一种光伏功率预测方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种光伏功率预测方法、系统、设备及存储介质，方法包括通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO

【技术实现步骤摘要】
一种光伏功率预测方法、系统、设备及存储介质


[0001]本专利技术涉及电力系统
，尤其是涉及一种光伏功率预测方法、系统、设备及存储介质。

技术介绍

[0002]随着全球能源供应紧张局面的进一步加剧以及化石能源利用对气候升温与环境污染的影响作用日益突显，世界各国正积极寻求自身能源结构的转型。随着煤电装机在电力总装机比重的下降和可再生能源发电比例的提高，为保证电力系统的安全稳定运行，对电网供需两侧功率保持实时平衡的能力提出了更大的挑战，而我国电源结构单一（2019年火电占比59.2%），缺少调峰、调频机组，储能技术由于经济性限制尚未大规模应用，电网灵活性不足，弃风、弃光现象经常发生。同时，随着我国用电负荷的稳步增长，全国多省市地区夏季尖峰负荷连年创下新高，峰谷差不断较大，为平衡持续时间很短的尖峰负荷，须配套大量调节资源，造成电网投资和运行效率未充分利用和发挥。由此可见，仅靠传统调节资源来调控电网的难度不断增加，传统调节资源的调度空间越来越小。
[0003]随着能源电力网络互联互通，以及“大云物移智链”等先进信息、网络、控制技术的广泛应用，各类负荷终端装置的技术水平大幅提升，使得对末端负荷的互联感知和可测可控成为可能。在这个背景下，虚拟电厂技术应运而生。虚拟电厂能够实现分布式电源、储能系统、可控负荷、电动汽车等分布式资源的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。
[0004]楼宇建筑作为城市电网用电的基础组成，随着信息技术、智能终端、自动化技术的发展，城市楼宇正在向着智能化、节能化发展。同时，电动汽车、分布式光伏、储能等电网新兴元素正在越来越多地配置到城市电网楼宇建筑，形成新兴智能楼宇。面向新兴智能楼宇的虚拟电厂能有效聚合调控各类楼宇资源，进一步起到促进资源合理利用的作用。对屋顶光伏系统功率的准确预测有助于充分挖掘楼宇资源的调节潜力，将为电网运行提供可观的系统灵活性资源。

技术实现思路

[0005]本专利技术提供一种光伏功率预测方法、系统、设备及存储介质，能够应对光伏出力的随机性和波动性，具有收敛速度快、预测精度高、性能优越的优点。
[0006]为了解决上述技术问题，本专利技术实施例提供了一种光伏功率预测方法，包括以下步骤：通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个
RSVPSO
‑
BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。
[0007]作为优选方案，所述通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据，包括：获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表，并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件；从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据；获取电网光伏历史功率之间的皮尔逊相关系数，选择若干第U
‑
s天的t时刻的历史功率数据作为光伏历史输出功率数据；其中，s为小于U的正实数。
[0008]作为优选方案，所述数据预处理为消除数据维数和量纲不同影响的归一化处理。
[0009]作为优选方案，所述预设的PSO算法，包括：迭代过程中速度的更新公式：迭代过程中位置的更新公式：式中，w为惯性权重，取值范围为[0.4,0.9]；k为当前迭代次数；、为学习因子，取值范围为[0.4,0.9]；和为分布于[0,1]之间的随机数；为粒子i第k次迭代时在Z维空间中的位置；为粒子i第k次迭代时在Z维空间中的速度；为粒子i在第k次迭代时的当前最优位置；为第k次迭代整个种群目前搜索到的最优解；在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式：式中，为全局最优粒子在第z维的分量；表示第j个粒子在第z维的分量，设定一欧氏距离作为边界条件，将整个搜索空间分为界内区域和界外区域两部分；对惯性权重进行动态调整的表达式为：式中，、分别为最大惯性权重和最小惯性权重；为第i次迭代粒子
j的惯性权重；为第i次迭代；为总迭代次数；为粒子与全局最优粒子最大欧氏距离，为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；对学习因子动态调整的表达式为：当时：当时：式中，和分别为第i次迭代粒子j的学习因子；、分别为学习因子最大值和最小值；为粒子与全局最优粒子最小欧氏距离，为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；引入自适应变异，通过以下两个条件判断粒子是否集中于极小区域:1）全局最优粒子在连续x次迭代无变化，则x理想取值为：式中，为总迭代次数，x为全局最优粒子无变化的连续迭代次数。
[0010]2）假设为全局最优粒子ｇ和粒子j之间的欧氏距离，则距离函数定义为：满足：
式中，a为[0,1]之间的常数，e为自然常数，J为粒子总数，为第i次迭代，D为粒子维数；若满足上式两条件之一，则粒子陷入局部最优；利用粒子与全局最优粒子的欧氏距离大小决定其变异概率p，表达式为：式中，d为变异概率调节因子，其值在[0,1]之间，为粒子与全局最优粒子最大欧氏距离，为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；对于粒子产生一个[0,1]之间的随机数r，若满足则粒子发生变异操作；随机选取界外区域粒子，按以下公式进行变异：式中，、分别为粒子和在空间中的位置；为粒子变异后的位置。
[0011]作为优选方案，所述基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO
‑
BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果，包括：1）确定BPNN模型的网络拓扑结构，初始化BPNN权值、阈值并进行参数设置；2）对BPNN权值、阈值编码确定粒子维数D，建立粒子群位置维数与BPNN权值和阈值的映射，公式为：式中，M为BPNN输入层节点数目；Q为BPNN隐含层节点数目；N为BPNN输出层节点数目；3）初始化粒子群位置和速度并进行参数设置，将BPNN训练误差作为适应度函数以对粒子进行评价，表达式为：式中，表示训练样本数；表示实际输出；表示期望输出；4）根据所述将BPNN训练误差作为适应度函数以对粒子进行评价的表达式计算适应度，以确定个体和群体的最优位置；
5）根据所述在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式计算每个粒子的欧氏距离，将种群划分为界内区域和界外区域；6）判断种群是否陷入极小区域，若是执行变异操作，转到步骤8），否则继续执行步骤7）；7）根据所述惯性权重进行动态调整的表达式、所述学习因子动态调整的表达式计算粒子的惯性权重和学习因子；8）根据所述迭代过程中速度的更新公式、所述迭代过程中位置的更新公式更新粒子的位置和速度；9）判断算法是否满足本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏功率预测方法，其特征在于，包括以下步骤：通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据；对所述气象数据和所述光伏历史输出功率数据进行n层小波分解以提取出时域信息和频域信息并进行数据预处理，得到模型输入数据；基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO
‑
BPNN模型对分解后的子序列分别进行训练和预测，得到各子序列预测结果；将所述各子序列预测结果进行小波重构，输出屋顶光伏功率预测结果。2.如权利要求1所述的光伏功率预测方法，其特征在于，所述通过皮尔逊相关系数筛选符合预设相关度条件的气象数据和光伏历史输出功率数据，包括：获取光伏电站全年历史输出功率与气象数据的皮尔逊相关系数表，并设定表明数据间相关性高的皮尔逊相关系数阈值范围作为所述相关度条件；从所述皮尔逊相关系数表中筛选得到在所述皮尔逊相关系数阈值范围之内的若干气象因素作为用于光伏功率预测的气象数据；获取电网光伏历史功率之间的皮尔逊相关系数，选择若干第U
‑
s天的t时刻的历史功率数据作为光伏历史输出功率数据；其中，s为小于U的正实数。3.如权利要求1所述的光伏功率预测方法，其特征在于，所述数据预处理为消除数据维数和量纲不同影响的归一化处理。4.如权利要求1所述的光伏功率预测方法，其特征在于，所述预设的PSO算法，包括：迭代过程中速度的更新公式：迭代过程中位置的更新公式：式中，w为惯性权重，取值范围为[0.4,0.9]；k为当前迭代次数；、为学习因子，取值范围为[0.4,0.9]；和为分布于[0,1]之间的随机数；为粒子i第k次迭代时在Z维空间中的位置；为粒子i第k次迭代时在Z维空间中的速度；为粒子i在第k次迭代时的当前最优位置；为第k次迭代整个种群目前搜索到的最优解；在Z维空间中，第i次迭代的第j个粒子与全局最优粒子的欧氏距离公式：式中，为全局最优粒子在第z维的分量；表示第j个粒子在第z维的分量，设定一欧氏距离作为边界条件，将整个搜索空间分为界内区域和界外区域两部分；
对惯性权重进行动态调整的表达式为：式中，、分别为最大惯性权重和最小惯性权重；为第i次迭代粒子j的惯性权重；为第i次迭代；为总迭代次数；为粒子与全局最优粒子最大欧氏距离，为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；对学习因子动态调整的表达式为：当时：当时：式中，和分别为第i次迭代粒子j的学习因子；、分别为学习因子最大值和最小值；为粒子与全局最优粒子最小欧氏距离，为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；引入自适应变异，通过以下两个条件判断粒子是否集中于极小区域:1）全局最优粒子在连续x次迭代无变化，则x理想取值为：式中，为总迭代次数，x为全局最优粒子无变化的连续迭代次数。
2）假设为全局最优粒子ｇ和粒子j之间的欧氏距离，则距离函数定义为：满足：式中，a为[0,1]之间的常数，e为自然常数，J为粒子总数，为第i次迭代，D为粒子维数；若满足上式两条件之一，则粒子陷入局部最优；利用粒子与全局最优粒子的欧氏距离大小决定其变异概率p，表达式为：式中，d为变异概率调节因子，其值在[0,1]之间，为粒子与全局最优粒子最大欧氏距离，为第i次迭代的第j个粒子与全局最优粒子的欧氏距离；对于粒子产生一个[0,1]之间的随机数r，若满足则粒子发生变异操作；随机选取界外区域粒子，按以下公式进行变异：式中，、分别为粒子和在空间中的位置；为粒子变异后的位置。5.如权利要求4所述的光伏功率预测方法，其特征在于，所述基于预设的PSO算法和BP神经网络算法，根据所述模型输入数据集构建多个RSVPSO
‑
...

【专利技术属性】
技术研发人员：周保荣，梁宇涛，李江南，赵文猛，王滔，毛田，黄馨仪，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：