CN117175569A - 一种基于精细化天气分型的光伏预测方法和系统 - Google Patents

Abstract

本发明涉及一种基于精细化天气分型的光伏预测方法和系统，属于光伏发电技术领域，用以解决现有的光伏功率预测方法的精准度较低的问题。本发明的方法包括如下步骤：对历史时期中每日的天气进行分类划分为平稳天气和转折天气；基于广义天气类型将平稳天气日和转折天气日中的各历史时段的天气划分为多个子天气类型；构建各子天气类型的训练数据集；获取各子天气类型对应的子预测模型；将预测日的各预测时段的天气数据分别根据其对应的子天气类型输入相应的子预测模型获取各预测时段的光伏预测功率。本发明中，实现了转折天气日和平稳天气日的识别，并基于广义天气类型对一日中的各时段的天气进行精细化识别划分，有利于提高光伏功率预测的精准度。

Description

一种基于精细化天气分型的光伏预测方法和系统

技术领域

本发明涉及光伏发电技术领域，尤其涉及一种用于基于精细化天气分型的光伏预测方法和系统。

背景技术

光伏发电是一种可再生、清洁、灵活的分布式能源，在满足世界范围内日益增长的清洁能源需求方面发挥着重要作用。随着光伏发电一体化带来了显著的经济效益和环境效益，光伏发电渗透率逐步提高，但它的高普及率也给现有电网系统的运行带来了许多新的问题。尤其是，光伏出力具有波动性和间歇性，光伏电站高比例地接入电网后，会给电力系统带来冲击。为了解决上述问题，对光伏出力预测的需求不断增加，其中，微气象环境下基于精细化天气分型识别的分布式光伏电站出力预测是光伏出力预测的重要领域，通过对天气类型的有效划分可以提高光伏功率预测的精准度。

现有技术中，用于光伏出力预测的天气分型技术大多针对全天气类型进行细分，例如通过清晰度指数对天气类型进行划分将天气划分为3类，或者通过引入总云量交叉细分进而将晴天类型分为三类。但是，在工程应用中，由于气象环境因子的不确定性，往往一天之中出现较大波动的转折天气（即气象剧烈变化的天气）对于光伏出力以及电网的稳定性和调度的影响较大，在进行光伏并网储能设计时通常要考虑这种影响，而以往的天气类型划分不能很好的识别出出现较大幅度的功率波动的转折天气所在日，导致光伏功率预测的精准度较低。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于精细化天气分型的光伏预测方法和系统，用以解决现有的光伏功率预测方法的精准度较低的问题。

一方面，本发明实施例提供了一种基于精细化天气分型的光伏预测方法，所述方法包括如下步骤：

基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气进行分类，划分为平稳天气和转折天气；

基于广义天气类型，对平稳天气日和转折天气日中的各历史时段的天气进行分类，划分为多个子天气类型；

分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集；

分别通过各子天气类型的训练数据集对预先建立的光伏功率预测模型进行训练，以获取各子天气类型对应的子预测模型；

确定预测日的各预测时段对应的子天气类型，将各预测时段的天气数据分别根据其对应的子天气类型输入相应的子预测模型获取各预测时段的光伏预测功率。

基于上述方法的进一步改进，基于广义天气类型，通过K均值聚类方法分别对平稳天气日和转折天气日的各历史时段的天气进行分类，划分为多个子天气类型。

基于上述方法的进一步改进，所述广义天气类型包括：晴天、阴天、多云和雨雪。

基于上述方法的进一步改进，所述分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集，包括：

对同一子天气类型对应的历史时段的历史天气数据和历史光伏功率数据进行相关性分析，从所述历史天气数据中选择相关性高的至少两类气象特征数据构建该子天气类型的输入数据序列。

基于上述方法的进一步改进，所述基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气进行分类，划分为平稳天气和转折天气，包括：

根据待预测光伏电场的历史光伏功率数据获取功率变化率数据；

基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；

根据历史太阳辐射数据计算所述潜在转折天气样本对应时段的清晰度指数；

将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为转折天气，历史时期中的其他日期的天气类型为平稳天气。

基于上述方法的进一步改进，所述根据待预测光伏电场的历史光伏功率数据获取功率变化率数据，包括如下步骤：

计算目标地区的太阳高度角，并将太阳高度角大于预设角度的时段作为光伏出力统计时间段；

根据所述历史光伏功率数据计算所述光伏出力统计时间段的功率变化率，以获取功率变化率数据。

基于上述方法的进一步改进，所述功率变化率为逐时功率之差，根据如下公式计算：

；

式中，逐时功率变化率，/>为每日/>时刻的功率值，/>为每日/>时刻的功率值。

基于上述方法的进一步改进，所述光伏功率预测模型为轻量化卷积神经网络模型，所述轻量化卷积神经网络模型包括：

第一卷积层，用于提取输入数据的浅层特征并输出浅层特征数据；

最大池化层，用于降低浅层特征数据的维度；

多个shuffleNet模块，用于采用逐点群卷积和通道混洗的方式从降维后的浅层特征数据中提取深层语义特征；

第二卷积层，用于降低深层语义特征的通道维度，输出预测结果。

基于上述方法的进一步改进，采用如下方法确定预测日的各预测时段对应的子天气类型：

建立第一天气识别模型，通过平稳天气日和转折天气日的历史天气数据对第一天气识别模型进行训练；

建立第一子天气识别模型，通过平稳天气日的各子天气类型对应的历史时段的历史天气数据对第一子天气识别模型进行训练；

建立第二子天气识别模型，通过转折天气日的各子天气类型对应的历史时段的历史天气数据对第二子天气识别模型进行训练；

将预测日的天气预报数据输入训练好的第一天气识别模型，获取预测日的天气类型，然后基于预测日的天气类型选择相应的训练好的子天气识别模型，并将预测日的各预测时段的天气类型输入所选择的训练好的子天气识别模型中，获取该预测日的各预测时段的天气类型。

另一方面，本发明实施例提供了一种基于精细化天气分型的光伏功率预测系统，所述系统包括：

第一天气分型模块，基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气类型进行分类，划分为平稳天气和转折天气；

第二天气分型模块，基于广义天气类型，对平稳天气日和转折天气日中的各历史时段的天气进行分类，划分为多个子天气类型；

数据处理模块，分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集；

模型训练模块，分别通过各子天气类型的训练数据集对预先建立的光伏功率预测模型进行训练，以获取各子天气类型对应的子预测模型；

功率预测模块，确定预测日的各预测时段对应的子天气类型，将各预测时段的天气数据分别根据其对应的子天气类型输入相应的子预测模型获取各预测时段的光伏预测功率。

与现有技术相比，本发明至少可实现如下有益效果之一：

1、本发明中，考虑到一天中天气出现较大变化的转折天气会引起光伏功率出现大幅波动，对于光伏出力的影响较大，因此首先基于天气变化和光伏出力波动情况将历史时期中每日的天气划分为平稳天气和转折天气两类，然后再基于广义天气类型对每日的各历史时段的天气进行细分，获取多个子天气类型，从而实现对天气类型的精细化划分，之后分别通过预处理后的各子天气类型对应的历史时段的数据对光伏功率预测模型进行训练，进而根据预测日的各预测时段的子天气类型选择相应的训练好的子光伏功率预测模型获取光伏预测功率，提高了光伏功率预测结果的精准度。

2、本发明中，采用功率变化率表示历史光伏功率数据波动，然后通过对功率变化率数据进行聚类初筛，再结合天文气象因子-清晰度指数进行二次筛选，从而较精确地将出现较大幅度的功率波动的转折天气的所在日识别出来，实现对天气类型的有效划分，确保光伏功率预测结果的精准度。

3、本发明中，考虑到每日中各时段的天气会发生变化，尤其是转折天气日中不同时段天气变化较大，对光伏出力的影响较大，因此，本发明中，基于广义天气类型，通过K均值聚类方法分别对平稳天气日和转折天气日的各历史时段的天气进行分类划分为多个子天气类型，以确保能够精确地识别预测日的各预测时段的天气类型。

4、本发明中，光伏预测模型为轻量化卷积神经网络模型，通过改进模型结构，使得模型在保证预测准确率的同时，降低运算量，提高预测效率，其中增加自注意力模块以提取更准确的特征，改进shuffleNet单元，以保障精确率损失不大的同时能够有效降低网络的计算量。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件；

图1为本发明实施例的基于精细化天气分型的光伏功率预测方法的流程图；

图2为本发明实施例的步骤1中对历史时期中每日的天气进行划分的流程图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明实施例提供一种基于精细化天气分型的光伏功率预测方法，如图1所示。所述方法包括如下步骤：

步骤1，基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气进行分类，划分为平稳天气和转折天气；

步骤2，基于广义天气类型，对平稳天气日和转折天气日中的各历史时段的天气进行分类，划分为多个子天气类型；

步骤3，分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集；

步骤4，分别通过各子天气类型的训练数据集对预先建立的光伏功率预测模型进行训练，以获取各子天气类型对应的子预测模型；

步骤5，确定预测日的各预测时段对应的子天气类型，将各预测时段的天气数据分别根据其对应的子天气类型输入相应的子预测模型获取各预测时段的光伏预测功率。

实施时，光伏功率预测模型的输入数据为天气数据，输出数据为光伏功率数据。具体来说，模型训练时，将分类后的历史天气数据分别输入光伏预测功率模型，然后将对应的历史光伏功率数据作为输出矫正数据，光伏功率预测模型的优化器和损失函数将其输出数据与输出矫正输出数据进行对比并反复更新权重直至收敛。

与现有技术相比，本发明实施例中，考虑到一天中天气出现较大变化的转折天气会引起光伏功率出现大幅波动，对于光伏出力的影响较大，因此首先基于天气变化和光伏出力波动情况将历史时期中每日的天气划分为平稳天气和转折天气两类，然后再基于广义天气类型对每日的各历史时段的天气进行细分，获取多个子天气类型，从而实现对天气类型的精细化划分，之后分别通过预处理后的各子天气类型对应的历史时段的数据对光伏功率预测模型进行训练，进而根据预测日的各预测时段的子天气类型选择相应的训练好的子光伏功率预测模型获取光伏预测功率，提高了光伏功率预测结果的精准度。

需要说明地是，本发明实施例中，其中，转折天气是指气象发生变化且气象变化能够引起光伏功率大幅波动的天气，不包括气象发生变化但不会引起光伏功率大幅波动的天气。

上述的历史时期一般为选取较长的时间，例如一年或一年以上，从而获取更多的转折天气的训练样本，有利于提高预测精度。

在一个实施例中，如图2中所示，步骤1，所述基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气进行分类，划分为平稳天气和转折天气，包括：

步骤11，根据待预测光伏电场的历史光伏功率数据获取功率变化率数据；

步骤12，基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；

步骤13，根据历史太阳辐射数据计算所述潜在转折天气样本对应时段的清晰度指数；

步骤14，将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为转折天气，历史时期中的其他日期的天气类型为平稳天气。

本发明实施例的天气类型划分方法是基于历史光伏功率数据和同期的历史太阳辐射数据实现的，实施时，考虑到剧烈变化的气象条件下通常伴随着光伏出力的大幅波动，因此首先通过功率变化率在数值上满足波动的识别幅度，但是非天气因素也会引起功率波动，尤其是晴天日出或日落时候光伏功率受太阳高度角的影响会大幅波动，因此在识别转折天气时不仅需要关注功率波动这一特征，还需要引入能够反映因此天气变化引起的光照辐射量波动的物理量，其中，清晰度指数能够反应大气的透明程度，与天气状况及太阳辐射密切相关，因此本发明实施例中通过清晰度指数进行二次筛选，将根据功率变化率进行聚类得到的潜在转折天气样本中的晴天数据筛除，仅保留会导致功率波动较大的真正转折天气的数据，从而实现转折天气的识别。即如果某一日的光伏出力能够满足功率变化率的波动幅度要求，同时该日又能够满足相应的大气条件，则可将该日的天气类型识别为具有较大波动幅度的转折天气。

与现有技术相比，本发明实施例中，采用功率变化率表示历史光伏功率数据波动，然后通过对功率变化率数据进行聚类初筛，再结合天文气象因子-清晰度指数进行二次筛选，从而较精确地将出现较大幅度的功率波动的转折天气识别出来，实现对天气类型的有效划分，确保光伏功率预测结果的精准度。

此外，本发明实施例中所采用的历史光伏功率数据和历史太阳辐射数据是从待预测光伏电场获取并经过数据质量检查后的数据。

优选地，步骤11，所述根据待预测光伏电场的历史光伏功率数据获取功率变化率数据，包括如下步骤：

步骤1101，计算目标地区的太阳高度角，并将太阳高度角大于预设角度的时段作为光伏出力统计时间段；

步骤1102，根据所述历史光伏功率数据计算所述光伏出力统计时间段的功率变化率，以获取功率变化率数据。

其中，太阳高度角是指太阳光线与地平面法线之间的夹角。实施时，考虑到光伏出力具有显著的时间周期特性，通过计算待预测光伏电场所在地区的太阳高度角对初始的历史光伏功率数据进行筛选处理，从而能够更好地利用有效数据。

所述太阳高度角根据如下公式计算：

；

；

；

式中，为太阳高度角，/>为天顶角，/>为目标地区的纬度，/>为赤纬角，/>为时角，/>为一年中日期的序号，/>为小时。

例如，每年的1月1日，n=1；平年的12月31日，n=365；闰年的12月31日，n=366。

时角从天子午圈上的Q点起算（从太阳的正午起算），顺时针方向为正，逆时针方向为负，即上午为负，下午为正，它的数值上等于离正午的时间（小时）乘以15°。

步骤1101中，所述预设角度的取值范围为5°至15°，优选为10°。即，优选将太阳高度角大于10°的时段作为光伏出力统计时间段。

进一步具体地，所述功率变化率为逐时功率之差，根据如下公式计算：；式中，/>逐时功率变化率，/>为每日/>时刻的功率值，/>为每日/>时刻的功率值。

实施时，首先将历史光伏功率数据按照时序小时值进行排列，然后求取逐小时的功率变化率。

步骤12：基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本。

由于目前的标准对于功率波动的大小很难界定给出一个量值，因此，为了筛选出功率的变化率负波动足够大的一类数据样本，本发明实施例中通过SOM网络（自组织映射神经网络）对功率变化率数据进行无监督自组织聚类，划分为多个类别，从而筛选出功率波动幅度最大的一类数据样本并将其作为潜在转折天气样本。

其中，SOM网络是无导师学习网络，其通过自动寻找数据样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构，能够适应光伏功率数据的复杂模式，准确、有效地进行分类。

进一步地，步骤12中，将功率负波动幅度最大的一类筛选出并作为潜在转折天气样本。功率负波动幅度最大的一类为功率变化率为负值且波动幅度最大的一类。

其中，采用功率负波动幅度最大的一类作为潜在转折天气样本，是由于功率正波动幅度较大的情况，大多是发生在由阴天或雨雪等恶劣天气变化为晴天时，而采用清晰度指数识别转折天气时会将晴天数据筛除，因此在聚类筛选时直接将功率负波动幅度最大的一类筛选出作为潜在转折天气样本，有利于提高处理效率。同时，光伏出力波动中由气象因素的不稳定导致的光伏功率下降对电网的稳定性以及调度影响最大，并且光伏功率随着一天中太阳高度角变化有着显著的时间周期性，一天中出现幅度较大的功率正波动时，也会伴随着较大幅度的功率负波动，因此在聚类筛选时未将功率正波动幅度最大的一类筛选出并作为潜在转折天气样本，不会对转折天气的识别结果和光伏预测功率结果产生较大影响。

具体地，将SOM网络的聚类数目设置为5。这样，步骤12中，基于SOM网络对所述功率变化率数据进行聚类并划分为五类，其中功率负波动最大的一类与其他四类分开，其他四类主要包括了晴天、雨天、功率波动不大的晴转阴等类型，功率负波动最大的一类此时也包括了晴天以及突然的转折天气等类型。

步骤13：根据同期的历史太阳辐射数据计算所述潜在转折天气样本对应时段的清晰度指数。

具体地，所述潜在转折天气样本对应时段的清晰度指数根据如下公式计算：；式中，/>为清晰度指数，/>为总辐射，/>为地外水平面太阳总辐射。

地外水平面太阳总辐射根据如下公式计算：

；

式中，为太阳常数，/>为日地距离变化引起大气层上界的太阳辐射通量的修正值，/>为日出至日落时间段中的时角。

步骤14，将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为转折天气。

步骤14中，通过清晰度指数识别所述潜在转折天气样本所在日的天气类型。其中，所述清晰度阈值的取值范围为0.1至0.3，优选为0.2。

一般来说，时对应的天气为小雨、阵雨、小雪、轻雾、霾、中雨及以上、中雪及以上等。

在一个实施例中，步骤2中，基于广义天气类型，通过K均值聚类方法分别对平稳天气日和转折天气日的各历史时段的天气进行分类，划分为多个子天气类型。

其中，所述广义天气类型包括：晴天、阴天、多云和雨雪。

本发明实施例中，考虑到每日中各时段的天气会发生变化，尤其是转折天气日中不同时段天气变化较大，对光伏出力的影响较大，因此，本发明中，基于广义天气类型，通过K均值聚类方法分别对平稳天气日和转折天气日的各历史时段的天气进行分类划分为多个子天气类型，以确保能够精确地识别预测日的各预测时段的天气类型。

实施时，光伏出力具有周期性与太阳辐照相关，因此，光伏出力以及相应的天气数据的统计时段一般在每日8：00至18:00。将历史时期的每日的统计时段按照预设的时间间隔划分为多个历史时段，例如，每个历史时段为1h。然后，获取平稳天气日的各历史时段的历史天气数据，通过K均值聚类方法将上述数据划分为四类，对应的四种子天气类型分别为平稳晴天天气、平稳阴天天气、平稳多云天气、平稳雨雪天气。同样地，获取转折天气日的各历史时段的历史天气数据，通过K均值聚类方法将上述数据划分为四类，对应的四种子天气类型分别为转折晴天天气、转折阴天天气、转折多云天气、转折雨雪天气。

在一个实施例中，步骤3，所述分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集，包括：对同一子天气类型对应的历史时段的历史天气数据和历史光伏功率数据进行相关性分析，从所述历史天气数据中选择相关性高的至少两类气象特征数据构建该子天气类型的输入数据序列。

具体地，平稳天气日对应的四个子天气类型的输入数据序列中，按照相关性从高至低依次包括辐照度、湿度、温度、云量和能见度等五类气象特征数据；

转折天气日对应的四个子天气类型的输入数据序列中，按照相关性从高至低依次包括辐照度、湿度、能见度、云量和温度等五类气象特征数据。

需要说明地是，历史时期中每日的历史时段的历史天气数据和历史光伏功率数据作为一个训练样本，即各子天气类型的训练数据集中包括该子天气类型对应的一个或多个历史时段的历史天气数据和历史光伏功率数据。此外，每个训练样本中，天气数据为输入数据，光伏功率数据为输出矫正数据（标签）。

在一个实施例中，步骤4中的所述光伏功率预测模型为轻量化卷积神经网络模型，所述轻量化卷积神经网络模型包括：

第一卷积层，用于提取输入数据的浅层特征并输出浅层特征数据；

最大池化层，用于降低浅层特征数据的维度；

多个shuffleNet模块，用于采用逐点群卷积和通道混洗的方式从降维后的浅层特征数据中提取深层语义特征；

第二卷积层，用于降低深层语义特征的通道维度，输出预测结果。

本发明中，为了提高训练效率，构建轻量化卷积神经网络模型作为光伏功率预测模型。其中，所述轻量化卷积神经网络模型为改进的ShuffleNet模型。

具体地，第一卷积层为一维卷积层，步长为2，卷积核个数为24，用于提取输入数据的浅层特征、降低数据维度以及增加特征通道数。

降维后的特征数据通过多个ShuffleNet模块，提取深层语义特征。每一个模块在继续降低特征数据维度的同时增大特征通道数，逐步提取边缘点的深层次语义特征。ShuffleNet采用逐点群卷积和通道混洗在保障精确率损失不大的同时能够有效降低网络的计算量，大大减少了计算成本。

具体地，为了增强网络的特征提取能力，每个所述ShuffleNet模块包括依次连接的ShuffleNet单元和通道注意力模块。

在每个ShuffleNet单元结构后增加通道注意力模块，从而进一步提取更准确的特征。通道注意力模块由全局平均池化、2个全连接层、一个ReLU层和一个Sigmoid激活层构成，为每个通道生成对应权重，使得网络能够根据每个特征通道的重要性自主进行选择。将ShuffleNet单元输出的特征与通道注意力模块计算的权重相乘得到增加注意力权重的特征。

本申请改进的ShuffleNet模型将现有的ShuffleNet模型尾部的全局平均池化及全连接层改为1个卷积层，即第二卷积层，该卷积层的卷积核大小为1×1，个数为2，步长为1。

具体地，所述ShuffleNet单元包括依次连接的卷积层、通道混洗层（ChannelShuffle）、深度卷积层、卷积层和融合层。所述ShuffleNet单元中，两个卷积层均为1×1卷积层，深度卷积层为3×3深度卷积层。

通过构建上述轻量化的神经网络结构，能够使得模型在保证预测准确率的同时，降低运算量，提高检测效率。

在搭建好轻量化卷积神经网络模型后，基于分类后的训练样本数据进行模型训练，网络训练过程中使用梯度下降法对参数进行反向传播更新，优化模型参数，从而得到八个子天气类型对应的训练好的子光伏预测模型。

具体地，采用方差代价函数和交叉熵代价函数构建模型的损失函数Loss。当模型达到要求的精度或者达到预定的迭代次数后，停止训练，得到训练好的子光伏功率预测模型。

方差代价函数为： ；

交叉熵代价函数为：；

所述损失函数为：；

式中，为光伏功率预测模型的输出值，/>为光伏功率的实测值（目标值）；式中，和/>为权重系数，按照实际情况设置。

在一个实施例中，步骤5中采用如下方法确定预测日的各预测时段对应的子天气类型：

步骤501，建立第一天气识别模型，通过平稳天气日和转折天气日的历史天气数据对第一天气识别模型进行训练；

步骤502，建立第一子天气识别模型，通过平稳天气日的各子天气类型对应的历史时段的历史天气数据对第一子天气识别模型进行训练；

步骤503，建立第二子天气识别模型，通过转折天气日的各子天气类型对应的历史时段的历史天气数据对第二子天气识别模型进行训练；

步骤504，将预测日的天气预报数据输入训练好的第一天气识别模型，获取预测日的天气类型，然后基于预测日的天气类型选择相应的训练好的子天气识别模型，并将预测日的各预测时段的天气类型输入所选择的训练好的子天气识别模型中，获取该预测日的各预测时段的天气类型。

本发明实施例中，先确定预测日的天气类型，再进一步确定预测日的各预测时段的天气类型。其中，预测日的天气类型是通过经过训练的第一天气识别模型确定的，具体来说是通过准确分类后的平稳天气日的历史天气数据和转折天气日的历史天气数据对第一天气识别模型进行训练，从而使该训练好的第一天气识别模型能够准确地识别预测日的天气类型是转折天气还是平稳天气。在确定预测日的天气类型后，基于预测日的天气类型选择相应的训练好的子天气识别模型，用于确定该预测日的各预测时段的天气类型。

本发明实施例中，第一天气识别模型以某一日的天气数据为输入，以转折天气或平稳天气为输出。第一子天气识别模型，以平稳天气日中的某一时段的天气数据为输入，以平稳晴天天气、平稳阴天天气、平稳多云天气、平稳雨雪天气等四种子天气类型为输出；第二子天气识别模型，以转折天气日中的某一时段的天气数据为输入，以转折晴天天气、转折阴天天气、转折多云天气、转折雨雪天气等四种子天气类型为输出。

此外，上述的第一天气识别模型、第一子天气识别模型以及第二子天气识别模型均为深度学习模型，例如kohonen模型、神经网络模型等。

本发明实施例的方法还包括：在获取预测日的各预测时段的预测光伏功率之后，采用均方根误差和绝对值误差对预测结果的准确度进行评价。

具体地，均方根误差的计算式为：

；

绝对值误差的计算式为：

；

式中：为/>时刻的光伏功率的预测值；/>为/>时刻的光伏功率的实测值；/>为预测时段；/>为电站光伏出力的额定功率。

另一方面，一种基于精细化天气分型的光伏功率预测系统，所述系统包括：

第一天气分型模块，基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气类型进行分类，划分为平稳天气和转折天气；

第二天气分型模块，基于广义天气类型，对平稳天气日和转折天气日中的各历史时段的天气进行分类，划分为多个子天气类型；

数据处理模块，分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集；

模型训练模块，分别通过各子天气类型的训练数据集对预先建立的光伏功率预测模型进行训练，以获取各子天气类型对应的子预测模型；以及

功率预测模块，确定预测日的各预测时段对应的子天气类型，将各预测时段的天气数据分别根据其对应的子天气类型输入相应的子预测模型获取各预测时段的光伏预测功率。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于精细化天气分型的光伏功率预测方法，其特征在于，所述包括如下步骤：

基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气进行分类，划分为平稳天气和转折天气；

基于广义天气类型，对平稳天气日和转折天气日中的各历史时段的天气进行分类，划分为多个子天气类型；

分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集；

分别通过各子天气类型的训练数据集对预先建立的光伏功率预测模型进行训练，以获取各子天气类型对应的子预测模型；

确定预测日的各预测时段对应的子天气类型，将各预测时段的天气数据分别根据其对应的子天气类型输入相应的子预测模型获取各预测时段的光伏预测功率。

2.根据权利要求1所述的方法，其特征在于，基于广义天气类型，通过K均值聚类方法分别对平稳天气日和转折天气日的各历史时段的天气进行分类，划分为多个子天气类型。

3.根据权利要求1或2所述的方法，其特征在于，所述广义天气类型包括：晴天、阴天、多云和雨雪。

4.根据权利要求1或2所述的方法，其特征在于，所述分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集，包括：

对同一子天气类型对应的历史时段的历史天气数据和历史光伏功率数据进行相关性分析，从所述历史天气数据中选择相关性高的至少两类气象特征数据构建该子天气类型的输入数据序列。

5.根据权利要求1或2所述的方法，其特征在于，所述基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气进行分类，划分为平稳天气和转折天气，包括：

根据待预测光伏电场的历史光伏功率数据获取功率变化率数据；

基于SOM网络对所述功率变化率数据进行聚类并划分为至少两类，并将功率波动幅度最大的一类筛选出并作为潜在转折天气样本；

根据历史太阳辐射数据计算所述潜在转折天气样本对应时段的清晰度指数；

将清晰度指数小于清晰度阈值的所述潜在转折天气样本所在日的天气类型识别为转折天气，历史时期中的其他日期的天气类型为平稳天气。

6.根据权利要求5所述的方法，其特征在于，所述根据待预测光伏电场的历史光伏功率数据获取功率变化率数据，包括如下步骤：

计算目标地区的太阳高度角，并将太阳高度角大于预设角度的时段作为光伏出力统计时间段；

根据所述历史光伏功率数据计算所述光伏出力统计时间段的功率变化率，以获取功率变化率数据。

7.根据权利要求5所述的方法，其特征在于，所述功率变化率为逐时功率之差，根据如下公式计算：

；

式中，逐时功率变化率，/>为每日/>时刻的功率值，/>为每日/>时刻的功率值。

8.根据权利要求1或2所述的方法，其特征在于，所述光伏功率预测模型为轻量化卷积神经网络模型，所述轻量化卷积神经网络模型包括：

第一卷积层，用于提取输入数据的浅层特征并输出浅层特征数据；

最大池化层，用于降低浅层特征数据的维度；

多个shuffleNet模块，用于采用逐点群卷积和通道混洗的方式从降维后的浅层特征数据中提取深层语义特征；

第二卷积层，用于降低深层语义特征的通道维度，输出预测结果。

9.根据权利要求1或2所述的方法，其特征在于，采用如下方法确定预测日的各预测时段对应的子天气类型：

建立第一天气识别模型，通过平稳天气日和转折天气日的历史天气数据对第一天气识别模型进行训练；

建立第一子天气识别模型，通过平稳天气日的各子天气类型对应的历史时段的历史天气数据对第一子天气识别模型进行训练；

建立第二子天气识别模型，通过转折天气日的各子天气类型对应的历史时段的历史天气数据对第二子天气识别模型进行训练；

将预测日的天气预报数据输入训练好的第一天气识别模型，获取预测日的天气类型，然后基于预测日的天气类型选择相应的训练好的子天气识别模型，并将预测日的各预测时段的天气类型输入所选择的训练好的子天气识别模型中，获取该预测日的各预测时段的天气类型。

10.一种基于精细化天气分型的光伏功率预测系统，其特征在于，所述系统包括：

第一天气分型模块，基于气象变化和光伏出力波动情况，对待预测光伏电场所在地区在历史时期中每日的天气类型进行分类，划分为平稳天气和转折天气；

第二天气分型模块，基于广义天气类型，对平稳天气日和转折天气日中的各历史时段的天气进行分类，划分为多个子天气类型；

数据处理模块，分别对各子天气类型对应的历史时段的历史天气数据和历史光伏数据进行预处理，构建各子天气类型的训练数据集；

模型训练模块，分别通过各子天气类型的训练数据集对预先建立的光伏功率预测模型进行训练，以获取各子天气类型对应的子预测模型；

功率预测模块，确定预测日的各预测时段对应的子天气类型，将各预测时段的天气数据分别根据其对应的子天气类型输入相应的子预测模型获取各预测时段的光伏预测功率。