一种光伏日前功率预测方法、装置以及存储介质制造方法及图纸

本发明专利技术公开了一种光伏日前功率预测方法、装置以及存储介质，属于光伏功率预测技术领域。该方法包括根据预测时间从历史数据库中提取训练所需的样本数据；将经过预处理后的样本数据输入SVM算法以及BP神经网络算法进行训练，得到SVM模型以及BP神经网络模型；根据工程系数算法构建工程系数算法模型；将测试数据分别输入所述SVM模型、工程系数算法模型以及BP神经网络模型，获取对于的第一光伏功率预测值；根据所述SVM算法、BP神经网络算法以及工程系数算法，构建线性组合预测算法模型；将所述对应的光伏功率预测值输入所述组合预测算法模型，获得第二光伏功率预测值，使光伏日前功率预测精度大大提升。

A forecasting method, device and storage medium of photovoltaic day ahead power

【技术实现步骤摘要】
一种光伏日前功率预测方法、装置以及存储介质
本专利技术属于光伏功率预测
，具体地说，涉及一种光伏日前功率预测方法、装置以及存储介质。
技术介绍
光伏功率预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对光伏功率发展做出预先估计和推测。光伏功率预测是电力系统规划、计划、用电、调度等部门的基础工作。高质量的光伏功率预测，可以有效的降低发电成本，保证电站优先完成基础计划的基础上成交更多的现货，提升电站发电效率，使企业在交易过程中收益最大化，实现国能日新的市场化目标。由于光伏功率除了受温度、天气状况等非线性因素影响之外，还具有自身的随机性，故光伏功率预测是一个十分复杂过程。传统的电力系统光伏功率预测方法有单耗法、弹性系数法等。但随着国名经济的发展，这些预测方法的准确性已经得不到很好的保证。由于人工智能技术的迅猛发展，使灰色理论法神经网络法及模糊聚类法在光伏功率预测领域得到广泛应用。灰色理论法神经网络法及模糊聚类法较以前的方法更能处理光伏功率和影响因素之间的非线性关系，因而得到了较高的预测精度。现有技术通过利用神经网络的方法进行光伏功率预测，其中前向神经网络可以通过学习，从复杂的样本数据中拟合出输人输出之间高维、非线性的映射关系，从而进行较高精度的预测。此外，通过DLF波动性分析，可以对波动性较小的光伏功率直接根据系统负荷分配或者减少参与训练的算法数量，大大节省了计算时间。中国专利公开号为CN109523084A，公开了一种基于主元分析和机器学习的风电功率超短期预测方法，涉及电力系统
该方法首先采集n组风电数据样本集，并对缺失值采用插值方式处理；然后将n组样本历史数据中对影响风电功率大小的影响因子矩阵进行主元分析，根据累计贡献率来确定变换后的主成分数据；然后将主成分数据和截止到t-1时刻的n组风电功率结合，作为机器学习神经网络模型的输入，再将t时刻的风电功率序列作为其目标输出，对该模型进行调参训练，保存训练后的最佳模型；最后对此模型输入预测样本即可得到风电功率的预测序列。然而，灰色预测模型从理论上讲可以适用于任何非线性变化的光伏功率预测指标,但一旦数据的离散度大，预测精度就会大大降低，且该方法通常对较长时间间隔的预测不太准确。从而利用神经网络的方法进行光伏功率预测时，光伏功率受到多种因素的影响，存在复杂非线性现象，光伏功率曲线的变化形态同历史光伏功率曲线的变化形态差异较大，用前向神经网络无法对上述各种情况下的光伏功率进行较好精度的预测。且纯BP神经网络需要的训练数据量较大，实际生产中的数据量可能无法满足其训练要求。
技术实现思路
1、要解决的问题针对现有光伏日前功率预测方法，由于处理的数据的离散度大，预测精度就会大大降低的问题。本专利技术提供一种光伏日前功率预测方法、装置以及存储介质，通过使用组合预测的方法，将工程系数法、BP神经网络算法，SVM算法的预测结果通过线性加权的方式组合起来，组合预测算法根据前一周负荷预测的残差，更新三种算法线性加权的权值，最大限度的保证了算法的精度。2、技术方案为解决上述问题，本专利技术采用如下的技术方案。本专利技术第一方面提供一种光伏日前功率预测方法，包括：根据预测时间从历史数据库中提取训练所需的样本数据，并对所述样本数据进行预处理；将经过预处理后的样本数据输入SVM算法以及BP神经网络算法进行训练，得到SVM模型以及BP神经网络模型；根据工程系数算法构建工程系数算法模型；将测试数据分别输入所述SVM模型、工程系数算法模型以及BP神经网络模型，获取对于的第一光伏功率预测值；根据所述SVM算法、BP神经网络算法以及工程系数算法，构建线性组合预测算法模型；将所述对应的第一光伏功率预测值输入所述组合预测算法模型，获得第二光伏功率预测值。优选的，所述通过DLF波动性指标对前一天的第二光伏功率预测值进行分类，当波动性高于阈值时，选用线性组合预测算法模型对当天第一光伏功率预测值进行处理；当波动性低于阈值时，选用工程系数算法模型对当天样本数据进行处理。优选的，所述DLF波动性指标的计算公式如下：其中：N表示为一天的光伏功率数据点数，load表示为某单个前一天的光伏功率数据向量，loadi表示第i的数据点的光伏功率，DLF表示波动性指标。优选的，所述将经过预处理后的样本数据输入SVM算法进行训练，得到SVM模型步骤包括：将经过预处理后的样本数据归一化处理；对归一化后的数据进行相关性分析，对所述样本数据二次筛选；将经过二次筛选样本数据输入核函数进行训练得到SVM模型。优选的，所述对归一化后的数据进行相关性分析步骤包括，根据下列公式进行相关性分析：其中N表示为一天的光伏功率数据点数，样本数据输入为X＝{x1,x2,x3,L,xi,L,xN}；输出数据为Y＝{y1,y2,y3,L,yi,L,yN}；r表示相关性系数。优选的，所述根据所述SVM算法、BP神经网络算法以及工程系数算法，构建线性组合预测算法模型步骤包括：以前一日的第一光伏功率预测误差最小，构建目标函数；设定第一光伏功率预测值对象的观测值为xt(i＝1,2,K,N)；设定第一光伏功率预测值对象存在m种单一预测方法，设第i种单一预测方法的预测值为xit(i＝1,2,...,m)，具体的，向所述SVM模型输入测试数据，获取第一光伏功率预测值X1t；向所述工程系数算法模型输入测试数据，获取第一光伏功率预测值X2t向所述BP神经网络模型输入测试数据，获取光伏功率预测值X3t；则eit＝xt-xit为第i种单一预测方法的预测误差，设li(i＝1,2,…,m)为第i种单一预测方法的加权系数，应该满足设为xt的组合预测值，设et为组合预测的预测误差，则有同时设J表示组合预测的预测误差平方和，则有由此可得基于预测误差最小二乘为准则的线性组合预测模型为：令L＝(l1,l2,…,lm)T，R＝(1,1,…,1)T，Ei＝(ei1,ei2,…,eiV)T，其中L表示组合预测加权系数列向量，R表示元素全为1的m维列向量，Ei表示第i种单一预测方法的预测误差列向量；T表示矩阵的转置；再令E＝(Eij)m×m，即E第i行第j列的元素为Eij；E被称为组合预测误差信息矩阵，则原模型可表示为矩阵形式：minJ＝LTELs.t.RTL＝1利用拉格朗日乘数法，可以求得：其中L*代表是各个预测算法对应的权值(变量值)；J*代表组合预测最优预测值向量，即为前一天光伏功率预测值与当日实际值的误差。优选的，所述对所述样本数据进行预处理步骤包括：设定阈值，选取符合阈值范围的所述样本数据；对所述样本数据中的空缺值通过线性插值方法进行修补。优选的，所述样本数据包括光伏功率历史数据和气象历史数据。本专利技术第二本文档来自技高网...

【技术保护点】
1.一种光伏日前功率预测方法，其特征在于，包括：/n根据预测时间从历史数据库中提取训练所需的样本数据，并对所述样本数据进行预处理；/n将经过预处理后的样本数据输入SVM算法以及BP神经网络算法进行训练，得到SVM模型以及BP神经网络模型；根据工程系数算法构建工程系数算法模型；/n将测试数据分别输入所述SVM模型、BP神经网络模型以及工程系数算法模型，获取对于的第一光伏功率预测值；/n根据所述SVM算法、BP神经网络算法以及工程系数算法，构建线性组合预测算法模型；/n将所述对应的第一光伏功率预测值输入所述组合预测算法模型，获得第二光伏功率预测值。/n

【技术特征摘要】
1.一种光伏日前功率预测方法，其特征在于，包括：
根据预测时间从历史数据库中提取训练所需的样本数据，并对所述样本数据进行预处理；
将经过预处理后的样本数据输入SVM算法以及BP神经网络算法进行训练，得到SVM模型以及BP神经网络模型；根据工程系数算法构建工程系数算法模型；
将测试数据分别输入所述SVM模型、BP神经网络模型以及工程系数算法模型，获取对于的第一光伏功率预测值；
根据所述SVM算法、BP神经网络算法以及工程系数算法，构建线性组合预测算法模型；
将所述对应的第一光伏功率预测值输入所述组合预测算法模型，获得第二光伏功率预测值。


2.根据权利要求1所述的光伏日前功率预测方法，其特征在于：所述
通过DLF波动性指标对前一天的第二光伏功率预测值进行分类，当波动性高于阈值时，选用线性组合预测算法模型对当天第一光伏功率预测值进行处理；当波动性低于阈值时，选用工程系数算法模型对当天样本数据进行处理。


3.根据权利要求2所述的光伏日前功率预测方法，其特征在于：所述DLF波动性指标的计算公式如下：



其中：N表示为一天的光伏功率数据点数，load表示为某单个前一天的光伏功率数据向量，loadi表示第i的数据点的光伏功率，DLF表示波动性指标。


4.根据权利要求1所述的光伏日前功率预测方法，其特征在于：所述将经过预处理后的样本数据输入SVM算法进行训练，得到SVM模型步骤包括：
将经过预处理后的样本数据归一化处理；
对归一化后的数据进行相关性分析，对所述样本数据二次筛选；
将经过二次筛选样本数据输入核函数进行训练得到SVM模型。


5.根据权利要求4所述的光伏日前功率预测方法，其特征在于：所述对归一化后的数据进行相关性分析步骤包括，根据下列公式进行相关性分析：



其中N表示为一天的光伏功率数据点数，样本数据输入为X＝{x1,x2,x3,L,xi,L,xN}；输出数据为Y＝{y1,y2,y3,L,yi,L,yN}；r表示相关性系数。


6.根据权利要求1所述的光伏日前功率预测方法，其特征在于：所述根据所述SVM算法、BP神经网络算法以及工程系数算法，构建线性组合预测算法模型步骤包括：
以前一日的第一光伏功率预测误差最小，构建目标函数；
设定第一光伏功率预测值对象的观测值为xt(i＝1,2,K,N)；
设定第一光伏功率预测值对象存在m种单一预测方法，设第i种单一预测方法的预测值为xit(i＝1,2,...,m)，具体的，向所述SVM模型输入测试数据，获取第一光伏功率预测值...

【专利技术属性】
技术研发人员：刘庆程，
申请(专利权)人：江苏远致能源科技有限公司，
类型：发明
国别省市：江苏;32