光伏输出功率预测方法、系统和存储介质技术方案

本发明专利技术提供一种光伏输出功率预测方法、系统和存储介质，该方法包括：获取在预设历史时间段内的光伏输出数据和气象数据；采用小波包分解算法对所述光伏输出功率序列进行分解，得到2

【技术实现步骤摘要】
光伏输出功率预测方法、系统和存储介质
本专利技术涉及电网
，具体涉及一种光伏输出功率预测方法、系统和存储介质。
技术介绍
光伏电能是一种可再生、清洁和灵活的分布式能源，它被认为是满足全球日益增长的清洁能源需求的关键解决方案之一，带来了巨大的经济和环境效益。然而，由于其不确定性和间歇性特征，光伏发电的高渗透性也给电力系统运行和规划带来了许多新的挑战。这些挑战包括对气象条件的敏感性、随机波动性和发电间歇性。相关研究表明，当并网光伏容量在电力系统中所占比例超过15％时，其波动可能会引起电力系统故障。光伏发电量预测是应对这些挑战的有效解决方案，准确预测光伏发电的输出功率能够为终端消费者提供高质量的电能和提高电力系统运行的可靠性。现有的技术方案框架是：在建模阶段，采用分类或聚类方法，将在光伏电站收集到的气象因素和光伏输出功率的历史数据经过处理后利用分类或聚类算法分不同的气象类型，对不同类型下的天气分别进行建模。在预测阶段判别预测日所属的气象类型，将预测日的气象预报数据输入至相应气象类别下的预测模型中，获得最终的光伏输出功率预测结果。但是现有技术由于采用了气象预报数据，因此会引入气象预报误差，降低了预测精度。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种光伏输出功率预测方法、系统和存储介质，可以提高预测精度。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：第一方面，本专利技术提供一种光伏输出功率预测方法，包括：获取在预设历史时间段内的光伏输出数据和气象数据；其中，所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列，所述气象数据为多个气象因素在所述多个时间点的值；采用小波包分解算法对所述光伏输出功率序列进行分解，得到2n个分解序列，对2n个分解序列分别进行单支重构，得到2n个重构序列；其中，n为分解层数；将2n个重构序列分别与对应的气象数据合并，得到2n个数据集；将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中，得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果；将2n个长短期记忆神经网络单元输出的预测结果进行加权求和，得到所述预设未来时间段内的光伏输出功率的综合预测结果；其中，所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列，所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。第二方面，本专利技术提供一种光伏输出功率预测系统，包括：数据获取模块，用于获取在预设历史时间段内的光伏输出数据和气象数据；其中，所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列，所述气象数据为多个气象因素在所述多个时间点的值；分解重构模块，用于采用小波包分解算法对所述光伏输出功率序列进行分解，得到2n个分解序列，对2n个分解序列分别进行单支重构，得到2n个重构序列；其中，n为分解层数；数据合并模块，用于将2n个重构序列分别与对应的气象数据合并，得到2n个数据集；功率预测模块，用于将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中，得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果；将2n个长短期记忆神经网络单元输出的预测结果进行加权求和，得到所述预设未来时间段内的光伏输出功率的综合预测结果；其中，所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列，所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可实现如上光伏输出功率预测方法。(三)有益效果本专利技术实施例提供了一种光伏输出功率预测方法、系统和存储介质，首先利用小波包分解算法对光伏输出四级进行分解和单支重构，进而利用重构序列和气象数据构成2n个数据集，将2n个数据集输入2n个长短期记忆神经网络单元中，得到2n个预测结果，最后对2n个预测结果加权求和得到综合预测结果。可见，本专利技术提出了一种结合小波包分解算法和长期短期记忆网络单元的混合深度学习模型，用于短期光伏输出功率的预测。本专利技术根据历史时间段内的光伏输出数据和气象数据处理得到数据集，进而将数据集作为长短期记忆神经网络单元的输入，相对于传统技术中需要输入气象预测数据的方式，避免引入气象数据预测误差，考虑了历史气象条件对未来光伏输出功率趋势的影响，提高预测精度。同时，无需对气象类型进行分类，避免天气类型判别错误造成的预测误差。此外，本专利技术提供的方法输出的综合预测结果平稳且准确，可为电力系统的调度提供参考，降低分布式能源管理系统的运行和规划的不确定性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，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地介绍，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示出了本专利技术一实施例中光伏输出功率预测方法的流程示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。第一方面，本专利技术提供一种光伏输出功率预测方法，可以利用该方法实现短期内光伏输出功率的预测。如图1所示，所述方法包括：S100、获取在预设历史时间段内的光伏输出数据和气象数据；其中，所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列，所述气象数据为多个气象因素在所述多个时间点的值；可理解的是，预设历史时间段可以根据需要设置，例如，要预测明天的光伏输出功率，则采集今天这一天的光伏输出数据和气象数据，即根据今天0点～24点内的光伏输出数据和气象数据，预测明天0点～24点内的光伏输出。可理解的是，光伏输出功率序列为预设历史时间段内多个时间点对应的光伏输出功率所形成，例如，今天的各个整点(0点、1点、2点、3点……23点)分别对应的光伏输出功率形成一个光伏输出功率序列。可理解的是，气象数据为多个气象因素在所述多个时间点的值，假设一共有k个气象因素，这k个气象因素分别在今天的0点、1点、2点、3点……23点的值形成今天的气象数据。在实际应用中，气象数据可以从光伏电站获取，也可以从当地气象站获取。由于影响光伏输出功率的气象因素众多，但是由于各个光伏电站所能获取的气象数据不同且受到光伏电站所在地理位置的影响，因此可以对影响光伏输出功率的主要因素进行筛选，将筛选出来的主要因素作为步骤S100中需要的气象数据。例如，筛选出来的气象因素有温度、光照、风向、风力、湿度等。在获取到气象数据后，还可以对气象数据进行归一化处理。在实际应用中，在执行后续步骤之前，还可以对所述光伏输出功率序列进行预本文档来自技高网...

【技术保护点】
1.一种光伏输出功率预测方法，其特征在于，包括：获取在预设历史时间段内的光伏输出数据和气象数据；其中，所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列，所述气象数据为多个气象因素在所述多个时间点的值；采用小波包分解算法对所述光伏输出功率序列进行分解，得到2

【技术特征摘要】
1.一种光伏输出功率预测方法，其特征在于，包括：获取在预设历史时间段内的光伏输出数据和气象数据；其中，所述光伏输出数据为所述预设历史时间段内多个时间点对应的多个光伏输出功率所形成的光伏输出功率序列，所述气象数据为多个气象因素在所述多个时间点的值；采用小波包分解算法对所述光伏输出功率序列进行分解，得到2n个分解序列，对2n个分解序列分别进行单支重构，得到2n个重构序列；其中，n为分解层数；将2n个重构序列分别与对应的气象数据合并，得到2n个数据集；将所述2n个数据集分别输入对应的预先训练的长短期记忆神经网络单元中，得到2n个长短期记忆神经网络单元分别对预设未来时间段内的光伏输出功率的预测结果；将2n个长短期记忆神经网络单元输出的预测结果进行加权求和，得到所述预设未来时间段内的光伏输出功率的综合预测结果；其中，所述预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率预测值所形成的序列，所述综合预测结果为所述预设未来时间段内多个时间点对应的多个光伏输出功率综合预测值所形成的序列。2.根据权利要求1所述的方法，其特征在于，所述采用小波包分解算法对所述光伏输出功率序列进行分解之前，所述方法还包括：对所述光伏输出功率序列进行预处理，所述预处理包括剔除异常数据、填充缺失数据和归一化处理；对应的，所述方法还包括：对所述综合预测结果进行反归一化处理。3.根据权利要求1所述的方法，其特征在于，所述光伏输出功率序列包括：X＝(Pt-m+1,Pt-m+2,...,Pt)T；m为所述多个时间点的数量；Pt为在所述预设历史时间段内的t时刻的光伏输出功率；对应的，所述2n个分解序列为其中，第i个分解序列xi为为第i个分解序列中的第m/2n个元素；对应的，所述2n个重构序列为其中，第i个重构序列Si为为第i个重构序列中的第m个元素，与Pt相对应。4.根据权利要求3所述的方法，其特征在于，在所述预设历史时间段内的t时刻对应的气象数据包括:Ht＝(a1,t,a2,t,...,ak,t)；k为所述多个气象因素的数量；对应的，第i个重构序列与对应的气象数据合并后得到的第i个数据集包括：其中，5.根据权利要求1所述的方法，其特征在于，所述方法还包括：预先计算2n个长短期记忆神经网络单元各自的权重；其中，所述2n个长短期记忆...

【专利技术属性】
技术研发人员：周开乐，李鹏涛，杨善林，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34