一种光伏发电量预测方法及装置制造方法及图纸

本发明专利技术公开了一种光伏发电量预测方法及装置，包括：获取光伏发电站在预设时间段内每个时刻的历史气象数据和历史发电量数据；对所述历史气象数据和历史发电量数据进行预处理，得到气象特征数据和发电量特征数据；根据所述气象特征数据、发电量特征数据和历史发电量数据构建数据集；对所述数据集按照预设比例抽样得到训练子集和测试子集；预先构建预测模型，并根据所述训练子集训练所述预测模型得到过程预测模型；根据所述测试子集和过程预测模型，得到最终预测结果；对所述最终预测结果进行指标评价。本发明专利技术在不依赖辐照度的情况下能够适应快速预测各种天气类型下的光伏发电量，且有效提高了预测精度。且有效提高了预测精度。且有效提高了预测精度。

【技术实现步骤摘要】
一种光伏发电量预测方法及装置


[0001]本专利技术涉及光伏发电
，尤其涉及一种光伏发电量预测方法及装置。

技术介绍

[0002]随着国家对新能源产业发展的支持，光伏发电在整个供电构成中占的比重 逐步增大，围绕光伏发电产生了许多新技术，其中就包括光伏发电量预测。光 伏发电量预测是对未来一段时间内的发电量进行预估，它是能量管理系统中的 重要部分，准确预测未来一段时间内的发电量对于合理安排发电计划，节省用 电费用以及发电成本都有重要意义。
[0003]现有使用的光伏发电量预测系统大多以气象因素中的太阳辐照度作为重要 的输入特征，但是就目前而言我国辐照度观测站点很少，现有的数值天气预报 中也没有这一要素的预报，而且通过辐照度采集设备采集辐照度后预测辐照度 再预测发电量的方式成本较大，尤其是对于一些小型电站而言，并且中国天气 网提供的各地区的历史辐照度价格也很昂贵，因此，光伏发电量预测系统在实 际应用中必须考虑去掉辐照度这一因素，然而在没有辐照度时预测模型的精度 就会显著降低。
[0004]因此，如何在没有辐照度的情况下提高预测模型的精度是光伏发电量预测 领域迫切需要解决的问题。

技术实现思路

[0005]为解决
技术介绍
中存在的技术问题，本专利技术提出一种光伏发电量预测方法 及装置。
[0006]本专利技术提出的一种光伏发电量预测方法，包括：
[0007]获取光伏发电站在预设时间段内每个时刻的历史气象数据和历史发电量数 据；
[0008]对所述历史气象数据和历史发电量数据进行预处理，得到气象特征数据和 发电量特征数据；
[0009]根据所述气象特征数据、发电量特征数据和历史发电量数据构建数据集；
[0010]对所述数据集按照预设比例抽样得到训练子集和测试子集；
[0011]预先构建预测模型，并根据所述训练子集训练所述预测模型得到过程预测 模型；
[0012]根据所述测试子集和过程预测模型，得到最终预测结果；
[0013]对所述最终预测结果进行指标评价。
[0014]进一步地，所述对所述历史气象数据和历史发电量数据进行预处理，得到 气象特征数据和发电量特征数据，具体包括：
[0015]根据XGBoost算法，计算所述每个时刻的历史气象数据中各个天气因素特 征对所述每个时刻的历史发电量数据的重要性得分，根据所述重要性得分确定 影响所述历史发电量数据的天气因素特征，并将所述天气因素特征作为气象特 征数据；
[0016]根据所述每个时刻的历史发电量数据，提取每个时刻在其前N天中相同时 刻的历史发电量数据，分别计算每个时刻对应的前N天中相同时刻的历史发电 量数据的平均值，
并将该平均值作为每个时刻的发电量特征数据；
[0017]其中，N为大于零的正整数。
[0018]进一步地，所述预先构建预测模型，并根据所述训练子集训练所述预测模 型得到过程预测模型，具体包括：
[0019]预先构建XGBoost模型和BLS模型；
[0020]根据所述训练子集中的气象特征数据、发电量特征数据和历史发电量数据 训练所述XGBoost模型，得到过程XGBoost模型；
[0021]根据所述训练子集中的气象特征数据和发电量特征数据以及过程XGBoost 模型，得到过程预测发电量；
[0022]根据所述过程预测发电量、气象特征数据和历史发电量数据构建新训练子 集；
[0023]根据所述新训练子集训练所述BLS模型，得到过程BLS模型。
[0024]进一步地，所述根据所述测试子集和过程预测模型，得到最终预测结果， 包括：
[0025]根据所述测试子集中的气象特征数据和发电量特征数据以及过程XGBoost 模型，得到目标预测发电量；
[0026]根据所述测试子集中的气象特征数据、目标预测发电量和过程BLS模型， 得到最终预测结果。
[0027]进一步地，所述对所述最终预测结果进行指标评价，具体包括：
[0028]将所述最终预测结果与测试子集中的历史发电量数据进行误差计算，误差 计算采用均方根误差RMSE和平均绝对误差MAE作为评价指标。
[0029]进一步地，所述历史气象数据包括温度、湿度、大气压、风速、天气状况、 降雨量。
[0030]本专利技术还提出了一种光伏发电量预测系统，包括：数据处理模块、数据划 分模块、预测模块、训练模块和指标评价模块；
[0031]数据处理模块用于获取光伏发电站在预设时间段内每个时刻的历史气象数 据和历史发电量数据并对其进行预处理得到气象特征数据和发电量特征数据， 并根据气象特征数据、发电量特征数据和历史发电量数据构建数据集；
[0032]数据划分模块用于对所述数据集按照预设比例抽样得到训练子集和测试子 集；
[0033]训练模块用于根据所述训练子集训练预先构建的预测模型得到过程预测模 型；
[0034]预测模块用于根据所述测试子集和所述过程预测模型得到最终预测结果；
[0035]指标评价模块用于对所述最终预测结果进行指标评价；
[0036]进一步地，所述预测模型为XGBoost
‑
BLS模型。
[0037]本专利技术还提出了一种光伏发电量预测设备，包括：
[0038]存储器，用于存储计算机程序；
[0039]处理器，用于执行所述计算机程序时实现如上述任一项所述光伏发电量预 测方法的步骤。
[0040]本专利技术还提出了一种计算机可读存储介质，所述计算机可读存储介质上存 储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述光伏 发电量预测方法的步骤。
[0041]本专利技术提出了一种光伏发电量预测方法及装置，在不考虑辐照度这一因素 的情况下，根据历史发电量数据构造每个时刻的发电量特征数据，根据历史气 象数据和历史发
电量数据得到气象特征数据，并根据气象特征数据、发电量特 征数据和历史发电量数据训练预先构建的预测模型得到过程预测模型，并根据 气象特征数据、发电量特征数据和过程预测模型得到最终预测结果，不依赖辐 照度并且在各种天气类型下能够适应快速预测光伏发电量，并且有效提高了预 测精度。
附图说明
[0042]图1为本专利技术提出的一种光伏发电量预测方法的流程示意图。
[0043]图2为本专利技术方法实施例中采用本专利技术方法的模型预测曲线对比图一。
[0044]图3为本专利技术方法实施例中采用本专利技术方法的模型预测曲线对比图二。
[0045]图4为本专利技术方法实施例中采用本专利技术方法的模型预测曲线对比图三。
[0046]图5为本专利技术方法实施例中采用本专利技术方法的模型预测曲线对比图四。
[0047]图6为本专利技术方法实施例中采用本专利技术方法的模型预测曲线对比图五。
[0048]图7为本专利技术方法实施例中采用本专利技术方法的模型预测曲线对比图六。
具体实施方式
[0049]本专利技术的核心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏发电量预测方法，其特征在于，包括：获取光伏发电站在预设时间段内每个时刻的历史气象数据和历史发电量数据；对所述历史气象数据和历史发电量数据进行预处理，得到气象特征数据和发电量特征数据；根据所述气象特征数据、发电量特征数据和历史发电量数据构建数据集；对所述数据集按照预设比例抽样得到训练子集和测试子集；预先构建预测模型，并根据所述训练子集训练所述预测模型，得到过程预测模型；根据所述测试子集和过程预测模型得到最终预测结果；对所述最终预测结果进行指标评价。2.根据权利要求1所述的光伏发电量预测方法，其特征在于，所述对所述历史气象数据和历史发电量数据进行预处理，得到气象特征数据和发电量特征数据，具体包括：根据XGBoost算法，计算所述每个时刻的历史气象数据中各个天气因素特征对所述每个时刻的历史发电量数据的重要性得分，根据所述重要性得分确定影响所述历史发电量数据的天气因素特征，并将所述天气因素特征作为气象特征数据；根据所述每个时刻的历史发电量数据，提取每个时刻在其前N天中相同时刻的历史发电量数据，分别计算每个时刻对应的前N天中相同时刻的历史发电量数据的平均值，并将该平均值作为每个时刻的发电量特征数据；其中，N为大于零的正整数。3.根据权利要求1或2所述的光伏发电量预测方法，其特征在于，所述预先构建预测模型，并根据所述训练子集训练所述预测模型得到过程预测模型，具体包括：预先构建XGBoost模型和BLS模型；根据所述训练子集中的气象特征数据、发电量特征数据和历史发电量数据训练所述XGBoost模型，得到过程XGBoost模型；根据所述训练子集中的气象特征数据和发电量特征数据以及过程XGBoost模型，得到过程预测发电量；根据所述过程预测发电量、气象特征数据和历史发电量数据构建新训练子集；根据所述新训练子集训练所述BLS模型，得到过程BLS模型。4.根据权利要求3所述的光伏发电量预测方法，其特征在于...

【专利技术属性】
技术研发人员：吴春华，董阿龙，
申请(专利权)人：上海岩芯电子科技有限公司，
类型：发明
国别省市：