CN114881341B - 一种基于逆向预测历史数据集的光伏功率预测方法及系统 - Google Patents

一种基于逆向预测历史数据集的光伏功率预测方法及系统 Download PDF

Info

Publication number
CN114881341B
CN114881341B CN202210545900.9A CN202210545900A CN114881341B CN 114881341 B CN114881341 B CN 114881341B CN 202210545900 A CN202210545900 A CN 202210545900A CN 114881341 B CN114881341 B CN 114881341B
Authority
CN
China
Prior art keywords
data set
historical data
prediction
photovoltaic power
reverse
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
CN202210545900.9A
Other languages
English (en)
Other versions
CN114881341A (zh
Inventor
付青
苏奕星
陈一山
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210545900.9A priority Critical patent/CN114881341B/zh
Publication of CN114881341A publication Critical patent/CN114881341A/zh
Application granted granted Critical
Publication of CN114881341B publication Critical patent/CN114881341B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于逆向预测历史数据集的光伏功率预测方法及系统，涉及光伏发电的技术领域，从获取的数据中选取自最新时刻开始，一定逆向时间跨度的历史数据集，以逆向滚动预测过去的光伏功率，避免每次均对所有不同时间跨度的历史数据集进行预测的繁复计算方式，初步降低光伏功率预测的计算量，而后以逆向滚动预测确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目，优化用于光伏预测的历史数据集，进一步提升后续光伏功率预测的精度。

Description

一种基于逆向预测历史数据集的光伏功率预测方法及系统
技术领域
本发明涉及光伏发电的技术领域，更具体地，涉及一种基于逆向预测历史数据集的光伏功率预测方法及系统。
背景技术
随着国家经济技术的发展和人们生活水平的提高，电能已经成为了人们日常生产和生活中必不可少的二次能源。同时，随着环境问题的日益严重，清洁电能的发展也越来越快，光伏作为优质的清洁能源，其发电系统规模的日渐增大，但光伏发电系统具有的间歇性和不确定性等特征对公共电网所产生的不利影响逐渐显现。如果能够准确预测光伏系统的发电功率变化情况，则能实现电网的合理调度和电力负荷的平衡配置，从而保障公共电网系统的安全性和稳定性。
光伏发电的功率预测与光伏发电系统的历史发电功率、气象数据等均有极大的关联性，如光伏发电功率的直接预测法，无需太阳辐照度的数据，只需要采用光伏发电系统的历史数据和公众天气信息即可预测未来一小段时间内的光伏发电系统功率输出情况，现有技术中公开了一种光伏发电功率预测方法，首先获取某地区的光伏电站同一时刻的气象数据与历史发电功率数据，补充缺失数据并剔除异常数据；对预测日气象因素与历史发电功率进行分析与量化，采用数据归一化统一修正后的数据的量纲。构建组合SVM模型；构建孤立森林模型，将模型输出的预测功率与理论功率进行对比，当误差在允许范围内，则输出预测结果，当误差不满足要求时，进行迭代修正，直至误差满足要求，最后将训练集和历史功率的测试集输入发电预测模型，得到预测功率，该方案能够减小预测误差，提高了预测精度，在有效提高光伏发电利用率的同时具有较强的泛化能力。通过以上的分析可以看出，光伏发电的功率预测精度与历史数据集选取的合适度密切相关，如何从历史数据库中选取合适跨度的历史数据作为光伏发电功率预测的依据十分重要，确定历史数据集最佳时间跨度(一定时间跨度对应一定的数据样本数目)的关键在于确定过期历史数据的临界点，在此临界点之后的数据会对光伏功率预测产生负面影响，而在此临界点之前的数据对光伏功率预测是有利的，确定历史数据集最佳时间跨度的最基本的方法是比较不同时间跨度下进行光伏发电预测的精度，通过预测精度的变化趋势来确定历史数据时间跨度，但这种方法每次均要对所有不同时间跨度的历史数据集进行预测，计算量大且耗时长。
发明内容
为解决通过光伏预测精度的变化趋势确定最佳历史数据集样本数目，进而进行光伏发电预测的方式，计算耗时长的问题，本发明提出一种基于逆向预测历史数据集的光伏功率预测方法及系统，基于传统光伏预测算法进行特定方向下的逆向预测，进而得到用于光伏功率预测最佳历史数据集，避免前期每次均要对所有不同时间跨度的历史数据集繁复进行预测的缺陷，降低了光伏预测的计算量，提高预测精度。
为了达到上述技术效果，本发明的技术方案如下：
一种基于逆向预测历史数据集的光伏功率预测方法，包括：
S1.从光伏发电的历史数据库中获取数据，并从获取的数据中选取自最新时刻开始，一定逆向时间跨度的历史数据集；
S2.选定光伏预测算法，利用历史数据集的数据逆向滚动预测过去的光伏功率，将光伏功率逆向滚动预测结果与对应的逆向时刻的实际光伏功率结果比较，比较结果用预测误差指标表示，得到预测误差指标随逆向时间跨度变化的趋势曲线；
S3.确定预测误差指标随逆向时间跨度变化的趋势曲线中的最低点对应的逆向时间跨度，得出逆向时间跨度对应的历史数据集样本数目；
S4.以S3确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目；
S5.以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测。
在本技术方案中，从获取的数据中选取自最新时刻开始、一定逆向时间跨度的历史数据集，以逆向滚动预测过去的光伏功率，避免每次均对所有不同时间跨度的历史数据集进行预测的繁复计算方式，初步降低光伏功率预测的计算量，而后以逆向滚动预测确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目，优化用于光伏预测的历史数据集，进一步提升后续光伏功率预测的精度。
优选地，在步骤S1中，设最新时刻为t，所述的一定逆向时间跨度为△t1，选取时间段(t-△t1，t)内历史数据库中的历史数据集。
优选地，在步骤S2中选定的光伏预测算法为人工神经网络模型算法或自回归模型或模糊逻辑算法或支持向量回归算法。
优选地，步骤S2所述利用历史数据集的数据逆向滚动预测过去的光伏功率的过程包括：
S21.设光伏发电的历史数据库中的数据包括1～n个历史数据集块，表示为{历史数据集块1，历史数据集块2，…，历史数据集块n-1，历史数据集块n}，n表示自然数，历史数据集块n为所有数据中自最新时刻t开始，一定逆向时间跨度△t1下的历史数据集，其余依次类推，每个历史数据集块中设有一定数据样本的历史数据集；
S22.确定预使用的光伏预测算法，利用历史数据集块n逆向预测历史数据集块n-1所在的时间段内的光伏功率，将预测结果与历史数据集块n-1所在时间段的实际光伏功率比较，得到历史数据集块n-1所在时间段光伏功率的预测误差指标；
S23.利用历史数据集块n和历史数据集块n-1逆向预测历史数据集块n-2所在的时间段内的光伏功率，将预测结果与历史数据集块n-2所在时间段的实际光伏功率比较，得到历史数据集块n-2所在时间段光伏功率的预测误差指标；
S24.依次逆向滚动预测，直至得出历史数据集块n-1～历史数据集块1所在时间段光伏功率的预测误差指标，形成预测误差指标随逆向时间跨度变化的趋势曲线。
在此，对于按时间跨度正向的历史数据集，历史数据集的新旧程度按时间跨度由旧及新，传统情况下是利用较旧的历史数据来预测较新的历史数据，或者通过已知数据来预测未知数据，在本技术方案中，以逆向预测的方式，直接确定预测误差指标随逆向时间跨度变化的趋势曲线的最低点，不需要每次均对所有不同时间跨度的历史数据集进行预测的繁复计算。
优选地，在选定光伏预测算法、利用历史数据集的数据逆向滚动预测过去的光伏功率前，还对历史数据集进行预处理操作，在步骤S5中，以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测时，历史数据集也要进行预处理操作。
优选地，预测误差指标随逆向时间跨度变化的趋势曲线通过多项式拟合的方式拟合。
优选地，在步骤S4中，以S3确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目的过程为：
S41.设历史数据集样本数目沿时间跨度方向的增大尺度为X，设历史数据集样本数目沿时间跨度方向的减小尺度为Y，设S3确定的历史数据集样本数目为Q，将S3确定的历史数据集样本数目增加X；
S42.以Q+X个历史数据集样本通过光伏预测算法进行光伏发电功率预测，并得到预测误差指标，与S3确定的历史数据集样本数目对应的预测误差指标比较，判断预测误差指标是否减小，若是，将历史数据集样本数目继续增大，执行步骤S43；否则，将历史数据集样本数目减少，得到Q-Y个历史数据集样本数目，执行步骤S43；
S43.通过光伏预测算法进行光伏发电功率预测，并得到预测误差指标，将该预测误差指标与上一次通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，判断预测误差指标是否减小，若是，执行步骤S44，否则，执行步骤S45；
S44.将历史数据集样本数目继续增大，通过光伏预测算法进行光伏发电功率预测，得到预测误差指标随历史数据集样本数目变化的趋势，直至与通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，预测误差指标增大，则预测误差指标的拐点出现，拐点对应最佳历史数据集的样本数目；
S45.将历史数据集样本数目继续减少，通过光伏预测算法进行光伏发电功率预测，得到预测误差指标随历史数据集样本数目变化的趋势，直至与通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，预测误差指标减小，则预测误差指标的拐点出现，拐点对应最佳历史数据集的样本数目。
本申请还提出一种设备，包括处理器、存储器及存储在存储器上的计算机程序，所述处理器执行存储在存储器上的计算机程序，以实现所述的基于逆向预测历史数据集的光伏功率预测方法。
本申请还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器执行时，实现所述的基于逆向预测历史数据集的光伏功率预测方法。
本申请还提出一种基于逆向预测历史数据集的光伏功率预测系统，所述系统包括：
数据获取模块，用于从光伏发电的历史数据库中获取数据，并从获取的数据中选取自最新时刻开始，一定逆向时间跨度的历史数据集；
逆向预测模块，用于选定光伏预测算法，利用历史数据集的数据逆向滚动预测过去的光伏功率，将光伏功率逆向滚动预测结果与对应的逆向时刻的实际光伏功率结果比较，比较结果用预测误差指标表示，得到预测误差指标随逆向时间跨度变化的趋势曲线；
趋势确定模块，用于确定预测误差指标随逆向时间跨度变化的趋势曲线中的最低点对应的逆向时间跨度，得出逆向时间跨度对应的历史数据集样本数目；
最佳数据集搜寻模块，以确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目；
光伏功率预测模块，以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测。
与现有技术相比，本发明技术方案的有益效果是：
本发明提出一种基于逆向预测历史数据集的光伏功率预测方法及系统，从获取的数据中选取自最新时刻开始，一定逆向时间跨度的历史数据集，以逆向滚动预测过去的光伏功率，避免每次均对所有不同时间跨度的历史数据集进行预测的繁复计算方式，初步降低光伏功率预测的计算量，而后以逆向滚动预测确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目，优化用于光伏预测的历史数据集，进一步提升后续光伏功率预测的精度。
附图说明
图1表示本发明实施例1中提出的基于逆向预测历史数据集的光伏功率预测方法的流程示意图；
图2表示本发明实施例2中提出的传统基于历史数据集进行光伏发电正向预测的示意图；
图3表示本发明实施例2中提出的基于历史数据集逆向预测的光伏功率预测的示意图；
图4表示本发明实施例3中提出的基于逆向预测历史数据集的光伏功率预测系统的结构图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸；
对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
附图中描述位置关系的仅用于示例性说明，不能理解为对本专利的限制；
实施例1
在本实施例中，如图1所示，提出了一种基于逆向预测历史数据集的光伏功率预测方法，包括：
S1.从光伏发电的历史数据库中获取数据，并从获取的数据中选取自最新时刻开始，一定逆向时间跨度的历史数据集；
在实际实施时，“获取的数据”是一定的时间尺度范围对应下的数据，最新时刻即指获取的数据对应的最新近的时刻，而“逆向”是指自最新时刻向过去选择的时间跨度方向，设最新时刻为t，所述的一定逆向时间跨度为△t1，选取时间段(t-△t1，t)内历史数据库中的历史数据集。
S2.选定光伏预测算法，利用历史数据集的数据逆向滚动预测过去的光伏功率，将光伏功率逆向滚动预测结果与对应的逆向时刻的实际光伏功率结果比较，比较结果用预测误差指标表示，得到预测误差指标随逆向时间跨度变化的趋势曲线；
在本实施例中，选定的光伏预测算法为人工神经网络模型算法或自回归模型或模糊逻辑算法或支持向量回归算法，这里不具体限定是哪一种，而且最终使用的光伏预测算法本身不作为本实施例的保护点，本实施例是可以将任意一种公知的、有较佳预测性能的光伏预测算法来直接应用，此外，预测误差指标选用比较常用的平均绝对百分比误差MAPE，平均绝对百分比误差MAPE作为衡量光伏发电功率预测效果好坏的指标，MAPE越小，说明预测结果越好，反之，则越差，具体求解方法不作为保护重点，此处不再赘述。预测误差指标随逆向时间跨度变化的趋势曲线通过多项式拟合的方式拟合。
S3.确定预测误差指标随逆向时间跨度变化的趋势曲线中的最低点对应的逆向时间跨度，得出逆向时间跨度对应的历史数据集样本数目；
S4.以S3确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目；
S5.以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测。
在本实施例中，在选定光伏预测算法、利用历史数据集的数据逆向滚动预测过去的光伏功率前，还对历史数据集进行预处理操作，在步骤S5中，以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测时，历史数据集也要进行预处理操作，在实际实施时，预处理包括数据清洗，数据剔除或者归类等操作。
实施例2
在本实施例中，对于步骤S2所述利用历史数据集的数据逆向滚动预测过去的光伏功率的过程进行具体说明，对于按时间跨度正向的历史数据集，历史数据集的新旧程度按时间跨度由旧及新，传统情况下是利用较旧的历史数据来预测较新的历史数据，或者通过已知数据来预测未知数据，如图2所示，历史数据集共有历史数据集块1、历史数据集块2、历史数据集块3及历史数据集块4组成，历史数据集块1～历史数据集块4为正向时间跨度的顺序，如图2所示，正常情况下，以历史数据集块1预测历史数据集块2(若此时历史数据集块2内的数据未知待预测)，或者以历史数据集块1和历史数据集块2预测历史数据集块3(若此时历史数据集块3内的数据未知待预测)，或者以历史数据集块1和历史数据集块2、历史数据集块3预测历史数据集块4(若此时历史数据集块4内的数据未知待预测)。在本技术方案中，以逆向预测的方式，直接确定预测误差指标随逆向时间跨度变化的趋势曲线的最低点，不需要每次均对所有不同时间跨度的历史数据集进行预测的繁复计算。以图3为例进行说明，与正向预测相似，历史数据集共有历史数据集块1、历史数据集块2、历史数据集块3及历史数据集块4组成，历史数据集块1～历史数据集块4为正向时间跨度的顺序，在本技术方案中，以历史数据集块4预测历史数据集块3，以历史数据集块3和历史数据集块4预测历史数据集块预测历史数据集块2，以历史数据集块2、历史数据集块3、历史数据集块4预测历史数据集块1，即逆向预测是将预测方向逆转，以较新的数据去预测较旧时刻的数据，以此类推。该过程包括：
S21.设光伏发电的历史数据库中的数据包括1～n个历史数据集块，表示为{历史数据集块1，历史数据集块2，…，历史数据集块n-1，历史数据集块n}，n表示自然数，历史数据集块n为所有数据中自最新时刻t开始，一定逆向时间跨度△t1下的历史数据集，其余依次类推，每个历史数据集块中设有一定数据样本的历史数据集；
S22.确定预使用的光伏预测算法，利用历史数据集块n逆向预测历史数据集块n-1所在的时间段内的光伏功率，将预测结果与历史数据集块n-1所在时间段的实际光伏功率比较，得到历史数据集块n-1所在时间段光伏功率的预测误差指标；
S23.利用历史数据集块n和历史数据集块n-1逆向预测历史数据集块n-2所在的时间段内的光伏功率，将预测结果与历史数据集块n-2所在时间段的实际光伏功率比较，得到历史数据集块n-2所在时间段光伏功率的预测误差指标；
S24.依次逆向滚动预测，直至得出历史数据集块n-1～历史数据集块1所在时间段光伏功率的预测误差指标，形成预测误差指标随逆向时间跨度变化的趋势曲线。
在步骤S4中，以S3确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目的过程为：
S41.设历史数据集样本数目沿时间跨度方向的增大尺度为X，设历史数据集样本数目沿时间跨度方向的减小尺度为Y，设S3确定的历史数据集样本数目为Q，将S3确定的历史数据集样本数目增加X；
S42.以Q+X个历史数据集样本通过光伏预测算法进行光伏发电功率预测，并得到预测误差指标，与S3确定的历史数据集样本数目对应的预测误差指标比较，判断预测误差指标是否减小，若是，将历史数据集样本数目继续增大，执行步骤S43；否则，将历史数据集样本数目减少，得到Q-Y个历史数据集样本数目，执行步骤S43；
S43.通过光伏预测算法进行光伏发电功率预测，并得到预测误差指标，将该预测误差指标与上一次通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，判断预测误差指标是否减小，若是，执行步骤S44，否则，执行步骤S45；
S44.将历史数据集样本数目继续增大，通过光伏预测算法进行光伏发电功率预测，得到预测误差指标随历史数据集样本数目变化的趋势，直至与通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，预测误差指标增大，则预测误差指标的拐点出现，拐点对应最佳历史数据集的样本数目；
S45.将历史数据集样本数目继续减少，通过光伏预测算法进行光伏发电功率预测，得到预测误差指标随历史数据集样本数目变化的趋势，直至与通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，预测误差指标减小，则预测误差指标的拐点出现，拐点对应最佳历史数据集的样本数目。
实施例3
本实施例还提出一种设备，包括处理器、存储器及存储在存储器上的计算机程序，处理器执行存储在存储器上的计算机程序，以实现基于逆向预测历史数据集的光伏功率预测方法。存储器可以是磁盘、闪存或其它任何非易失性存储介质，具体的，处理器与存储器连接，可以作为一个或多个集成电路来实施，具体的可以为微处理器或微控制器，在执行存储在存储器上的计算机程序时，实现基于逆向预测历史数据集的光伏功率预测方法。
本实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，所述计算机程序指令在被处理器执行时，实现所述的基于逆向预测历史数据集的光伏功率预测方法。这种计算机可读存储介质通过执行上面的计算机程序指令，将采集的数据保存在在用户终端本身，防止了数据泄露的问题。
实施例4
本申请还提出一种基于逆向预测历史数据集的光伏功率预测系统，参见图4，该系统包括：
数据获取模块，用于从光伏发电的历史数据库中获取数据，并从获取的数据中选取自最新时刻开始，一定逆向时间跨度的历史数据集；
逆向预测模块，用于选定光伏预测算法，利用历史数据集的数据逆向滚动预测过去的光伏功率，将光伏功率逆向滚动预测结果与对应的逆向时刻的实际光伏功率结果比较，比较结果用预测误差指标表示，得到预测误差指标随逆向时间跨度变化的趋势曲线；
趋势确定模块，用于确定预测误差指标随逆向时间跨度变化的趋势曲线中的最低点对应的逆向时间跨度，得出逆向时间跨度对应的历史数据集样本数目；
最佳数据集搜寻模块，以确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目；
光伏功率预测模块，以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测。
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。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它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于逆向预测历史数据集的光伏功率预测方法，其特征在于，包括：
S1.从光伏发电的历史数据库中获取数据，并从获取的数据中选取自最新时刻开始，一定逆向时间跨度的历史数据集；
S2.选定光伏预测算法，利用历史数据集的数据逆向滚动预测过去的光伏功率，将光伏功率逆向滚动预测结果与对应的逆向时刻的实际光伏功率结果比较，比较结果用预测误差指标表示，得到预测误差指标随逆向时间跨度变化的趋势曲线；
S3.确定预测误差指标随逆向时间跨度变化的趋势曲线中的最低点对应的逆向时间跨度，得出逆向时间跨度对应的历史数据集样本数目；
S4.以S3确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目；
S5.以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测。
2.根据权利要求1所述的基于逆向预测历史数据集的光伏功率预测方法，其特征在于，在步骤S1中，设最新时刻为t，所述的一定逆向时间跨度为△t1，选取时间段(t-△t1，t)内历史数据库中的历史数据集。
3.根据权利要求2所述的基于逆向预测历史数据集的光伏功率预测方法，其特征在于，在步骤S2中选定的光伏预测算法为人工神经网络模型算法或自回归模型或模糊逻辑算法或支持向量回归算法。
4.根据权利要求3所述的基于逆向预测历史数据集的光伏功率预测方法，其特征在于，步骤S2所述利用历史数据集的数据逆向滚动预测过去的光伏功率的过程包括：
S21.设光伏发电的历史数据库中的数据包括1～n个历史数据集块，表示为{历史数据集块1，历史数据集块2，…，历史数据集块n-1，历史数据集块n}，n表示自然数，历史数据集块n为所有数据中自最新时刻t开始，一定逆向时间跨度△t1下的历史数据集，其余依次类推，每个历史数据集块中设有一定数据样本的历史数据集；
S22.确定预使用的光伏预测算法，利用历史数据集块n逆向预测历史数据集块n-1所在的时间段内的光伏功率，将预测结果与历史数据集块n-1所在时间段的实际光伏功率比较，得到历史数据集块n-1所在时间段光伏功率的预测误差指标；
S23.利用历史数据集块n和历史数据集块n-1逆向预测历史数据集块n-2所在的时间段内的光伏功率，将预测结果与历史数据集块n-2所在时间段的实际光伏功率比较，得到历史数据集块n-2所在时间段光伏功率的预测误差指标；
S24.依次逆向滚动预测，直至得出历史数据集块n-1～历史数据集块1所在时间段光伏功率的预测误差指标，形成预测误差指标随逆向时间跨度变化的趋势曲线。
5.根据权利要求4所述的基于逆向预测历史数据集的光伏功率预测方法，其特征在于，在选定光伏预测算法、利用历史数据集的数据逆向滚动预测过去的光伏功率前，还对历史数据集进行预处理操作，在步骤S5中，以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测时，历史数据集也要进行预处理操作。
6.根据权利要求5所述的基于逆向预测历史数据集的光伏功率预测方法，其特征在于，预测误差指标随逆向时间跨度变化的趋势曲线通过多项式拟合的方式拟合。
7.根据权利要求6所述的基于逆向预测历史数据集的光伏功率预测方法，其特征在于，在步骤S4中，以S3确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目的过程为：
S41.设历史数据集样本数目沿时间跨度方向的增大尺度为X，设历史数据集样本数目沿时间跨度方向的减小尺度为Y，设S3确定的历史数据集样本数目为Q，将S3确定的历史数据集样本数目增加X；
S42.以Q+X个历史数据集样本通过光伏预测算法进行光伏发电功率预测，并得到预测误差指标，与S3确定的历史数据集样本数目对应的预测误差指标比较，判断预测误差指标是否减小，若是，将历史数据集样本数目继续增大，执行步骤S43；否则，将历史数据集样本数目减少，得到Q-Y个历史数据集样本数目，执行步骤S43；
S43.通过光伏预测算法进行光伏发电功率预测，并得到预测误差指标，将该预测误差指标与上一次通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，判断预测误差指标是否减小，若是，执行步骤S44，否则，执行步骤S45；
S44.将历史数据集样本数目继续增大，通过光伏预测算法进行光伏发电功率预测，得到预测误差指标随历史数据集样本数目变化的趋势，直至与通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，预测误差指标增大，则预测误差指标的拐点出现，拐点对应最佳历史数据集的样本数目；
S45.将历史数据集样本数目继续减少，通过光伏预测算法进行光伏发电功率预测，得到预测误差指标随历史数据集样本数目变化的趋势，直至与通过光伏预测算法进行光伏发电功率预测的预测误差指标比较，预测误差指标减小，则预测误差指标的拐点出现，拐点对应最佳历史数据集的样本数目。
8.一种设备，其特征在于，包括处理器、存储器及存储在存储器上的计算机程序，所述处理器执行存储在存储器上的计算机程序，以实现权利要求1～7任意一项所述的基于逆向预测历史数据集的光伏功率预测方法。
9.一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上存储有计算机程序指令，所述计算机程序指令在被处理器执行时，实现权利要求1～7任意一项所述的基于逆向预测历史数据集的光伏功率预测方法。
10.一种基于逆向预测历史数据集的光伏功率预测系统，其特征在于，所述系统包括：
数据获取模块，用于从光伏发电的历史数据库中获取数据，并从获取的数据中选取自最新时刻开始，一定逆向时间跨度的历史数据集；
逆向预测模块，用于选定光伏预测算法，利用历史数据集的数据逆向滚动预测过去的光伏功率，将光伏功率逆向滚动预测结果与对应的逆向时刻的实际光伏功率结果比较，比较结果用预测误差指标表示，得到预测误差指标随逆向时间跨度变化的趋势曲线；
趋势确定模块，用于确定预测误差指标随逆向时间跨度变化的趋势曲线中的最低点对应的逆向时间跨度，得出逆向时间跨度对应的历史数据集样本数目；
最佳数据集搜寻模块，以确定的历史数据集样本数目为基础点，搜寻最佳历史数据集样本数目；
光伏功率预测模块，以最佳的历史数据集样本数目对应的历史数据集进光伏功率预测。
CN202210545900.9A 2022-05-19 2022-05-19 一种基于逆向预测历史数据集的光伏功率预测方法及系统 Active CN114881341B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210545900.9A CN114881341B (zh) 2022-05-19 2022-05-19 一种基于逆向预测历史数据集的光伏功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210545900.9A CN114881341B (zh) 2022-05-19 2022-05-19 一种基于逆向预测历史数据集的光伏功率预测方法及系统

Publications (2)

Publication Number Publication Date
CN114881341A CN114881341A (zh) 2022-08-09
CN114881341B true CN114881341B (zh) 2023-04-07

Family

ID=82677849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210545900.9A Active CN114881341B (zh) 2022-05-19 2022-05-19 一种基于逆向预测历史数据集的光伏功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN114881341B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194495A (zh) * 2017-04-21 2017-09-22 北京信息科技大学 一种基于历史数据挖掘的光伏功率纵向预测方法
CN110110912A (zh) * 2019-04-26 2019-08-09 华北电力大学 一种光伏功率多模型区间预测方法
CN111695601A (zh) * 2020-05-15 2020-09-22 特变电工西安电气科技有限公司 光伏功率预测方法、装置、设备及可读存储介质
CN113159102A (zh) * 2021-02-24 2021-07-23 山东大学 一种多时间尺度的光伏功率预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194495A (zh) * 2017-04-21 2017-09-22 北京信息科技大学 一种基于历史数据挖掘的光伏功率纵向预测方法
CN110110912A (zh) * 2019-04-26 2019-08-09 华北电力大学 一种光伏功率多模型区间预测方法
CN111695601A (zh) * 2020-05-15 2020-09-22 特变电工西安电气科技有限公司 光伏功率预测方法、装置、设备及可读存储介质
CN113159102A (zh) * 2021-02-24 2021-07-23 山东大学 一种多时间尺度的光伏功率预测方法及系统

Also Published As

Publication number Publication date
CN114881341A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN112487702B (zh) 一种锂离子电池剩余使用寿命预测方法
CN110969290B (zh) 一种基于深度学习的径流概率预测方法及系统
CN115587672A (zh) 一种配变负荷预测及重过载预警方法及系统
CN110503462A (zh) 基于灰色关联度分析的电网投资测算方法、系统及介质
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN113011680A (zh) 一种电力负荷预测方法及系统
CN116306229A (zh) 一种基于深度强化学习和迁移学习电力短期负荷预测方法
CN112348287A (zh) 基于lstm分位数回归的电力系统短期负荷概率密度预测方法
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN115345297A (zh) 一种基于生成对抗网络的台区样本生成方法及系统
CN117829374A (zh) 一种钢铁企业耗电量的预测方法及系统
CN116540098A (zh) 电池残值评估方法、装置、设备及可读存储介质
CN111697560A (zh) 一种基于lstm预测电力系统负荷的方法及系统
CN114581141A (zh) 基于特征选择与lssvr的短期负荷预测方法
CN117277312A (zh) 一种基于灰色关联分析的电力负荷影响因素方法及设备
CN114881341B (zh) 一种基于逆向预测历史数据集的光伏功率预测方法及系统
CN113537693A (zh) 人员风险等级获取方法、终端、存储装置
CN117374917A (zh) 一种超短期电力负荷的多元回归预测方法及装置
CN111597663A (zh) 融合剩余寿命经验数据的动量轮剩余寿命预测方法
CN115511230B (zh) 一种电能替代潜力分析预测方法
CN114970711B (zh) 一种基于Seq2Seq的电力负荷预测模型的构建方法及应用
CN116523540A (zh) 基于自适应lgbm的超短期电价预测方法
CN114594397A (zh) 基于泛化模型的锂离子电池健康状态估计方法及系统
Khan et al. Analysis of factors affecting machine learning-based energy prediction

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