一种基于多算法优化的双层混合光伏预测方法及计算机设备技术

本发明专利技术公开了一种基于多算法优化的双层混合光伏预测方法及计算机设备，属于光伏预测技术领域。现有的光伏出力预测方案，准确度不高，无法实现短期光伏功率准确预测。本发明专利技术的一种基于多算法优化的双层混合光伏预测方法，对获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；并将光伏历史输出功率数据分成时序分量和随机分量，并根据时序特征量形成时序层、随机层；然后叠加时序层和随机层，得到光伏出力预测模型，对光伏出力进行准确预测。本发明专利技术能够综合考虑随机因素和时序因素对模型的影响，有效提高模型预测的准确度，实现光伏出力的短期准确预测，以增强电力系统整体稳定性。系统整体稳定性。系统整体稳定性。

【技术实现步骤摘要】
一种基于多算法优化的双层混合光伏预测方法及计算机设备


[0001]本专利技术涉及一种基于多算法优化的双层混合光伏预测方法及计算机设备，属于光伏预测


技术介绍

[0002]当前，利用太阳能的主要问题是其时空规律性不明显，太阳辐射量的大小可以分为两部分，第一部分表示时序部分，第二部分表示随机部分。时序分量是由地球的自转和公转运动决定的，随机分量是由天气等随机因素决定的，这就导致光伏出力也存在时序性和确定性两部分。太阳能的间歇性对光伏电站输出功率的影响很大，增加了电力系统能量调度的难度。
[0003]自上个世纪八十年代人工神经网络诞生以来，越来越多的学者将其应用到光伏功率预测的研究上。如今，随着时间序列神经网络，如循环神经网络(RNN)的出现，利用时间序列预测已成为光伏功率预测的一大热门方法。然而，现有的时间序列预测方法基本上都是将光伏出力直接看作时间序列进行预测，而未专门考虑天气等随机因素对光伏出力的影响。
[0004]为了提高光伏短期的预测精度，很多学者选择对气象数据进行分类预测，即天气分型。这种分型预测方法有效地减小了相似日下的光伏短期预测误差，从整体上提高了预测精度。然而，常规的天气分型方法通常采取降水，风速，辐射量等随机因素进行分析，缺乏对时序分量的考虑，效果欠佳。
[0005]因此，现有的光伏出力预测方案，没有综合考虑随机因素和时序因素对模型的影响，导致模型预测的准确度不高，无法实现短期光伏功率准确预测，进而不利于电网管理人员合理调度和安排电能消纳，影响电力系统整体稳定性。r/>
技术实现思路

[0006]针对现有技术的缺陷，本专利技术的目的在于提供一种能兼顾考虑随机因素和时序因素的模型，对获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；并将光伏历史输出功率数据分成时序分量和随机分量，并根据时序特征量形成时序层、随机层；然后叠加时序层和随机层，得到光伏出力预测模型，对光伏出力进行预测；有效提高模型预测的准确度，有助于电网管理人员合理调度和安排电能消纳，以增强电力系统整体稳定性的基于多算法优化的双层混合光伏预测方法及计算机设备。
[0007]为实现上述目的，本专利技术的技术方案为：
[0008]一种基于多算法优化的双层混合光伏预测方法，包括以下步骤：
[0009]步骤1：获取某地天文数据、地理数据、气象数据、气象数据以及光伏历史输出功率数据；
[0010]步骤2：对步骤1中获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；
[0011]步骤3：对步骤1的气象数据，利用修正大气清晰度指数k
’
T
和水平面直射比B
d
，运用聚类分析算法，将其划分为天气类型1，天气类型2，天气类型3；
[0012]并将天气类型2细分为天气类型2
‑
1和天气类型2
‑
2；
[0013]步骤4：利用集合经验模态分解EEMD方法，并根据皮尔逊相关性模型将步骤1中的光伏历史输出功率数据分成时序分量和随机分量；
[0014]所述皮尔逊相关性模型，用于构建某地光伏输出功率与某地天文、地理、气象指标的关联性，并能根据光伏历史输出功率各信号分量的关联性大小，把各信号分量划分为时序分量或随机分量；
[0015]所述关联性为各信号分量与步骤2中时序特征量的相关系数；
[0016]步骤5：结合步骤3中天气类型，构建时序训练模型，对步骤4中的时序分量进行训练，形成滑动窗口，得到时序层；
[0017]所述时序训练模型为经过引力搜索算法GSA优化的长短期记忆人工神经网络LSTM模型；
[0018]步骤6：结合步骤3中天气类型，构建随机训练模型，对步骤4中的随机分量进行训练,得到随机层；
[0019]所述随机训练模型为经过贝叶斯优化的机器学习模型；
[0020]步骤7：叠加步骤5中时序层和步骤6中随机层，得到光伏出力预测模型；
[0021]所述光伏出力预测模型能够根据某地某时的天文数据、地理数据、气象数据，得到某时间段的光伏输出功率。
[0022]由于现有的光伏短期预测方法在天气分型上大多忽略了时序因素对模型的影响；现有的时间序列光伏短期预测方法在原理设计上大多忽略了随机部分对模型的影响。
[0023]因此本专利技术综合考虑随机因素和时序因素对模型的影响，对获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；并将光伏历史输出功率数据分成时序分量和随机分量，并根据时序特征量形成时序层、随机层；然后叠加时序层和随机层，得到光伏出力预测模型，对光伏出力进行准确预测；有效提高模型预测的准确度，实现光伏出力的短期准确预测，有助于电网管理人员合理调度和安排电能消纳，以增强电力系统整体稳定性。
[0024]进一步，本专利技术兼顾了光伏出力的时间连续性和随机波动性，有效提高预测准确度，可以适用于大多数光伏出力预测情景，预测速度快，适用性强。
[0025]作为优选技术措施：
[0026]所述步骤1中，获取的数据特征量包括年，月，日，时，本站气压，环境温度，相对湿度，降水，平均风速，水平能见度，总云量，赤纬角，时角，修正大气清晰度指数，地外总辐射，水平面总辐射，散射辐射，法向辐射，反射辐射和日照百分率。
[0027]作为优选技术措施：
[0028]所述步骤2中对获取的数据进行处理，包括对获取的某地天文、地理和气象数据进行分类，筛选；
[0029]其中时序特征量包括年、月、日、时、赤纬角、时角、地外总辐射I0；
[0030]所述随机特征量包括本站气压，环境温度，相对湿度，降水，平均风速，水平能见度，总云量，修正大气清晰度指数，水平面总辐射，散射辐射，法向辐射，反射辐射和日照百
分率；
[0031]同时筛除异常值，其包括筛除太阳高度角小于10
°
的数据。
[0032]作为优选技术措施：
[0033]所述步骤3中的天气类型1为恶劣天气，天气类型2为转折天气，天气类型3为晴空天气，天气类型2
‑
1为晴转阴，天气类型2
‑
2为阴转晴。
[0034]作为优选技术措施：
[0035]所述步骤3中聚类分析算法为二阶聚类和逻辑回归；
[0036]所述修正大气清晰度指数k
’
T
，其计算公式为：
[0037][0038]式中，k
T
为修正前的大气清晰度指数，m为大气质量；
[0039]所述修正前的大气清晰度指数，其计算公式为：
[0040][0041][0042]式中，I表示获取的气象数据中的水平面总辐射，γ为日地距离订正系数，E
SC
为太阳常数，取值为1367
±
7W/m2，δ为赤纬角，φ和ω分别为纬度和时角；
[0043]所述赤纬角，其计算公式为：
[0044]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多算法优化的双层混合光伏预测方法，其特征在于，包括以下步骤：步骤1：获取某地天文数据、地理数据、气象数据以及光伏历史输出功率数据；步骤2：对步骤1中获取的数据信息进行分类和筛选，并将其划分为：时序特征量、随机特征量；步骤3：对步骤1的气象数据，利用修正大气清晰度指数k
’
T
和水平面直射比B
d
，运用聚类分析算法，将其划分为天气类型1，天气类型2，天气类型3；并将天气类型2细分为天气类型2
‑
1和天气类型2
‑
2；步骤4：利用集合经验模态分解EEMD方法，并根据皮尔逊相关性模型将步骤1中的光伏历史输出功率数据分成时序分量和随机分量；所述皮尔逊相关性模型，用于构建某地光伏输出功率与某地天文、地理、气象指标的关联性，并能根据光伏历史输出功率各信号分量的关联性大小，把各信号分量划分为时序分量或随机分量；所述关联性为各信号分量与步骤2中时序特征量的相关系数；步骤5：结合步骤3中天气类型，构建时序训练模型，对步骤4中的时序分量进行训练，形成滑动窗口，得到时序层；所述时序训练模型为经过引力搜索算法GSA优化的长短期记忆人工神经网络LSTM模型；步骤6：结合步骤3中天气类型，构建随机训练模型，对步骤4中的随机分量进行训练,得到随机层；所述随机训练模型为经过贝叶斯优化的机器学习模型；步骤7：叠加步骤5中时序层和步骤6中随机层，得到光伏出力预测模型；所述光伏出力预测模型能够根据某地某时的天文数据、地理数据、气象数据，得到某时间段的光伏输出功率。2.根据权利要求1所述的一种基于多算法优化的双层混合光伏预测方法，其特征在于，所述步骤1中，获取的数据特征量包括年，月，日，时，本站气压，环境温度，相对湿度，降水，平均风速，水平能见度，总云量，赤纬角，时角，修正大气清晰度指数，地外总辐射，水平面总辐射，散射辐射，法向辐射，反射辐射和日照百分率。3.根据权利要求2所述的一种基于多算法优化的双层混合光伏预测方法，其特征在于，所述步骤2中对获取的数据进行处理，包括对获取的某地天文、地理和气象数据进行分类，筛选；其中时序特征量包括年、月、日、时、赤纬角、时角、地外总辐射I0；所述随机特征量包括本站气压，环境温度，相对湿度，降水，平均风速，水平能见度，总云量，修正大气清晰度指数，水平面总辐射，散射辐射，法向辐射，反射辐射和日照百分率；同时筛除异常值，其包括筛除太阳高度角小于10
°
的数据。4.根据权利要求1所述的一种基于多算法优化的双层混合...

【专利技术属性】
技术研发人员：李芬，童力，周尔畅，孙凌，周金辉，吴栋萁，苏毅方，陈蕾，孙改平，杨兴武，符杨，邹旭东，刘爽，毛玲，林顺富，王凯，
申请(专利权)人：上海电力大学国网浙江省电力有限公司华中科技大学，
类型：发明
国别省市：