CN116435998A - 一种光伏发电功率的预测方法 - Google Patents

一种光伏发电功率的预测方法 Download PDF

Info

Publication number
CN116435998A
CN116435998A CN202310408222.6A CN202310408222A CN116435998A CN 116435998 A CN116435998 A CN 116435998A CN 202310408222 A CN202310408222 A CN 202310408222A CN 116435998 A CN116435998 A CN 116435998A
Authority
CN
China
Prior art keywords
data
matrix
power generation
photovoltaic
photovoltaic power
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
CN202310408222.6A
Other languages
English (en)
Inventor
闫美超
申光鹏
李晓楠
刘晓琳
聂泽
高凯龙
方岩
张世超
杜涛
杨萌
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.)
Shijiazhuang Kelin Yunneng Information Technology Co ltd
Shijiazhuang Kelin Electric Co Ltd
Original Assignee
Shijiazhuang Kelin Yunneng Information Technology Co ltd
Shijiazhuang Kelin Electric 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 Shijiazhuang Kelin Yunneng Information Technology Co ltd, Shijiazhuang Kelin Electric Co Ltd filed Critical Shijiazhuang Kelin Yunneng Information Technology Co ltd
Priority to CN202310408222.6A priority Critical patent/CN116435998A/zh
Publication of CN116435998A publication Critical patent/CN116435998A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/096—Transfer learning
    • 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
    • H02J3/004—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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供一种光伏发电功率的预测方法。本发明在进行光伏功率预测时，基于历史时段内的光伏发电数据和辐照度数据，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，实现光伏预测模型的实时更新，并以更新后的光伏预测模型进行光伏预测，避免了光伏使用状况和天气突变等因素的影响，实现光伏发电功率的实时准确预测。

Description

一种光伏发电功率的预测方法
技术领域
本发明涉及供配电技术领域，尤其涉及一种光伏发电功率的预测方法。
背景技术
随着经济的高速发展，社会用电量持续增长，人们对优质能源的需求也越来越强烈。传统的化石能源储量有限，且为不可再生资源，随着人们的不断开采利用，面临着日益严重的资源枯竭问题，大力发展清洁低碳的可再生能源是应对愈发严峻的全球性能源短缺问题的必要之举。光伏发电利用半导体元件的光生伏特效应将光能转换为电能，和其他可再生资源发电如风力发电和潮汐能发电等相比，具有安全，投资少，建设方便等优势。近年来，光伏发电因其清洁，无污染，便于分布式推广等方面的显著优势，在全球范围内得到了广泛推广。
然而受气象因素的影响，光伏发电输出功率具有很强的不稳定性。光伏不稳定性不仅导致电网的电能质量造成影响，还会给电网的有功经济调度带来困难给电网的安全稳定运行带来一系列问题。光伏功率预测技术可以帮助电力调度部门基于预测的光伏功率制定调度方案并进行各类电源的优化调度，减轻光伏发电的不稳定出力对系统造成的影响。
目前光伏功率预测技术多为基于历史数据进行神经网络训练后得到光伏功率预测模型，再基于光伏功率预测模型进行功率预测。但随着光伏的使用寿命增长，天气突变等因素影响，光伏功率预测模型的预测准确率逐渐降低，无法实现光伏功率的实时准确预测。
发明内容
本发明提供了一种光伏发电功率的预测方法，能够实现光伏发电功率的实时准确预测。
第一方面，本发明提供了一种光伏发电功率的预测方法，包括：获取当前时刻之前历史时段内的光伏发电数据和辐照度数据；并生成训练样本；每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻；基于训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型；基于当前时刻所在设定时段的辐照度数据和更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。
在一种可能的实现方式中，光伏预测模型包括1DM模块和和LSTM模块；基于训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，包括：对于每次迭代训练过程，基于第一时刻之前设定时段的辐照度数据，生成原始矩阵；将原始矩阵输入1DM模块，进行特征提取和融合，得到第一矩阵；第一矩阵的维度小于原始矩阵的维度；以第一矩阵为输入，以第一时刻的光伏发电功率为输出，对LSTM模块进重训练，更新LSTM模块的参数，得到更新后的光伏预测模型。
在一种可能的实现方式中，1DM模块包括多级卷积池化网络，每级卷积池化网络包括多层卷积层；每层卷积层用于对该卷积层的输入矩阵进行特征提取生成特定维度的输出矩阵；将原始矩阵输入1DM模块，进行特征提取和融合，得到第一矩阵，包括：步骤31，将原始矩阵输入第一级卷积池化网络的第一层卷积层，提取原始矩阵中的特征，得到第二矩阵；第二矩阵的维度小于原始矩阵的维度；步骤32，将第二矩阵，输入第一级卷积池化网络的第二层卷积层，提取原始矩阵中的特征，得到第三矩阵；第三矩阵的维度小于第二矩阵的维度；步骤33，重复步骤32，逐层进行特征提取，直至第一级卷积池化网络结束，得到第四矩阵；步骤34，基于第四矩阵和第一融合矩阵，进行特征融合，得到第五矩阵；步骤35，将第五矩阵输入第二级卷积池化网络，重复步骤31至步骤34，进行特征提取和融合，得到最末级卷积池化网络的输出矩阵；步骤36，基于最末级卷积池化网络的输出矩阵和原始矩阵，进行特征融合，得到原始融合矩阵；步骤37，将原始融合矩阵输入多级卷积池化网络，进行逐级特征提取和融合，得到第一矩阵。
在一种可能的实现方式中，基于当前时刻所在设定时段的辐照度数据和更新后的光伏预测模型，预测得到下一时刻的光伏发电功率，包括：将设定时段的辐照度数据输入1DM模块，进行特征提取和融合，得到当前时刻的融合矩阵；将当前时刻的融合矩阵，输入LSTM模块，得到下一时刻的光伏发电功率。
在一种可能的实现方式中，获取当前时刻之前历史时段内的光伏发电数据和辐照度数据之后，还包括：基于历史时段内的光伏发电数据和辐照度数据，生成功率数据序列和辐照度数据序列；对于功率数据序列和辐照度数据序列中的任一元素，若该元素处缺失数据，则确定该元素为异常数据；对于功率数据序列中的任一元素，若该元素小于0，或，大于额定发电功率，则确定该元素为异常数据；若功率数据序列中第一设定时长内各元素的绝对值均大于额定发电功率的设定倍数，则确定第一设定时长内各元素为异常数据；对于辐照度数据序列中的任一元素，若该元素小于0，或，大于设定辐照度，则确定该元素为异常数据；若辐照度数据序列中第二设定时长内辐照度变化幅度大于设定幅度，则确定第二设定时长内各元素为异常数据。
第二方面，本发明实施例提供了一种光伏发电功率的预测装置，包括：通信单元，用于获取当前时刻之前历史时段内的光伏发电数据和辐照度数据；处理单元，用于生成训练样本；每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻；基于训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型；基于当前时刻所在设定时段的辐照度数据和更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。
第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
本发明提供一种光伏发电功率的预测方法、装置及电子设备，本发明在进行光伏功率预测时，基于历史时段内的光伏发电数据和辐照度数据，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，实现光伏预测模型的实时更新，并以更新后的光伏预测模型进行光伏预测，避免了光伏使用状况和天气突变等因素的影响，实现光伏发电功率的实时准确预测。
进一步的，相比于以当前时刻天气预测下一时刻光伏发电功率的方案，本发明采用当前时刻所在设定时段的辐照度数据，预测下一时刻的光伏发电功率，考虑了天气变化前各时刻辐照度对下一时刻光伏发电的综合影响，进一步提高了光伏发电功率预测的准确度。
进一步的，本发明采用辐照度和光伏发电功率进行模型训练和功率预测，数据简单，提高模型训练速度和功率预测速度，提升了光伏发电功率预测的实时性。
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一种光伏发电功率的预测方法的流程示意图；
图2是本发明实施例提供的一种1DM模块的结构示意图；
图3是本发明实施例提供的一种LSTM模块的结构示意图；
图4是本发明实施例提供的一种光伏发电功率的预测装置的结构示意图；
图5是本发明实施例提供的一种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。
在本发明的描述中，除非另有说明，“/”表示“或”的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。此外，“至少一个”“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。
此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选的还包括其他没有列出的步骤或模块，或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图通过具体实施例来进行说明。
如图1所示，本发明实施例提供一种光伏发电功率的预测方法。执行主体为光伏发电功率的预测装置。该方法包括步骤S101-S103。
S101、获取当前时刻之前历史时段内的光伏发电数据和辐照度数据。
在一些实施例中，光伏发电数据包括历史时段内各时刻的光伏发电功率。
在一些实施例中，辐照度数据包括历史时段内各时刻的辐照度。
示例性的，以采样频率15分钟/次为例，则超短期光伏功率预测的时间范围为未来2~4h （也即8~16个数据点）的光伏功率数据。选用数据集时间范围为 2021 年1月1日0时~2021年12月31日24时，总共365天，采样频率为15min/次，一天采集96次，因此数据样本总量为35040个数据点的光伏数据和35040个数据点的辐照度数据。其中，选择前358天的数据作为预测模型的训练样本，即34368个数据点的光伏数据和34368个数据点的辐照度数据；选择后7天的数据作为预测模型的测试样本，共672个光伏数据。
作为一种可能的实现方式，在获取到光伏发电数据和辐照度数据之后，预测装置可以进行滑动窗口切分处理，构建原始数据序列，并对原始数据序列进行遍历，确定异常数据，并对异常数据进行修复。
示例性的，假设光伏发电数据或辐照度数据的总长度为N，滑动窗口长度为m，从第一个数据开始，以步长l向后滑动，取滑动窗口内的数据序列为X，构成原始数据序列。预测装置可以基于原始数据序列确定异常数据。
示例性的，预测装置可以基于如下方式，确定异常数据。
预测装置可以基于历史时段内的光伏发电数据和辐照度数据，生成功率数据序列和辐照度数据序列；对于功率数据序列和辐照度数据序列中的任一元素，若该元素处缺失数据，则确定该元素为异常数据。
对于功率数据序列中的任一元素，若该元素小于0，或，大于额定发电功率，则确定该元素为异常数据。
若功率数据序列中第一设定时长内各元素的绝对值均大于额定发电功率的设定倍数，则确定第一设定时长内各元素为异常数据。
对于辐照度数据序列中的任一元素，若该元素小于0，或，大于设定辐照度，则确定该元素为异常数据。
若辐照度数据序列中第二设定时长内辐照度变化幅度大于设定幅度，则确定第二设定时长内各元素为异常数据。
示例性的，在确定异常数据之后，预测装置可以基于如下补全修复公式，对异常数据进行修复。
Figure SMS_1
；
其中，
Figure SMS_2
为第d天第t时刻的异常数据修复后的数据，
Figure SMS_3
为异常数据所在周的上一周同等天气条件下多个数据的平均值，
Figure SMS_4
为异常数据所在日的前一天同一时刻的数据，
Figure SMS_5
为异常数据对应时刻的前一时刻的数据，
Figure SMS_6
为第一权重系数，
Figure SMS_7
为第二权重系数，
Figure SMS_8
为第三权重系数。
需要说明的是，第一权重系数
Figure SMS_9
为异常数据所在周的上一周同等天气条件下多个数据的平均值的权重系数，第二权重系数
Figure SMS_10
为异常数据所在日的前一天同一时刻的数据的权重系数，第三权重系数
Figure SMS_11
为异常数据对应时刻的前一时刻的数据的权重系数。
示例性的，本发明实施例可以预先设定3个权重系数。例如，将3个权重系数设定为固定值。
又一示例性的，本发明实施例可以基于步骤A1-A4，通过K-means算法进行聚类，确定各权重系数。
A1、随机选定多个正常数据；并获取所述多个正常数据，以及与各正常数据对应的相关数据。
其中，任一正常数据的相关数据包括该正常数据所在周的上一周同等天气条件下多个数据的平均值，该正常数据所在日的前一天同一时刻的数据，以及该正常数据对应时刻的前一时刻的数据。
A2、基于所述多个正常数据，各正常数据的相关数据，以及补全修复公式，构建方程组。
其中，方程组如下所示。
Figure SMS_12
其中，
Figure SMS_16
，
Figure SMS_20
，
Figure SMS_23
，
Figure SMS_17
表示各正常数据，
Figure SMS_19
，
Figure SMS_21
，
Figure SMS_24
表示
Figure SMS_13
的相关数据，
Figure SMS_14
，
Figure SMS_18
，
Figure SMS_22
表示与
Figure SMS_15
对应的权重系数。
A3、求解所述方程组，得到权重系数矩阵。
其中，权重系数矩阵如下所示。
Figure SMS_25
；
其中，c为方程组的数量，也即，正常数据的数量。
向量
Figure SMS_26
表示第一类权重系数，正常数据所在周的上一周同等天气条件下多个数据的平均值的权重系数。
向量
Figure SMS_27
表示第二类权重系数，正常数据所在日的前一天同一时刻的数据的权重系数。
向量
Figure SMS_28
表示第三类权重系数，正常数据对应时刻的前一时刻的数据的权重系数。
A4、对所述权重系数矩阵，进行聚类处理，得到权重系数向量。
其中，所述权重系数向量包括第一权重系数、第二权重系数和第三权重系数。
作为一种可能的实现方式，步骤A4可以具体实现为步骤41-步骤46。
步骤41，对于权重系数矩阵的任一列，随机选定K个权重系数为K个聚类中心。
步骤42，计算该列中各权重系数，与K个聚类中心之间的距离，将各权重系数分配至距离最小的聚类中心对应的类中。
本发明实施例选用欧式距离进行距离的计算，设某权重系数的坐标为(
Figure SMS_29
，
Figure SMS_30
)，聚类中心的坐标为(
Figure SMS_31
，
Figure SMS_32
)。其中，k为第k个聚类中心。那么该权重系数至第k个聚类中心的距离的计算方法如下：
Figure SMS_33
；
其中，Dist为该权重系数至第k个聚类中心的距离。
步骤43，基于分配后的各权重系数，重新计算各类的聚类中心。
本发明实施例可以基于如下方式，计算各列的质心。
Figure SMS_34
；
其中，
Figure SMS_35
表示第j个聚类中心，
Figure SMS_36
表示第j个聚类中心中权重系数的数量，
Figure SMS_37
表示该类权重系数。
步骤44，重复步骤42和步骤43，进行迭代计算，直至相邻两次迭代过程中聚类中心的变化率小于设定值，结束迭代过程，确定该列的聚类结果。
所述聚类结果包括K个聚类中心和各聚类中心中权重系数的数量。
步骤45，基于所述权重系数矩阵中各列的聚类结果，计算各列的质心。
本发明实施例可以将该列聚类结果中权重系数最多的类的聚类中心确定为该列的质心。
步骤46，基于各列的质心，确定所述权重系数向量。
本发明实施例可以将各列的质心确定为权重系数向量中的各权重系数。
需要说明的是，本发明实施例在对异常数据进行补全和修复之间，通过建立方程组和聚类的方式，计算各权重系数，如此，各权重系数可以表征各类数据的聚类特征，表征各类数据的出现频率大小或取值范围的频次，从而修复补全后的数据更加符合整体数据特征。
示例性的，以光伏发电数据为例，本发明实施例可以遍历光伏发电数据，确定缺失数据和异常数据，之后选取多个正常的光伏发电数据，以及各正常的光伏发电数据的相关数据，基于步骤41-步骤46的方法计算得到各权重系数，然后基于补全修复公式，对异常数据进行修复，得到修复后的光伏发电数据，如此得到的光伏发电数据与实际数据之间的误差最小，提高补全修复的准确度。
又一示例性的，以辐照度数据为例，本发明实施例可以遍历辐照度数据，确定缺失数据和异常数据，之后选取多个正常的辐照度数据，以及各正常的辐照度数据的相关数据，基于步骤41-步骤46的方法计算得到各权重系数，然后基于补全修复公式，对异常数据进行修复，得到修复后的辐照度数据，如此得到的辐照度数据与实际数据之间的误差最小，提高补全修复的准确度。
作为一种可能的实现方式，预测装置还可以对数据进行归一化处理。
示例性的，预测装置可以对历史时段内的光伏发电数据进行修复补全，之后，对修复补全后的序列进行归一化，得到归一化后的序列。
例如，预测装置可以基于如下公式进行归一化。
Figure SMS_38
；
其中，
Figure SMS_39
为归一化后的光伏发电数据序列的第i个历史功率值，
Figure SMS_40
为归一化前的光伏发电数据序列的第i个历史功率值，
Figure SMS_41
为归一化前的光伏发电数据序列中的最小值，
Figure SMS_42
为归一化前的光伏发电数据序列中的最大值。
示例性的，预测装置可以对历史时段内的辐照度数据进行修复补全，之后，对修复补全后的序列进行归一化，得到归一化后的序列。
例如，预测装置可以基于如下公式进行归一化。
Figure SMS_43
；
其中，
Figure SMS_44
为归一化后的辐照度数据序列的第i个辐照度值，
Figure SMS_45
为归一化前的辐照度数据序列的第i个辐照度值，
Figure SMS_46
为归一化前的辐照度数据序列中的最小值，
Figure SMS_47
为归一化前的辐照度数据序列中的最大值。
S102、生成训练样本。
其中，每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻。
作为一种可能的实现方式，预测装置可以基于历史时段内的光伏发电数据和辐照度数据，生成训练根本。
需要说明的是，本发明实施例可以将历史功率和天气的数据作为数据集PP，并将光伏故障数据集划分为训练数据集TRPP和测试数据集TEPP。将TRPP和TEPP数据集随机抽取80％进行训练，20％进行测试。
S103、基于训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型。
在一些实施例中，光伏预测模型包括1DM模块和和LSTM模块。
作为一种可能的实现方式，步骤S103具体可以实现为步骤S1031-S1033。
S1031、对于每次迭代训练过程，基于第一时刻之前设定时段的辐照度数据，生成原始矩阵。
S1032、将原始矩阵输入1DM模块，进行特征提取和融合，得到第一矩阵。
在一些实施例中，第一矩阵的维度小于原始矩阵的维度。
在一些实施例中，1DM模块包括多级卷积池化网络，每级卷积池化网络包括多层卷积层；每层卷积层用于对该卷积层的输入矩阵进行特征提取生成特定维度的输出矩阵。
作为一种可能的实现方式，步骤S103具体可以实现为步骤一至步骤七。
步骤31，将原始矩阵输入第一级卷积池化网络的第一层卷积层，提取原始矩阵中的特征，得到第二矩阵；第二矩阵的维度小于原始矩阵的维度。
步骤32，将第二矩阵，输入第一级卷积池化网络的第二层卷积层，提取原始矩阵中的特征，得到第三矩阵；第三矩阵的维度小于第二矩阵的维度。
步骤33，重复步骤32，逐层进行特征提取，直至第一级卷积池化网络结束，得到第四矩阵。
步骤34，基于第四矩阵和第一融合矩阵，进行特征融合，得到第五矩阵。
步骤35，将第五矩阵输入第二级卷积池化网络，重复步骤一至步骤四，进行特征提取和融合，得到最末级卷积池化网络的输出矩阵。
步骤36，基于最末级卷积池化网络的输出矩阵和原始矩阵，进行特征融合，得到原始融合矩阵。
步骤37，将原始融合矩阵输入多级卷积池化网络，进行逐级特征提取和融合，得到第一矩阵。
如图2所示，本发明实施例提供一种1DM模块的结构示意图。本发明将一天的辐照度和光伏数据（即192个点的数据）作为输入，输出是提取到的96个特征值，输入到LSTM模块中进行预测。
其中，concatenate是将特征拼接实现特征融合，本发明中有两次特征融合，第一次特征融合了原始特征和输出特征之间的优点，将输入和输出进行concatenate操作，使各个特征可以更加有效的融合在一起，提高了模型的性能。
第二次融合是为了避免在卷积过程中部分抽象特征信息的缺失，提取不同分支的特征得到不同尺度的目标信息，更好的保留了不同分支之间的优点，使提取的特征更加准确。
经过这两次的特征融合，使各个局部特征可以更加有效的融合在一起，得到了原始数据更加抽象的信息，方便了后续LSTM模块的训练，提高了模型的性能，使预测的结果更加准确。
示例性的，卷积的计算方法如下。
Figure SMS_48
；
其中，
Figure SMS_49
为卷积核运算，
Figure SMS_50
为第l层代表的特征值，
Figure SMS_51
为第l层的卷积核，
Figure SMS_52
为第l层的偏差，
Figure SMS_53
为第l层中提取的特征值。
Figure SMS_54
为实现非线性变换的激活函数。
池化函数如下所示：
Figure SMS_55
；
其中，
Figure SMS_56
为池化函数，R为池化区间，n为位置坐标，
Figure SMS_57
为池化输出。
S1033、以第一矩阵为输入，以第一时刻的光伏发电功率为输出，对LSTM模块进重训练，更新LSTM模块的参数，得到更新后的光伏预测模型。
如图3所示，本发明实施例提供一种LSTM模块的结构示意图。LSTM模块的计算过程如下所示。
Figure SMS_58
；
其中，
Figure SMS_86
为t时刻的输入门，
Figure SMS_87
为t时刻的遗忘门，
Figure SMS_91
为t时刻的输出门，
Figure SMS_63
为t时刻的细胞状态，
Figure SMS_71
为t-1时刻的细胞状态，
Figure SMS_76
为t-1时刻输出的短期状态，
Figure SMS_82
为输入，
Figure SMS_90
为权重系数矩阵，
Figure SMS_94
为
Figure SMS_74
输入门的权重系数，
Figure SMS_95
为
Figure SMS_83
输入门的权重系数，
Figure SMS_88
为
Figure SMS_92
输入门的权重系数，
Figure SMS_93
为
Figure SMS_60
遗忘门的权重系数，
Figure SMS_69
为
Figure SMS_64
遗忘门的权重系数，
Figure SMS_78
为
Figure SMS_59
遗忘门的权重系数，
Figure SMS_70
为
Figure SMS_75
细胞状态的权重系数，
Figure SMS_84
为
Figure SMS_61
细胞状态的权重系数，
Figure SMS_67
为
Figure SMS_62
输出门的权重系数，
Figure SMS_68
为
Figure SMS_66
输出门的权重系数，
Figure SMS_79
为
Figure SMS_72
输出门的权重系数，
Figure SMS_80
为偏置项矩阵，
Figure SMS_85
为输入门偏置项，
Figure SMS_89
为遗忘门偏置项，
Figure SMS_65
为输出门偏置项，
Figure SMS_81
为输出门偏置项，
Figure SMS_73
为sigmoid激活函数
Figure SMS_77
为双曲正切激活函数。
示例性的，Sigmoid激活函数计算方式如下：
Figure SMS_96
；
其中，x代表输入，S(x)表示输出。
示例性的，激活函数tanh计算方式如下：
Figure SMS_97
；
其中，x代表输入，tanh(x)表示输出。
S104、基于当前时刻所在设定时段的辐照度数据和更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。
作为一种可能的实现方式，步骤S104具体可以实现为S1041至S1042。
S1041、将设定时段的辐照度数据输入1DM模块，进行特征提取和融合，得到当前时刻的融合矩阵。
S1042、将当前时刻的融合矩阵，输入LSTM模块，得到下一时刻的光伏发电功率。
本发明提供一种光伏发电功率的预测方法、装置及电子设备，本发明在进行光伏功率预测时，基于历史时段内的光伏发电数据和辐照度数据，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，实现光伏预测模型的实时更新，并以更新后的光伏预测模型进行光伏预测，避免了光伏使用状况和天气突变等因素的影响，实现光伏发电功率的实时准确预测。
进一步的，相比于以当前时刻天气预测下一时刻光伏发电功率的方案，本发明采用当前时刻所在设定时段的辐照度数据，预测下一时刻的光伏发电功率，考虑了天气变化前各时刻辐照度对下一时刻光伏发电的综合影响，进一步提高了光伏发电功率预测的准确度。
进一步的，本发明采用辐照度和光伏发电功率进行模型训练和功率预测，数据简单，提高模型训练速度和功率预测速度，提升了光伏发电功率预测的实时性。
本发明基于历史功率数据与气象信息对光伏发电功率进行超短期预测，预测准确率可保持在97%
Figure SMS_98
2%范围内，MAE值保持在0.03
Figure SMS_99
0.02%范围内。下图所示为本发明模型在测试集中最后一天的真实值与光伏功率预测曲线的对比图，从而本发明预测较为准确。
需要说明的是，本发明可以读取2-4h的历史光伏发电功率数据作为源数据样本，获取同样长度的历史气象信息(辐照度)作为历史气象样本，与源数据样本共同组织成为训练集与验证集。数据清洗，利用Kmeans算法设计分类器。首先设置缺失与异常数据辨识模块，对原始数据进行缺失补全与畸变剔除。第一，利用与缺失日相同时刻的历史相似日（前一天，前一周等）数据作为异常点数据的备选；第二，设计权重参数，为每个备选数据分配相应的权值；第三，根据近大远小等原则进行权值初始化。最后，根据既有规则对权重参数进行分类训练后筛选得到最终的权值参数。数据归一化。对源数据和气象样本分别进行归一化，使其范围处于-1到1之间。按滚动预测的方式组织训练与测试数据作为网络输入，待预测时刻的光伏发电功率作为输出，设计自调节多尺度1DM网络提取数据输入特征，其输出作为LSTM网络输入，对待预测时刻的光伏发电功率进行训练并在线调整训练参数，得到光伏发电功率预测模型。经过LSTM训练及测试得到最终的光伏发电功率。
需要说明的是，本发明实施例从数据库中读取对应日期与时刻的历史光伏发电功率值作为源数据样本利用爬虫与Selenium技术获取历史气象信息。利用自定义数据清洗模块完成异常值与缺失值的处理。编写归一化函数完成数据归一化。按照[历史功率值，辐照度信息]的格式将数据输入到1DM网络中提取输入特征后输入到LSTM进行功率预测。模型训练与验证。根据LSTM输出预测功率。
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。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图4示出了本发明实施例提供的一种光伏发电功率的预测装置的结构示意图。该预测装置200包括通信单元201和处理单元202。
通信单元201，用于获取当前时刻之前历史时段内的光伏发电数据和辐照度数据。
处理单元202，用于生成训练样本；每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻；基于训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型；基于当前时刻所在设定时段的辐照度数据和更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。
在一种可能的实现方式中，光伏预测模型包括1DM模块和和LSTM模块；处理单元202，具体用于对于每次迭代训练过程，基于第一时刻之前设定时段的辐照度数据，生成原始矩阵；将原始矩阵输入1DM模块，进行特征提取和融合，得到第一矩阵；第一矩阵的维度小于原始矩阵的维度；以第一矩阵为输入，以第一时刻的光伏发电功率为输出，对LSTM模块进重训练，更新LSTM模块的参数，得到更新后的光伏预测模型。
在一种可能的实现方式中，1DM模块包括多级卷积池化网络，每级卷积池化网络包括多层卷积层；每层卷积层用于对该卷积层的输入矩阵进行特征提取生成特定维度的输出矩阵；处理单元202，具体用于执行如下步骤：步骤31，将原始矩阵输入第一级卷积池化网络的第一层卷积层，提取原始矩阵中的特征，得到第二矩阵；第二矩阵的维度小于原始矩阵的维度；步骤32，将第二矩阵，输入第一级卷积池化网络的第二层卷积层，提取原始矩阵中的特征，得到第三矩阵；第三矩阵的维度小于第二矩阵的维度；步骤33，重复步骤32，逐层进行特征提取，直至第一级卷积池化网络结束，得到第四矩阵；步骤34，基于第四矩阵和第一融合矩阵，进行特征融合，得到第五矩阵；步骤35，将第五矩阵输入第二级卷积池化网络，重复步骤31至步骤34，进行特征提取和融合，得到最末级卷积池化网络的输出矩阵；步骤36，基于最末级卷积池化网络的输出矩阵和原始矩阵，进行特征融合，得到原始融合矩阵；步骤37，将原始融合矩阵输入多级卷积池化网络，进行逐级特征提取和融合，得到第一矩阵。
在一种可能的实现方式中，处理单元202，具体用于将设定时段的辐照度数据输入1DM模块，进行特征提取和融合，得到当前时刻的融合矩阵；将当前时刻的融合矩阵，输入LSTM模块，得到下一时刻的光伏发电功率。
在一种可能的实现方式中，处理单元202，还用于基于历史时段内的光伏发电数据和辐照度数据，生成功率数据序列和辐照度数据序列；对于功率数据序列和辐照度数据序列中的任一元素，若该元素处缺失数据，则确定该元素为异常数据；对于功率数据序列中的任一元素，若该元素小于0，或，大于额定发电功率，则确定该元素为异常数据；若功率数据序列中第一设定时长内各元素的绝对值均大于额定发电功率的设定倍数，则确定第一设定时长内各元素为异常数据；对于辐照度数据序列中的任一元素，若该元素小于0，或，大于设定辐照度，则确定该元素为异常数据；若辐照度数据序列中第二设定时长内辐照度变化幅度大于设定幅度，则确定第二设定时长内各元素为异常数据。
在一种可能的实现方式中，处理单元202，还用于基于如下公式，对异常数据进行修复；
Figure SMS_100
；
其中，
Figure SMS_101
为第d天第t时刻的异常数据修复后的数据，
Figure SMS_102
为异常数据所在周的上一周同等天气条件下多个数据的平均值，
Figure SMS_103
为异常数据所在日的前一天同一时刻的数据，
Figure SMS_104
为异常数据对应时刻的前一时刻的数据，
Figure SMS_105
为第一权重系数，
Figure SMS_106
为第二权重系数，
Figure SMS_107
为第三权重系数。
在一种可能的实现方式中，处理单元202，还用于随机选定多个正常数据；并获取所述多个正常数据，以及与各正常数据对应的相关数据；其中，任一正常数据的相关数据包括该正常数据所在周的上一周同等天气条件下多个数据的平均值，该正常数据所在日的前一天同一时刻的数据，以及该正常数据对应时刻的前一时刻的数据；基于所述多个正常数据，各正常数据的相关数据，以及补全修复公式，构建方程组；求解所述方程组，得到权重系数矩阵；对所述权重系数矩阵，进行聚类处理，得到权重系数向量；所述权重系数向量包括第一权重系数、第二权重系数和第三权重系数。
在一种可能的实现方式中，处理单元202，具体用于执行如下步骤：步骤41，对于权重系数矩阵的任一列，随机选定K个权重系数为K个聚类中心； 步骤42，计算该列中各权重系数，与K个聚类中心之间的距离，将各权重系数分配至距离最小的聚类中心对应的类中；步骤43，基于分配后的各权重系数，重新计算各类的聚类中心；步骤44，重复步骤42和步骤43，进行迭代计算，直至相邻两次迭代过程中聚类中心的变化率小于设定值，结束迭代过程，确定该列的聚类结果；所述聚类结果包括K个聚类中心和各聚类中心中权重系数的数量；步骤45，基于所述权重系数矩阵中各列的聚类结果，计算各列的质心；步骤46，基于各列的质心，确定所述权重系数向量。
图5是本发明实施例提供的一种电子设备的结构示意图。如图5所示，该实施例的电子设备300包括：处理器301、存储器302以及存储在所述存储器302中并可在所述处理器301上运行的计算机程序303。所述处理器301执行所述计算机程序303时实现上述各方法实施例中的步骤，例如图1所示的步骤S101-S104。或者，所述处理器301执行所述计算机程序303时实现上述各装置实施例中各模块/单元的功能，例如，图4所示通信模块201和处理模块202的功能。
示例性的，所述计算机程序303可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器302中，并由所述处理器301执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序303在所述电子设备300中的执行过程。例如，所述计算机程序303可以被分割成图4所示通信模块201和处理模块202。
所称处理器301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。
所述存储器302可以是所述电子设备300的内部存储单元，例如电子设备300的硬盘或内存。所述存储器302也可以是所述电子设备300的外部存储设备，例如所述电子设备300上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（SecureDigital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器302还可以既包括所述电子设备300的内部存储单元也包括外部存储设备。所述存储器302用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
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，即将所述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，所述模块或单元的划分，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。
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。
所述集成的模块/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，所述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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、电载波信号、电信信号以及软件分发介质等。
以上所述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)

1.一种光伏发电功率的预测方法，其特征在于，包括：
获取当前时刻之前历史时段内的光伏发电数据和辐照度数据；并生成训练样本；每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻；
基于所述训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型；
基于当前时刻所在设定时段的辐照度数据和所述更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。
2.根据权利要求1所述的光伏发电功率的预测方法，其特征在于，所述光伏预测模型包括1DM模块和和LSTM模块；
基于所述训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，包括：
对于每次迭代训练过程，基于所述第一时刻之前设定时段的辐照度数据，生成原始矩阵；
将所述原始矩阵输入所述1DM模块，进行特征提取和融合，得到第一矩阵；所述第一矩阵的维度小于所述原始矩阵的维度；
以所述第一矩阵为输入，以第一时刻的光伏发电功率为输出，对所述LSTM模块进重训练，更新所述LSTM模块的参数，得到所述更新后的光伏预测模型。
3.根据权利要求2所述的光伏发电功率的预测方法，其特征在于，所述1DM模块包括多级卷积池化网络，每级卷积池化网络包括多层卷积层；每层卷积层用于对该卷积层的输入矩阵进行特征提取生成特定维度的输出矩阵；
所述将所述原始矩阵输入所述1DM模块，进行特征提取和融合，得到第一矩阵，包括：
步骤31，将所述原始矩阵输入第一级卷积池化网络的第一层卷积层，提取所述原始矩阵中的特征，得到第二矩阵；所述第二矩阵的维度小于所述原始矩阵的维度；
步骤32，将所述第二矩阵，输入所述第一级卷积池化网络的第二层卷积层，提取所述原始矩阵中的特征，得到第三矩阵；所述第三矩阵的维度小于所述第二矩阵的维度；
步骤33，重复步骤32，逐层进行特征提取，直至所述第一级卷积池化网络结束，得到第四矩阵；
步骤34，基于所述第四矩阵和第一融合矩阵，进行特征融合，得到第五矩阵；
步骤35，将所述第五矩阵输入第二级卷积池化网络，重复步骤31至步骤34，进行特征提取和融合，得到最末级卷积池化网络的输出矩阵；
步骤36，基于所述最末级卷积池化网络的输出矩阵和所述原始矩阵，进行特征融合，得到原始融合矩阵；
步骤37，将所述原始融合矩阵输入所述多级卷积池化网络，进行逐级特征提取和融合，得到所述第一矩阵。
4.根据权利要求2所述的光伏发电功率的预测方法，其特征在于，所述基于当前时刻所在设定时段的辐照度数据和所述更新后的光伏预测模型，预测得到下一时刻的光伏发电功率，包括：
将所述设定时段的辐照度数据输入所述1DM模块，进行特征提取和融合，得到当前时刻的融合矩阵；
将所述当前时刻的融合矩阵，输入所述LSTM模块，得到下一时刻的光伏发电功率。
5.根据权利要求1所述的光伏发电功率的预测方法，其特征在于，所述获取当前时刻之前历史时段内的光伏发电数据和辐照度数据之后，还包括：
基于所述历史时段内的光伏发电数据和辐照度数据，生成功率数据序列和辐照度数据序列；
对于功率数据序列和辐照度数据序列中的任一元素，若该元素处缺失数据，则确定该元素为异常数据；
对于功率数据序列中的任一元素，若该元素小于0，或，大于额定发电功率，则确定该元素为异常数据；
若所述功率数据序列中第一设定时长内各元素的绝对值均大于额定发电功率的设定倍数，则确定所述第一设定时长内各元素为异常数据；
对于辐照度数据序列中的任一元素，若该元素小于0，或，大于设定辐照度，则确定该元素为异常数据；
若所述辐照度数据序列中第二设定时长内辐照度变化幅度大于设定幅度，则确定所述第二设定时长内各元素为异常数据。
6.根据权利要求5所述的光伏发电功率的预测方法，其特征在于，所述获取当前时刻之前历史时段内的光伏发电数据和辐照度数据之后，还包括：
基于如下补全修复公式，对所述异常数据进行修复；
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为第d天第t时刻的异常数据修复后的数据，
Figure QLYQS_3
为所述异常数据所在周的上一周同等天气条件下多个数据的平均值，
Figure QLYQS_4
为所述异常数据所在日的前一天同一时刻的数据，
Figure QLYQS_5
为所述异常数据对应时刻的前一时刻的数据，
Figure QLYQS_6
为第一权重系数，
Figure QLYQS_7
为第二权重系数，
Figure QLYQS_8
为第三权重系数。
7.根据权利要求6所述的光伏发电功率的预测方法，其特征在于，所述基于如下公式，对所述异常数据进行修复之前，还包括：
随机选定多个正常数据；并获取所述多个正常数据，以及与各正常数据对应的相关数据；其中，任一正常数据的相关数据包括该正常数据所在周的上一周同等天气条件下多个数据的平均值，该正常数据所在日的前一天同一时刻的数据，以及该正常数据对应时刻的前一时刻的数据；
基于所述多个正常数据，各正常数据的相关数据，以及补全修复公式，构建方程组；
求解所述方程组，得到权重系数矩阵；
对所述权重系数矩阵，进行聚类处理，得到权重系数向量；所述权重系数向量包括第一权重系数、第二权重系数和第三权重系数。
8.根据权利要求7所述的光伏发电功率的预测方法，其特征在于，所述对所述权重系数矩阵，进行聚类处理，得到权重系数向量，包括：
步骤41，对于权重系数矩阵的任一列，随机选定K个权重系数为K个聚类中心；
步骤42，计算该列中各权重系数，与K个聚类中心之间的距离，将各权重系数分配至距离最小的聚类中心对应的类中；
步骤43，基于分配后的各权重系数，重新计算各类的聚类中心；
步骤44，重复步骤42和步骤43，进行迭代计算，直至相邻两次迭代过程中聚类中心的变化率小于设定值，结束迭代过程，确定该列的聚类结果；所述聚类结果包括K个聚类中心和各聚类中心中权重系数的数量；
步骤45，基于所述权重系数矩阵中各列的聚类结果，计算各列的质心；
步骤46，基于各列的质心，确定所述权重系数向量。
9.一种光伏发电功率的预测装置，其特征在于，包括：
通信单元，用于获取当前时刻之前历史时段内的光伏发电数据和辐照度数据；
处理单元，用于生成训练样本；每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻；基于所述训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型；基于当前时刻所在设定时段的辐照度数据和所述更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。
10.一种电子设备，其特征在于，包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如权利要求1至7中任一项所述方法的步骤。
CN202310408222.6A 2023-04-17 2023-04-17 一种光伏发电功率的预测方法 Pending CN116435998A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310408222.6A CN116435998A (zh) 2023-04-17 2023-04-17 一种光伏发电功率的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310408222.6A CN116435998A (zh) 2023-04-17 2023-04-17 一种光伏发电功率的预测方法

Publications (1)

Publication Number Publication Date
CN116435998A true CN116435998A (zh) 2023-07-14

Family

ID=87082867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310408222.6A Pending CN116435998A (zh) 2023-04-17 2023-04-17 一种光伏发电功率的预测方法

Country Status (1)

Country Link
CN (1) CN116435998A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN117591814A (zh) * 2024-01-19 2024-02-23 北京志翔科技股份有限公司 基于光伏包络的数据修复方法、装置及设备
CN117878930B (zh) * 2024-03-12 2024-05-28 石家庄科林电气股份有限公司 分布式光伏的短期功率预测方法、装置、终端及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
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
CN117591814A (zh) * 2024-01-19 2024-02-23 北京志翔科技股份有限公司 基于光伏包络的数据修复方法、装置及设备
CN117591814B (zh) * 2024-01-19 2024-06-07 北京志翔科技股份有限公司 基于光伏包络的数据修复方法、装置及设备
CN117878930B (zh) * 2024-03-12 2024-05-28 石家庄科林电气股份有限公司 分布式光伏的短期功率预测方法、装置、终端及存储介质

Similar Documents

Publication Publication Date Title
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN111091139B (zh) 相似日聚类的光伏预测方法、装置、设备及可读存储介质
CN116435998A (zh) 一种光伏发电功率的预测方法
Li et al. An integrated missing-data tolerant model for probabilistic PV power generation forecasting
CN111027772A (zh) 基于pca-dbilstm的多因素短期负荷预测方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Yu et al. Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast
CN114792156A (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
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN112418476A (zh) 一种超短期电力负荷预测方法
CN114511132A (zh) 一种光伏出力短期预测方法及预测系统
CN112508286A (zh) 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法
CN112508299A (zh) 一种电力负荷预测方法、装置、终端设备及存储介质
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN111985719A (zh) 一种基于改进的长短期记忆网络的电力负荷预测方法
CN115618922A (zh) 光伏功率预测方法、设备、光伏发电系统及存储介质
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
CN114118401A (zh) 基于神经网络的配电网络流量预测方法、系统、装置及存储介质
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN108038518A (zh) 一种基于气象数据的光伏发电功率确定方法及系统
CN112734073A (zh) 一种基于长短期记忆网络的光伏发电功率短期预测方法
CN117134315A (zh) 一种基于bert算法的配电变压器负荷预测方法及装置
CN116739130A (zh) TCN-BiLSTM网络的多时间尺度负荷预测方法

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