CN115618922A - 光伏功率预测方法、设备、光伏发电系统及存储介质 - Google Patents
光伏功率预测方法、设备、光伏发电系统及存储介质 Download PDFInfo
- Publication number
- CN115618922A CN115618922A CN202211190163.1A CN202211190163A CN115618922A CN 115618922 A CN115618922 A CN 115618922A CN 202211190163 A CN202211190163 A CN 202211190163A CN 115618922 A CN115618922 A CN 115618922A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- historical
- model
- data
- predicted value
- 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 99
- 238000010248 power generation Methods 0.000 title claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims abstract description 78
- 238000012937 correction Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 239000000203 mixture Substances 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006403 short-term memory Effects 0.000 claims description 13
- 230000007787 long-term memory Effects 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种光伏功率预测方法、设备、光伏发电系统及存储介质,首先获取光伏电站在目标时刻的环境数据;其中,目标时刻为当前时刻之后的任一时刻;然后根据目标时刻的环境数据和光伏功率预测模型,确定目标时刻的光伏功率的预测值;其中,光伏功率预测模型根据历史时段的历史环境数据和历史功率数据预先训练得到;在训练过程中,光伏功率预测模型的模型参数通过光伏功率修正模型进行修正;光伏功率修正模型根据广义高斯混合分布模型算法和最大期望算法建立。通过光伏功率修正模型对预测结果进行修正,能够量化太阳辐照、温度、风速等气象因素的随机特性对光伏功率的影响,从而有效提高光伏功率预测的准确性。
Description
技术领域
本申请属于光伏发电技术领域,尤其涉及一种光伏功率预测方法、设备、光伏发电系统及存储介质。
背景技术
面对能源危机和环境污染的双重压力,人们越来越重视具有清洁和环保特性的新能源发电技术。与风电相比,光伏发电对地理环境要求更小,更适合多地区推广应用。然而,光伏发电功率随机性和间歇性很强,大规模并网影响系统的稳定性和经济性。由于光伏发电功率预测的准确性对其消纳有直接影响,因此,有必要对光伏发电系统的功率进行准确预测,进而采取相应的技术措施平滑光伏发电功率波动,提高电力系统的安全性和稳定性。
现有的光伏发电功率预测方法分为直接预测法和间接预测法。直接预测法是依据光伏电站发电量的历史数据和天气预测数据直接预测光伏系统或阵列的输出功率,例如,回归模型预测法、灰色预测模型预测法、神经网络模型预测法和概率模型预测法等。间接预测法是通过对太阳辐射进行预测,再根据光伏发电系统发电模型得到输出功率,例如电子元件模型预测法、简单物理模型预测法和复杂物理预测法等。由于太阳辐照、温度、风速等气象因素的随机特性,光伏出力预测并没有一个确定的分布特性,现有技术的方法建立的预测模型往往存在预测误差,难达到理想的准确度。
发明内容
有鉴于此,本发明提供了一种光伏功率预测方法、设备、光伏发电系统及存储介质,旨在解决现有技术的方法光伏出力预测存在预测误差的问题。
本发明实施例的第一方面提供了一种光伏功率预测方法,包括:
获取光伏电站在目标时刻的环境数据;其中,目标时刻为当前时刻之后的任一时刻;
根据目标时刻的环境数据和预先训练的光伏功率预测模型,确定目标时刻的光伏功率的预测值;
其中,光伏功率预测模型根据历史时段的历史环境数据和历史功率数据预先训练得到;在训练过程中,光伏功率预测模型的模型参数通过预先建立的光伏功率修正模型进行修正;光伏功率修正模型根据广义高斯混合分布模型算法和最大期望算法建立。
本发明实施例的第二方面提供了一种光伏功率预测装置,包括:
获取模块,用于获取光伏电站在目标时刻的环境数据;其中,目标时刻为当前时刻之后的任一时刻;
确定模块,用于根据目标时刻的环境数据和预先训练的光伏功率预测模型,确定目标时刻的光伏功率的预测值;
其中,光伏功率预测模型根据历史时段的历史环境数据和历史功率数据预先训练得到;在训练过程中,光伏功率预测模型的模型参数通过预先建立的光伏功率修正模型进行修正;光伏功率修正模型根据广义高斯混合分布模型算法和最大期望算法建立。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上第一方面的光伏功率预测方法的步骤。
本发明实施例的第四方面提供了一种光伏发电系统,包括:至少一个光伏电站以及如上第三方面的电子设备。
本发明实施例的第五方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上第一方面的光伏功率预测方法的步骤。
本发明实施例提供的光伏功率预测方法、设备、光伏发电系统及存储介质,首先获取光伏电站在目标时刻的环境数据;其中,目标时刻为当前时刻之后的任一时刻;然后根据目标时刻的环境数据和预先训练的光伏功率预测模型,确定目标时刻的光伏功率的预测值;其中,光伏功率预测模型根据历史时段的历史环境数据和历史功率数据预先训练得到;在训练过程中,光伏功率预测模型的模型参数通过预先建立的光伏功率修正模型进行修正;光伏功率修正模型根据广义高斯混合分布模型算法和最大期望算法建立。通过广义高斯混合分布模型算法和最大期望算法建立的光伏功率修正模型对预测结果进行修正,能够量化太阳辐照、温度、风速等气象因素的随机特性对光伏功率的影响,从而有效提高光伏功率预测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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是本发明实施例提供的光伏功率预测方法的应用场景图;
图2是本发明实施例提供的光伏功率预测方法的实现流程图;
图3是本发明实施示例提供的光伏功率预测方法的实现流程图;
图4基于晴天条件下,PPLGE模型与拉普拉斯模型、PCC-PCA-LSTM分布模型和正态分布模型对比图;
图5基于多云条件下,PPLGE模型与拉普拉斯模型、PCC-PCA-LSTM分布模型和正态分布模型对比图;
图6基于小雨条件下,PPLGE模型与拉普拉斯模型、PCC-PCA-LSTM分布模型和正态分布模型对比图;
图7基于雷阵雨转大雨条件下,PPLGE模型与拉普拉斯模型、PCC-PCA-LSTM分布模型和正态分布模型对比图;
图8是本发明实施例提供的光伏功率预测装置的结构示意图;
图9是本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
图1是本发明实施例提供的光伏功率预测方法的应用场景图。如图1所示,本发明实施例提供的光伏功率预测方法可以包括但不限于应用于该应用场景。在该发明实施例中,该系统包括光伏电站11以及电子设备12。
光伏电站11主要由太阳能电池组、蓄电池组、逆变器和太阳能充电控制器等设备组成。电子设备12可以是调度中心的服务器或电网的并网计算终端等,在此不作限定。电子设备12实时记录并存储光伏电站的环境数据和功率数据,并根据记录的数据训练光伏功率预测模型。电子设备12还可以从气象站、网络、气象卫星等处获得目标时刻的光伏电站环境数据,输入到训练好的光伏功率预测模型中,从而实现光伏出力的预测。
图2是本发明实施例提供的光伏功率预测方法的实现流程图。如图2所示,在一些实施例中,光伏功率预测方法,应用于图1中所示的电子设备12,该方法包括:
S201,获取光伏电站在目标时刻的环境数据;其中,目标时刻为当前时刻之后的任一时刻。
本发明实施例中,目标时刻可以是未来一天的某个时刻,也可以是未来一周的某个时刻,在此不作限定。未来时刻的环境数据可以是直接从外部获取的,也可以是根据历史环境数据和当前环境数据预测得到的,在此不作限定。
S202,根据目标时刻的环境数据和预先训练的光伏功率预测模型,确定目标时刻的光伏功率的预测值。其中,光伏功率预测模型根据历史时段的历史环境数据和历史功率数据预先训练得到;在训练过程中,光伏功率预测模型的模型参数通过预先建立的光伏功率修正模型进行修正;光伏功率修正模型根据广义高斯混合分布模型(GeneralizedGaussian Mixture distribution Model,GGMM)算法和最大期望算法(expectationmaximization algorithm,EM)建立。
本发明实施例中,光伏功率预测模型可以是卷积神经网络、长短期记忆网络(LongShort-Term Memory,LSTM)等,在此不作限定。
本发明实施例中,通过广义高斯混合分布模型算法和最大期望算法建立的光伏功率修正模型对预测结果进行修正,能够量化太阳辐照、温度、风速等气象因素的随机特性对光伏功率的影响,从而有效提高光伏功率预测的准确性。
在一些实施例中,光伏功率预测模型为长短期记忆模型,训练过程包括初步训练过程和修正过程。
相应的,初步训练过程包括:获取光伏电站历史时段内的历史环境数据和历史功率数据;计算历史环境数据和历史功率数据之间的关联系数矩阵;将关联系数小于预设阈值的历史环境数据和历史功率数据,输入到长短期记忆模型中,以得到初步训练后的长短期记忆模型。
相应的,修正过程包括:基于光伏功率修正模型和历史环境数据,对初步训练后的长短期记忆模型的模型参数进行修正,以得到预先训练的光伏功率预测模型。
本发明实施例中,关联系数设为p,预设阈值可以设置为0.05,即p小于0.05时认为此种环境因素对研究对象有显著影响,将其输入到长短期记忆模型中进行训练。
本发明实施例中,LSTM网络含有1个输入层,1个隐藏层、1个连接层和1个输出层。其中LSTM网络的训练过程具体为:计算LSTM网络隐藏层层数和隐藏层神经元个数;计算LSTM网络的初始权重和偏置项;训练网络,更新权重和偏置项;建立光伏功率预测模型。
在一些实施例中,修正过程具体包括:将历史环境数据输入到初步训练后的长短期记忆模型中,得到历史时段内光伏功率的初始预测值;根据历史环境数据、历史功率数据、初始预测值和光伏功率修正模型,确定历史时段内光伏功率的修正预测值;根据修正预测值对长短期记忆模型的模型参数进行修正。
在一些实施例中,根据历史环境数据、历史功率数据、初始预测值和光伏功率修正模型,确定历史时段内光伏功率的修正预测值,包括:根据历史环境数据和历史功率数据,确定初始预测值的最大期望值;根据初始预测值以及初始预测值的最大期望值,确定修正预测值。
本发明实施例中,最大期望值可以根据下式计算:
T3=T1+T2 (2)
其中,T3初始预测值的最大期望值,T1是T时刻环境因素的最大期望评估值,T3是T时刻光伏功率预测值的最大期望值,T2是T时刻光伏功率预测的最大期望评估值,TT是T时刻的环境因素的实际值,PT是T时刻的光伏功率值。
在本发明实施例中,修正预测值的表达式可以为:
其中,M为历史时段内的某一时段,通过对历史时段的划分得到,例如历史时段为前一个月,则M可以为前一个月中的任一天,Tc为过渡函数,PL为修正预测值,C为M的序号,L为历史时段中划分的时段M的总数。
在一些实施例中,历史环境数据包括多个环境因素;环境因素包括下述至少一项:天气类型、日内最高温度、日内最高温度与最低温度的差和风速;计算历史环境数据和历史功率数据之间的关联系数矩阵,包括:
其中,p为关联系数矩阵中的值,|p|≤1-a,a为各个环境因素之间的皮尔森相关系数;xi为第i个数据点的环境因素,yi为第i个数据点的历史功率数据;为环境因素的均值,为历史功率数据的均值;n为数据点的个数。
在一些实施例中,在计算历史环境数据和历史功率数据之间的关联系数之后,光伏功率预测方法还包括:对关联系数矩阵进行主成分分析,确定降维后的关联系数矩阵;对降维后的关联系数矩阵进行归一化处理。
本发明实施例中,可以采用PCC(Pearson Correlation Coefficient,皮尔逊相关系数)法将环境因素进行分解,得到天气类型(A)、日内最高温度(B)、日内最高温度与最低温度差(C)和风速(D)变量与光伏功率的相关系数矩阵R:
然后求解特征方程|λI-R|=0,得到特征根λ1≥λ2≥…≥λn>0以及其单位特征向量e1,e2,…,ep,共计58维特征序列,作为特征序列集合。
再对特征序列集合进行主成分分析,计算τi和ηi,依据ηi确定主成分个数,计算公式为:
最终可以通过选取主成分的特征值和特征向量,得到降维后的关联系数矩阵,其中,主成分表达式为:
其中,ei=(ei1,ei2,…,eip);X为初始输入变量,X=[x1,x2,…,xp]T。
在一些实施例中,在S202之后,光伏功率预测方法还包括:根据多元决定系数和均方根误差,评价目标时刻的光伏功率的预测值。
本发明实施例中,多元决定系数和均方根误差的表达式为:
下面提供了一个实施示例对本发明的光伏功率预测方法进行说明,但并不作为限定。图3是本发明实施示例提供的光伏功率预测方法的实现流程图。如图3所示,在该实施示例中,光伏功率预测方法包括:
步骤1:运用皮尔逊相关系数法对环境历史数据进行计算分析,获取环境因素与功率数值的相关关系,计算天气类型(A)、日内最高温度(B)、日内最高温度与最低温度差(C)和风速(D)变量与光伏功率的相关性,关联系数设为p,p小于0.05认为此种环境因素对研究对象有显著影响。
步骤1.1:将环境变量设为Xi,光伏功率设为Yi;
步骤1.2:计算光伏功率Yi与环境变量Xi之间的关联系数p,形成关联系数矩阵R。
步骤2:利用PCA对分解计算得到的数据进行降维,筛选出影响光伏输出功率准确性的主成分。
步骤2.1:利用PCA方法计算主成分贡献率τi和累计贡献率ηi,依据累计贡献率确定主成分个数。
步骤2.2:选取主成分的特征值和所对应的特征向量,最终得到降维后的数据。
步骤3:将降维后的数据进行归一化处理,转化为适用于LSTM网络的训练数据集,利用LSTM网络建立预测模型,对光伏功率进行初步预测。
步骤3.1:计算LSTM网络隐藏层层数和隐藏层神经元个数;
步骤3.2:计算LSTM网络的初始权重和偏置项;
步骤3.3:训练网络,更新权重和偏置项;
步骤3.4:建立光伏功率预测模型。
步骤4:根据初步的光伏功率预测值,基于通用型高斯混合分布最大期望(GGMM-EM)算法,建立预测修正模型,对初步预测的结果进行修正,得到光伏功率的修正值。
步骤4.1:计算T时刻环境因素的最大期望评估值T1、光伏功率预测的最大期望评估值T2;
步骤4.2:计算T时刻光伏功率预测值的最大期望值T3;
步骤4.3:计算Tc;
步骤4.4:计算修正值P1。
步骤5:根据多元决定系数(R2)和均方根误差(RMSE)来评价预测结果。
为验证本发明所提出的光伏功率预测方法的可行性,本实施示例中,选取了2017年7月4日(晴天),7月8日(多云),7月17日(小雨)及7月20日(雷阵雨转大雨)的历史数据,间隔15分钟统计一次数据,选择区间为(10,90)的时间序列点,根据上述步骤进行分析。
其中,根据步骤1所得到的环境因素与光伏功率之间的关联系数p如表1所示:
表1环境因素与光伏功率之间的关联系数
其中,根据步骤2筛选出前9个主成分的特征值序列的特征值均大于1/103,累计贡献率ηi达到96%,如表2、表3所示。
表2主成分特征值与累计贡献率
表3主成分特征值对应的特征向量
其中,根据步骤3、4、5得到的基于本发明的PCC-PCA-LSTM-(GGMM-EM)模型(简称PPLGE模型)分别与现有技术中的拉普拉斯(laplacian,Lap)模型、PCC-PCA-LSTM分布模型(简称PPL模型)和正态分布(Normal distribution,Nor)模型在相同的试验环境下进行光伏功率的预测,将预测结果结合评价指标进行对比,得到如表4所示的结果。
表4评价指标对比
模型 | RMSE | R<sup>2</sup> |
Nor | 42.48 | 0.9023 |
Lap | 40.68 | 0.9308 |
PCC-PCA-LSTM | 38.20 | 0.9421 |
PPLGE | 35.08 | 0.9546 |
图4基于晴天条件下,PPLGE模型与拉普拉斯模型、PCC-PCA-LSTM分布模型和正态分布模型对比图。图5基于多云条件下,PPLGE模型与拉普拉斯模型、PCC-PCA-LSTM分布模型和正态分布模型对比图。图6基于小雨条件下,PPLGE模型与拉普拉斯模型、PCC-PCA-LSTM分布模型和正态分布模型对比图。图7基于雷阵雨转大雨条件下,PPLGE模型与拉普拉斯模型、PCC-PCA-LSTM分布模型和正态分布模型对比图。其中,EMP表示各天气类型下的实际光伏功率分布的柱状图。
根据图4-7以及表4可以看出,基于PCC-PCA-LSTM-(GGMM-EM)模型的光伏预测方法的MAE评价指标比Nor、Lap、PCC-PCA-LSTM模型分别减少了7.4%、5.6%、3.1%,R2评价指标分别提高5.23%、2.38%、1.25%。说明了本发明提出的一种基于PCC-PCA-LSTM-(GGMM-EM)模型的光伏功率预测方法降低了预测误差,提高了预测准确性,并且有效的验证了所提出的方法有效性、准确性和可应用性。
综上,本发明的有益效果具体为:
通过广义高斯混合分布模型算法和最大期望算法建立的光伏功率修正模型对预测结果进行修正,能够量化太阳辐照、温度、风速等气象因素的随机特性对光伏功率的影响,从而有效提高光伏功率预测的准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图8是本发明实施例提供的光伏功率预测装置的结构示意图。如图8所示,在一些实施例中,光伏功率预测装置,包括:
获取模块810,用于获取光伏电站在目标时刻的环境数据;其中,目标时刻为当前时刻之后的任一时刻。
确定模块820,用于根据目标时刻的环境数据和预先训练的光伏功率预测模型,确定目标时刻的光伏功率的预测值。
其中,光伏功率预测模型根据历史时段的历史环境数据和历史功率数据预先训练得到;在训练过程中,光伏功率预测模型的模型参数通过预先建立的光伏功率修正模型进行修正;光伏功率修正模型根据广义高斯混合分布模型算法和最大期望算法建立。
可选的,光伏功率预测模型为长短期记忆模型,训练过程包括初步训练过程和修正过程。相应的,光伏功率预测装置包括初步训练模块和修正模块。
相应的,初步训练模块,用于:获取光伏电站历史时段内的历史环境数据和历史功率数据;计算历史环境数据和历史功率数据之间的关联系数矩阵;将关联系数小于预设阈值的历史环境数据和历史功率数据,输入到长短期记忆模型中,以得到初步训练后的长短期记忆模型。
相应的,修正模块,用于:基于光伏功率修正模型和历史环境数据,对初步训练后的长短期记忆模型的模型参数进行修正,以得到预先训练的光伏功率预测模型。
可选的,修正模块,用于:将历史环境数据输入到初步训练后的长短期记忆模型中,得到历史时段内光伏功率的初始预测值;根据历史环境数据、历史功率数据、初始预测值和光伏功率修正模型,确定历史时段内光伏功率的修正预测值;根据修正预测值对长短期记忆模型的模型参数进行修正。
可选的,修正模块,具体用于:根据历史环境数据和历史功率数据,确定初始预测值的最大期望值;根据初始预测值以及初始预测值的最大期望值,确定修正预测值。
可选的,历史环境数据包括多个环境因素;环境因素包括下述至少一项:天气类型、日内最高温度、日内最高温度与最低温度的差和风速。初步训练模块,具体用于:
其中,p为关联系数矩阵中的值,|p|≤1-a,a为各个环境因素之间的皮尔森相关系数;xi为第i个数据点的环境因素,yi为第i个数据点的历史功率数据;为环境因素的均值,为历史功率数据的均值;n为数据点的个数。
可选的,光伏功率预测装置还包括:预处理模块,用于对关联系数矩阵进行主成分分析,确定降维后的关联系数矩阵;对降维后的关联系数矩阵进行归一化处理。
可选的,光伏功率预测装置还包括:评价模块,用于根据多元决定系数和均方根误差,评价目标时刻的光伏功率的预测值。
本实施例提供的光伏功率预测装置,可用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图9是本发明实施例提供的电子设备的示意图。如图9所示,本发明的一个实施例提供的电子设备9,该实施例的电子设备9包括:处理器90、存储器91以及存储在存储器91中并可在处理器90上运行的计算机程序92。处理器90执行计算机程序92时实现上述各个光伏功率预测方法实施例中的步骤,例如图2所示的步骤210至步骤220。或者,处理器90执行计算机程序92时实现上述各系统实施例中各模块/单元的功能,例如图8所示模块810至820的功能。
示例性的,计算机程序92可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器91中,并由处理器90执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序92在电子设备9中的执行过程。
电子设备9可以是物理电子设备、云电子设备、电子设备集群等,在此不作限定。终端可包括,但不仅限于,处理器90、存储器91。本领域技术人员可以理解,图9仅仅是电子设备9的示例,并不构成对电子设备9的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器91可以是电子设备9的内部存储单元,例如电子设备9的硬盘或内存。存储器91也可以是电子设备9的外部存储设备,例如电子设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器91还可以既包括电子设备9的内部存储单元也包括外部存储设备。存储器91用于存储计算机程序以及终端所需的其他程序和数据。存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述光伏功率预测方法实施例中的步骤。
计算机可读存储介质存储有计算机程序92,计算机程序92包括程序指令,程序指令被处理器90执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序92来指令相关的硬件来完成,计算机程序92可存储于一计算机可读存储介质中,该计算机程序92在被处理器90执行时,可实现上述各个方法实施例的步骤。其中,计算机程序92包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光伏功率预测方法,其特征在于,所述方法包括:
获取光伏电站在目标时刻的环境数据;其中,所述目标时刻为当前时刻之后的任一时刻;
根据所述目标时刻的环境数据和预先训练的光伏功率预测模型,确定目标时刻的光伏功率的预测值;
其中,所述光伏功率预测模型根据历史时段的历史环境数据和历史功率数据预先训练得到;在训练过程中,所述光伏功率预测模型的模型参数通过预先建立的光伏功率修正模型进行修正;所述光伏功率修正模型根据广义高斯混合分布模型算法和最大期望算法建立。
2.根据权利要求1所述的光伏功率预测方法,其特征在于,所述光伏功率预测模型为长短期记忆模型,所述训练过程包括初步训练过程和修正过程;所述初步训练过程包括:
获取所述光伏电站历史时段内的历史环境数据和历史功率数据;
计算所述历史环境数据和所述历史功率数据之间的关联系数矩阵;
将关联系数小于预设阈值的历史环境数据和历史功率数据,输入到所述长短期记忆模型中,以得到初步训练后的长短期记忆模型;
所述修正过程包括:
基于所述光伏功率修正模型和历史环境数据,对初步训练后的长短期记忆模型的模型参数进行修正,以得到所述预先训练的光伏功率预测模型。
3.根据权利要求2所述的光伏功率预测方法,其特征在于,所述修正过程包括:
将历史环境数据输入到初步训练后的长短期记忆模型中,得到历史时段内光伏功率的初始预测值;
根据所述历史环境数据、所述历史功率数据、所述初始预测值和所述光伏功率修正模型,确定历史时段内光伏功率的修正预测值;
根据所述修正预测值对所述长短期记忆模型的模型参数进行修正。
4.根据权利要求3所述的光伏功率预测方法,其特征在于,所述根据所述历史环境数据、所述历史功率数据、所述初始预测值和所述光伏功率修正模型,确定历史时段内光伏功率的修正预测值,包括:
根据所述历史环境数据和所述历史功率数据,确定所述初始预测值的最大期望值;
根据所述初始预测值以及所述初始预测值的最大期望值,确定所述修正预测值。
6.根据权利要求5所述的光伏功率预测方法,其特征在于,在计算所述历史环境数据和所述历史功率数据之间的关联系数之后,所述方法还包括:
对所述关联系数矩阵进行主成分分析,确定降维后的关联系数矩阵;
对所述降维后的关联系数矩阵进行归一化处理。
7.根据权利要求1-6任一项所述的光伏功率预测方法,其特征在于,在确定目标时刻的光伏功率的预测值之后,所述方法还包括:
根据多元决定系数和均方根误差,评价目标时刻的光伏功率的预测值。
8.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述光伏功率预测方法的步骤。
9.一种光伏发电系统,其特征在于,包括:至少一个光伏电站以及如上的权利要求8所述的电子设备。
10.一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存储有计算机程序,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述光伏功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211190163.1A CN115618922A (zh) | 2022-09-28 | 2022-09-28 | 光伏功率预测方法、设备、光伏发电系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211190163.1A CN115618922A (zh) | 2022-09-28 | 2022-09-28 | 光伏功率预测方法、设备、光伏发电系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618922A true CN115618922A (zh) | 2023-01-17 |
Family
ID=84861226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211190163.1A Pending CN115618922A (zh) | 2022-09-28 | 2022-09-28 | 光伏功率预测方法、设备、光伏发电系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618922A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116722545A (zh) * | 2023-08-07 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 基于多源数据的光伏发电预测方法和相关设备 |
-
2022
- 2022-09-28 CN CN202211190163.1A patent/CN115618922A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116722545A (zh) * | 2023-08-07 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 基于多源数据的光伏发电预测方法和相关设备 |
CN116722545B (zh) * | 2023-08-07 | 2024-01-16 | 深圳航天科创泛在电气有限公司 | 基于多源数据的光伏发电预测方法和相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network | |
Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
CN111091139A (zh) | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 | |
CN111784068A (zh) | 基于eemd的电力负荷组合预测方法及装置 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
CN115860797B (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN115275991A (zh) | 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法 | |
CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
CN116435998A (zh) | 一种光伏发电功率的预测方法 | |
CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
CN117218425A (zh) | 一种用于光伏电站的发电损失分析方法及系统 | |
CN115907339A (zh) | 一种基于gmm的配电网光伏与电动汽车充电站协同规划方法 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
Shi et al. | Four-stage space-time hybrid model for distributed photovoltaic power forecasting | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
Fan et al. | Spatial-temporal genetic-based attention networks for short-term photovoltaic power forecasting | |
CN112215478B (zh) | 光储电站的功率协调控制方法和装置、存储介质 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN111242371B (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 |
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 |