CN118100168A - 分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质 - Google Patents

分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN118100168A
CN118100168A CN202410341926.0A CN202410341926A CN118100168A CN 118100168 A CN118100168 A CN 118100168A CN 202410341926 A CN202410341926 A CN 202410341926A CN 118100168 A CN118100168 A CN 118100168A
Authority
CN
China
Prior art keywords
data
temperature
photovoltaic power
determining
correlation
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
CN202410341926.0A
Other languages
English (en)
Inventor
刘梅招
丁煌
魏柳
马文文
姚虹春
刘凯
顾颖程
程环宇
宋玉
周海
严鹏
吴骥
汤雷
许梦晗
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
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Jiangsu 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, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jiangsu Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202410341926.0A priority Critical patent/CN118100168A/zh
Publication of CN118100168A publication Critical patent/CN118100168A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质。训练方法包括：基于历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；将历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数对应的数据类型分别作为待分析数据类型，计算待分析数据类型的数据与光伏功率的数据相关性及一阶差分的相关性；基于各待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；基于各目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型，解决数据类型不合适导致模型精度低的问题。

Description

分布式光伏功率预测模型的训练方法、分布式光伏功率预测 方法、装置、电子设备及存储介质
技术领域
本发明涉及分布式光伏技术领域，尤其涉及分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质。
背景技术
分布式光伏具有点多面广的特点，大量并网对电网的安全稳定运行造成影响。现有的分布式光伏功率预测通常通过模型进行预测，但是由于不同类型的参数对分布式光伏功率的预测结果影响不同，因此，功率预测模型的输入数据的选择会影响模型的精度；如何选择合适类型的数据，提高模型精度成为有待解决的问题。
发明内容
本发明提供了一种分布式光伏功率预测模型的训练、分布式光伏功率预测方法、装置、电子设备及存储介质，以解决模型训练过程中数据类型选择不当导致模型精度较低，进而影响光伏功率预测准确性的问题。
根据本发明的一方面，提供了一种分布式光伏功率预测模型的训练方法，包括：
获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；
基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；
将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；
基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；
基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
可选的，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，所述基于所述历史气象数据集中的历史气象数据确定气象参数变化值，包括：
确定各所述温度对应的采集时间以及至少一个第一时间间隔；
针对每个第一时间间隔，根据所述温度的采集时间以及第一时间间隔确定上一温度，计算所述温度和上一温度的差值，得到所述采集时间对应的温度变化值。
可选的，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，所述基于所述历史气象数据集中的历史气象数据确定气象参数变化值，包括：
确定各所述气压对应的采集时间以及至少一个第二时间间隔；
针对每个第二时间间隔，根据所述气压的采集时间以及第二时间间隔确定上一气压，计算所述气压和上一气压的差值，得到所述采集时间对应的气压变化值。
可选的，所述历史气象数据包括：温度、辐照度和风速；所述基于所述历史气象数据集中的历史气象数据确定组件温度系数和组件功率系数，包括：
根据所述辐照度与辐照度参数的乘积确定第一温度；
根据所述风速与风速参数的乘积确定第二温度；
将所述温度、所述第一温度和所述第二温度相加，得到组件温度系数；
根据所述组件温度系数确定组件功率系数；
其中，所述辐照度参数根据光伏组件表面的辐射特性和温度差确定，所述温度差为迎光表面和背光表面的温度差，所述迎光表面的温度为光伏组件温度，所述背光表面为气温；所述风速参数根据空气密度、空气比热容以及光伏组件的风阻确定，所述风速参数为负数。
可选的，所述根据所述组件温度系数确定组件功率系数，包括：
计算所述组件温度系数和预设温度的差值，得到第一差值；
将所述第一差值与第一参数相乘，得到第一乘积；
计算1与所述第一乘积的差值，得到第二差值；
将所述第二差值与所述辐照度相乘，得到第二乘积；
将所述第二乘积与预设辐照度的比值确定为组件功率系数；
其中，所述预设温度根据光伏组件测试时的标准温度确定，所述第一参数根据光伏组件的功率随温度变化的灵敏度确定，所述预设辐照度根据光伏组件测试时的标准辐照度确定。
可选的，所述计算所述待分析数据类型的数据与光伏功率的一阶差分的相关性，包括：
确定所述待分析数据类型所对应的不同时刻的数据；
对于每个时刻，基于所述时刻所对应的数据及所述数据对应的上一数据计算所述数据的一阶差分，并根据所述时刻所对应的光伏功率及所述光伏功率对应的上一光伏功率计算所述光伏功率的一阶差分；
根据所有时刻的数据的一阶差分和光伏功率的一阶差分计算一阶差分的相关性。
可选的，所述基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型，包括：
将所述数据相关性大于预设的相关性阈值的各所述待分析数据类型作为候选数据类型；
比较各所述候选数据类型对应的一阶差分的相关性的大小，按照一阶差分的相关性从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
根据本发明的另一方面，提供了一种分布式光伏功率预测方法，包括：
基于目标数据类型获取待预测气象预报数据；
将所述待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，所述目标光伏功率预测模型采用本发明任一实施例所述的分布式光伏功率预测模型的训练方法进行模型训练得到；
根据所述目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
根据本发明的另一方面，提供了一种分布式光伏功率预测模型的训练装置，包括：
数据集获取模块，用于获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；
参数确定模块，用于基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；
相关性确定模块，用于将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；
目标类型筛选模块，用于基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；
模型训练模块，用于基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
可选的，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，所述参数确定模块，包括：
第一时间间隔确定单元，用于确定各所述温度对应的采集时间以及至少一个第一时间间隔；
温度变化值确定单元，用于针对每个第一时间间隔，根据所述温度的采集时间以及第一时间间隔确定上一温度，计算所述温度和上一温度的差值，得到所述采集时间对应的温度变化值。
可选的，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，所述参数确定模块，包括：
第二时间间隔确定单元，用于确定各所述气压对应的采集时间以及至少一个第二时间间隔；
气压变化值确定单元，用于针对每个第二时间间隔，根据所述气压的采集时间以及第二时间间隔确定上一气压，计算所述气压和上一气压的差值，得到所述采集时间对应的气压变化值。
可选的，所述历史气象数据包括：温度、辐照度和风速；所述参数确定模块，包括：
第一温度确定单元，用于根据所述辐照度与辐照度参数的乘积确定第一温度；
第二温度确定单元，用于根据所述风速与风速参数的乘积确定第二温度；
组件温度系数确定单元，用于将所述温度、所述第一温度和所述第二温度相加，得到组件温度系数；
组件功率系数确定单元，用于根据所述组件温度系数确定组件功率系数；
其中，所述辐照度参数根据光伏组件表面的辐射特性和温度差确定，所述温度差为迎光表面和背光表面的温度差，所述迎光表面的温度为光伏组件温度，所述背光表面为气温；所述风速参数根据空气密度、空气比热容以及光伏组件的风阻确定，所述风速参数为负数。
可选的，所述组件功率系数确定单元，具体用于：
计算所述组件温度系数和预设温度的差值，得到第一差值；
将所述第一差值与第一参数相乘，得到第一乘积；
计算1与所述第一乘积的差值，得到第二差值；
将所述第二差值与所述辐照度相乘，得到第二乘积；
将所述第二乘积与预设辐照度的比值确定为组件功率系数；
其中，所述预设温度根据光伏组件测试时的标准温度确定，所述第一参数根据光伏组件的功率随温度变化的灵敏度确定，所述预设辐照度根据光伏组件测试时的标准辐照度确定。
可选的，所述相关性确定模块，包括：
数据确定单元，用于确定所述待分析数据类型所对应的不同时刻的数据；
一阶差分计算单元，用于对于每个时刻，基于所述时刻所对应的数据及所述数据对应的上一数据计算所述数据的一阶差分，并根据所述时刻所对应的光伏功率及所述光伏功率对应的上一光伏功率计算所述光伏功率的一阶差分；
相关性计算单元，用于根据所有时刻的数据的一阶差分和光伏功率的一阶差分计算一阶差分的相关性。
可选的，所述目标类型筛选模块，包括：
候选类型确定单元，用于将所述数据相关性大于预设的相关性阈值的各所述待分析数据类型作为候选数据类型；
目标类型确定单元，用于比较各所述候选数据类型对应的一阶差分的相关性的大小，按照一阶差分的相关性从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
根据本发明的另一方面，提供了一种分布式光伏功率预测装置，包括：
待预测数据获取模块，用于基于目标数据类型获取待预测气象预报数据；
模型预测模块，用于将所述待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，所述目标光伏功率预测模型采用本发明任一实施例所述的分布式光伏功率预测模型的训练方法进行模型训练得到；
预测结果确定模块，用于根据所述目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的分布式光伏功率预测模型的训练方法或分布式光伏功率预测方法。
根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的分布式光伏功率预测模型的训练方法或分布式光伏功率预测方法。
本发明实施例的技术方案，通过获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型，解决了模型训练过程中数据类型选择不当导致模型精度较低，进而影响光伏功率预测准确性的问题，通过对历史气象数据进行分析，确定可能影响光伏功率预测准确性的气象参数变化值、组件温度系数和组件功率系数，通过将每种数据类型分别作为待分析数据类型，分析待分析数据类型的数据与光伏功率的数据相关性和一阶差分的相关性，基于数据相关性和一阶差分的相关性对不同数据类型进行筛选，得到相关性较高的目标数据类型，基于相关性较高的目标数据类型选择数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型，由于模型训练所采用的数据与光伏功率的相关性较高，因此，训练得到的模型精度较高，可以准确预测分布式光伏功率，有效提升分布式光伏功率预测精度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种分布式光伏功率预测模型的训练方法的流程图；
图2是根据本发明实施例二提供的一种分布式光伏功率预测模型的训练方法的流程图；
图3是根据本发明实施例三提供的一种分布式光伏功率预测方法的流程图；
图4是根据本发明实施例四提供的一种分布式光伏功率预测模型的训练装置的结构示意图；
图5是根据本发明实施例五提供的一种分布式光伏功率预测装置的结构示意图
图6是根据本发明实施例六提供的电子设备的结构示意图。
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。
实施例一
图1为本发明实施例一提供的一种分布式光伏功率预测模型的训练方法的流程图，本实施例可适用于对分布式光伏功率预测模型进行训练的情况，该方法可以由分布式光伏功率预测模型的训练装置来执行，该分布式光伏功率预测模型的训练装置可以采用硬件和/或软件的形式实现，该分布式光伏功率预测模型的训练装置可配置于电子设备中。如图1所示，该方法包括：
S101、获取历史气象数据集，历史气象数据集中包括不同时刻的历史气象数据，历史气象数据包括不同类型的气象数据。
在本实施例中，历史气象数据集具体可以理解为由历史气象数据所形成的数据集；历史气象数据具体可以理解为当前时刻之前的历史时刻的气象数据。气象数据可以是温度、地表辐照度、气压、风速、降水、云量等等；其中，风速可以是不同气压下的风速，例如，850hPa风速、700hPa风速、925hPa风速，等等；温度可以是不同气压下的温度，例如，850hPa温度、700hPa温度、925hPa温度。
预先设置获取数据的信息，数据的信息可以是数据的数量、类型、采集的时间间隔、数据的起始时间和截止时间，等等。根据分布式光伏所在的经纬度点以及设置的信息获取历史气象数据，形成历史气象数据集。例如，以XX年XX月XX日为起点，向后3个月的日期为截止时间，按照15min为采集时间间隔，获取经纬度点P所对应的温度、地表辐照度、气压、风速、降水、云量等等形成历史气象数据集，得到的历史气象数据集中包括不同时刻的历史气象数据，历史气象数据包括不同类型的气象数据。在获取历史气象数据集的同时，还可以获取分布式光伏对应的装机容量和光伏功率的监测数据，其中，光伏功率的监测数据和历史气象数据集的采集时刻一一对应。
S102、基于历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数。
在本实施例中，气象参数变化值具体可以理解为气象数据在一段时间内的变化值；组件温度系数具体可以理解为分布式光伏组件的温度对功率预测的影响的参数；组件功率系数具体可以理解为分布式光伏组件的功率随温度变化时对功率预测的影响的参数。
对历史气象数据集中的历史气象数据进行分析，确定不同类型参数在不同时间段内的变化值，得到气象参数变化值；确定对分布式光伏组件的温度产生影响的数据类型，基于数据类型获取相应的数据信息，并基于其对温度的影响进行计算，得到组件温度系数；确定对分布式光伏组件的功率产生影响的数据类型，基于数据类型获取相应的数据信息，并基于其对功率的影响进行计算，得到组件功率系数。
S103、将历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性。
在本实施例中，待分析数据类型具体可以理解为需要与光伏功率进行相关性分析的数据类型，本申请实施例中的光伏功率指分布式光伏有功功率。数据相关性指两种数据之间的相关性，是对数据的趋势分析；一阶差分的相关性指两种数据的一阶差分之间的相关性，是对数据的波动分析。
历史气象数据集中的每种历史气象数据分别作为待分析数据类型，气象参数变化值、组件温度系数和组件功率系数所对应的数据类型同样分别作为待分析数据类型，示例性的，待分析数据类型可以为温度、地表辐照度、气压、风速、降水、云量、气象参数变化值、组件温度系数和组件功率系数。对每种待分析数据类型均进行相关性分析，根据相关性计算公式计算待分析数据类型所对应的数据与光伏功率的相关性，例如，皮尔逊相关系数，等等。根据每种待分析数据类型所对应的数据确定数据的一阶差分，同时确定光伏功率的一阶差分，一阶差分可以描述数据的波动，根据相关性计算公式计算每种待分析数据类型所对应的数据的一阶差分与光伏功率的一阶差分的相关性，得到一阶差分的相关性。基于上述相关性分析，得到每种类型的数据与光伏功率的数据相关性以及一阶差分的相关性。
S104、基于各待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型。
在本实施例中，目标数据类型具体可以理解为与光伏功率相关性较强的数据类型。比较各待分析数据类型对应的数据相关性和一阶差分的相关性的高低，选择相关性较强的待分析数据类型作为目标数据类型。筛选时，可以根据数据相关性和一阶差分的相关性的排序对各待分析数据类型进行筛选，例如，选择数据相关性和一阶差分的相关性均在前30％的待分析数据类型作为目标数据类型；或者，根据数据相关性和一阶差分的相关性的大小对各待分析数据类型进行筛选，例如，选择数据相关性和一阶差分的相关性均超过一定阈值的待分析数据类型作为目标数据类型；或者，结合数据相关性和一阶差分的相关性的大小和排序选择目标数据类型，等等。
S105、基于各目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
在本实施例中，分布式光伏功率预测模型可以理解为预先构建的模型，用于预测光伏功率，分布式光伏功率预测模型为未完成训练的模型。目标光伏功率预测模型可以理解为经过训练得到的模型，可以准确预测光伏功率。
预先构建分布式光伏功率预测模型，例如，分布式光伏功率预测模型可以是非线性自回归外源性NARX模型，目标光伏功率预测模型同样为NARX模型。基于各目标数据类型获取相应的数据，将数据输入到分布式光伏功率预测模型中，对分布式光伏功率预测模型进行训练，根据预测结果和真实标签值调整分布式光伏功率预测模型的参数，直到得到满足要求的目标光伏功率预测模型，其中，满足要求的目标光伏功率预测模型可以是精度满足要求、迭代次数满足要求等。在模型训练时，选择目标数据类型对应的数据作为模型的输入，分布式光伏功率预测模型输出某一时刻的光伏功率，例如，模型完成训练后，将某一天或者连续几天的目标数据类型对应的数据作为模型的输入，预测下一天的光伏功率，或者预测后面几天的光伏功率，可以实现短期预测，也可以进行长期预测。
示例性的，模型训练可以采用莱文贝格-马夸特收敛算法，在开环情况下进行模型训练。采用均方根最小且拟合效果作为原则，完成优化模型参数。模型在训练完成后，还可以通过验证数据集对模型进行验证，例如，将一定数量的气象预报数据作为模型输入，输出为分布式功率预测结果，根据输出的功率预测结果对分布式光伏功率预测模型进行验证，判断模型预测的准确性。
本发明实施例提供了一种分布式光伏功率预测模型的训练方法，解决了模型训练过程中数据类型选择不当导致模型精度较低，进而影响光伏功率预测准确性的问题，通过对历史气象数据进行分析，确定可能影响光伏功率预测准确性的气象参数变化值、组件温度系数和组件功率系数，通过将每种数据类型分别作为待分析数据类型，分析待分析数据类型的数据与光伏功率的数据相关性和一阶差分的相关性，基于数据相关性和一阶差分的相关性对不同数据类型进行筛选，得到相关性较高的目标数据类型，基于相关性较高的目标数据类型选择数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型，由于模型训练所采用的数据与光伏功率的相关性较高，因此，训练得到的模型精度较高，可以准确预测分布式光伏功率，有效提升分布式光伏功率预测精度。
实施例二
图2为本发明实施例二提供的一种分布式光伏功率预测模型的训练方法的流程图，本实施例在上述实施例的基础上进行细化。如图2所示，该方法包括：
S201、获取历史气象数据集，历史气象数据集中包括不同时刻的历史气象数据，历史气象数据包括不同类型的气象数据。
S202、基于历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数。
可选的，历史气象数据包括：温度，气象参数变化值包括：至少一种温度变化值，基于历史气象数据集中的历史气象数据确定气象参数变化值，包括：
A1、确定各温度对应的采集时间以及至少一个第一时间间隔。
在本实施例中，第一时间间隔可以根据对模型的精度需求、对温度变化对功率的影响等设置。预先设置第一时间间隔，第一时间间隔可以设置多个，例如，第一时间间隔为3h、12h、24h等等。
在获取温度的同时，记录此温度对应的采集时间，确定每个温度对应的采集时间；同时确定至少一个第一时间间隔，第一时间间隔可以预先设置。
A2、针对每个第一时间间隔，根据温度的采集时间以及第一时间间隔确定上一温度，计算温度和上一温度的差值，得到采集时间对应的温度变化值。
在本实施例中，上一温度具体可以理解为距离温度的采集时间的时长为第一时间间隔的时间点的温度。对于每个第一时间间隔，以温度的采集时间为基准，向前获取第一时间间隔的时间的温度，将此温度作为上一温度，计算温度和上一温度的差值，此差值即为采集时间所对应的温度变化值。
本申请实施例可以确定多个温度对应的采集时间，对于每个第一时间间隔，可以确定每个采集时间对应的温度变化值，得到多个温度变化值。
示例性的，第一时间间隔为3h，3小时的温度变化值Tb3＝T0-T-3，例如，采集时间为03:00的3小时温度变化值由03:00的温度值减去00:00的温度值(即上一温度)。第一时间间隔为24h，24小时的温度变化值Tb24＝T0-T-24，例如，采集时间为00:00的24小时温度变化值由00:00的温度值减去昨日00:00的温度值。
可选的，历史气象数据包括：气压，气象参数变化值包括：至少一种气压变化值，基于历史气象数据集中的历史气象数据确定气象参数变化值，包括：
B1、确定各气压对应的采集时间以及至少一个第二时间间隔。
在本实施例中，第二时间间隔可以根据对模型的精度需求、对气压变化对功率的影响等设置。预先设置第二时间间隔，第二时间间隔可以设置多个，例如，第二时间间隔为3h、12h、24h等等。
在获取气压的同时，记录此气压对应的采集时间，确定每个气压对应的采集时间；同时确定至少一个第二时间间隔，第二时间间隔可以预先设置。
B2、针对每个第二时间间隔，根据气压的采集时间以及第二时间间隔确定上一气压，计算气压和上一气压的差值，得到采集时间对应的气压变化值。
在本实施例中，上一气压具体可以理解为距离气压的采集时间的时长为第二时间间隔的时间点的气压。对于每个第二时间间隔，以气压的采集时间为基准，向前获取第二时间间隔的时间的气压，将此气压作为上一气压，计算气压和上一气压的差值，此差值即为采集时间所对应的气压变化值。
本申请实施例可以确定多个气压对应的采集时间，对于每个第二时间间隔，可以确定每个采集时间对应的气压变化值，得到多个气压变化值。
示例性的，第二时间间隔为3h，3小时的气压变化值Pb3＝P0-P-3，例如，采集时间为03:00的3小时气压变化值由03:00的气压值减去00:00的气压值(即上一气压)；第二时间间隔为24h，24小时的气压变化值Pb24＝P0-P-24，例如，采集时间为00:00的24小时的气压变化值由00:00的气压值减去昨日00:00的气压值。
可选的，历史气象数据包括：温度、辐照度和风速；基于历史气象数据集中的历史气象数据确定组件温度系数和组件功率系数，包括：
C1、根据辐照度与辐照度参数的乘积确定第一温度。
C2、根据风速与风速参数的乘积确定第二温度；
C3、将温度、第一温度和第二温度相加，得到组件温度系数；
C4、根据组件温度系数确定组件功率系数。
其中，辐照度参数根据光伏组件表面的辐射特性和温度差确定，温度差为迎光表面和背光表面的温度差，迎光表面的温度为光伏组件温度，背光表面为气温；风速参数根据空气密度、空气比热容以及光伏组件的风阻确定，风速参数为负数。
在本实施例中，第一温度和第二温度为经过运算得到的温度。辐照度参数为辐照度对温度的影响的系数，可以根据光伏组件表面的辐射特性和温度差确定，其中，温度差为迎光表面和背光表面的温度差，迎光表面的温度为光伏组件温度，背光表面为气温。风速参数为风速对温度的影响的系数，可以根据空气密度、空气比热容以及光伏组件的风阻确定，由于风起到散热的作用，因此风速参数设置为负数。
计算辐照度与辐照度参数的乘积，辐照度与辐照度参数的乘积为辐照产生的温度，将此乘积确定为第一温度。计算风速与风速参数的乘积，风速与风速参数的乘积为风散掉的温度，将此乘积确定为第二温度。将温度、第一温度和第二温度相加，得到的和作为组件温度系数。根据组件温度系数确定温度对功率的影响，计算组件功率系数，例如，预先确定组件温度系数和组件功率系数之间的数据关系或者计算公式，代入组件温度系数进行计算，得到组件功率系数。
示例性的，本申请实施例提供一种组件温度系数的计算公式：
NTz＝T+0.02×I-0.2×W；
其中，NTz为组件温度系数，T是温度、I是辐照度、W是风速、0.02为辐照度参数；-0.2为风速参数。
可选的，根据组件温度系数确定组件功率系数，包括：
D1、计算组件温度系数和预设温度的差值，得到第一差值；
D2、将第一差值与第一参数相乘，得到第一乘积；
D3、计算1与第一乘积的差值，得到第二差值；
D4、将第二差值与辐照度相乘，得到第二乘积；
D5、将第二乘积与预设辐照度的比值确定为组件功率系数；
其中，预设温度根据光伏组件测试时的标准温度确定，第一参数根据光伏组件的功率随温度变化的灵敏度确定，预设辐照度根据光伏组件测试时的标准辐照度确定。
在本实施例中，第一差值、第二差值均为通过做减法得到的差值；第一乘积和第二乘积为通过相乘得到的乘积。第一参数预先设置，第一参数可以根据光伏组件的功率随温度变化的灵敏度确定，例如，将光伏组件的功率随温度变化的灵敏度确定为第一参数，光伏组件的功率随温度变化的灵敏度可以为光伏电站中任意一块光伏组件的功率随温度变化的灵敏度，其可以根据光伏电站的可行性研究确定，通常在光伏电站建站时确定。预设温度预先设置，预设温度根据光伏组件测试时的标准温度确定，例如，将光伏组件测试时的标准温度作为预设温度；预设辐照度同样也预先设置好，预设辐照度根据光伏组件测试时的标准辐照度确定，例如，将光伏组件测试时的标准辐照度作为预设辐照度。
示例性的，本申请实施例提供一种组件功率系数的计算公式：
NPz＝(1-0.004×(NTz-25))×I/1000；
其中，NPz为组件功率系数，NTz为组件温度系数，I是辐照度，0.004为第一参数，25为预设温度，1000为预设辐照度。
第一参数也可以取负数，例如，-0.004，此时计算1与第一乘积的差值得到第二差值，将第二差值与辐照度相乘，得到第二乘积，应该为：计算1与第一乘积的和，将计算得到的和与辐照度相乘，得到第二乘积。
S203、将历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型。
针对每个待分析数据类型，通过S204的方式计算其与光伏功率的数据相关性，通过S205-S207的方式计算其与光伏功率的一阶差分的相关性。
S204、计算待分析数据类型的数据与光伏功率的数据相关性。
示例性的，本申请提供一种计算数据相关性的公式：
其中，r为数据相关性，xi为待分析数据类型x的第i个数据，yi为光伏功率y的第i个数据；x为待分析数据类型x的所有数据的均值；y为光伏功率y的所有数据的均值。n为数据的个数，待分析数据类型的数据的个数与光伏功率的数据的个数相同，均为n。
在计算不同类型的数据与光伏功率的相关性时，可以选取不同数量，但是需保持每次选取的待分析数据类型和光伏功率的数量相同。
S205、确定待分析数据类型所对应的不同时刻的数据。
针对每一种待分析数据类型，确定此待分析数据类型在不同时刻的数据，例如，T1时刻的温度Tem1、T2时刻的温度Tem2，等等。
S206、对于每个时刻，基于时刻所对应的数据及数据对应的上一数据计算数据的一阶差分，并根据时刻所对应的光伏功率及光伏功率对应的上一光伏功率计算光伏功率的一阶差分。
在本实施例中，上一数据具体可以理解为上一时刻的数据；上一光伏功率具体可以理解为上一时刻的光伏功率。
对于每个时刻，获取此时刻的数据，以及上一个采集时刻的上一数据，计算数据和上一数据的一阶差分；同时，获取此时刻的光伏功率，以及上一个采集时刻的上一光伏功率，计算光伏功率和上一光伏功率的一阶差分。
S207、根据所有时刻的数据的一阶差分和光伏功率的一阶差分计算一阶差分的相关性。
确定所有时刻对应的数据的一阶差分和光伏功率的一阶差分，基于相关性的计算公式计算一阶差分的相关性，本实施例计算一阶差分的相关性的公式可以与计算数据相关性采用相同的公式进行计算。
通过上述计算，可以计算辐照度、温度、气压、风速、降水、云量、至少一种温度变化值、至少一种气压变化值、组件温度系数、组件功率系数等数据与光伏功率的数据相关性和一阶差分的相关性。
需要知道的是，计算数据相关性以及计算一阶差分的相关性没有严格的先后顺序，可以先后进行，也可以同时进行，本申请实施例以同时进行为例。
S208、将数据相关性大于预设的相关性阈值的各待分析数据类型作为候选数据类型。
在本实施例中，相关性阈值可以根据对模型的精度要求等设置；候选数据类型具体可以理解为从待分析数据类型中筛选出来的与光伏功率相关性较高的数据类型。
预先设置相关性阈值，比较各数据相关性和相关性阈值的大小，确定大于相关性阈值的数据相关性对应的待分析数据类型，将此部分待分析数据类型作为候选数据类型。
S209、比较各候选数据类型对应的一阶差分的相关性的大小，按照一阶差分的相关性从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
在本实施例中，预设数量可以预先设置为固定值，也可以根据筛选出来的候选数据类型的数量设置，例如，将候选数据类型的数量的30％作为预设数量，若出现小数可以通过四舍五入等方式进行取整。确定预设数量，比较各候选数据类型对应的一阶差分的相关性的大小，将一阶差分的相关性进行排序，按照从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
S210、基于各目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
基于各目标数据类型选择相应的数据，对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
以选择温度、地表总辐射、组件温度系数、组件功率系数作为目标数量类型为例，将连续2个月的数据作为模型训练数据，1个月的数据作为模型验证数据，对分布式光伏功率预测模型进行训练和验证。其中，在模型训练时，可以根据短期预测的时效性进行数据分类，例如，按照短期预测为10天进行分组，如d1-d10,d2-d11,d3-d12,…,d51..d60。模型输入数据要按照连续短期预测时效性进行选择。模型时滞比为2：1，2：1，层数为20层。
采用莱文贝格-马夸特收敛算法，在开环情况下进行模型训练。训练进行到24轮时，模型均方误差基本稳定，且拟合效果R大于0.98，具备很好的拟合效果，至此模型建立结束。通过模型验证数据对建立好的模型进行验证，将验证数据作为建立好的模型的输入，输出为预测功率，计算预测功率和对应时段的分布式功率监测的实际功率的均方根误差，再除以分布式光伏装机容量，经验证，结果为92.12％。
示例性的，本申请实施例提供了一种均方根误差的计算公式：
其中，PPi为第i时刻的预测功率；PMi为第i时刻的实际功率；Cap为装机容量；n为所有样本个数。
本发明实施例提供了一种分布式光伏功率预测模型的训练方法，解决了模型训练过程中数据类型选择不当导致模型精度较低，进而影响光伏功率预测准确性的问题，通过对历史气象数据进行分析，确定可能影响光伏功率预测准确性的气象参数变化值、组件温度系数和组件功率系数，通过将每种数据类型分别作为待分析数据类型，分析待分析数据类型的数据与光伏功率的数据相关性和一阶差分的相关性，基于数据相关性和一阶差分的相关性对不同数据类型进行筛选，选择数据相关性高于相关性阈值的待分析数据类型作为候选数据类型，从候选数据类型中选择一阶差分的相关性较高的数据类型作为目标数据类型，由此可以得到一阶差分相关性和数据相关性均较高的目标数据类型，基于相关性较高的目标数据类型选择数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型，由于模型训练所采用的数据与光伏功率的相关性较高，因此，训练得到的模型精度较高，可以准确预测分布式光伏功率，有效提升分布式光伏功率预测精度。对分布式光伏功率预测模型的输入数据进行优选和参数调优，提升分布式光伏功率的预测精度，尤其对短期预测精度有明显提升。
实施例三
图3为本发明实施例三提供的一种分布式光伏功率预测方法的流程图，本实施例可适用于对分布式光伏功率进行准确预测的情况，该方法可以由分布式光伏功率预测装置来执行，该分布式光伏功率预测装置可以采用硬件和/或软件的形式实现，该分布式光伏功率预测装置可配置于电子设备中。如图3所示，该方法包括：
S301、基于目标数据类型获取待预测气象预报数据。
在本实施例中，待预测气象预报数据具体可以理解为用于预测光伏功率的气象预报数据。待预测气象预报数据可以根据地理位置从天气预报软件、平台等获取。目标数据类型根据数据相关性和一阶差分的相关性确定，即根据本发明任一实施例所提供的方法中的目标数据类型的确定方式确定。预先确定一种或者多种目标数据类型，根据目标数据类型以及分布式光伏组件的地理位置获取相应的待预测气象预报数据。
S302、将待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，目标光伏功率预测模型采用本发明任一实施例的分布式光伏功率预测模型的训练方法进行模型训练得到。
预先根据本发明任一实施例的分布式光伏功率预测模型的训练方法进行模型训练得到目标光伏功率预测模型，将待预测气象预报数据输入到目标光伏功率预测模型中进行功率预测。
S303、根据目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
目标光伏功率预测模型根据训练过程中学习到的知识对待预测气象预报数据进行预测，得到预测的功率并输出。确定目标光伏功率预测模型的输出结果，将输出的功率确定为分布式光伏功率预测结果。
需要知道的是，目标光伏功率预测模型可以进行短期预测，例如，预测一天、10天等；也可以进行长期预测，例如，预测一个月等。本申请实施例提供的模型训练方法所训练得到的模型，对于短期预测效果更佳，精度更高。
本发明实施例提供了一种分布式光伏功率预测方法，基于相关性较高的目标数据类型选择数据对分布式光伏功率预测模型进行训练，得到高精度的目标光伏功率预测模型。基于高精度的目标光伏功率预测模型进行分布式光伏功率的预测，可以准确预测分布式光伏功率，有效提升分布式光伏功率预测精度。
实施例四
图4为本发明实施例四提供的一种分布式光伏功率预测模型的训练装置的结构示意图。如图4所示，该装置包括：数据集获取模块41、参数确定模块42、相关性确定模块43、目标类型筛选模块44和模型训练模块45。
其中，数据集获取模块41，用于获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；
参数确定模块42，用于基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；
相关性确定模块43，用于将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；
目标类型筛选模块44，用于基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；
模型训练模块45，用于基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
本发明实施例提供了一种分布式光伏功率预测模型的训练装置，解决了模型训练过程中数据类型选择不当导致模型精度较低，进而影响光伏功率预测准确性的问题，通过对历史气象数据进行分析，确定可能影响光伏功率预测准确性的气象参数变化值、组件温度系数和组件功率系数，通过将每种数据类型分别作为待分析数据类型，分析待分析数据类型的数据与光伏功率的数据相关性和一阶差分的相关性，基于数据相关性和一阶差分的相关性对不同数据类型进行筛选，得到相关性较高的目标数据类型，基于相关性较高的目标数据类型选择数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型，由于模型训练所采用的数据与光伏功率的相关性较高，因此，训练得到的模型精度较高，可以准确预测分布式光伏功率，有效提升分布式光伏功率预测精度。
可选的，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，参数确定模块42包括：
第一时间间隔确定单元，用于确定各所述温度对应的采集时间以及至少一个第一时间间隔；
温度变化值确定单元，用于针对每个第一时间间隔，根据所述温度的采集时间以及第一时间间隔确定上一温度，计算所述温度和上一温度的差值，得到所述采集时间对应的温度变化值。
可选的，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，参数确定模块42包括：
第二时间间隔确定单元，用于确定各所述气压对应的采集时间以及至少一个第二时间间隔；
气压变化值确定单元，用于针对每个第二时间间隔，根据所述气压的采集时间以及第二时间间隔确定上一气压，计算所述气压和上一气压的差值，得到所述采集时间对应的气压变化值。
可选的，所述历史气象数据包括：温度、辐照度和风速；
参数确定模块42包括：
第一温度确定单元，用于根据所述辐照度与辐照度参数的乘积确定第一温度；
第二温度确定单元，用于根据所述风速与风速参数的乘积确定第二温度；
组件温度系数确定单元，用于将所述温度、所述第一温度和所述第二温度相加，得到组件温度系数；
组件功率系数确定单元，用于根据所述组件温度系数确定组件功率系数；
其中，所述辐照度参数根据光伏组件表面的辐射特性和温度差确定，所述温度差为迎光表面和背光表面的温度差，所述迎光表面的温度为光伏组件温度，所述背光表面为气温；所述风速参数根据空气密度、空气比热容以及光伏组件的风阻确定，所述风速参数为负数。
可选的，组件功率系数确定单元，具体用于：计算所述组件温度系数和预设温度的差值，得到第一差值；将所述第一差值与第一参数相乘，得到第一乘积；计算1与所述第一乘积的差值，得到第二差值；将所述第二差值与所述辐照度相乘，得到第二乘积；将所述第二乘积与预设辐照度的比值确定为组件功率系数；其中，所述预设温度根据光伏组件测试时的标准温度确定，所述第一参数根据光伏组件的功率随温度变化的灵敏度确定，所述预设辐照度根据光伏组件测试时的标准辐照度确定。
可选的，相关性确定模块43，包括：
数据确定单元，用于确定所述待分析数据类型所对应的不同时刻的数据；
一阶差分计算单元，用于对于每个时刻，基于所述时刻所对应的数据及所述数据对应的上一数据计算所述数据的一阶差分，并根据所述时刻所对应的光伏功率及所述光伏功率对应的上一光伏功率计算所述光伏功率的一阶差分；
相关性计算单元，用于根据所有时刻的数据的一阶差分和光伏功率的一阶差分计算一阶差分的相关性。
可选的，目标类型筛选模块44，包括：
候选类型确定单元，用于将所述数据相关性大于预设的相关性阈值的各所述待分析数据类型作为候选数据类型；
目标类型确定单元，用于比较各所述候选数据类型对应的一阶差分的相关性的大小，按照一阶差分的相关性从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
本发明实施例所提供的分布式光伏功率预测模型的训练装置可执行本发明任意实施例所提供的分布式光伏功率预测模型的训练方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种分布式光伏功率预测装置的结构示意图。如图5所示，该装置包括：待预测数据获取模块51、模型预测模块52和预测结果确定模块53。
其中，待预测数据获取模块51，用于基于目标数据类型获取待预测气象预报数据；
模型预测模块52，用于将所述待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，所述目标光伏功率预测模型采用本发明任一实施例所述的分布式光伏功率预测模型的训练方法进行模型训练得到；
预测结果确定模块53，用于根据所述目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
本发明实施例提供了一种分布式光伏功率预测装置，基于相关性较高的目标数据类型选择数据对分布式光伏功率预测模型进行训练，得到高精度的目标光伏功率预测模型。基于高精度的目标光伏功率预测模型进行分布式光伏功率的预测，可以准确预测分布式光伏功率，有效提升分布式光伏功率预测精度。
本发明实施例所提供的分布式光伏功率预测装置可执行本发明任意实施例所提供的分布式光伏功率预测方法，具备执行方法相应的功能模块和有益效果。
实施例六
图6示出了可以用来实施本发明的实施例的电子设备60的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备60包括至少一个处理器61，以及与至少一个处理器61通信连接的存储器，如只读存储器(ROM)62、随机访问存储器(RAM)63等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器61可以根据存储在只读存储器(ROM)62中的计算机程序或者从存储单元68加载到随机访问存储器(RAM)63中的计算机程序，来执行各种适当的动作和处理。在RAM 63中，还可存储电子设备60操作所需的各种程序和数据。处理器61、ROM 62以及RAM 63通过总线64彼此相连。输入/输出(I/O)接口65也连接至总线64。
电子设备60中的多个部件连接至I/O接口65，包括：输入单元66，例如键盘、鼠标等；输出单元67，例如各种类型的显示器、扬声器等；存储单元68，例如磁盘、光盘等；以及通信单元69，例如网卡、调制解调器、无线通信收发机等。通信单元69允许电子设备60通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器61可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器61的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器61执行上文所描述的各个方法和处理，例如分布式光伏功率预测模型的训练方法和分布式光伏功率预测方法。
在一些实施例中，分布式光伏功率预测模型的训练方法和分布式光伏功率预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元68。在一些实施例中，计算机程序的部分或者全部可以经由ROM 62和/或通信单元69而被载入和/或安装到电子设备60上。当计算机程序加载到RAM 63并由处理器61执行时，可以执行上文描述的分布式光伏功率预测模型的训练方法或分布式光伏功率预测方法的一个或多个步骤。备选地，在其他实施例中，处理器61可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行分布式光伏功率预测模型的训练方法或分布式光伏功率预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
本申请实施例提供的包含计算机指令的存储介质，计算机指令在由计算机处理器执行时用于执行分布式光伏功率预测模型的训练方法，该方法包括：获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
本申请实施例提供的包含计算机指令的存储介质，计算机指令在由计算机处理器执行时用于执行分布式光伏功率预测方法，该方法包括：基于目标数据类型获取待预测气象预报数据；将所述待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，所述目标光伏功率预测模型采用本申请任一实施例所述的分布式光伏功率预测模型的训练方法进行模型训练得到；根据所述目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (18)

1.一种分布式光伏功率预测模型的训练方法，其特征在于，包括：
获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；
基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；
将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；
基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；
基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
2.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，所述基于所述历史气象数据集中的历史气象数据确定气象参数变化值，包括：
确定各所述温度对应的采集时间以及至少一个第一时间间隔；
针对每个第一时间间隔，根据所述温度的采集时间以及第一时间间隔确定上一温度，计算所述温度和上一温度的差值，得到所述采集时间对应的温度变化值。
3.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，所述基于所述历史气象数据集中的历史气象数据确定气象参数变化值，包括：
确定各所述气压对应的采集时间以及至少一个第二时间间隔；
针对每个第二时间间隔，根据所述气压的采集时间以及第二时间间隔确定上一气压，计算所述气压和上一气压的差值，得到所述采集时间对应的气压变化值。
4.根据权利要求1所述的方法，其特征在于，所述历史气象数据包括：温度、辐照度和风速；所述基于所述历史气象数据集中的历史气象数据确定组件温度系数和组件功率系数，包括：
根据所述辐照度与辐照度参数的乘积确定第一温度；
根据所述风速与风速参数的乘积确定第二温度；
将所述温度、所述第一温度和所述第二温度相加，得到组件温度系数；
根据所述组件温度系数确定组件功率系数；
其中，所述辐照度参数根据光伏组件表面的辐射特性和温度差确定，所述温度差为迎光表面和背光表面的温度差，所述迎光表面的温度为光伏组件温度，所述背光表面为气温；所述风速参数根据空气密度、空气比热容以及光伏组件的风阻确定，所述风速参数为负数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述组件温度系数确定组件功率系数，包括：
计算所述组件温度系数和预设温度的差值，得到第一差值；
将所述第一差值与第一参数相乘，得到第一乘积；
计算1与所述第一乘积的差值，得到第二差值；
将所述第二差值与所述辐照度相乘，得到第二乘积；
将所述第二乘积与预设辐照度的比值确定为组件功率系数；
其中，所述预设温度根据光伏组件测试时的标准温度确定，所述第一参数根据光伏组件的功率随温度变化的灵敏度确定，所述预设辐照度根据光伏组件测试时的标准辐照度确定。
6.根据权利要求1所述的方法，其特征在于，所述计算所述待分析数据类型的数据与光伏功率的一阶差分的相关性，包括：
确定所述待分析数据类型所对应的不同时刻的数据；
对于每个时刻，基于所述时刻所对应的数据及所述数据对应的上一数据计算所述数据的一阶差分，并根据所述时刻所对应的光伏功率及所述光伏功率对应的上一光伏功率计算所述光伏功率的一阶差分；
根据所有时刻的数据的一阶差分和光伏功率的一阶差分计算一阶差分的相关性。
7.根据权利要求1所述的方法，其特征在于，所述基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型，包括：
将所述数据相关性大于预设的相关性阈值的各所述待分析数据类型作为候选数据类型；
比较各所述候选数据类型对应的一阶差分的相关性的大小，按照一阶差分的相关性从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
8.一种分布式光伏功率预测方法，其特征在于，包括：
基于目标数据类型获取待预测气象预报数据；
将所述待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，所述目标光伏功率预测模型采用如权利要求1-7任一项所述的分布式光伏功率预测模型的训练方法进行模型训练得到；
根据所述目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
9.一种分布式光伏功率预测模型的训练装置，其特征在于，包括：
数据集获取模块，用于获取历史气象数据集，所述历史气象数据集中包括不同时刻的历史气象数据，所述历史气象数据包括不同类型的气象数据；
参数确定模块，用于基于所述历史气象数据集中的历史气象数据确定气象参数变化值、组件温度系数和组件功率系数；
相关性确定模块，用于将所述历史气象数据集中的历史气象数据、气象参数变化值、组件温度系数和组件功率系数所对应的数据类型分别作为待分析数据类型，计算所述待分析数据类型的数据与光伏功率的数据相关性以及一阶差分的相关性；
目标类型筛选模块，用于基于各所述待分析数据类型对应的数据相关性和一阶差分的相关性进行筛选，确定目标数据类型；
模型训练模块，用于基于各所述目标数据类型对应的数据对分布式光伏功率预测模型进行训练，得到目标光伏功率预测模型。
10.根据权利要求9所述的装置，其特征在于，所述历史气象数据包括：温度，所述气象参数变化值包括：至少一种温度变化值，所述参数确定模块，包括：
第一时间间隔确定单元，用于确定各所述温度对应的采集时间以及至少一个第一时间间隔；
温度变化值确定单元，用于针对每个第一时间间隔，根据所述温度的采集时间以及第一时间间隔确定上一温度，计算所述温度和上一温度的差值，得到所述采集时间对应的温度变化值。
11.根据权利要求9所述的装置，其特征在于，所述历史气象数据包括：气压，所述气象参数变化值包括：至少一种气压变化值，所述参数确定模块，包括：
第二时间间隔确定单元，用于确定各所述气压对应的采集时间以及至少一个第二时间间隔；
气压变化值确定单元，用于针对每个第二时间间隔，根据所述气压的采集时间以及第二时间间隔确定上一气压，计算所述气压和上一气压的差值，得到所述采集时间对应的气压变化值。
12.根据权利要求9所述的装置，其特征在于，所述历史气象数据包括：温度、辐照度和风速；所述参数确定模块，包括：
第一温度确定单元，用于根据所述辐照度与辐照度参数的乘积确定第一温度；
第二温度确定单元，用于根据所述风速与风速参数的乘积确定第二温度；
组件温度系数确定单元，用于将所述温度、所述第一温度和所述第二温度相加，得到组件温度系数；
组件功率系数确定单元，用于根据所述组件温度系数确定组件功率系数；
其中，所述辐照度参数根据光伏组件表面的辐射特性和温度差确定，所述温度差为迎光表面和背光表面的温度差，所述迎光表面的温度为光伏组件温度，所述背光表面为气温；所述风速参数根据空气密度、空气比热容以及光伏组件的风阻确定，所述风速参数为负数。
13.根据权利要求12所述的装置，其特征在于，所述组件功率系数确定单元，具体用于：
计算所述组件温度系数和预设温度的差值，得到第一差值；
将所述第一差值与第一参数相乘，得到第一乘积；
计算1与所述第一乘积的差值，得到第二差值；
将所述第二差值与所述辐照度相乘，得到第二乘积；
将所述第二乘积与预设辐照度的比值确定为组件功率系数；
其中，所述预设温度根据光伏组件测试时的标准温度确定，所述第一参数根据光伏组件的功率随温度变化的灵敏度确定，所述预设辐照度根据光伏组件测试时的标准辐照度确定。
14.根据权利要求9所述的装置，其特征在于，所述相关性确定模块，包括：
数据确定单元，用于确定所述待分析数据类型所对应的不同时刻的数据；
一阶差分计算单元，用于对于每个时刻，基于所述时刻所对应的数据及所述数据对应的上一数据计算所述数据的一阶差分，并根据所述时刻所对应的光伏功率及所述光伏功率对应的上一光伏功率计算所述光伏功率的一阶差分；
相关性计算单元，用于根据所有时刻的数据的一阶差分和光伏功率的一阶差分计算一阶差分的相关性。
15.根据权利要求9所述的装置，其特征在于，所述目标类型筛选模块，包括：
候选类型确定单元，用于将所述数据相关性大于预设的相关性阈值的各所述待分析数据类型作为候选数据类型；
目标类型确定单元，用于比较各所述候选数据类型对应的一阶差分的相关性的大小，按照一阶差分的相关性从高到低的顺序选择预设数量的候选数据类型作为目标数据类型。
16.一种分布式光伏功率预测装置，其特征在于，包括：
待预测数据获取模块，用于基于目标数据类型获取待预测气象预报数据；
模型预测模块，用于将所述待预测气象预报数据输入到预先训练好的目标光伏功率预测模型中，所述目标光伏功率预测模型采用如权利要求1-7任一项所述的分布式光伏功率预测模型的训练方法进行模型训练得到；
预测结果确定模块，用于根据所述目标光伏功率预测模型的输出结果确定分布式光伏功率预测结果。
17.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器，以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的分布式光伏功率预测模型的训练方法或权利要求8所述的分布式光伏功率预测方法。
18.一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指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的分布式光伏功率预测模型的训练方法或权利要求8所述的分布式光伏功率预测方法。
CN202410341926.0A 2024-03-25 2024-03-25 分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质 Pending CN118100168A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410341926.0A CN118100168A (zh) 2024-03-25 2024-03-25 分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410341926.0A CN118100168A (zh) 2024-03-25 2024-03-25 分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN118100168A true CN118100168A (zh) 2024-05-28

Family

ID=91157057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410341926.0A Pending CN118100168A (zh) 2024-03-25 2024-03-25 分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN118100168A (zh)

Similar Documents

Publication Publication Date Title
JP5940922B2 (ja) 自然エネルギー量予測装置
JP2009294969A (ja) 需要予測方法および需要予測装置
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN116523140A (zh) 窃电检测方法、装置、电子设备和存储介质
CN112381282A (zh) 基于宽度学习系统的光伏发电功率预测方法
KR20230174207A (ko) 전력 수요 분석 장치 및 이를 포함하는 전력 관리 시스템
CN116484554A (zh) 一种配电网的拓扑辨识方法、装置、设备及介质
CN114564487A (zh) 预报预测相结合的气象栅格数据更新方法
CN117332898A (zh) 基于机器学习的新能源小时间尺度功率时序滚动预测方法
CN117458484A (zh) 高容配比光伏短期功率预测方法、装置、设备及存储介质
CN116544931B (zh) 基于集成片段变换和时间卷积网络的电力负荷分布预测方法
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
Wadood et al. Fraction order particle swarm optimization for parameter extraction of triple-diode photovoltaic models
CN118100168A (zh) 分布式光伏功率预测模型的训练方法、分布式光伏功率预测方法、装置、电子设备及存储介质
CN116415722A (zh) 一种光伏发电量预测方法
KR20180023078A (ko) 기상정보를 이용한 태양광 발전량 예측방법
US20150066449A1 (en) Solar farm and method for forecasting solar farm performance
Li et al. Information theory in nonlinear error growth dynamics and its application to predictability: Taking the Lorenz system as an example
CN111612289A (zh) 基于新能源多场景风险特征导向的电力系统风险评估方法
CN118100233B (zh) 微网群储能容量配置方法、装置、电子设备和存储介质
CN117249036B (zh) 一种抽水蓄能系统、水轮发电机组状态评估方法及装置
CN115860249A (zh) 一种分布式光伏发电功率预测方法、装置、设备和介质
JP7177238B1 (ja) 故障判定システム、故障判定プログラム及び故障判定方法
CN116914737A (zh) 配电网光伏承载力评估方法、装置、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