CN114330660A - 一种短期细粒度光伏电站功率概率预测方法 - Google Patents

Abstract

本发明提出一种短期细粒度光伏电站功率概率预测方法，包括以下步骤：1)光伏电站功率、气象数据获取，并进行缺失值、异常值处理；2)提取气象特征，对气象特征进行特征选择；3)基于时间特征、气象特征构建特征向量；4)基于DeepAR模型和特征向量构建短期光伏电站功率概率预测模型，得到预测点的置信区间和预测值。本发明可适用于细粒度的光伏电站功率概率预测，能够输出具有统计学解释性的预测结果，不仅预测效果较好，而且可以得到预测点不同置信度的置信区间。

Description

一种短期细粒度光伏电站功率概率预测方法

技术领域

本发明涉及光伏电站发电功率预测技术领域。

技术背景

作为太阳能开发利用的重要方式，光伏发电因其无燃料消耗、无污染物排放、应用形式灵活、容量规模不受限制、安全可靠、维护简单等优点得到了迅速发展。光伏发电功率具有明显的间歇性与随机波动特性，制约了光伏发电功率的安全可靠消纳。提高发电功率预测准确率有利于提高光伏发电设备的利用率。

光伏发电功率预测可以利用发电曲线或气象因素进行相似日计算，利用最近相似日进行功率发电预测。随着人工智能技术的发展，最有效的方法是使用机器学习模型，将气象预报数据及光伏电站的历史光伏发电功率作为特征，输出未来的光伏发电功率值，实现预测功能。现有光伏发电功率预测大多关注对某一时间点的发电功率值预测，点预测蕴含的信息量是极少的，并且存在预测误差是必然情况，无法体现出预测结果的在不同气象环境下的波动性。

发明内容

本发明旨在针对上述现有技术存在的问题和不足，提供一种短期细粒度光伏电站功率概率预测方法，基于光伏电站历史发电功率数据和未来的气象预报数据来预测未来N小时的细粒度光伏电站发电功率。

本发明采用的技术方案为：一种短期细粒度光伏电站功率概率预测方法，包括以下步骤：

步骤一、数据获取及预处理。

获取光伏电站采样间隔一小时的历史气象数据和间隔15分钟发电功率数据。所述气象数据包括实测辐照度、温度、天气类型、风速、风向、湿度、压强、降水量。

对于数据各字段，设定超过平均值加减3倍标准差之外的值为异常值。

对于异常值和缺失值，直接用上一个有效值代替处理。

步骤二、气象特征提取与气象特征选择。对于时刻t_h，将辐照度、温度、风速、风向、湿度、压强列入气象特征集合，同时考虑雨水对积尘的清洗作用，将降水量列入气象特征集合。计算晴空指数：

其中I(t_h)为辐照度，I_sc为太阳常数，d为日期，δ为太阳赤纬角，

光伏电站纬度，θ_t为太阳时角。

利用已有气象特征的组合,计算其高阶特征气象特征，即气象特征集合两两之间的2阶交互项。

为避免气象特征数量过多，使用XGboost模型对时刻t_h的气象特征、高阶特征气象特征、天气类型、晴空指数与光伏电站时刻t_h的实测辐照度的关系进行拟合训练，计算各个特征的重要度，以进行特征选择，同时将模型拟合值作为修正辐照度。

最终选取天气类型、晴空指数、修正辐照度、辐照度、温度、天气类型、风速、风向、湿度、压强、降水量和较为重要的高阶特征气象特征作为气象特征集合T_nwp。

步骤三、基于时间特征、气象特征构建特征向量。

构建时间特征集合，考虑时刻t的月份、一年中的第几天、本月的第几天、本周的第几天、小时、分钟构成时刻t的时间特征集合T_time,t。

对于时刻t，考虑整点t_h的气象特征T_nwp，th、距离整点t_h的时间距离、下一整点t_h+1的气象特征T_nwp，th+1、距离下一整点t_h+1的时间距离，构成时刻t的气象特征T_nwp,t。

时刻t的气象特征T_nwp,t和时间特征集合T_time,t构成特征向量T_t。

对特征向量T_t中数值特征进行数值标准化处理，本发明中将特征向量T_t中数值特征放缩至区间[-0.5,0.5]，特征向量T_t中类别特征进行独热编码，得到最终的特征向量X_t，观测值为时刻t的光伏发电功率z_t。

步骤四、基于DeepAR模型和特征向量构建短期光伏电站功率概率预测模型，得到预测点的置信区间和预测值。

预测模型分为训练过程和预测过程两个阶段：

训练过程：训练时，在每一个时间步t，网络输入特征记为x_i,t，上一个时间步的取值记为z_i,-1t，以及上一个时间步的状态h_i,-1t，计算当前的状态

进而计算似然l(z|θ)的参数

最后最大化对数似然

来学习网络的参数。

的具体形式取决于似然函数l(z|θ)，而似然函数需要根据数据本身的统计特征来选择，选择高斯分布则θ＝(μ,σ)，似然函数为

训练时设置训练时间窗长度为一天，即神经元LSTM的时间窗。预测长度为4*n个点，即得到未来n小时内每15分钟粒度的预测值。将所有时刻t的特征向量X_t和光伏发电功率z_t构成数据集D＝(T,z)。将数据集D按照8:1:1的比例划分为训练集D_train、验证集D_val、测试集D_test。在训练集D_train和验证集D_val上进行预测模型的训练，其中验证集D_val负责评估训练过程中的拟合损失，为训练提供优化方向，防止过拟合。

预测过程：训练完成后，将t＜t₀的历史数据输入网络，获得初始状态

使用祖先采样方法获取结果：对于t₀,t₀+1,K,T，在每一个时间步随机采样得到z～_i,t～l(·|θ_i,t)，这个采样被作为下一个时间步的输入。重复此过程可以得到一系列t₀～T的采样值，利用这些采样值可以计算所需的目标值，如分位数、期望等。将采样值的期望作为预测值，根据设置的置信度计算预测值的置信区间。

实施本发明，具有如下有益效果：

本发明可通过时间窗内气象特征和时间特征来增加对光伏发电功率的联合表征作用，增强了模型的预测准确度；将光伏发电功率值预测转为预测点概率分布预测，经过采样得到目标置信度对应的置信区间和预测值，可以更好的对预测结果进行解释；可进行短期细粒度的发电功率预测，为光伏电站发电追踪和并网调度提供依据。本发明不仅预测效果较好，而且可以得到预测点不同置信度的置信区间。

附图说明

图1是本发明一种短期细粒度光伏电站功率概率预测方法的整体示意图。

图2是模型训练过程示意图。

图3是模型预测过程示意图。

图4是预测结果示意图。

具体实施方式

下面结合附图和具体实施例对本发明技术方案作进一步详细描述。

图1示出了本发明给出基于一种短期细粒度光伏电站功率概率预测方法，包括以下步骤：

步骤1，数据获取及预处理；

步骤2，气象特征提取与气象特征选择；

步骤3，基于时间特征、气象特征构建特征向量；

步骤4，基于DeepAR模型和特征向量构建短期光伏电站功率概率预测模型，得到预测点的置信区间和预测值。

上述步骤的具体阐述如下：

步骤一、数据获取及预处理。获取光伏电站采样间隔一小时的气象预报历史数据、实测辐照度历史数据和间隔15分钟发电功率数据。获取气象数据包括实测辐照度、温度、天气类型、风速、风向、湿度、压强、降水量。

对于数据各字段，认为超过平均值加减3倍标准差之外的值为异常值。

对于异常值和缺失值，由于各数据字段是有时序关系的，因此直接用上一个有效值代替处理。

步骤二、气象特征提取与气象特征选择。对于时刻t_h，将辐照度、温度、风速、风向、湿度、压强列入气象特征集合，同时考虑雨水对积尘的清洗作用，将降水量列入气象特征集合。计算晴空指数

其中I(t_h)为辐照度，I_sc为太阳常数，d为日期，δ为太阳赤纬角，

光伏电站纬度，θ_t为太阳时角。

利用已有气象特征的组合,计算其高阶特征气象特征，即气象特征集合两两之间的2阶交互项，由于气象特征集合集合中的环境因素相互影响，因此高阶特征气象特征可以提供更好的预测效果。

为避免气象特征数量过多，使用XGboost模型对时刻t_h的气象特征、高阶特征气象特征、天气类型、晴空指数与光伏电站时刻t_h的实测辐照度的关系进行拟合训练，XGboost模型可以计算各个特征的重要度，以进行特征选择，同时将模型拟合值作为修正辐照度。

最终选取天气类型、晴空指数、修正辐照度、辐照度、温度、天气类型、风速、风向、湿度、压强、降水量和较为重要的高阶特征气象特征作为气象特征集合T_nwp。

步骤三、基于时间特征、气象特征构建特征向量。时间特征、发电功率、上一整点的气象特征、距离上一整点的时间距离、下一整点的气象特征、距离下一整点的时间距离。

构建时间特征集合，考虑时刻t的月份、一年中的第几天、本月的第几天、本周的第几天、小时、分钟构成时刻t的时间特征集合T_time,t。

由于没有15分钟细粒度的气象特征数据，对于时刻t，考虑整点t_h的气象特征T_nwp，th、距离整点t_h的时间距离、下一整点t_h+1的气象特征T_nwp，th+1、距离下一整点t_h+1的时间距离，构成时刻t的气象特征T_nwp,t。

时刻t的气象特征T_nwp,t和时间特征集合T_time,t构成特征向量T_t。

对特征向量T_t中数值特征进行数值标准化处理，本发明中将特征向量T_t中数值特征放缩至区间[-0.5,0.5]，特征向量T_t中类别特征进行独热编码，得到最终的特征向量X_t，观测值为时刻t的光伏发电功率z_t。

步骤四、基于DeepAR模型和特征向量构建短期光伏电站功率概率预测模型，得到预测点的置信区间和预测值。

模型的主体框架采用概率神经网DeepAR模型，其基本网络结构为记忆循环神经网络，神经元采用LSTM，学习未来时间周期序列值基于历史周期序列值的条件概率分布参数。

预测模型分为两个阶段：

训练过程如图2所示，训练时，在每一个时间步t，网络输入特征记为x_i,t，上一个时间步的取值记为z_i,t-1，以及上一个时间步的状态h_i,t-1，计算当前的状态

进而计算似然l(z|θ)的参数

最后最大化对数似然

来学习网络的参数。

的具体形式取决于似然函数l(z|θ)，而似然函数需要根据数据本身的统计特征来选择，选择高斯分布则θ＝(μ,σ)，似然函数为：

训练时设置训练时间窗长度为一天，即神经元LSTM的时间窗。预测长度为4*n个点，即得到未来n小时内每15分钟粒度的预测值。将所有时刻t的特征向量X_t和光伏发电功率z_t构成数据集D＝(T,z)。将数据集D按照8:1:1的比例划分为训练集D_train、验证集D_val、测试集D_test。在训练集D_train和验证集D_val上进行预测模型的训练，其中验证集D_val负责评估训练过程中的拟合损失，为训练提供优化方向，防止过拟合。

预测过程如图3所示，训练完成后，将t＜t₀的历史数据输入网络，获得初始状态

使用祖先采样方法获取结果：对于t₀,t₀+1,K,T，在每一个时间步随机采样得到

这个采样被作为下一个时间步的输入。重复此过程可以得到一系列t₀～T的采样值，利用这些采样值可以计算所需的目标值，如分位数、期望等。本发明中将采样值的期望作为预测值，根据设置的置信度计算预测值的置信区间。

具体的,在本发明中,设置目标预测长度为16个点，得到未来4小时内每15分钟粒度的预测结果，设置置信度分别为80％、40％，得到不同置信度对应的置信区间，计算各预测点的采样值均值作为预测值。得到预测结果如图4所示，其中预测起始点为2018.02.17 9时，最深的那条黑线为真实值，其他灰色区域为预测值及不同置信度对应的置信区间，可以看到预测点距离预测起始点越远，置信区间越宽，意味着不确定性越大。

根据设置的不同预测时长建立光伏发电功率预测模型，预测时长越长准确率越低，预测时长越短准确率越高，不同模型预测效果统计如下表：

预测长度	预测粒度	MSE	MAPE
				4h	15分钟	1.877	0.091
15分钟	15分钟	0.306	0.051

显然，上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。

Claims (5)

1.一种短期细粒度光伏电站功率概率预测方法，其特征在于，包括以下步骤：

步骤1，数据获取及预处理；

步骤2，气象特征提取与气象特征选择；

步骤3，基于时间特征、气象特征构建特征向量；

步骤4，基于DeepAR模型和特征向量构建短期光伏电站功率概率预测模型，得到预测点的置信区间和预测值。

2.根据权利要求1所述的一种短期细粒度光伏电站功率概率预测方法，其特征在于，所述步骤1中，获取的数据包括光伏电站间隔一小时的历史气象数据和间隔15分钟发电功率数据；所述气象数据包括实测辐照度、温度、天气类型、风速、风向、湿度、压强、降水量；

所述预处理包括对异常值和缺失值进行预处理，具体为采用上一个有效值代替异常值或缺失值；所述异常值为超过平均值加减3倍标准差之外的值。

3.根据权利要求1所述的一种短期细粒度光伏电站功率概率预测方法，其特征在于，所述步骤2包括：

(1)对于时刻t_h，将气象数据列入气象特征集合，计算晴空指数：

其中I(t_h)为辐照度，I_sc为太阳常数，d为日期，δ为太阳赤纬角，

为光伏电站纬度，θ_t为太阳时角；

(2)利用已有气象特征的组合,计算其高阶特征气象特征，即气象特征集合两两之间的2阶交互项；

(3)使用XGboost模型对时刻t_h的气象特征、高阶特征气象特征、天气类型、晴空指数与光伏电站时刻t_h的实测辐照度的关系进行拟合训练，计算各个特征的重要度，以进行特征选择，同时将模型拟合值作为修正辐照度；

(4)最终选取天气类型、晴空指数、修正辐照度、辐照度、温度、天气类型、风速、风向、湿度、压强、降水量和较为重要的高阶特征气象特征作为气象特征集合T_nwp。

4.根据权利要求1所述的一种短期细粒度光伏电站功率概率预测方法，其特征在于，所述步骤3包括：

(1)构建时间特征集合，考虑时刻t的月份、一年中的第几天、本月的第几天、本周的第几天、小时、分钟构成时刻t的时间特征集合T_time,t；

(2)对于时刻t，考虑整点t_h的气象特征

距离整点t_h的时间距离、下一整点t_h+1的气象特征

距离下一整点t_h+1的时间距离，构成时刻t的气象特征T_nwp,t；

(3)时刻t的气象特征T_nwp,t和时间特征集合T_time,t构成特征向量T_t；

(4)对特征向量T_t中的数值特征进行数值标准化处理，将特征向量T_t中数值特征放缩至区间[-0.5,0.5]，特征向量T_t中类别特征进行独热编码，得到最终的特征向量X_t，观测值为时刻t的光伏发电功率z_t。

5.根据权利要求1所述的一种短期细粒度光伏电站功率概率预测方法，其特征在于，所述步骤4中，所述预测模型分为训练过程和预测过程两个阶段：

(1)训练过程：

训练时，在每一个时间步t，网络输入特征记为x_i，t，上一个时间步的取值记为z_i,t-1，以及上一个时间步的状态h_i,t-1，计算当前的状态

进而计算似然l(z|θ)的参数

最后最大化对数似然

来学习网络的参数；

的具体形式取决于似然函数l(z|θ)，而似然函数根据数据本身的统计特征来选择，选择高斯分布则θ＝(μ,σ)，似然函数为：

训练时设置训练时间窗长度为一天，即神经元LSTM的时间窗；预测长度为4*n个点，即得到未来n小时内每15分钟粒度的预测值；将所有时刻t的特征向量X_t和光伏发电功率z_t构成数据集D＝(T,z)；将数据集D按照8:1:1的比例划分为训练集D_train、验证集D_val、测试集D_test；在训练集D_train和验证集D_val上进行预测模型的训练，其中验证集D_val负责评估训练过程中的拟合损失，为训练提供优化方向，防止过拟合；

(2)预测过程：

训练完成后，预测时将t＜t₀的历史数据输入网络，获得初始状态

使用祖先采样方法获取结果：对于t₀,t₀+1,K,T，在每一个时间步随机采样得到

该采样作为下一个时间步的输入；重复此过程即可得到一系列t₀～T的采样值，利用这些采样值计算所需的目标值。

Images