基于天气类型指数区间的光伏功率预测方法、终端及介质技术

本发明专利技术提供了一种基于天气类型指数区间的光伏功率预测方法、终端及介质，包括：获取天气类型数据，并转化为天气类型指数；将所述天气类型指数划分为多个指数区间，其中每一个指数区间分别对应不同的日类型；将历史数据根据每小时天气类型指数分别归入对应的指数区间内，形成多个日类型子集；利用不同的日类型子集分别训练不同的深度神经网络，得到对应的分类预测子模型；将影响光伏出力的气象和功率特征作为所述分类预测子模型的输入，利用所述分类预测子模型预测不同天气类型下的光伏功率。本发明专利技术在非晴天天气下可以有效利用输入特征，具备识别剧烈变化天气下光伏输出功率突变的能力，从而提升预测精度。

【技术实现步骤摘要】
基于天气类型指数区间的光伏功率预测方法、终端及介质
本专利技术涉及光伏发电
的一种功率预测技术，具体地，涉及一种基于天气类型指数区间划分的光伏功率预测方法、终端及介质。
技术介绍
为解决传统能源带来的各类问题，太阳能光伏发电技术迅速发展。光伏发电的随机性和间歇性为电网稳定可靠运行带来显著影响，精准的短期光伏输出功率预测愈发重要，目前已有较多相关研究成果。光伏出力预测按照预测过程可以分为间接预测和直接预测。其中，直接预测将历史发电量和天气数据进行建模，具备建模过程简单、无需测量太阳辐射强度的优势。以神经网络为主流的元启发式学习算法由于非线性表达能力强等优势在直接光伏功率预测领域得到广泛应用。光伏出力的直接预测基于历史出力和气象预报数据，由于大气环境复杂，天气类型的变化成为日前光伏功率预测精度下降的主要原因之一。当原始数据样本少且天气预报类型分散时，神经网络学习效率下降，复杂规律将被遮盖。将样本分类筛选进而建立各类对应的预测子模型，可以提升神经网络学习效率，针对性地学习规律一致的样本。当原始数据不充足时，进行分类训练有利于网络对特征规律的学习本文档来自技高网...

【技术保护点】
1.一种基于天气类型指数区间的光伏功率预测方法，其特征在于，包括：/n获取天气类型数据，并转化为天气类型指数；/n将所述天气类型指数划分为多个指数区间，其中每一个指数区间分别对应不同的日天气类型；/n将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内，形成多个日天气类型子集；/n利用不同的日天气类型子集分别训练深度神经网络，得到对应的分类预测子模型；/n将影响光伏出力的气象和功率特征作为所述分类预测子模型的输入，利用所述分类预测子模型预测不同天气类型下的光伏功率。/n

【技术特征摘要】
1.一种基于天气类型指数区间的光伏功率预测方法，其特征在于，包括：
获取天气类型数据，并转化为天气类型指数；
将所述天气类型指数划分为多个指数区间，其中每一个指数区间分别对应不同的日天气类型；
将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内，形成多个日天气类型子集；
利用不同的日天气类型子集分别训练深度神经网络，得到对应的分类预测子模型；
将影响光伏出力的气象和功率特征作为所述分类预测子模型的输入，利用所述分类预测子模型预测不同天气类型下的光伏功率。


2.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述获取天气类型数据，并转化为天气类型指数的方法，包括：
获取气象预报中的每小时天气类型数据量化为天气类型指数；其中，所述每小时天气类型数据与天气类型指数之间的映射关系为：





3.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述日天气类型与所述指数区间之间的对应关系为：





4.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内，形成多个日天气类型子集，包括：
当某日每小时天气类型数据对应的天气类型指数均落在相应区间内，则将该日的气象与光伏功率数据归入对应的指数区间，并形成相应的日天气类型子集。


5.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述利用不同的日天气类型子集分别训练深度神经网络，包括：
设置深度神经网络的超参数...

【专利技术属性】
技术研发人员：吴清，李志勇，郑若楠，李国杰，汪可友，徐晋，何光宇，钟准，方连航，吴天杰，禹鹏，
申请(专利权)人：海南省电力学校海南省电力技工学校，上海交通大学，
类型：发明
国别省市：海南;46