微电网光伏发电系统的发电功率的预测方法及设备技术方案

本发明专利技术提供一种微电网光伏发电系统的发电功率的预测方法和设备，所述预测方法包括：根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据，基于遗传算法，从所述多个类型中确定发电功率预测模型的输入类型；根据所述历史发电功率数据以及输入类型的历史气象预测数据，基于遗传‑粒子群混合算法，训练所述发电功率预测模型，其中，所述发电功率预测模型是自适应神经模糊推理模型；获取预测时段的所述输入类型的气象预测数据；将获取的气象预测数据输入到所述训练的发电功率预测模型，以确定预测时段的发电功率。本发明专利技术可准确地对光伏发电系统的发电功率进行预测。

【技术实现步骤摘要】
微电网光伏发电系统的发电功率的预测方法及设备
本专利技术总体说来涉及微电网
，更具体地讲，涉及一种微电网光伏发电系统的发电功率的预测方法及设备。
技术介绍
太阳能是最有发展前景的能源之一。由于太阳能具有干净、丰富等特点，并且随着化石燃料能源的存储量越来越少及其带来的环境问题越来越严重，光伏发电在电力市场所占的份额越来越高。目前光伏发电较多地应用在微电网中，但由于光伏发电系统的发电功率具有间歇性和不确定性的特点，而供需平衡是微电网稳定运行的一个关键条件，因此，对光伏发电功率的预测就显得尤为重要。在现有技术中，存在多种预测光伏发电功率的方法，但现有的预测方法不能准确地预测微电网中光伏发电系统的发电功率。
技术实现思路
本专利技术的示例性实施例在于提供一种微电网光伏发电系统的发电功率的预测方法及设备，其能够更准确地预测微电网光伏发电系统的发电功率。本专利技术的一方面提供一种微电网光伏发电系统的发电功率的预测方法，所述预测方法包括：根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据，基于遗传算法，从所述多个类型中确定发电功率预测模型的输入类型，其中，所述输入类型指示作为发电功率预测模型的输入的气象预测数据的类型；根据所述历史发电功率数据以及所述输入类型的历史气象预测数据，基于遗传-粒子群混合算法，训练所述发电功率预测模型，其中，所述发电功率预测模型是自适应神经模糊推理模型；获取预测时段的所述输入类型的气象预测数据；将获取的气象预测数据输入到所述训练的发电功率预测模型，以确定预测时段的发电功率。可选地，根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据，基于遗传算法，从所述多个类型中确定发电功率预测模型的输入类型的步骤包括：将作为发电功率预测模型的输入的历史气象预测数据的类型作为种群的个体，生成初始种群；根据所述历史发电功率数据以及多个类型的历史气象预测数据，确定初始种群中的各个个体所对应的适应度函数的值，其中，所述适应度函数是基于高斯过程回归的适应度函数；根据所述适应度函数的值，对初始种群的各个个体进行优化得到下一代种群，直到满足退出迭代条件，得到发电功率预测模型的输入类型。可选地，所述根据所述历史发电功率数据以及输入类型的历史气象预测数据，基于遗传-粒子群混合算法，训练所述发电功率预测模型的步骤包括：通过将获得的历史气象预测数据作为所述发电功率预测模型的输入，将所述历史发电功率数据作为所述发电功率预测模型的输出，来建立初始的发电功率预测模型；采用遗传-粒子群混合算法，迭代优化所述发电功率预测模型的隶属函数，以得到优化的发电功率预测模型。可选地，所述多个类型的历史气象预测数据包括以下至少两种历史气象预测数据：空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。可选地，历史气象预测数据是通过气象预报模型预测的历史气象数据。可选地，还包括：在从所述多个类型中确定发电功率预测模型的输入类型之前，对所述历史功率数据以及所述历史气象预测数据进行预处理，其中，对所述历史功率数据以及所述历史气象预测数据进行预处理的步骤包括：将所述历史功率数据以及所述历史气象预测数据中的错误的数据进行删除。可选地，进行预处理的步骤还包括：将删除后剩余的历史功率数据以及历史气象预测数据分别转换为每个周期的平均数据，所述周期为1个小时。可选地，所述预测时段为未来一天，确定的预测时段的发电功率为未来一天内每个小时的平均发电功率。本专利技术的另一方面提供一种微电网光伏发电系统的发电功率的预测设备，所述预测设备包括：确定单元，根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据，基于遗传算法，从所述多个类型中确定发电功率预测模型的输入类型，其中，所述输入类型指示作为发电功率预测模型的输入的气象预测数据的类型；训练单元，根据所述历史发电功率数据以及所述输入类型的历史气象预测数据，基于遗传-粒子群混合算法，训练所述发电功率预测模型，其中，所述发电功率预测模型是自适应神经模糊推理模型；获取单元，获取预测时段的所述输入类型的气象预测数据；预测单元，将获取的气象预测数据输入到所述训练的发电功率预测模型，以确定预测时段的发电功率。可选地，所述确定单元将作为发电功率预测模型的输入的历史气象预测数据的类型作为种群的个体，生成初始种群；根据所述历史发电功率数据以及多个类型的历史气象预测数据，确定初始种群中的各个个体所对应的适应度函数的值，其中，所述适应度函数是基于高斯过程回归的适应度函数；根据所述适应度函数的值，对初始种群的各个个体进行优化得到下一代种群，直到满足退出迭代条件，得到发电功率预测模型的输入类型。可选地，所述训练单元通过将获得的历史气象预测数据作为所述发电功率预测模型的输入，将所述历史发电功率数据作为所述发电功率预测模型的输出，来建立初始的发电功率预测模型；采用遗传-粒子群混合算法，迭代优化所述发电功率预测模型的隶属函数，以得到优化的发电功率预测模型。可选地，所述多个类型的历史气象预测数据包括以下至少两种历史气象预测数据：空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。可选地，历史气象预测数据是通过气象预报模型预测的历史气象数据。可选地，还包括：预处理单元，在所述确定单元从所述多个类型中确定发电功率预测模型的输入类型之前，对所述历史功率数据以及所述历史气象预测数据进行预处理，其中，对所述历史功率数据以及所述历史气象预测数据进行的预处理包括：将所述历史功率数据以及所述历史气象预测数据中的错误的数据进行删除。可选地，进行的预处理还包括：将删除后剩余的历史功率数据以及历史气象预测数据分别转换为每个周期的平均数据，所述周期为1个小时。可选地，所述预测时段为未来一天，确定的预测时段的发电功率为未来一天内每个小时的平均发电功率。本专利技术的另一方面提供一种光伏发电系统的发电功率的预测系统，所述预测系统包括：处理器；存储器，存储有计算机程序，当所述计算机程序被处理器执行时，执行如上所述的预测方法。本专利技术的另一方面提供一种其中存储有计算机程序的计算机可读存储介质，当所述计算机程序被执行时实现如上所述的预测方法。在根据本专利技术示例性实施例的微电网光伏发电系统的发电功率的预测方法和设备中，利用遗传算法在多个类型的气象预测数据中确定对发电功率的预测影响显著的气象预测数据的类型，此外，还基于遗传-粒子群的混合算法对预测发电功率的自适应神经模糊推理模型进行优化，可准确地对微电网中的光伏发电系统的发电功率进行预测。此外，根据本专利技术示例性实施例的微电网光伏发电系统的发电功率的预测方法和设备，在输入的气象预测数据的是未来24小时内且平均数据的周期为1个小时的情况下，可对微电网中的光伏发电系统在未来一天中的每个小时的平均发电功率进行准确地预测。将在接下来的描述中部分阐述本专利技术总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本专利技术总体构思的实施而得知。附图说明通过下面结合示例性地示出实施例的附图进行的描述，本专利技术示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：图1示出根据本专利技术示例性实施例的微电网光伏发电系统的发电功率的预测方法的流程图；图2示出根据本发本文档来自技高网...

【技术保护点】
1.一种微电网光伏发电系统的发电功率的预测方法，其特征在于，所述预测方法包括：根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据，基于遗传算法，从所述多个类型中确定发电功率预测模型的输入类型，其中，所述输入类型指示作为发电功率预测模型的输入的气象预测数据的类型；根据所述历史发电功率数据以及所述输入类型的历史气象预测数据，基于遗传‑粒子群混合算法，训练所述发电功率预测模型，其中，所述发电功率预测模型是自适应神经模糊推理模型；获取预测时段的所述输入类型的气象预测数据；将获取的气象预测数据输入到所述训练的发电功率预测模型，以确定预测时段的发电功率。

【技术特征摘要】
1.一种微电网光伏发电系统的发电功率的预测方法，其特征在于，所述预测方法包括：根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据，基于遗传算法，从所述多个类型中确定发电功率预测模型的输入类型，其中，所述输入类型指示作为发电功率预测模型的输入的气象预测数据的类型；根据所述历史发电功率数据以及所述输入类型的历史气象预测数据，基于遗传-粒子群混合算法，训练所述发电功率预测模型，其中，所述发电功率预测模型是自适应神经模糊推理模型；获取预测时段的所述输入类型的气象预测数据；将获取的气象预测数据输入到所述训练的发电功率预测模型，以确定预测时段的发电功率。2.根据权利要求1所述的预测方法，其特征在于，根据所述光伏发电系统的历史发电功率数据以及多个类型的历史气象预测数据，基于遗传算法，从所述多个类型中确定发电功率预测模型的输入类型的步骤包括：将作为发电功率预测模型的输入的历史气象预测数据的类型作为种群的个体，生成初始种群；根据所述历史发电功率数据以及多个类型的历史气象预测数据，确定初始种群中的各个个体所对应的适应度函数的值，其中，所述适应度函数是基于高斯过程回归的适应度函数；根据所述适应度函数的值，对初始种群的各个个体进行优化得到下一代种群，直到满足退出迭代条件，得到发电功率预测模型的输入类型。3.根据权利要求1所述的预测方法，其特征在于，所述根据所述历史发电功率数据以及输入类型的历史气象预测数据，基于遗传-粒子群混合算法，训练所述发电功率预测模型的步骤包括：通过将获得的历史气象预测数据作为所述发电功率预测模型的输入，将所述历史发电功率数据作为所述发电功率预测模型的输出，来建立初始的发电功率预测模型；采用遗传-粒子群混合算法，迭代优化所述发电功率预测模型的隶属函数，以得到优化的发电功率预测模型。4.根据权利要求1所述的预测方法，其特征在于，所述多个类型的历史气象预测数据包括以下至少两种历史气象预测数据：空气温度、湿度、气压、空气密度、表面温度、短波太阳辐射、低云量、中云量和高云量。5.根据权利要求2所述的预测方法，其特征在于，历史气象预测数据是通过气象预报模型预测的历史气象数据。6.根据权利要求1所述的预测方法，其特征在于，还包括：在从所述多个类型中确定发电功率预测模型的输入类型之前，对所述历史功率数据以及所述历史气象预测数据进行预处理，其中，对所述历史功率数据以及所述历史气象预测数据进行预处理的步骤包括：将所述历史功率数据以及所述历史气象预测数据中的错误的数据进行删除。7.根据权利要求6所述的预测方法，其特征在于，进行预处理的步骤还包括：将删除后剩余的历史功率数据以及历史气象预测数据分别转换为每个周期的平均数据，所述周期为1个小时。8.根据权利要求1所述的预测方法，其特征在于，所述预测时段为未来一天，确定的预测时段的发电功率为未来一天内每个小时的平均发电功率。9.一种微电网光伏发电系统的发电功率的预测设备，其特征在于，所述预测...

【专利技术属性】
技术研发人员：约尔丹诺斯·卡萨·赛穆瑞，
申请(专利权)人：北京天诚同创电气有限公司，
类型：发明
国别省市：北京,11