CN115564100A - 光伏功率预测方法、系统及设备 - Google Patents
光伏功率预测方法、系统及设备 Download PDFInfo
- Publication number
- CN115564100A CN115564100A CN202211155159.1A CN202211155159A CN115564100A CN 115564100 A CN115564100 A CN 115564100A CN 202211155159 A CN202211155159 A CN 202211155159A CN 115564100 A CN115564100 A CN 115564100A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic power
- historical
- cloud picture
- gray
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及光伏功率预测方法、系统及设备，其中的光伏功率预测方法包括以下步骤：获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；对特征中的云图数据依据灰度值划分为设定数量的区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。考虑了云图特征的不足，具有良好的预测效果。
Description
技术领域
本发明涉及光伏发电技术领域，具体为光伏功率预测方法、系统及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
光伏发电具有无污染，价格低，易获取和无运输等特点，而其容易受到光照随机性和昼夜周期性的影响，在电力系统中需要对光伏发电的功率进行预测，以更好的调度和规划电力分配。
针对光伏功率实现预测的方法，目前包括基于物理模型的方法和基于统计模型的方法。
物理预测方法通常不需要历史数据，而是依赖地理信息、气象数据和光伏电池物理模型信息，然而，由于地理数据分辨率低，很难得到准确的光伏组件的物理模型以及操作参数，会导致物理预测方法的精确度降低。
统计模型是利用计算机性能和人工智能技术开发的一种数据驱动模型，有效的克服以上缺点且具有更低成本。常用的代表模型为LSTM模型，能更好的处理时序数据，但LSTM模型自身存在较多的超参数，需要复杂的优化算法进行优化来提高预测性能；并且传统的模型受限于成本通常不考虑云团信息这一特征，导致预测结果不理想。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供光伏功率预测方法、系统及设备，基于卫星云图的天气聚类分析，有效利用气象规律，实现每种天气类型下的光伏功率预测，提高功率预测的精度，能够提高电力系统运行的可靠性，降低用电成本，降低能耗，节能减排，提高经济效益。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供光伏功率预测方法，包括以下步骤：
获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；
对特征中的云图数据依据灰度值划分为设定数量的区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；
将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；
将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。
基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建，包括：
对历史光伏功率值和对应的气象数据进行数据清洗，排除异常值和零负值；
根据气象数据中的历史卫星云图，通过灰度共生矩阵对云图进行特征提取。
基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建，具体为：
对历史云图数据进行同态滤波，增强云图特征后进行标准化处理；
利用标准化处理后的图像，基于灰度共生矩阵提取云团纹理特征；云团纹理特征包括图像中灰度值的分布均匀程度、纹理的粗细程度、灰度值的离散程度、纹理的清晰程度与规则程度以及图像纹理在设定方向上的规律；
根据云团纹理特征的整体相关性分布，选择云图特征进行特征构建。
云团纹理特征中，通过角二阶矩描述图像中灰度值的分布均匀程度和纹理的粗细程度，通过熵描述图像中灰度值的离散程度，通过逆方差描述纹理的清晰程度与规则程度，通过自相关性描述图像纹理在设定方向上的规律。
本发明的第二个方面提供实现上述方法所需的系统，包括：
特征构建模块，被配置为：获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；
聚类模块，被配置为：对特征中的云图数据依据灰度值划分为三个区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；
模型构建模块，被配置为：将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；
模型优化模块，被配置为：将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。
本发明的第三个方面提供一种计算机设备。
一种计算机设备，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如上述所述的光伏功率预测方法中的步骤。
与现有技术相比，以上一个或多个技术方案存在以下有益效果：
1、基于卫星云图的天气聚类分析，有效利用气象规律，实现每种天气类型下的光伏功率预测，提高功率预测的精度，能够提高电力系统运行的可靠性，降低用电成本，降低能耗，节能减排，提高经济效益。
2、将卫星云图天气聚类下的优化LSTM模型应用于光伏功率预测领域，解决了缺乏云图特征的不足，并取得了良好的预测效果。
3、基于灰度共生矩阵对卫星云图进行特征提取，并结合光伏出力数据和相关气象数据完成特征构建，解决了数据缺少云图特征的不足。
4、同时提出的基于卫星云图的天气分类方法，使得天气分类方法更简单有效。
5、通过BO算法对预测模型进行超参数优化，解决传统优化寻优速度慢的缺点且有效提高了模型的预测精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明一个或多个实施例提供的光伏功率预测方法流程图；
图2是本发明一个或多个实施例提供的卫星云图特征提取流程图；
图3是本发明一个或多个实施例提供的同态滤波流程图；
图4是本发明一个或多个实施例提供的不同方向和步长下卫星云图特征的相关性变化示意图；
图5是本发明一个或多个实施例提供的卫星云图像素区间的部分统计结果图；
图6是本发明一个或多个实施例提供的基于卫星云图的天气聚类效果图；
图7(a)是本发明一个或多个实施例提供的多云类型下光伏功率预测结果示意图；
图7(b)是本发明一个或多个实施例提供的晴天类型下光伏功率预测结果图；
图7(c)是本发明一个或多个实施例提供的阴天类型下光伏功率预测结果图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术中所描述的，统计模型能够克服物理预测方法具有的缺点且具有更低成本，以LSTM模型为例，其能够更好的处理时序数据，但LSTM模型自身存在较多的超参数，需要复杂的优化算法进行优化来提高预测性能；并且传统的模型受限于成本通常不考虑云团信息这一特征，云团特征的获取主要来源于地基云图和卫星云图。相比而言，地基云图的时空分辨率更高，但全天空成像仪的价格高昂，难以推广使用。
因此以下实施例给出光伏功率预测方法、系统及设备，通过结合卫星云图提取特征和历史光伏功率及气象数据完成特征构建；利用卫星云图，通过k-means聚类方法完成天气分类；构建LSTM+attention模型，并通过BO算法进行超参数优化进一步提升预测精度。通过基于卫星云图和优化LSTM的光伏功率预测能更好的体现云团对光伏功率的影响，并能一定程度上提高预测精度。
实施例一：
如图1-7所示，光伏功率预测方法，包括以下步骤：
步骤1、选取历史光伏功率数据和相关气象数据，基于灰度共生矩阵对历史云图数据进行特征提取，最后综合两部分数据对所有特征进行特征构建。
步骤2、对云图数据进行灰度区间划分为三个区间，并对每张云图进行灰度统计，基于灰度统计数据并通过k-means方法对云图进行天气分类。
步骤3、将数据分为训练集与测试集，利用训练集对LSTM+attention模型进行训练，并优化更新网络参数，使用测试集进行预测时有更好的效果。
步骤4、将预测结果的输出误差作为目标函数；再使用BO算法对预测模型进行超参数优化；通过RMSE来判断预测结果精度的高低，再经过对比研究得到模型的好坏。
本实施例中，将基于卫星云图天气聚类下的优化LSTM模型应用于光伏功率预测领域，解决了缺乏云图特征的不足，并取得了良好的预测效果。
首先基于灰度共生矩阵对卫星云图进行特征提取，并结合光伏出力数据和相关气象数据完成特征构建，解决了数据缺少云图特征的不足；同时提出了基于卫星云图的天气分类方法，使得天气分类方法更简单有效。通过BO算法对预测模型进行超参数优化，解决了传统优化寻优速度慢的缺点且有效提高了模型的预测精度。
步骤1中，对数据进行特征构建，为后续预测模型做准备。具体如下：
步骤1.1，获取历史光伏功率数据和相关气象数据，进行数据清洗；
本实施例中，对历史光伏功率值和气象数据进行数据清洗，排除异常值和零负值。
可选的，可以采集的数据量为某地区2017年的光伏电站功率数据，时间范围为9:00-16:00，采样间隔为1h。
步骤1.2，根据卫星云图，通过灰度共生矩阵对云图进行特征提取，如图2所示；
可选的，可以采集的卫星云图为可见光FY-2G，其空间分辨率为5km，其时间分辨率为1h。
本实施例中采用于灰度共生矩阵进行特征提取方法，过程包括如下：
步骤1.2-1，对图像进行同态滤波来增强云图特征，如图3所示。同态滤波可以同时增加对比度以及标准化亮度，使图像的照明更加均匀，达到增强暗区的图像细节，同时又不损失亮区的图像细节。
步骤1.2-2，对图像进行标准化处理，公式如下所示。图像标准化是将数据通过去均值实现中心化的处理，根据凸优化理论与数据概率分布相关知识，对数据标准化后再应用于模型，可以提升模型的泛化能力。
式中，μ为图像像素值均值，σ为图像像素值方差，N为图像像素点数。
步骤1.2-3，通过灰度共生矩阵来提取云图的特征。灰度共生矩阵是对图像像素间灰度值的空间特性进行统计分析的一种方法。给定一个灰色级别的图像I共现矩阵计算具有特定值和偏移量的像素对在图像中出现的频率。对于具有p不同像素值的图像，p*p共现矩阵C在图像I上定义，用偏移量(Δx,Δy)参数化，如下所示:
式中i,j为像素值，x,y为图像I中的空间位置，偏移量(Δx,Δy)定义计算该矩阵的空间关系，I(x,y)表示图像I在(x,y)处的像素值。
步骤1.2-4，基于灰度共生矩阵提取云团纹理特征，考虑到特征之间的独立性，实际中常采用角二阶矩(ASM)、熵(ENT)、逆方差(IDM)、自相关性(CORR)等对图像纹理进行描述。
ASM用来描述图像中灰度值的分布均匀程度和纹理的粗细程度。若灰度矩阵中各个元素的值波动较大，则该值较大，反之则该值较小。角二阶矩FASM的计算公式为
ENT表示图像中灰度值的离散程度。若图像中的纹理复杂，则该值较大，反之则该值较小。熵值Fent的计算公式为
IDM反映了纹理的清晰程度和规则程度，纹理清晰、规律性较强、易于描述的，值较大。逆方差Fidm的计算公式为
CORR用于描述图像纹理在某个方向上的规律。若图像具有某个方向上的纹理，则该方向上的矩阵的该值较大，反之则该值较小。相关性Fcorr的计算公式为
式中：L表示划分的图像灰度等级；p(i,j,s,θ)表示灰度为i和j的一对像素点，在扫描步长为s，扫描方向为θ条件下同时出现的概率；μx、σx表示水平方向上的像素概率均值和标准差；μy、σy表示垂直方向上的像素概率均值和标准差，其表达式分别为：
根据五种特征整体相关性分布，来选择云图特征。由于相关性强的特征能更好的反应云图纹理对光伏功率的影响，选取三个相关性均大于0.4的特征，分别为均值、熵值、自相关。其次不同的扫描方向和步长也会对特征的相关性产生影响。以熵值为例，在四种的扫描方向下，其相关性会略有不同。
综合扫描方向和步长，最终选择135，方向和步长为1的特征。其相关性如表1所示。
表1方向和步长的相关性
| mean | idm | correlation | |
| value | 0.050326 | 0.919571 | 21.56177778 |
| Correlation | 0.646231 | 0.466792 | 0.735249306 |
步骤2中，对卫星云图灰度划分为三个区间，分别为[0-85]、[85-170]、[170-255]。对三个像素区间的像素数量进行统计，部分统计结果如图5所示。图中有12天的像素分布情况，其中开头四天的像素值分布主要集中在[0-85]，主要反应的天气情况为无云条件的晴天类型，其对应的光伏输出功率也是最高；中间四天的像素值主要集中在[85-170]，[170-255]区间像素分布较少，[0-85]区间像素分布最少。主要反应的天气情况为有云条件的多云类型，其对应的光伏输出功率中等且有一定波动；最后四天的像素值分布与上述多云类型相似，但[170-255]区间的像素占比显著提高。主要反映的天气情况为有云且云层较厚的雨天类型，其对应的光伏输出功率最低且波动最大。
通过k-means聚类方法对图像进行分类，每种类别作为反应不同的天气类型，如图6所示。图中给出了三维聚类效果图的二维映射效果，其中三种聚类效果类型1、类型2、类型3分别对应着雨天、多云、晴天。这种分类方法一定程度上减少了基于气象要素的天气分类方法的对气象要素和精度的依赖，而且更简单和直观的实现了天气分类，降低使用成本具有更好的适用性。
步骤3中，LSTM在对有价值信息进行相对长时间记忆方面的优势使其在时间序列预测中得到广泛应用。attention机制模拟人类大脑如何处理信息，从而提高了神经网络处理信息的能力。
因此本实施例通过在LSTM输出的序列后加入attention网络，设输入序列向量为E＝[e1,e2,...,et]，则attention机制的计算公式如下：
E'＝Softmax(WE)*E (12)
式中，W为权重矩阵，与输入序列E做矩阵运算再经过Softmax激活函数，最后和输入序列相乘得出新序列E'。
本模型将两种方法进行结合，将LSTM+attention模型作为预测模型。两种模型的预测精度对比如表2所示，LSTM+attention在各个天气类型下均优于单一的LSTM模型。
表2模型预测精度对比
步骤4中，为了加快神经网络的训练速度，节省训练成本，提高网络性能，需要对神经网络的超参数进行调优。BO算法的优点是收敛速度快、性能好、可扩展性强、适用于超参数寻优问题，特别是在特征为非参数的情况下。
为了进一步提升预测精度，对所建立的模型进行超参数优化，充分利用之前采样点的采样结果完善目标函数的形状，从而找到全局最优超参数。
设X＝x1,x2,...,xn为一组超参数组合，f(x)关于超参数x的目标函数，贝叶斯优化的原则是找到x∈X使得
效果如表3所示。为了更直观表示每种天气类型下的预测值，最终的效果如图7(a)(b)(c)所示。
表3模型经超参数优化前后对比
上述方法将卫星云图天气聚类下的优化LSTM模型应用于光伏功率预测领域，解决了缺乏云图特征的不足，并取得了良好的预测效果。
基于灰度共生矩阵对卫星云图进行特征提取，并结合光伏出力数据和相关气象数据完成特征构建，解决了数据缺少云图特征的不足。
同时提出的基于卫星云图的天气分类方法，使得天气分类方法更简单有效。
通过BO算法对预测模型进行超参数优化，解决传统优化寻优速度慢的缺点且有效提高了模型的预测精度。
实施例二：
实现上述方法的系统，包括：
特征构建模块，被配置为：获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；
聚类模块，被配置为：对特征中的云图数据依据灰度值划分为三个区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；
模型构建模块，被配置为：将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；
模型优化模块，被配置为：将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。
实施例三：
本实施例提供了一种计算机设备，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如上述实施例一所述的光伏功率预测方法中的步骤。
光伏功率预测方法基于卫星云图的天气聚类分析，有效利用气象规律，实现每种天气类型下的光伏功率预测，提高功率预测的精度，能够提高电力系统运行的可靠性，降低用电成本，降低能耗，节能减排，提高经济效益。
以上实施例二至三中涉及的各步骤或模块与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.光伏功率预测方法，其特征在于：包括以下步骤：
获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；
对特征中的云图数据依据灰度值划分为设定数量的区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；
将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；
将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。
2.如权利要求1所述的光伏功率预测方法，其特征在于：所述基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建，包括：
对历史光伏功率值和对应的气象数据进行数据清洗，排除异常值和零负值；
根据气象数据中的历史卫星云图，通过灰度共生矩阵对云图进行特征提取。
3.如权利要求1所述的光伏功率预测方法，其特征在于：基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建，具体为：
对历史云图数据进行同态滤波，增强云图特征后进行标准化处理；
利用标准化处理后的图像，基于灰度共生矩阵提取云团纹理特征；
根据云团纹理特征的整体相关性分布，选择云图特征进行特征构建。
4.如权利要求3所述的光伏功率预测方法，其特征在于：所述云团纹理特征包括图像中灰度值的分布均匀程度、纹理的粗细程度、灰度值的离散程度、纹理的清晰程度与规则程度以及图像纹理在设定方向上的规律。
5.如权利要求5所述的光伏功率预测方法，其特征在于：所述云团纹理特征中，通过角二阶矩描述图像中灰度值的分布均匀程度和纹理的粗细程度，通过熵描述图像中灰度值的离散程度，通过逆方差描述纹理的清晰程度与规则程度，通过自相关性描述图像纹理在设定方向上的规律。
6.如权利要求1所述的光伏功率预测方法，其特征在于：所述预测模型通过在LSTM输出的序列后加入注意力网络形成，设输入序列向量为E＝[e1,e2,...,et]，则注意力机制满足下式：
E'＝Softmax(WE)*E；
式中，W为权重矩阵，与输入序列E做矩阵运算再经过Softmax激活函数，最后和输入序列相乘得出新序列E'。
7.如权利要求1所述的光伏功率预测方法，其特征在于：对预测模型进行超参数优化，具体为：
设X＝x1,x2,...,xn为一组超参数组合，f(x)为关于超参数x的目标函数，找到x∈X使得满足下式：
8.光伏功率预测系统，其特征在于：包括：
特征构建模块，被配置为：获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；
聚类模块，被配置为：对特征中的云图数据依据灰度值划分为三个区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；
模型构建模块，被配置为：将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；
模型优化模块，被配置为：将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。
9.一种计算机设备，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如权利要求1-7任一项所述的光伏功率预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211155159.1A CN115564100A (zh) | 2022-09-22 | 2022-09-22 | 光伏功率预测方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211155159.1A CN115564100A (zh) | 2022-09-22 | 2022-09-22 | 光伏功率预测方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115564100A true CN115564100A (zh) | 2023-01-03 |
Family
ID=84741958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211155159.1A Pending CN115564100A (zh) | 2022-09-22 | 2022-09-22 | 光伏功率预测方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115564100A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117691592A (zh) * | 2023-12-14 | 2024-03-12 | 湖南防灾科技有限公司 | 光伏出力预测方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
| CN113128762A (zh) * | 2021-04-19 | 2021-07-16 | 中国科学院计算机网络信息中心 | 一种多源异构数据的短期光伏发电功率预测方法及系统 |
| CN114004405A (zh) * | 2021-11-03 | 2022-02-01 | 国网山东省电力公司东营供电公司 | 基于Elman神经网络和卫星云图的光伏功率预测方法及系统 |
| CN114638990A (zh) * | 2022-03-16 | 2022-06-17 | 中国人民解放军61540部队 | 一种卫星云图的分类方法以及分类系统 |
| CN114792156A (zh) * | 2022-03-10 | 2022-07-26 | 国网甘肃省电力公司电力科学研究院 | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 |
| KR20220105823A (ko) * | 2021-01-21 | 2022-07-28 | 한전케이디엔주식회사 | 태양광 발전량 예측 시스템 및 방법 |
| CN114862023A (zh) * | 2022-05-11 | 2022-08-05 | 济南大学 | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 |
-
2022
- 2022-09-22 CN CN202211155159.1A patent/CN115564100A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
| KR20220105823A (ko) * | 2021-01-21 | 2022-07-28 | 한전케이디엔주식회사 | 태양광 발전량 예측 시스템 및 방법 |
| CN113128762A (zh) * | 2021-04-19 | 2021-07-16 | 中国科学院计算机网络信息中心 | 一种多源异构数据的短期光伏发电功率预测方法及系统 |
| CN114004405A (zh) * | 2021-11-03 | 2022-02-01 | 国网山东省电力公司东营供电公司 | 基于Elman神经网络和卫星云图的光伏功率预测方法及系统 |
| CN114792156A (zh) * | 2022-03-10 | 2022-07-26 | 国网甘肃省电力公司电力科学研究院 | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 |
| CN114638990A (zh) * | 2022-03-16 | 2022-06-17 | 中国人民解放军61540部队 | 一种卫星云图的分类方法以及分类系统 |
| CN114862023A (zh) * | 2022-05-11 | 2022-08-05 | 济南大学 | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 白晓阳: "基于改进Markov和地基云图的光伏超短期预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》, no. 03, 15 March 2022 (2022-03-15), pages 1 - 2 * |
| 韩阳: "基于地基云图的光伏发电系统超短期功率预测", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》, no. 01, 15 January 2019 (2019-01-15), pages 35 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117691592A (zh) * | 2023-12-14 | 2024-03-12 | 湖南防灾科技有限公司 | 光伏出力预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110619282B (zh) | 一种无人机正射影像建筑物自动提取方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN109543721B (zh) | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 | |
| CN111476219A (zh) | 智能家居环境中图像目标检测方法 | |
| CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
| CN110929602A (zh) | 一种基于卷积神经网络的地基云图云状识别方法 | |
| CN112818969B (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
| CN112507793A (zh) | 一种超短期光伏功率预测方法 | |
| CN111178304B (zh) | 基于全卷积神经网络的高分辨率遥感影像像素级解译方法 | |
| CN109523013A (zh) | 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
| CN111709397A (zh) | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 | |
| CN111461006B (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
| CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
| CN116343053B (zh) | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 | |
| CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
| Sampath et al. | Estimation of rooftop solar energy generation using satellite image segmentation | |
| CN115810149A (zh) | 基于超像素与图卷积的高分辨率遥感图像建筑物提取方法 | |
| CN115564100A (zh) | 光伏功率预测方法、系统及设备 | |
| CN113486819A (zh) | 一种基于YOLOv4算法的船舶目标检测方法 | |
| CN116484189A (zh) | 一种基于深度学习的era5降水产品降尺度方法 | |
| CN117290810B (zh) | 基于循环卷积神经网络的短时强降水概率预报融合方法 | |
| CN112668615B (zh) | 一种基于深度跨尺度外推融合的卫星云图预测方法 | |
| CN116403071B (zh) | 基于特征重构的少样本混凝土缺陷检测方法及装置 | |
| CN113989612A (zh) | 基于注意力及生成对抗网络的遥感影像目标检测方法 | |
| CN112116569A (zh) | 基于阴影识别的光伏电站发电功率预测方法 |
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 |