型训练单元重复修改所述预测模型的参数，并结合所述预处理数据集对所述预测模型进行迭代优化，直至所述预测模型的损失函数值小于或等于损失设定值，得到训练好的所述预测模型。
作为一种可选的实施方式，本发明所述内部影响因素集包括光伏电池板的温度特性、光伏电池板的结构材料和逆变器的特性。所述外部影响因素集包括地理位置、气候、局地时间、天气、太阳辐照度、气溶胶、云团、风速、风向、环境温度计和光伏电池板的安装角度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种光伏功率预测方法，其特征在于，包括：
对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集；
获取所述相关因素集的历史数据，得到相关数据集；
对所述相关数据集进行预处理，得到预处理数据集；
基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型；
基于训练好的所述预测模型，结合各所述相关因素的预测数据，对光伏的功率进行预测。
2.根据权利要求1所述的光伏功率预测方法，其特征在于，所述对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集，包括：
对内部影响因素集中各内部影响因素分别与功率转换效率做相关性分析，选取相关性大于内部设定值的所述内部影响因素，得到内部相关因素集；
对外部影响因素集中各外部影响因素分别与辐射强度做相关性分析，选取相关性大于外部设定值的所述外部影响因素，得到外部相关因素集；所述影响因素集包括所述内部影响因素集和所述外部影响因素集；所述相关因素集包括所述内部相关因素集和所述外部相关因素集。
3.根据权利要求1所述的光伏功率预测方法，其特征在于，所述对所述相关数据集进行预处理，得到预处理数据集，包括：
对所述相关数据集进行缺失值补充，得到补充数据集；
对所述补充数据集进行异常值替换，得到替换数据集；
对所述替换数据集进行归一化处理，得到归一化数据集；
对所述归一化数据集进行降维处理，得到降维数据集；所述降维数据集即为所述预处理数据集。
4.根据权利要求1所述的光伏功率预测方法，其特征在于，所述基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型，包括：
基于梯度提升树方法建立所述预测模型；
重复修改所述预测模型的参数，并结合所述预处理数据集对所述预测模型进行迭代优化，直至所述预测模型的损失函数值小于或等于损失设定值，得到训练好的所述预测模型。
5.根据权利要求2所述的光伏功率预测方法，其特征在于，所述内部影响因素集包括光伏电池板的温度特性、光伏电池板的结构材料和逆变器的特性；
所述外部影响因素集包括地理位置、气候、局地时间、天气、太阳辐照度、气溶胶、云团、风速、风向、环境温度计和光伏电池板的安装角度。
6.一种光伏功率预测系统，其特征在于，包括：
相关性模块，对影响因素集进行相关性分析，选取影响因素集中相关性大于设定值的影响因素，得到相关因素集；
数据模块，获取所述相关因素集的历史数据，得到相关数据集；
预处理模块，对所述相关数据集进行预处理，得到预处理数据集；
训练模块，基于所述预处理数据集对预测模型进行训练，得到训练好的所述预测模型；
预测模块，基于训练好的所述预测模型，结合各所述相关因素的预测数据，对光伏的功率进行预测。
7.根据权利要求6所述的光伏功率预测系统，其特征在于，所述相关性模块包括：
内因相关性单元，对内部影响因素集中各内部影响因素分别与功率转换效率做相关性分析，选取相关性大于内部设定值的所述内部影响因素，得到内部相关因素集；
外因相关性单元，对外部影响因素集中各外部影响因素分别与辐射强度做相关性分析，选取相关性大于外部设定值的所述外部影响因素，得到外部相关因素集；所述影响因素集包括所述内部影响因素集和所述外部影响因素集；所述相关因素集包括所述内部相关因素集和所述外部相关因素集。
8.根据权利要求6所述的光伏功率预测系统，其特征在于，所述预处理模块模块包括：
缺失单元，对所述相关数据集进行缺失值补充，得到补充数据集；
异常单元，对所述补充数据集进行异常值替换，得到替换数据集；
归一化单元，对所述替换数据集进行归一化处理，得到归一化数据集；
降维单元，对所述归一化数据集进行降维处理，得到降维数据集；所述降维数据集即为所述预处理数据集。
9.根据权利要求6所述的光伏功率预测系统，其特征在于，所述训练模块包括：
模型建立单元，基于梯度提升树方法建立所述预测模型；
模型训练单元，重复修改所述预测模型的参数，并结合所述预处理数据集对所述预测模型进行迭代优化，直至所述预测模型的损失函数值小于或等于损失设定值，得到训练好的所述预测模型。
10.根据权利要求7所述的光伏功率预测系统，其特征在于，所述内部影响因素集包括光伏电池板的温度特性、光伏电池板的结构材料和逆变器的特性；
所述外部影响因素集包括地理位置、气候、局地时间、天气、太阳辐照度、气溶胶、云团、风速、风向、环境温度计和光伏电池板的安装角度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210007517.8A CN114298441A (zh) | 2022-01-06 | 2022-01-06 | 一种光伏功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210007517.8A CN114298441A (zh) | 2022-01-06 | 2022-01-06 | 一种光伏功率预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298441A true CN114298441A (zh) | 2022-04-08 |
Family
ID=80975075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210007517.8A Pending CN114298441A (zh) | 2022-01-06 | 2022-01-06 | 一种光伏功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298441A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115102237A (zh) * | 2022-08-25 | 2022-09-23 | 华能山西综合能源有限责任公司 | 一种基于风电光伏系统的运行调度方法 |
| CN115587644A (zh) * | 2022-08-30 | 2023-01-10 | 浙江正泰智维能源服务有限公司 | 一种光伏电站性能参数预测方法、装置、设备及介质 |
-
2022
- 2022-01-06 CN CN202210007517.8A patent/CN114298441A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115102237A (zh) * | 2022-08-25 | 2022-09-23 | 华能山西综合能源有限责任公司 | 一种基于风电光伏系统的运行调度方法 |
| CN115102237B (zh) * | 2022-08-25 | 2022-11-29 | 华能山西综合能源有限责任公司 | 一种基于风电光伏系统的运行调度方法 |
| CN115587644A (zh) * | 2022-08-30 | 2023-01-10 | 浙江正泰智维能源服务有限公司 | 一种光伏电站性能参数预测方法、装置、设备及介质 |
| CN115587644B (zh) * | 2022-08-30 | 2024-06-11 | 浙江正泰智维能源服务有限公司 | 一种光伏电站性能参数预测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
| CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
| CN114298441A (zh) | 一种光伏功率预测方法及系统 | |
| CN105354655B (zh) | 计及功率相关性的光伏电站群置信容量评估方法 | |
| CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
| CN107491833B (zh) | 一种光伏发电功率预测的方法和装置 | |
| CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
| CN111832838B (zh) | 一种短期风力发电输出功率的预测方法 | |
| CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
| CN109272134A (zh) | 一种考虑系统损耗的区域光伏电站并网功率预测方法 | |
| CN107562992A (zh) | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 | |
| 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 | |
| CN105117975A (zh) | 一种光伏输出功率值的分频预测方法 | |
| Kanchana et al. | PV Power Forecasting with Holt-Winters Method | |
| CN115456265A (zh) | 一种分布式光伏用户发电功率短期预测方法及装置 | |
| CN103293950A (zh) | 一种基于lssvm的光伏最大功率点跟踪的控制方法 | |
| CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
| Sunny et al. | Design and simulation of maximum power point tracking of photovoltaic system using ANN | |
| Restrepo et al. | Experimental research on the performance of a BIPV system operating in Girardot, Colombia | |
| CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
| CN109508062B (zh) | 一种基于模糊电导的光伏发电控制方法及系统 | |
| CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
| CN111242371A (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
| CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
| Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification |
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 |