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，且学习速度较慢。举例来说，BP神经网络存在学习速度慢、易陷入局部极值等缺点；支持向量机的学习参数对预测模型的性能存在较大影响；普遍采用的粒子群算法存在易陷入局部最优、其最终收敛结果易受算法参数大小和初始种群的影响。因此，如何提高光伏发电系统输出功率的预测准确度和预测速率，是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术实施例的目的是提供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，核极限学习机预测模型学习速度快，泛化性能好，有效的提高了光伏发电系统输出功率预测的准确度和速率。为解决上述技术问题，本专利技术实施例提供以下技术方案：本专利技术实施例一方面提供了一种光伏发电系统的输出功率预测方法，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。可选的，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。可选的，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。可选的，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。可选的，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。可选的，所述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包括：根据下述公式计算平均绝对百分比误差：根据所述平均绝对百分比误差对所述光伏发电系统输出功率的预测结果进行调整；其中，MAPE为所述平均绝对百分比误差，Yi为所述实测输出功率值，为所述目标预测值，N为预测的样本数。可选的，所述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包括：根据下述公式计算均方根误差：根据所述均方根误差对所述光伏发电系统输出功率的预测结果进行调整；其中，RMSE为所述均方根误差，Y为所述实测输出功率值，为所述目标预测值，N为预测的样本数。本专利技术实施例另一方面提供了一种光伏发电系统的输出功率预测装置，包括：获取模块，用于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；分解模块，用于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；预测模块，用于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；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；输出功率计算模块，用于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。本专利技术实施例还提供了一种光伏发电系统的输出功率预测设备，包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述光伏发电系统的输出功率预测方法的步骤。本专利技术实施例最后还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上存储有光伏发电系统的输出功率预测程序，所述光伏发电系统的输出功率预测程序被处理器执行时实现如前任一项所述光伏发电系统的输出功率预测方法的步骤。本专利技术实施例提供了一种光伏发电系统的输出功率预测方法，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当前输出功率的预测值。本申请提供的技术方案的优点在于，利用完整集合经验模态分解算法对光伏数据进行分解，具有良好的噪声鲁棒性和非递归性，克服了传统EMD方法模态混叠缺点以及EEMD分解低效率的问题，有利于抑制光伏序列输出信号的非平稳性，从而可获得更加准确的分解信号，有利于提高预测精度；利用核极限学习机良好的泛化性能以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，对完整集合经验模态分解后的序列进行预测，大大提高了预测的准确性；提高光伏发电系统输出功率预测的准确度，可有效的降低大规模光伏发电系统对电力系统的影响，提高电网对光伏的接纳能力。此外，本专利技术实施例还针对光伏发电系统的输出功率预测方法提供了相应的实现装置、设备及计算机可读存储介质，进一步使得所述方法更具有实用性，所述装置、设备及计算机可读存储介质具有相应的优点。附图说明为了更清楚的说明本专利技术实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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为本专利技术实施例提供的一个示例性应用场景的预测结果示意；图2为本专利技术实施例提供的一种光伏发电系统的输出功率预测方法的流程示意图；图3为本专利技术实施例提供的另一种光伏发电系统的本文档来自技高网...

【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