光伏发电系统的输出功率预测方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种光伏发电系统的输出功率预测方法、装置、设备及计算机可读存储介质。其中，方法包括通过对预设时间段内光伏发电系统的历史输出功率数据进行完整集合经验模式分解，将分解所得的多个子序列与相应的气象数据输入预先构建的核极限学习机预测模型中，并根据核极限学习机预测模型输出的各子序列的预测结果确定光伏发电系统的输出功率预测值。本申请采用完整集合经验模式分解历史光伏功率数据，有利于抑制光伏序列的非平稳性，提高输出功率的预测精度；利用核极限学习机良好的泛化性能及学习速度快的特点，可进一步提高预测精度与预测效率；利用改进的蝙蝠算法优化核极限学习机的核参数和惩罚系数，大大提高了功率预测的准确性。

【技术实现步骤摘要】
光伏发电系统的输出功率预测方法、装置、设备及介质
本专利技术实施例涉及光伏发电
，特别是涉及一种光伏发电系统的输出功率预测方法、装置、设备及计算机可读存储介质。
技术介绍
随着常规能源(例如石油、煤等化石能源)的消耗越来越多，常规能源的消耗带来环境污染问题也越来越严峻，且常规能源的储量是有限的，这就促使了新能源(例如太阳能、风能、海洋能等)的大力研究与开发。而太阳能作为环境友好型、安全性、广泛性与充足性的可再生新能源是最具有发展前景的绿色能源。光伏发电是利用半导体界面的光生伏特效应将光能直接转变为电能的一种技术。光伏发电系统主要由太阳能电池板(组件)、控制器和逆变器三部分组成。由于太阳辐照强度和环境温度具有明显的间歇性、波动性和随机性等特性，导致光伏系统输出功率的不确定，而输出功率的不确定性会直接影响电力系统的稳定运行，增大电力系统的运行成本。因此，对未来一段时间内光伏系统的输出功率进行准确的预测是非常重要的。目前，光伏输出功率预测方法主要集中于单一的人工智能预测方法，包括人工神经网络，支持向量机等，单一预测模型通常受到自身特性的局限性，不仅对预测结果将产生较大的误差，且学习速本文档来自技高网...

【技术保护点】
1.一种光伏发电系统的输出功率预测方法，其特征在于，包括：获取预设时间段内光伏发电系统的历史输出功率数据与相应的气象数据；利用完整集合经验模式分解算法将所述历史输出功率数据分解为多个子序列；将各子序列与各自相应的气象数据构成预测数据集，输入预先构建的核极限学习机预测模型，以得到各子序列对应的预测结果；根据各子序列的预测结果确定所述光伏发电系统当前输出功率的预测值；其中，所述核极限学习机预测模型为基于核极限学习算法训练多组光伏发电系统的历史输出功率数据与相应的气象数据构成的训练样本集，并利用改进蝙蝠算法在所述核极限学习机预测模型训练过程中进行参数寻优。

【技术特征摘要】
1.一种光伏发电系统的输出功率预测方法，其特征在于，包括：获取预设时间段内光伏发电系统的历史输出功率数据与相应的气象数据；利用完整集合经验模式分解算法将所述历史输出功率数据分解为多个子序列；将各子序列与各自相应的气象数据构成预测数据集，输入预先构建的核极限学习机预测模型，以得到各子序列对应的预测结果；根据各子序列的预测结果确定所述光伏发电系统当前输出功率的预测值；其中，所述核极限学习机预测模型为基于核极限学习算法训练多组光伏发电系统的历史输出功率数据与相应的气象数据构成的训练样本集，并利用改进蝙蝠算法在所述核极限学习机预测模型训练过程中进行参数寻优。2.根据权利要求1所述的光伏发电系统的输出功率预测方法，其特征在于，所述根据各子序列的预测结果确定所述光伏发电系统当前输出功率的预测值包括：将各个预测结果进行求和，作为所述光伏发电系统输出功率的预测值。3.根据权利要求1所述的光伏发电系统的输出功率预测方法，其特征在于，所述利用完整集合经验模式分解算法将所述历史输出功率数据分解为多个子序列包括：将所述历史输出功率数据归类到相应的各类气象数据；利用完整集合经验模式分解算法分别将每类天气类型下的历史输出功率数据为多个子序列。4.根据权利要求3所述的光伏发电系统的输出功率预测方法，其特征在于，所述将所述历史输出功率数据归类到相应的各类气象数据包括：采用K-Means聚类算法对不同天气类型的历史输出功率数据进行归类。5.根据权利要求1至4任意一项所述的光伏发电系统的输出功率预测方法，其特征在于，在所述根据各子序列的预测结果确定所述光伏发电系统的输出功率预测值之后，还包括：获取已知时间段内的实测输出功率值与相应的目标预测值；根据所述实测输出功率值与所述目标预测值的差异，对所述光伏发电系统输出功率的预测结果进行调整；其中，所述目标预测值为利用所述核极限学习机预测模型预测的已知时间段内的输出功率。6.根据权利要求5所述的光伏发电系统的输出功率预测方...

【专利技术属性】
技术研发人员：刘博，武小梅，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44