基于小时级天气类型校正的光伏功率短期预测方法及系统技术方案

本公开提供了一种基于小时级天气类型校正的光伏功率短期预测方法，获取待预测日的光辐照强度预报结果和天气类型预报结果；将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中，得到待预测日的第一功率预测结果；将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中，得到待预测日的第二功率预测结果；根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数，进而得到最终的功率预测结果；本公开充分考虑了电站在极端天气条件下普遍存在的预测精度不足的问题，在保证模型通用性的基础上同时充分考虑了极端天气的特性情况，在兼顾稳定性的情况下提高了预测的精度。的精度。的精度。

【技术实现步骤摘要】
基于小时级天气类型校正的光伏功率短期预测方法及系统


[0001]本公开涉及光伏功率预测
，特别涉及一种基于小时级天气类型校正的光伏功率短期预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。
[0003]迫于气候变化、环境污染、化石能源枯竭等各种压力，我国能源供给结构正发生深刻变化，严峻事实无疑促进了可再生能源技术的快速发展和整合，如太阳能光伏发电，2019年全球新增光伏装机量约123GW，较去年增长11.2％，2020年预计增长率更高。作为光伏第一大市场，截至2019年底，中国光伏新增装机量达到30.1GW，同比增长17.1％，累计光伏并网装机量达到204.3GW，因此光伏发展在中国还有更大潜力。作为新能源光伏电站系统中不可或缺的一部分，光伏电站时间多尺度发电功率预测是降低光伏电源随机性对电力调控系统影响的重要手段。
[0004]专利技术人发现，随着底层算法技术的不断突破，光伏功率预测方法也历经数理统计模型、BP神经网络、支持向量机等传统算法模型的不断革新，预测准确度不断提升，但在电站实际需求中存在稳定性与精度难以兼得的情况，无法实现稳定的精准预测。

技术实现思路

[0005]为了解决现有技术的不足，本公开提供了一种基于小时级天气类型校正的光伏功率短期预测方法及系统，充分考虑了电站在极端天气条件下普遍存在的预测精度不足的问题，通过光辐照预报值的变换建立适应性与鲁棒性较强的主映射模型，通过小时级的功率差值校正量反馈到主模型中，在保证模型通用性的基础上同时充分考虑了极端天气的特性情况，在兼顾稳定性的情况下提高了预测的精度。
[0006]为了实现上述目的，本公开采用如下技术方案：
[0007]本公开第一方面提供了一种基于小时级天气类型校正的光伏功率短期预测方法。
[0008]一种基于小时级天气类型校正的光伏功率短期预测方法，包括以下步骤：
[0009]获取待预测日的光辐照强度预报结果和天气类型预报结果；
[0010]将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中，得到待预测日的第一功率预测结果；
[0011]将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中，得到待预测日的第二功率预测结果；
[0012]根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数，进而得到最终的功率预测结果。
[0013]本公开第二方面提供了一种基于小时级天气类型校正的光伏功率短期预测系统。
[0014]一种基于小时级天气类型校正的光伏功率短期预测系统，包括：
[0015]数据获取模块，被配置为：获取待预测日的光辐照强度预报结果和天气类型预报
结果；
[0016]第一预测模块，被配置为：将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中，得到待预测日的第一功率预测结果；
[0017]第二预测模块，被配置为：将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中，得到待预测日的第二功率预测结果；
[0018]预测融合模块，被配置为：根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数，进而得到最终的功率预测结果。
[0019]本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于小时级天气类型校正的光伏功率短期预测方法中的步骤。
[0020]本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于小时级天气类型校正的光伏功率短期预测方法中的步骤。
[0021]与现有技术相比，本公开的有益效果是：
[0022]1、本公开所述的方法、系统、介质或电子设备，充分考虑了电站在极端天气条件下普遍存在的预测精度不足的问题，首先通过光辐照预报值的变换建立适应性与鲁棒性较强的主映射模型，其次通过小时级的功率差值校正量反馈到主模型中，在保证模型通用性的基础上同时充分考虑了极端天气的特性情况。
[0023]2、本公开所述的方法、系统、介质或电子设备，针对人工智能算法在光伏电站预测应用时存在的稳定性与鲁棒性问题，通过建立小时级天气类型校正网络并作用于每日光辐照度
‑
功率输出ELM映射模型，解决了在极端天气类型下存在的稳定性难题，提升了模型总体鲁棒性能。
附图说明
[0024]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0025]图1为本公开实施例1提供的辐照度预报信息修正示意图。
[0026]图2为本公开实施例1提供的ELM映射网络结构示意图。
[0027]图3为本公开实施例1提供的GRU辅助校正模型示意图。
[0028]图4为本公开实施例1提供的光伏功率短期预测整体方法框架示意图。
具体实施方式
[0029]下面结合附图与实施例对本公开作进一步说明。
[0030]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0031]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0032]在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0033]实施例1：
[0034]如图1
‑
4所示，本公开实施例1提供了一种基于小时级天气类型校正的光伏功率短期预测方法，包括以下步骤：
[0035]获取待预测日的光辐照强度预报结果和天气类型预报结果；
[0036]将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中，得到待预测日的第一功率预测结果；
[0037]将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中，得到待预测日的第二功率预测结果；
[0038]根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数，进而得到最终的功率预测结果。
[0039]具体的，包括以下内容：
[0040]首先根据第三方气象预报信息机构获得的该地每日小时级光辐照强度进行数据插值扩充，由24点小时光辐照强度通过interp1d函数插值扩充为15分钟级96点数据；
[0041]接下来通过电站一年内气象站采集光辐照强度的实际值与所存一年光辐照强度预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小时级天气类型校正的光伏功率短期预测方法，其特征在于：包括以下步骤：获取待预测日的光辐照强度预报结果和天气类型预报结果；将获取的光辐照强度预报结果输入到预设的基于极限学习机构建的映射模型中，得到待预测日的第一功率预测结果；将获取的天气类型预报结果输入到预设的基于门控循环单元神经网络的预测模型中，得到待预测日的第二功率预测结果；根据预设的遗传算法模型得到第一功率预测结果和第二功率预测结果权重系数，进而得到最终的功率预测结果。2.如权利要求1所述的基于小时级天气类型校正的光伏功率短期预测方法，其特征在于：获取每日小时级光辐照强度数据，由小时级光辐照强度数据插值扩充为15分钟级光辐照强度数据作为映射模型的输入。3.如权利要求2所述的基于小时级天气类型校正的光伏功率短期预测方法，其特征在于：通过interp1d函数将小时级光辐照强度数据插值扩充为15分钟级光辐照强度数据。4.如权利要求1所述的基于小时级天气类型校正的光伏功率短期预测方法，其特征在于：获取预设时间段内的光辐照强度的实际值与预报值并进行误差分析，利用误差分析结果校正待预测日的光辐照强度值，得到最终的待预测日的光辐照强度预报结果。5.如权利要求1所述的基于小时级天气类型校正的光伏功率短期预测方法，其特征在于：采用Moore
‑
Penrose广义逆运算获取基于极限学习机构建的映射模型的输出权重。6.如权利要...

【专利技术属性】
技术研发人员：张承慧，李建靖，孙波，于彬彬，郑刚，
申请(专利权)人：山东大学，
类型：发明
国别省市：