CN115564126A - 一种光伏发电预测方法、系统、装置及存储介质 - Google Patents
一种光伏发电预测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN115564126A CN115564126A CN202211277018.7A CN202211277018A CN115564126A CN 115564126 A CN115564126 A CN 115564126A CN 202211277018 A CN202211277018 A CN 202211277018A CN 115564126 A CN115564126 A CN 115564126A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic power
- historical
- load data
- target
- 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 61
- 238000010248 power generation Methods 0.000 title claims abstract description 51
- 238000010219 correlation analysis Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种光伏发电预测方法、系统、装置及存储介质,方法包括:根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子;根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格;构建预测神经网络;获取光伏发电站目标规格的历史负荷数据,和,与目标规格的历史负荷数据关联的目标气象因子的历史数据;根据目标规格的历史负荷数据和目标气象因子的历史数据,对预测神经网络进行模型训练,得到预测模型;根据待预测日的目标气象因子的数据,通过预测模型进行光伏发电预测。本发明通过气象因子数据进行光伏发电预测并能够提高预测精度,可广泛应用于光伏发电预测技术领域。
Description
技术领域
本发明涉及光伏发电预测技术领域,尤其是一种光伏发电预测方法、系统、装置及存储介质。
背景技术
太阳能作为一种可再生清洁能源,越来越受到人们的青睐与重视。准确的光伏出力预测是实现分布式光伏发电就地消纳和提升配电网接纳光伏能力的关键,也能够为光伏电源的优化规划设计、配电网的优化调度和管理提供支持。由于光伏发电量和天气因素密切相关(太阳辐照、温度等),天气因素的多变性也使得光伏发电量呈现出随机波动的特性,给光伏出力的准确预测带来难度。
发明内容
有鉴于此,本发明实施例提供了一种光伏发电预测方法、系统、装置及存储介质。
一方面,本发明实施例提供了一种光伏发电预测方法,包括:
根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子;
根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格;
构建预测神经网络;
获取光伏发电站所述目标规格的历史负荷数据,和,与所述目标规格的历史负荷数据关联的所述目标气象因子的历史数据;
根据所述目标规格的历史负荷数据和所述目标气象因子的历史数据,对所述预测神经网络进行模型训练,得到预测模型;
根据待预测日的所述目标气象因子的数据,通过所述预测模型进行光伏发电预测。
可选地,还包括:
对所述目标规格的历史负荷数据进行数据预处理。
可选地,所述对所述目标规格的历史负荷数据进行数据预处理,包括:
通过单点补齐法对所述目标规格的历史负荷数据的缺失值进行补齐处理;
和/或,通过多点补齐法对所述目标规格的历史负荷数据的缺失值进行补齐处理。
可选地,所述对所述目标规格的历史负荷数据进行数据预处理,包括:
基于预设阈值,确定所述目标规格的历史负荷数据的毛刺数据;
根据预设处理方法,替换掉所述毛刺数据。
可选地,所述根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子,包括:
根据光伏发电站的历史负荷数据,结合气象因子历史数据,通过相关系数计算公式依次对各个气象因子进行天气因素相关性分析,确定影响光伏发电站负荷的目标气象因子;
其中,所述相关系数计算公式为:
可选地,所述根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格,包括:
根据光伏发电站的历史负荷数据,进行负荷序列的近邻相关性分析和周期相关性分析,确定负荷数据的目标规格;
其中周期相关性分析包括日周期相关性分析、周周期性分析和年周期性分析。
可选地,还包括:
基于所述预测模型的负荷预测值和负荷真实值,通过误差函数修正所述预测模型的模型参数。
第二方面,本发明实施例提供了一种光伏发电预测系统,包括:
第一模块,用于根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子;
第二模块,用于根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格;
第三模块,用于构建预测神经网络;
第四模块,用于获取光伏发电站所述目标规格的历史负荷数据,和,与所述目标规格的历史负荷数据关联的所述目标气象因子的历史数据;
第五模块,用于根据所述目标规格的历史负荷数据和所述目标气象因子的历史数据,对所述预测神经网络进行模型训练,得到预测模型;
第六模块,用于根据待预测日的所述目标气象因子的数据,通过所述预测模型进行光伏发电预测。
另一方面,本发明实施例提供了一种光伏发电预测装置,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
另一方面,本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例首先根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子;根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格;构建预测神经网络;获取光伏发电站所述目标规格的历史负荷数据,和,与所述目标规格的历史负荷数据关联的所述目标气象因子的历史数据;根据所述目标规格的历史负荷数据和所述目标气象因子的历史数据,对所述预测神经网络进行模型训练,得到预测模型;根据待预测日的所述目标气象因子的数据,通过所述预测模型进行光伏发电预测。本发明通过天气因素相关性分析,确定影响光伏发电站负荷的目标气象因子,避免了无关天气因素的干扰;随后通过负荷序列相关性分析,确定负荷数据的目标规格,依据目标规格的数据相关性,提高预测准确度;同时,通过神经网络基于负荷数据与气象因子的关联性训练得到预测模型,进而可以实现通过气象因子数据进行光伏发电预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述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申请的一些实施例,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为本发明实施例提供的光伏发电预测方法的整体步骤流程示意图;
图2为本发明实施例提供的光伏发电预测方法的总体步骤流程示意图;
图3为本发明实施例提供的风速、辐射值与光伏发电功率相关性示意图;
图4为本发明实施例提供的发电量序列与发电量序列的相关性示意图;
图5为本发明实施例提供的预测学习训练队列的示意图;
图6为本发明实施例提供的光伏发电预测系统的示意图;
图7为本发明实施例提供的光伏发电预测装置的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,一方面,本发明提供了一种光伏发电预测方法,如图1所示,方法包括以下步骤:
S100、根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子;
需要说明的是,根据光伏发电站的历史负荷数据,结合气象因子历史数据,通过相关系数计算公式依次对各个气象因子进行天气因素相关性分析,确定影响光伏发电站负荷的目标气象因子;其中,相关系数计算公式为:
具体地,根据光伏发电站的历史发电功率数据(即历史负荷数据),分别与各种气象因子进行特征向量关联度分析(即天气因素相关性分析),比如风速、辐射值与光伏发电功率相关性分析,分析结果如图2所示,容易看出,发电功率明显与辐射值相关性较高,而与风速不相关。光伏系统输出功率除了受太阳辐照强度的影响外,不同天气类型下的光伏功率大小也相差较大。晴天的光伏功率输出平稳,基本呈正态分布,且中午时分光伏输出功率达到最大值;阴天的光伏功率的随机性、波动性较大。随着外界温度逐步上升时,光伏发电系统的转换效率将会逐渐减小,从而使得输出功率也随之减小。在天气类型相同的情况下,不同环境温度下的功率输出曲线高度不一致。
其中,天气因素相关性分析,是指对变量因素两两之间的相关程度进行研究。只有当两个变量之间具备一定相关性和某种依存关系的时,研究变量间的相互影响才有意义,相关性分析是计算分析变量因素之间联系程度的方法。其中,相关系数计算公式表示为:
式中,pxy表示相关系数,n表示数据量总数,xi表示第i个历史负荷数据,表示历史负荷数据的平均值,yi表示第i个气象因子历史数据,表示气象因子历史数据的平均值,当|pxy|=1时,表示负荷数据和对应的气象因子完全相关;当|pxy|=0时,即不相关;当|pxy|>0.8时为相关性极强;当|pxy|<0.2时为相关性极弱;其他情况为中等程度相关。根据数据相关性分析,最后选取太阳辐射、温度、湿度和风速作为目标气象因子,进而通过太阳辐射、温度、湿度和风速的气象数据作为光伏预测特征向量。
S200、根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格;
需要说明的是,根据光伏发电站的历史负荷数据,进行负荷序列的近邻相关性分析和周期相关性分析,确定负荷数据的目标规格;其中周期相关性分析包括日周期相关性分析、周周期性分析和年周期性分析。
具体地,如图3所示,光伏发电量相关性首先大致分为可区分为以下两类,发电量序列(即负荷序列)与发电量序列的相关性:其中的相关性种类可细分为近邻相关性与周期相关性,周期相关性又可细分为日周期性,周周期性,年周期性等。其中,序列相关性分析原理与天气因素相关性分析类似,此处不做赘述。
近邻相关:
负荷与负荷的近邻相关,使用的对象可以是多个日期的同一时刻与上一时刻所截取出来的两条负荷序列,对它们做相关性分析,可证明时刻点紧挨着的两列负荷之间,是否存在很高的相关性。若相关性较高,将邻值的负荷数据作为相关因素考虑,影响预测值。
周期相关:
负荷与负荷的周期相关,体现为相同类型的日期当日曲线之间的相关度大小。如果以日周期性为衡量标准,则取邻近两日作为对象;如果以周周期性作为衡量标准,则取隔周的两日作为对象;依次类推。使用不同周期性的好处在于对于普通日与特殊日的区分,如对工作日而言,日周期相关性一般较大,对于双休日而言,周周期相关性一般较大,对于节日而言,年周期相关性一般较大。经计算后,使用相关性较大的序列作为预测的基准,无疑可以很迅速地提高预测精度。
S300、构建预测神经网络;
S400、获取光伏发电站目标规格的历史负荷数据,和,与目标规格的历史负荷数据关联的目标气象因子的历史数据;
S500、根据目标规格的历史负荷数据和目标气象因子的历史数据,对预测神经网络进行模型训练,得到预测模型;
具体地,本发明采用的人工智能算法有KNN、随机森林、决策树、贝叶斯算法、神经网络(MLP),后面说明提到的人工智能算法、预测算法指的上述算法。人工智能算法具有较强的自适应、自学习能力,可以将采集到的历史负荷数据和影响负荷的因素(即目标气象因子)的历史数据作为人工智能算法的输入,分别循环调用KNN、随机森林、决策树、贝叶斯算法、神经网络(MLP)算法,预测出不同算法模型的预测结果,并分别进行单个算法误差分析及组合预测误差分析(分析方法参考组合预测误差方差倒数法补充说明),选择出误差分析结果最小的作为预测模型。以此可以训练出负荷值的模型,而且并不需要明确的数学关系表达式。负荷预测是指在充分考虑各种因素影响的情况下,运用一套数学方法来处理历史负荷值和未来负荷值之间的关系,从而预估将来某个时刻光伏电站的发电负荷值。
预测算法是一种学习算法,它需要用学习到的预测模型进行预测。预测模型的训练需要训练样本和验证样本。训练样本是训练模型用的,验证样本是用于在训练过程中检验模型的状态、收敛情况。训练样本和验证样本是由多条样本组成的,每条样本的形式为:Y;X1 X2 X3 X4…Xn。其中Y为预测值,X为要得到Y值参考的因素,这里的X就可以和样本参数对应起来。选择使用什么时间到什么时间的数据决定了训练样本的条数,而训练样本的条数又决定了训练时间的长度和精确度,因此在选取训练样本的时候应权衡这两方面已达到最好的效果。
S600、根据待预测日的目标气象因子的数据,通过预测模型进行光伏发电预测。
具体地,学习训练队列如图4所示,预测方法(比如预设规格为选择20天样本):
(1)学习前20天的负荷以及影响负荷的各气象因子,根据第21天的实时气象因子,预测第21天的负荷;
(2)学习第2天到第21天的负荷以及影响负荷的各气象因子,预测第22天的负荷,以此类推。
一些实施例中,还包括:对目标规格的历史负荷数据进行数据预处理。
需要说明的是,通过单点补齐法对目标规格的历史负荷数据的缺失值进行补齐处理;和/或,通过多点补齐法对目标规格的历史负荷数据的缺失值进行补齐处理。
具体地,数据缺失值处理:
①单点补齐法:即平均法,若缺失点左右两值都不为空,则取平均录入,这种方法永远不会修复失败。
②多点补齐法:即相似日法,若连续多点缺失或缺失点在两端,导致无法使用左右值平均,则获取前3个相似日与后3个相似日的相应时刻点的负荷数据,取平均值录入。一般情况下,会取6点平均,如果其中有两个相似日该时刻点也缺失,则取4点平均,如果6个相似日该点全缺,则该点补齐失败,缺失点会继续以0值存在于数据库中。因此,务必注意数据库中不允许存在多日连续数据缺失,否则必定补全失败。
还需要说明的是,基于预设阈值,确定目标规格的历史负荷数据的毛刺数据;根据预设处理方法,替换掉毛刺数据。
具体地,数据毛刺处理:
预设阈值(如前后时刻点的n倍或1/n),当val>预设正阈值(即当前时刻点的负荷大于前后时刻点负荷的n倍)或val<预设负阈值(即当前时刻点的负荷小于前后时刻点负荷的1/n)时,对超出范围的数值进行毛刺处理,其中,val表示当前时刻点采集值。处理方式有:
①采用前值:通过前一时刻值替换掉毛刺数据。
②采用后值:通过后一时刻值替换掉毛刺数据。
③采用平均值:通过前后时刻值的平均值替换掉毛刺数据。
一些实施例中,还包括:基于预测模型的负荷预测值和负荷真实值,通过误差函数修正预测模型的模型参数。
具体地,如图5所示,y(t)为t时刻的输出值,也即t时刻的预测值,由t-1时刻的模型、实际值x(t-1)以及t时刻的参数共同预测而得到;E(t)为y(t)与实际值x(t)差值,如果E(t)=0,则不修正模型参数,否则应修正模型参数以便跟踪环境的变化。
其中,误差函数E的求解公式如下:
式中,n表示采集一天光伏数据的数量;i表示一天中采集的第i点;xi表示第i个实际值;yi表示第i个预测值;E表示误差值,即为E(t),时刻t与采集第i点有对应关系:比如光伏数据每15分钟采集一个点,t时刻=i/4时(i%4)*15分,若i=96,t为0点00分。
组合预测误差分析采用方差倒数法:预测误差平方和是反映预测精度的一个指标,预测误差平方和越大,表明该项预测模型的预测精度越低,从而在组合预测中的重要性就降低。重要性的表现为它在组合预测模型中的权重wj,计算公式为:
另一方面,参照图6,本发明实施例提供了一种光伏发电预测系统700,包括第一模块710、第二模块720、第三模块730、第四模块740、第五模块750和第六模块760;第一模块710,用于根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子;第二模块720,用于根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格;第三模块730,用于构建预测神经网络;第四模块740,用于获取光伏发电站目标规格的历史负荷数据,和,与目标规格的历史负荷数据关联的目标气象因子的历史数据;第五模块750,用于根据目标规格的历史负荷数据和目标气象因子的历史数据,对预测神经网络进行模型训练,得到预测模型;第六模块760,用于根据待预测日的目标气象因子的数据,通过预测模型进行光伏发电预测。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
参照图7,本发明实施例的另一方面还提供了一种光伏发电预测装置800,包括处理器810以及存储器820;存储器810用于存储程序;处理器820执行程序实现如前面所述的方法。
本发明方法实施例的内容均适用于本装置实施例,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明方法实施例的内容均适用于本计算机可读存储介质实施例,本计算机可读存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
综上所述,本发明为基于光伏电站历史数据,影响光伏出力的天气因素作为输入维度,利用常用人工智能算法(线性回归、逻辑回归、多项式朴素贝叶斯、KNN近邻、SVM、GBDT迭代决策树、随机森林、神经网络)进行训练。首先进行影响光伏出力的天气因素特征分析,确定输入特征向量;其次对光伏历史数据进行预处理,切割出合适的数据模型,喂入人工智能算法进行模型训练;再次结合天气预报相关因素进行光伏发电预测;最后对预测结果进行误差分析,负反馈到模型训练,提升光伏发电处理预测精度。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种光伏发电预测方法,其特征在于,包括:
根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子;
根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格;
构建预测神经网络;
获取光伏发电站所述目标规格的历史负荷数据,和,与所述目标规格的历史负荷数据关联的所述目标气象因子的历史数据;
根据所述目标规格的历史负荷数据和所述目标气象因子的历史数据,对所述预测神经网络进行模型训练,得到预测模型;
根据待预测日的所述目标气象因子的数据,通过所述预测模型进行光伏发电预测。
2.根据权利要求1所述的一种光伏发电预测方法,其特征在于,还包括:
对所述目标规格的历史负荷数据进行数据预处理。
3.根据权利要求2所述的一种光伏发电预测方法,其特征在于,所述对所述目标规格的历史负荷数据进行数据预处理,包括:
通过单点补齐法对所述目标规格的历史负荷数据的缺失值进行补齐处理;
和/或,通过多点补齐法对所述目标规格的历史负荷数据的缺失值进行补齐处理。
4.根据权利要求2所述的一种光伏发电预测方法,其特征在于,所述对所述目标规格的历史负荷数据进行数据预处理,包括:
基于预设阈值,确定所述目标规格的历史负荷数据的毛刺数据;
根据预设处理方法,替换掉所述毛刺数据。
6.根据权利要求1所述的一种光伏发电预测方法,其特征在于,所述根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格,包括:
根据光伏发电站的历史负荷数据,进行负荷序列的近邻相关性分析和周期相关性分析,确定负荷数据的目标规格;
其中周期相关性分析包括日周期相关性分析、周周期性分析和年周期性分析。
7.根据权利要求1所述的一种光伏发电预测方法,其特征在于,还包括:
基于所述预测模型的负荷预测值和负荷真实值,通过误差函数修正所述预测模型的模型参数。
8.一种光伏发电预测系统,其特征在于,包括:
第一模块,用于根据光伏发电站的历史负荷数据,结合气象因子历史数据进行天气因素相关性分析,确定目标气象因子;
第二模块,用于根据光伏发电站的历史负荷数据,进行负荷序列相关性分析,确定负荷数据的目标规格;
第三模块,用于构建预测神经网络;
第四模块,用于获取光伏发电站所述目标规格的历史负荷数据,和,与所述目标规格的历史负荷数据关联的所述目标气象因子的历史数据;
第五模块,用于根据所述目标规格的历史负荷数据和所述目标气象因子的历史数据,对所述预测神经网络进行模型训练,得到预测模型;
第六模块,用于根据待预测日的所述目标气象因子的数据,通过所述预测模型进行光伏发电预测。
9.一种光伏发电预测装置,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277018.7A CN115564126A (zh) | 2022-10-18 | 2022-10-18 | 一种光伏发电预测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277018.7A CN115564126A (zh) | 2022-10-18 | 2022-10-18 | 一种光伏发电预测方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564126A true CN115564126A (zh) | 2023-01-03 |
Family
ID=84746784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211277018.7A Pending CN115564126A (zh) | 2022-10-18 | 2022-10-18 | 一种光伏发电预测方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564126A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258355A (zh) * | 2023-05-15 | 2023-06-13 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
CN116384593A (zh) * | 2023-06-01 | 2023-07-04 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
CN116628608A (zh) * | 2023-04-23 | 2023-08-22 | 华能国际电力江苏能源开发有限公司 | 一种光伏发电故障诊断方法及系统 |
CN116742622A (zh) * | 2023-08-09 | 2023-09-12 | 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 |
CN117094521A (zh) * | 2023-08-31 | 2023-11-21 | 重庆跃达新能源有限公司 | 一种光伏电站智能选址方法 |
CN117293824A (zh) * | 2023-11-23 | 2023-12-26 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
-
2022
- 2022-10-18 CN CN202211277018.7A patent/CN115564126A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116628608A (zh) * | 2023-04-23 | 2023-08-22 | 华能国际电力江苏能源开发有限公司 | 一种光伏发电故障诊断方法及系统 |
CN116258355A (zh) * | 2023-05-15 | 2023-06-13 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
CN116258355B (zh) * | 2023-05-15 | 2023-08-11 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
CN116384593A (zh) * | 2023-06-01 | 2023-07-04 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
CN116384593B (zh) * | 2023-06-01 | 2023-08-18 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
CN116742622A (zh) * | 2023-08-09 | 2023-09-12 | 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 |
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 |
CN117094521A (zh) * | 2023-08-31 | 2023-11-21 | 重庆跃达新能源有限公司 | 一种光伏电站智能选址方法 |
CN117293824A (zh) * | 2023-11-23 | 2023-12-26 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
CN117293824B (zh) * | 2023-11-23 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115564126A (zh) | 一种光伏发电预测方法、系统、装置及存储介质 | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
Elsaraiti et al. | Solar power forecasting using deep learning techniques | |
Abdel-Aal et al. | Modeling and forecasting the mean hourly wind speed time series using GMDH-based abductive networks | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
CN110570023B (zh) | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 | |
Balal et al. | Forecasting solar power generation utilizing machine learning models in Lubbock | |
Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
CN112418526A (zh) | 基于改进深度信念网络的综合能源负荷控制方法及装置 | |
CN112508279B (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
Habachi et al. | Economic and emission dispatch using cuckoo search algorithm | |
CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
CN116526473A (zh) | 基于粒子群优化lstm的电热负荷预测方法 | |
He et al. | Forecasting power grid states for regional energy markets with deep neural networks | |
CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN107977728A (zh) | 一种基于bp人工神经网络的中长期逐小时气温预测方法 | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN116454875A (zh) | 基于集群划分的区域风电场中期功率概率预测方法及系统 | |
Al-Janabi et al. | Main challenges (generation and returned energy) in a deep intelligent analysis technique for renewable energy applications. | |
CN113627677A (zh) | 多区域能源需求预测方法、装置、终端设备及存储介质 |
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 |