CN115936180A - 光伏发电功率预测方法、装置和计算机设备 - Google Patents

光伏发电功率预测方法、装置和计算机设备 Download PDF

Info

Publication number
CN115936180A
CN115936180A CN202211362754.2A CN202211362754A CN115936180A CN 115936180 A CN115936180 A CN 115936180A CN 202211362754 A CN202211362754 A CN 202211362754A CN 115936180 A CN115936180 A CN 115936180A
Authority
CN
China
Prior art keywords
photovoltaic power
power generation
target
prediction
data
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
Application number
CN202211362754.2A
Other languages
English (en)
Inventor
马龙飞
陆斯悦
曾佳妮
王琼
马凯
李香龙
丁屹峰
张禄
徐蕙
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211362754.2A priority Critical patent/CN115936180A/zh
Publication of CN115936180A publication Critical patent/CN115936180A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种光伏发电功率预测方法、装置和计算机设备。其中，该方法包括：获取目标光伏电站所在地在目标日的气象数据；将气象数据分别输入多个功率预测模型，由多个功率预测模型分别输出目标光伏电站在目标日的多个光伏发电功率预测值，其中，多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN‑LSTM结构，多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数；根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果。本发明解决了由于现有技术中预测光伏发电功率的方法精度不高的技术问题。

Description

光伏发电功率预测方法、装置和计算机设备
技术领域
本发明涉及电力系统发电预测领域，具体而言，涉及一种光伏发电功率预测方法、装置和计算机设备。
背景技术
随着碳中和等概念的提出，光伏发电作为清洁能源的生产方式具有巨大的发展前景，光伏电能在电网中的渗透率日益增加。然而，光伏发电的出力受气象因素影响具有很强的随机性，光伏输出功率的预测对减少其接入电网带来的安全稳定性问题具有重要意义。
针对光伏出力预测目前已有的建模方法主要有两类：物理建模方法和数据驱动建模方法。尽管建模方式各有差异，但根据光伏功率预测结果形式的不同，可分为点预测和区间预测。目前绝大多数研究采用的点预测方法，是一种确定性预测方法，得到未来一段时间内光伏功率确定值，虽然形象直观，但无法表征光伏功率不确定性。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种光伏发电功率预测方法、装置和计算机设备，以至少解决由于现有技术中预测光伏发电功率的方法精度不高的技术问题。
根据本发明实施例的一个方面，提供了一种光伏发电功率预测方法，包括：获取目标光伏电站所在地在目标日的气象数据；将气象数据分别输入多个功率预测模型，由多个功率预测模型分别输出目标光伏电站在目标日的多个光伏发电功率预测值，其中，多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数；根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果。
可选地，根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果，包括：将多个光伏发电功率预测值作为预测值样本，对预测值样本的分布进行估计，确定目标光伏电站在目标日内的光伏发电功率的概率密度曲线；根据概率密度曲线，确定光伏发电功率预测结果。
可选地，根据概率密度曲线，确定光伏发电功率预测结果，包括：在概率密度曲线中，确定概率密度曲线的极大值对应的光伏发电功率为光伏发电功率预测结果。
可选地，根据概率密度曲线，确定光伏发电功率预测结果，包括：获取置信度，其中，置信度用于表征对光伏发电功率预测结果的接受范围；根据概率密度曲线和置信度，确定概率密度曲线中匹配置信度的光伏发电功率的预测区间，其中，光伏发电预测结果包括预测区间。
可选地，分位数损失函数表示为如下公式：
Figure BDA0003923301400000021
其中，q为分位数系数，n为神经网络模型输出的功率预测值的个数，y为光伏功率的真实值，
Figure BDA0003923301400000022
为光伏功率的预测值，符号(y)+表示max(0,y)。
可选地，多个功率预测模型为通过如下步骤训练得到的模型：获取目标光伏电站的历史气象数据和与历史气象数据对应的目标光伏电站的光伏发电功率历史数据；根据历史气象数据和光伏发电功率历史数据，生成训练数据集；确定多个功率预测模型对应的损失函数；根据训练数据集，分别采用多个功率预测模型对应的损失函数对原始神经网络模型进行训练，确定多个功率预测模型。
可选地，根据历史气象数据和光伏发电功率历史数据，生成训练数据集，包括：根据历史气象数据和光伏发电功率历史数据，分别确定历史气象数据包括的多个气象因素数据与光伏发电功率历史数据的多个相关度；根据多个相关度，在历史气象数据中确定目标气象因素数据；确定目标气象因素数据和光伏发电功率历史数据作为训练数据集。
根据本发明实施例的另一方面，还提供了一种光伏发电功率预测装置，包括：获取模块，用于获取目标光伏电站所在地在目标日的气象数据；输出模块，用于将气象数据分别输入多个功率预测模型，由多个功率预测模型分别输出目标光伏电站在目标日的多个光伏发电功率预测值，其中，多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数；确定模块，用于根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果。
根据本发明实施例的又一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行上述中任意一项光伏发电功率预测方法。
根据本发明实施例的再一方面，还提供了一种计算机设备，计算机设备包括处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项光伏发电功率预测方法。
在本发明实施例中，通过获取目标光伏电站所在地在目标日的气象数据；将气象数据分别输入多个功率预测模型，由多个功率预测模型分别输出目标光伏电站在目标日的多个光伏发电功率预测值，其中，多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数；根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果，达到了通过多个模型分别根据历史数据估计预测日目标光伏电站的光伏发电功率的目的，并根据多个光伏发电功率预测值确定最终的光伏发电功率预测结果，从而实现了提高了预测光伏发电功率的方法精度的技术效果，进而解决了由于现有技术中预测光伏发电功率的方法精度不高的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：
图1示出了一种用于实现光伏发电功率预测方法的计算机终端的硬件结构框图；
图2是根据本发明实施例提供的光伏发电功率预测方法的流程示意图；
图3是根据本发明可选实施例提供的TCN-LSTM架构的示意图；
图4是根据本发明可选实施例提供的TCN-LSTM在不同分位点下的光伏功率预测值的示意图；
图5是根据本发明可选实施例提供的预测日多个时刻光伏功率预测值的概率密度曲线的示意图；
图6是根据本发明可选实施例提供的90％置信度和50％置信度下的预测区间的示意图；
图7是根据本发明可选实施例提供的光伏发电功率预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种光伏发电功率预测的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现光伏发电功率预测方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块，如本发明实施例中的光伏发电功率预测方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的光伏发电功率预测方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10的用户界面进行交互。
图2是根据本发明实施例提供的光伏发电功率预测方法的流程示意图，如图2所示，该方法包括如下步骤：
步骤S202，获取目标光伏电站所在地在目标日的气象数据。
本步骤中，目标光伏电站为本次需要预测光伏发电功率的光伏电站，在预测目标光伏电站的光伏发电功率预测结果时，需要获取目标光伏电站所在地在目标日时的气象数据。例如，可以在当天预测目标光伏电站第二天的光伏发电功率预测结果，需要的气象数据为目标光伏电站所在地第二天的气象数据，可以通过天气预报获得。
步骤S204，将气象数据分别输入多个功率预测模型，由多个功率预测模型分别输出目标光伏电站在目标日的多个光伏发电功率预测值，其中，多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数。
本步骤中，在应用之前预先训练成功多个功率预测模型，在应用时可以直接使用多个功率预测模型，多个功率预测模型的结构为时间卷积网络TCN模型与长短期记忆网络LSTM模型连接而成的组合模型，多个功率预测模型的结构一致，区别是根据不同损失函数训练的，不同的损失函数中分位数系数不同。在应用时，分别使用多个功率预测模型对输入的气象数据进行功率预测，每一个功率预测模型都可以得到一个目标光伏电站在目标日时的光伏功率预测值，所以可以得到多个光伏发电功率预测值。
步骤S206，根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果。
本步骤中，可以综合考虑多个模型分别得到的多个光伏发电功率预测值，确定目标光伏电站在目标日的最终的光伏发电功率预测结果。现有技术中，一般指通过一个模型对目标光伏电站在目标日时的光伏功率进行预测，本发明提供的方案可以根据多个模型预测得到多个光伏功率预测值，并对多个光伏功率预测值进行处理，得到最终的光伏发电功率预测结果，相对于现有技术来说，提高了预测结果的精度，使预测结果的可信度更高。
通过上述步骤，可以达到通过多个模型分别根据历史数据估计预测日目标光伏电站的光伏发电功率的目的，并根据多个光伏发电功率预测值确定最终的光伏发电功率预测结果，从而实现了提高了预测光伏发电功率的方法精度的技术效果，进而解决了由于现有技术中预测光伏发电功率的方法精度不高的技术问题。
作为一种可选的实施例，根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果，可以通过以下步骤实现：将多个光伏发电功率预测值作为预测值样本，对预测值样本的分布进行估计，确定目标光伏电站在目标日内的光伏发电功率的概率密度曲线；根据概率密度曲线，确定光伏发电功率预测结果。
可选地，在得到多个光伏发电功率预测值后，可以对多个光伏发电功率预测值进行数据处理，将多个光伏发电功率预测值作为预测值样本，并对预测值样本的分布进行估计，概率密度估计分为参数估计和非参数估计，本发明以非参数估计方法中的核密度估计为例进行估计，可以得到目标光伏电站在目标日内的光伏发电功率的概率密度曲线，并根据概率密度曲线，确定光伏发电功率预测结果。核密度估计是在对数据分布函数未知的情况下，利用一组在同一个观测条件下的样本数据估计数据整体概率密度分布的非参数估计方法。
作为一种可选的实施例，根据概率密度曲线，确定光伏发电功率预测结果，可以通过以下步骤实现：在概率密度曲线中，确定概率密度曲线的极大值对应的光伏发电功率为光伏发电功率预测结果。
可选地，得到目标光伏电站在目标日内的光伏发电功率的概率密度曲线后，可以使用统计学知识，确定概率密度曲线中表示的概率最高的光伏发电功率值作为光伏发电功率预测结果。
作为一种可选的实施例，根据概率密度曲线，确定光伏发电功率预测结果，可以通过以下步骤实现：获取置信度，其中，置信度用于表征对光伏发电功率预测结果的接受范围；根据概率密度曲线和置信度，确定概率密度曲线中匹配置信度的光伏发电功率的预测区间，其中，光伏发电预测结果包括预测区间。
可选地，根据概率密度曲线，可以获取不同置信度下的光伏发电预测值区间。现有技术中估计光伏功率预测值采用一般为点预测方法，是一种确定性预测方法，得到未来一段时间内光伏功率确定值，虽然形象直观，但无法表征光伏功率不确定性。而区间预测可得到任意置信度下光伏功率的预测范围，相比点预测而言可提供更丰富的信息。此外，大多数点预测往往基于经典回归，经典回归的目的在于估计因变量的均值，需要满足正态性假设和方差齐性假设，即随机项需要来自均值为0且同方差的正态分布，然而在光伏功率预测时，实际历史数据往往无法满足上述两个假设。相对于点估计，区间估计具有更高的可靠性。在应用时，可以先获取本次估计确定的置信度，再根据概率密度确定置信度对应的预测值的预测区间，即可得到光伏发电预测结果。
作为一种可选的实施例，分位数损失函数表示为如下公式：
Figure BDA0003923301400000071
其中，q为分位数系数，n为神经网络模型输出的功率预测值的个数，y为光伏功率的真实值，
Figure BDA0003923301400000072
为光伏功率的预测值，符号(y)+表示max(0,y)。
可选地，多个功率预测模型的损失函数均为如上式形式的分位数损失函数，不同点为分位数系数的值不同。分位数回归(Quantile Regression,QR)是研究输入变量与响应变量的条件分位数之间的关系，本发明为了以分位数条件概率的形式描述预测结果，在预测模型中引入分位数的概念，即训练TCN-LSTM模型时的损失函数loss采用分位数回归的形式。分位数损失函数式一个分段函数，将高估和低估两种情况分开并给予不同系数，实现了分别用不同的系数控制高估和低估的损失，进而实现分位数回归。公式中n为神经网络模型输出的功率预测值的个数，n可以为1，也可以为其他数字，当分别预测预测日中多个时刻时目标光伏电站的光伏功率发电量时，n为多个值，当只预测预测日中某一时刻的光伏功率发电量时，n可以为1。
作为一种可选的实施例，多个功率预测模型为通过如下步骤训练得到的模型：获取目标光伏电站的历史气象数据和与历史气象数据对应的目标光伏电站的光伏发电功率历史数据；根据历史气象数据和光伏发电功率历史数据，生成训练数据集；确定多个功率预测模型对应的损失函数；根据训练数据集，分别采用多个功率预测模型对应的损失函数对原始神经网络模型进行训练，确定多个功率预测模型。
可选地，训练多个功率预测模型的过程如下：可以先获取目标光伏电站所在地的历史气象数据，并且获取到在历史气象数据下目标光伏电站的实际光伏发电功率的历史数据；可以将历史数据和光伏发电功率历史数据进行初步的数据处理，生成训练数据集；还可以确定分位数损失函数中分位数系数的值，生成多个损失函数；将训练数据集输入多个原始神经网络模型，并分别根据多个损失函数训练多个原始神经网络模型，得到多个功率预测模型。
作为一种可选的实施例，根据历史气象数据和光伏发电功率历史数据，生成训练数据集，可以通过以下步骤实现：根据历史气象数据和光伏发电功率历史数据，分别确定历史气象数据包括的多个气象因素数据与光伏发电功率历史数据的多个相关度；根据多个相关度，在历史气象数据中确定目标气象因素数据；确定目标气象因素数据和光伏发电功率历史数据作为训练数据集。
可选地，气象因素是影响光伏功率的重要因素，其主要影响因素有太阳辐射、温度、湿度、气压、风速等，由于实际地域及光伏电站存在差别，选择哪些气象因素用于光伏功率预测应视情况具体分析，选择相关性强的因素构建输入数据集合。相关性分析可以判断几种变量之间是否存在相关关系，根据历史气象数据和光伏发电功率历史数据，可以计算多种气象因素与光伏发电功率历史数据的相关性大小，选取相关性最大的气象因素作为目标气象因素，并在历史气象数据中确定目标气象因素数据，确定目标气象因素数据和光伏发电功率历史数据作为训练数据集。
作为一种具体的实施例，以某光伏电站为算例，采样时间间隔为15min，即每天采集96个数据。考虑其每天7:00～19:00时可能具有光伏功率输出，因此以2016年7月1日～2018年6月30日每天7:00～19:00时(每天48个数据节点)的光伏功率数据及相应气象数据作为原始数据样本。
天气因素是影响光伏功率的重要因素，其主要影响因素有太阳辐射、温度、湿度、气压、风速等，由于实际地域及光伏电站存在差别，选择哪些天气因素用于光伏功率预测应视情况具体分析，选择相关性强的因素构建输入数据集合。相关性分析可以判断几种变量之间是否存在相关关系，线性相关系数r根据如下公式计算：
Figure BDA0003923301400000081
式中：x为光伏功率样本，
Figure BDA0003923301400000082
为光伏功率样本的平均值，y为需进行相关性分析的因素，相关性分析因素包括太阳辐射值、温度、湿度、气压、风速，
Figure BDA0003923301400000083
为相关性分析因素的平均值，r的取值范围为[-1,1]，|r|越趋近于1表示x与y相关性越强，|r|越趋近于0表示x与y相关性越弱。表1为相关性分析结果，得出光伏功率的主要影响因素为太阳辐射值。
表1相关性分析
Figure BDA0003923301400000084
由于各个输入量的数据量纲并不相同，因此在进行网络训练前，需要对数据进行归一化处理使其值限制在[0,1]内，消除不同量纲对预测结果带来的影响。采用离差标准化对数据样本进行归一化预处理，转换函数如下：
Figure BDA0003923301400000091
式中：x为原始数据，xn为归一化后的数据，xmax与xmin为样本数据的最大值与最小值。
本发明将处理后的数据前80％作为训练集，后20％作为测试集。
本发明建立了基于时间卷积神经网络(TCN)和长短期记忆网络(LSTM)的混合模型TCN-LSTM，其仍具有编解码器结构，使用TCN编码能够利用其优秀的特征提取能力，使用LSTM解码能够提高网络在光伏功率预测上的拟合能力。图3是根据本发明可选实施例提供的TCN-LSTM架构的示意图，如图3所示：图中{x,y}t-k～{x,y}t为历史光照强度与光伏功率数据，其作为数据样本经过输入层输入TCN-LSTM模型，首先由TCN网络若干层膨胀的因果卷积提取特征，然后分别与预测时刻光照强度xt+1～xt+n经过一维卷积后相加得到输出结果，进而输入到LSTM模型进行高层特征的信息抽象，经LSTM模型后将其处理成一个一维向量链接到全连接层，全连接层直接输出yhat,t+1～yhat,t+n即为预测时段光伏发电功率预测值。
分位数回归(Quantile Regression,QR)是研究输入变量与响应变量的条件分位数之间的关系，本发明为了以分位数条件概率的形式描述预测结果，在预测模型中引入分位数的概念，即训练TCN-LSTM模型时的损失函数loss采用分位数回归的形式，如式(9)所示：
Figure BDA0003923301400000092
式中：q为分位数，n为一天的节点数，yi为第i个节点光伏功率的真实值，
Figure BDA0003923301400000093
为第i个节点光伏功率的预测值，(y)+表示max(0,y)。
由于本发明使用的光伏数据波动大且季节性明显、周期长，模型需要使用较长时间的历史信息对光伏进行预测，但过长的时间序列又会导致LSTM梯度消失，因此使用历史一个季度(90天)的光伏出力与光照强度数据以及未来一天的光照强度，来预测未来一天光伏出力。为了充分描述以不同分位数为条件概率的预测结果，等距设置19个分位点，分别为q＝0.05、0.10、0.15、0.20、0.25、0.30、0.35、0.40、0.45、0.50、0.55、0.60、0.65、0.70、0.75、0.80、0.85、0.90、0.95，按以上数据分别训练这19个TCN-LSTM分位数回归模型。
将验证集数据输入到已训练好的19个TCN分位数回归模型中，得到不同分位点下的预测值，图4是根据本发明可选实施例提供的TCN-LSTM在不同分位点下的光伏功率预测值的示意图，验证集中预测结果如图4所示。48个预测时刻节点中，每个时刻各对应有19个不同分位数条件概率下的预测值。
TCN-LSTM分位数回归模型可以获得不同分位点条件下的光伏发电功率预测值，为了得到任意时刻光伏功率预测值的概率密度曲线，需将不同分位点下的预测值作为输入样本进行概率密度估计，概率密度估计分为参数估计和非参数估计，本发明以非参数估计方法中的核密度估计为例进行建模。
核密度估计是在对数据分布函数未知的情况下，利用一组在同一个观测条件下的样本数据估计数据整体概率密度分布的非参数估计方法，将TCN-LSTM分位数回归模型输出的各时刻19个条件分位数预测值作为核密度估计的输入值，可得到该时刻下光伏功率的概率密度分布，即：
Figure BDA0003923301400000101
式中：K为核函数，h为核函数的带宽，N为分位数的个数，
Figure BDA0003923301400000102
为此时刻在不同分位数下光伏功率的预测值。不同核函数对于核密度估计结果的影响较小，本发明采用高斯核函数，高斯核函数公式如下，
Figure BDA0003923301400000103
核函数的带宽可以通过经验法采用如下公式计算：
Figure BDA0003923301400000104
式中：n为样本数，
Figure BDA0003923301400000105
为样本标准差。
图5是根据本发明可选实施例提供的TCN-LSTM在不同分位点下的光伏功率预测值的示意图，如图5所示，以预测日15:00、15:15、15:30、15:45四个时刻为例，根据该时刻19个分位点下的光伏功率预测值，通过上述的核密度估计方法获得的该时刻光伏功率预测值的概率密度曲线。得到预测日所有时刻光伏功率预测值的概率密度曲线后，即完成了基于TCN-LSTM与分位数回归的光伏功率概率密度预测。
预测结果提供了丰富的信息，以概率密度最大值对应的光伏功率作为TCN-LSTM与分位数回归模型(后续简称为TCN-LSTM-QR)的点预测结果。图6是根据本发明可选实施例提供的90％置信度和50％置信度下的预测区间的示意图，在使用TCN-LSTM-QR模型得到预测日所有时刻光伏功率预测值的概率密度曲线后，即可获得在不同置信度条件下的光伏功率预测区间，在高置信度(90％)和低置信度(50％)条件下的预测区间如图6所示，2种置信度条件下的预测区间与负荷实际值的波动大致相同，且不同置信度下预测区间的宽度以及对真实值的覆盖率存在差异。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的光伏发电功率预测方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
根据本发明实施例，还提供了一种用于实施上述光伏发电功率预测方法的装置，图7是根据本发明实施例提供的光伏发电功率预测装置的结构框图，如图7所示，该装置包括：获取模块72，输出模块74和确定模块76，下面对该光伏发电功率预测装置进行说明。
获取模块72，用于获取目标光伏电站所在地在目标日的气象数据。
输出模块74，用于将气象数据分别输入多个功率预测模型，由多个功率预测模型分别输出目标光伏电站在目标日的多个光伏发电功率预测值，其中，多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数。
确定模块76，用于根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果。
此处需要说明的是，上述获取模块72，输出模块74和确定模块76对应于实施例中的步骤S202至步骤S206，多个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在实施例提供的计算机终端10中。
本发明的实施例可以提供一种计算机设备，可选地，在本实施例中，上述计算机设备可以位于计算机网络的多个网络设备中的至少一个网络设备。该计算机设备包括存储器和处理器。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的光伏发电功率预测方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的光伏发电功率预测方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取目标光伏电站所在地在目标日的气象数据；将气象数据分别输入多个功率预测模型，由多个功率预测模型分别输出目标光伏电站在目标日的多个光伏发电功率预测值，其中，多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数；根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果。
可选的，上述处理器还可以执行如下步骤的程序代码：根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果，包括：将多个光伏发电功率预测值作为预测值样本，对预测值样本的分布进行估计，确定目标光伏电站在目标日内的光伏发电功率的概率密度曲线；根据概率密度曲线，确定光伏发电功率预测结果。
可选的，上述处理器还可以执行如下步骤的程序代码：根据概率密度曲线，确定光伏发电功率预测结果，包括：在概率密度曲线中，确定概率密度曲线的极大值对应的光伏发电功率为光伏发电功率预测结果。
可选的，上述处理器还可以执行如下步骤的程序代码：根据概率密度曲线，确定光伏发电功率预测结果，包括：获取置信度，其中，置信度用于表征对光伏发电功率预测结果的接受范围；根据概率密度曲线和置信度，确定概率密度曲线中匹配置信度的光伏发电功率的预测区间，其中，光伏发电预测结果包括预测区间。
可选的，上述处理器还可以执行如下步骤的程序代码：分位数损失函数表示为如下公式：
Figure BDA0003923301400000131
其中，q为分位数系数，n为神经网络模型输出的功率预测值的个数，y为光伏功率的真实值，
Figure BDA0003923301400000132
为光伏功率的预测值，符号(y)+表示max(0,y)。
可选的，上述处理器还可以执行如下步骤的程序代码：多个功率预测模型为通过如下步骤训练得到的模型：获取目标光伏电站的历史气象数据和与历史气象数据对应的目标光伏电站的光伏发电功率历史数据；根据历史气象数据和光伏发电功率历史数据，生成训练数据集；确定多个功率预测模型对应的损失函数；根据训练数据集，分别采用多个功率预测模型对应的损失函数对原始神经网络模型进行训练，确定多个功率预测模型。
可选的，上述处理器还可以执行如下步骤的程序代码：根据历史气象数据和光伏发电功率历史数据，生成训练数据集，包括：根据历史气象数据和光伏发电功率历史数据，分别确定历史气象数据包括的多个气象因素数据与光伏发电功率历史数据的多个相关度；根据多个相关度，在历史气象数据中确定目标气象因素数据；确定目标气象因素数据和光伏发电功率历史数据作为训练数据集。
采用本发明实施例，提供了一种光伏发电功率预测的方案。通过获取目标光伏电站所在地在目标日的气象数据；将气象数据分别输入多个功率预测模型，由多个功率预测模型分别输出目标光伏电站在目标日的多个光伏发电功率预测值，其中，多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数；根据多个光伏发电功率预测值，确定目标光伏电站在目标日的光伏发电功率预测结果，达到了通过多个模型分别根据历史数据估计预测日目标光伏电站的光伏发电功率的目的，并根据多个光伏发电功率预测值确定最终的光伏发电功率预测结果，从而实现了提高了预测光伏发电功率的方法精度的技术效果，进而解决了由于现有技术中预测光伏发电功率的方法精度不高的技术问题。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一非易失性存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。
本发明的实施例还提供了一种非易失性存储介质。可选地，在本实施例中，上述非易失性存储介质可以用于保存上述实施例所提供的光伏发电功率预测方法所执行的程序代码。
可选地，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述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。
所述集成的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，可以存储在一个非易失性取存储介质中。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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种光伏发电功率预测方法，其特征在于，包括：
获取目标光伏电站所在地在目标日的气象数据；
将所述气象数据分别输入多个功率预测模型，由所述多个功率预测模型分别输出所述目标光伏电站在所述目标日的多个光伏发电功率预测值，其中，所述多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，所述多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且所述多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数；
根据所述多个光伏发电功率预测值，确定所述目标光伏电站在所述目标日的光伏发电功率预测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个光伏发电功率预测值，确定所述目标光伏电站在所述目标日的光伏发电功率预测结果，包括：
将所述多个光伏发电功率预测值作为预测值样本，对所述预测值样本的分布进行估计，确定所述目标光伏电站在所述目标日内的光伏发电功率的概率密度曲线；
根据所述概率密度曲线，确定所述光伏发电功率预测结果。
3.根据权利要求2所述的方法，其特征在于，所述根据所述概率密度曲线，确定所述光伏发电功率预测结果，包括：
在所述概率密度曲线中，确定所述概率密度曲线的极大值对应的光伏发电功率为所述光伏发电功率预测结果。
4.根据权利要求2所述的方法，其特征在于，所述根据所述概率密度曲线，确定所述光伏发电功率预测结果，包括：
获取置信度，其中，所述置信度用于表征对所述光伏发电功率预测结果的接受范围；
根据所述概率密度曲线和所述置信度，确定所述概率密度曲线中匹配所述置信度的光伏发电功率的预测区间，其中，所述光伏发电预测结果包括所述预测区间。
5.根据权利要求1所述的方法，其特征在于，所述分位数损失函数表示为如下公式：
Figure FDA0003923301390000011
其中，q为分位数系数，n为神经网络模型输出的功率预测值的个数，y为光伏功率的真实值，
Figure FDA0003923301390000021
为光伏功率的预测值，符号(y)+表示max(0,y)。
6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述多个功率预测模型为通过如下步骤训练得到的模型：
获取所述目标光伏电站的历史气象数据和与所述历史气象数据对应的所述目标光伏电站的光伏发电功率历史数据；
根据所述历史气象数据和所述光伏发电功率历史数据，生成训练数据集；
确定所述多个功率预测模型对应的损失函数；
根据所述训练数据集，分别采用所述多个功率预测模型对应的损失函数对所述原始神经网络模型进行训练，确定所述多个功率预测模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述历史气象数据和所述光伏发电功率历史数据，生成训练数据集，包括：
根据所述历史气象数据和所述光伏发电功率历史数据，分别确定所述历史气象数据包括的多个气象因素数据与所述光伏发电功率历史数据的多个相关度；
根据所述多个相关度，在所述历史气象数据中确定目标气象因素数据；
确定所述目标气象因素数据和所述光伏发电功率历史数据作为所述训练数据集。
8.一种光伏发电功率预测装置，其特征在于，包括：
获取模块，用于获取目标光伏电站所在地在目标日的气象数据；
输出模块，用于将所述气象数据分别输入多个功率预测模型，由所述多个功率预测模型分别输出所述目标光伏电站在所述目标日的多个光伏发电功率预测值，其中，所述多个功率预测模型的结构为时间卷积网络与长短期记忆网络TCN-LSTM结构，所述多个功率预测模型由原始神经网络模型基于对应的损失函数分别训练得到，且所述多个功率预测模型对应的损失函数为分位数系数不同的分位数损失函数；
确定模块，用于根据所述多个光伏发电功率预测值，确定所述目标光伏电站在所述目标日的光伏发电功率预测结果。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至7中任意一项所述光伏发电功率预测方法。
10.一种计算机设备，其特征在于，包括：存储器和处理器，
所述存储器存储有计算机程序；
所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行权利要求1至7中任意一项所述光伏发电功率预测方法。
CN202211362754.2A 2022-11-02 2022-11-02 光伏发电功率预测方法、装置和计算机设备 Pending CN115936180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211362754.2A CN115936180A (zh) 2022-11-02 2022-11-02 光伏发电功率预测方法、装置和计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211362754.2A CN115936180A (zh) 2022-11-02 2022-11-02 光伏发电功率预测方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
CN115936180A true CN115936180A (zh) 2023-04-07

Family

ID=86651662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211362754.2A Pending CN115936180A (zh) 2022-11-02 2022-11-02 光伏发电功率预测方法、装置和计算机设备

Country Status (1)

Country Link
CN (1) CN115936180A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116707035A (zh) * 2023-08-07 2023-09-05 江苏蔚风能源科技有限公司 一种依赖低风速动态规划的有功功率控制方法
CN116957223A (zh) * 2023-06-14 2023-10-27 华能澜沧江水电股份有限公司 一种基于光照图像的光伏功率预测方法及装置
CN117543823A (zh) * 2023-11-16 2024-02-09 创维互联（北京）新能源科技有限公司 一种基于多模型的光伏组串损失电量计算方法及系统
CN117807402A (zh) * 2024-02-27 2024-04-02 阿里巴巴（中国）有限公司 功率预测方法、电子设备及存储介质
CN118052338A (zh) * 2024-04-16 2024-05-17 华东交通大学 一种基于广域协同训练的分布式光伏功率预测方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957223A (zh) * 2023-06-14 2023-10-27 华能澜沧江水电股份有限公司 一种基于光照图像的光伏功率预测方法及装置
CN116957223B (zh) * 2023-06-14 2024-03-08 华能澜沧江水电股份有限公司 一种基于光照图像的光伏功率预测方法及装置
CN116707035A (zh) * 2023-08-07 2023-09-05 江苏蔚风能源科技有限公司 一种依赖低风速动态规划的有功功率控制方法
CN116707035B (zh) * 2023-08-07 2023-09-29 江苏蔚风能源科技有限公司 一种依赖低风速动态规划的有功功率控制方法
CN117543823A (zh) * 2023-11-16 2024-02-09 创维互联（北京）新能源科技有限公司 一种基于多模型的光伏组串损失电量计算方法及系统
CN117807402A (zh) * 2024-02-27 2024-04-02 阿里巴巴（中国）有限公司 功率预测方法、电子设备及存储介质
CN118052338A (zh) * 2024-04-16 2024-05-17 华东交通大学 一种基于广域协同训练的分布式光伏功率预测方法

Similar Documents

Publication Publication Date Title
CN115936180A (zh) 光伏发电功率预测方法、装置和计算机设备
Tencaliec et al. Flexible semiparametric generalized Pareto modeling of the entire range of rainfall amount
CN111368890A (zh) 故障检测方法及装置、信息物理融合系统
Cui et al. Short‐term city electric load forecasting with considering temperature effects: An improved ARIMAX model
Moayyed et al. A Cyber-Secure generalized supermodel for wind power forecasting based on deep federated learning and image processing
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN113128105A (zh) 突发性流域水污染事故监测方法及装置
CN113487084A (zh) 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN116451848A (zh) 一种基于时空注意力机制的卫星遥测数据预测方法及装置
CN112906757A (zh) 模型训练方法、光功率预测方法、装置、设备及存储介质
CN112131274A (zh) 时间序列异常点的检测方法、装置、设备及可读存储介质
Zhao et al. Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression
CN116579447A (zh) 一种基于分解机制和注意力机制的时间序列预测方法
CN115482122A (zh) 一种应用于智慧园区的综合能耗监测方法及系统
CN115983460A (zh) 基于联邦学习的光伏发电组合预测方法、装置及电子设备
CN117113159A (zh) 基于深度学习的电力用户侧负荷分类方法及系统
CN113487087A (zh) 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN117350794A (zh) 一种基于多模型融合的日前电价预测方法、装置及介质
CN116523145A (zh) 光伏功率超短期预测方法、装置、计算机设备及存储介质
CN116992274A (zh) 基于改进主成分回归模型的短期风速预测方法及系统
CN116502081A (zh) 能源时序数据预测系统、平台及智能终端设备
CN117134315A (zh) 一种基于bert算法的配电变压器负荷预测方法及装置
CN115796394A (zh) 数值天气预报订正方法、装置、电子设备及存储介质
Tong et al. A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks
Votsi et al. Confidence interval for the mean time to failure in semi-markov models: An application to wind energy production

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