一种基于深度学习的分布式光伏总辐射预测方法及系统技术方案

本发明专利技术涉及一种基于深度学习的分布式光伏总辐射预测方法及系统，包括：基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；其中，分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。本发明专利技术提供的技术方案，充分考虑影响分布式光伏总辐射的主要气象影响因子，提高了分布式光伏总辐射预测数据的准确性。辐射预测数据的准确性。辐射预测数据的准确性。

【技术实现步骤摘要】
一种基于深度学习的分布式光伏总辐射预测方法及系统


[0001]本专利技术涉及新能源
，具体涉及一种基于深度学习的分布式光伏总辐射预测方法及系统。

技术介绍

[0002]随着新能源的发展，分布式光伏发电在用电负荷的占比逐步增加。分布式光伏数量多、规模小、地理位置分散、运行环境复杂、通信基础设施落后、运行维护主体不明确。分布式光伏发电最主要的影响因素是总辐射，但分布式光伏总辐射数据监测因诸多复杂原因，存在信息采集面临数据采集率低、可靠性差、缺乏控制能力、自动化主站技术支撑能力不足等问题。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供一种基于深度学习的分布式光伏总辐射预测方法，包括：
[0004]基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；
[0005]将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；
[0006]其中，所述分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；
[0007]所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。
[0008]优选的，所述分布式光伏总辐射的气象影响因子的确定过程包括：
[0009]基于区域内所有分布式光伏点的位置信息确定最近的气象监测站；
[0010]获取所述气象站的历史总辐射时序数据，并获取与所述历史总辐射时序数据对应的多个气象要素的时序数据；
[0011]确定获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数，并基于所述相关性系数确定分布式光伏总辐射的气象影响因子。
[0012]进一步的，所述获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数的计算式如下所示：
[0013][0014]式中，r
x
为第x个类型的气象要素与历史总辐射监测数据的相关系数，x
i
为第x个类
型的气象要素的时序数据中第i个时刻的气象数据，x为第x个类型的气象要素的时序数据中各时刻的气象数据的平均值，y
i
为第i个时刻的历史总辐射监测数据，y为历史总辐射监测数据的平均值，n为时刻总数。
[0015]优选的，所述气象影响因子，包括：
[0016]总辐射、气温、相对湿度、海平面气压和风速。
[0017]优选的，所述总辐射预测模型的建立过程包括：
[0018]将筛选出的历史时段内影响分布式光伏总辐射的数值天气预报数据作为初始神经网络模型输入数据，历史时段的总辐射监测数据作为初始神经网络模型输出数据，并根据初始神经网络模型输入数据确定初始神经网络模型的基函数的中心和方差；
[0019]基于所述基函数的中心和方差，对所述初始神经网络模型的权系数进行迭代训练，得到深度学习总辐射预测模型。
[0020]进一步的，所述基于所述基函数的中心和方差，对所述初始神经网络模型的权系数进行迭代训练，得到深度学习总辐射预测模型，包括：
[0021]设置初始神经网络模型的权系数的初值；
[0022]基于所述基函数的中心、方差和权系数的初值，对所述初始神经网络模型的权系数进行迭代训练，并利用最小二乘法确定迭代收敛时初始神经网络的权系数；
[0023]利用初始神经网络的权系数确定历史时段内的总辐射监测数据与筛选出的历史时段内影响分布式光伏总辐射的数值天气预报数据的对应关系；
[0024]基于历史时段内的总辐射监测数据与筛选出历史时段内影响分布式光伏总辐射的数值天气预报数据的对应关系确定深度学习总辐射预测模型。
[0025]进一步的，所述基函数的中心是基于K均值聚类算法的自组织选取方法确定的。
[0026]进一步的，所述基函数的方差是基于基函数中心之间的最大距离确定的。
[0027]基于同一专利技术构思本专利技术提供了一种基于深度学习的分布式光伏总辐射预测系统，所述系统包括：
[0028]筛选模块，用于基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；
[0029]预测模块，用于将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；
[0030]其中，所述分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；
[0031]所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。
[0032]优选的，所述分布式光伏总辐射的气象影响因子的确定过程包括：
[0033]基于区域内所有分布式光伏点的位置信息确定最近的气象监测站；
[0034]获取所述气象站的历史总辐射时序数据，并获取与所述历史总辐射时序数据对应的多个气象要素的时序数据；
[0035]确定获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数，并基于所述相关性系数确定分布式光伏总辐射的气象影响因子。
[0036]与最接近的现有技术相比，本专利技术具有的有益效果：
[0037]本专利技术提供的一种基于深度学习的分布式光伏总辐射预测方法及系统，包括：基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；其中，分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。本专利技术提供的技术方案，充分考虑影响分布式光伏总辐射的主要气象影响因子，提高了分布式光伏总辐射预测数据的准确性。
附图说明
[0038]图1是本专利技术提供的一种基于深度学习的分布式光伏总辐射预测方法的流程图；
[0039]图2是本专利技术提供的基于深度学习的总辐射预测模型示意图；
[0040]图3是本专利技术提供的一种基于深度学习的分布式光伏总辐射预测系统的结构图。
具体实施方式
[0041]下面结合附图对本专利技术的具体实施方式作进一步的详细说明。
[0042]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的分布式光伏总辐射预测方法，其特征在于，所述方法包括：基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；其中，所述分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。2.如权利要求1所述的方法，其特征在于，所述分布式光伏总辐射的气象影响因子的确定过程包括：基于区域内所有分布式光伏点的位置信息确定最近的气象监测站；获取所述气象站的历史总辐射时序数据，并获取与所述历史总辐射时序数据对应的多个气象要素的时序数据；确定获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数，并基于所述相关性系数确定分布式光伏总辐射的气象影响因子。3.如权利要求2所述的方法，其特征在于，所述获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数的计算式如下所示：式中，r
x
为第x个类型的气象要素与历史总辐射监测数据的相关系数，x
i
为第x个类型的气象要素的时序数据中第i个时刻的气象数据，为第x个类型的气象要素的时序数据中各时刻的气象数据的平均值，y
i
为第i个时刻的历史总辐射监测数据，为历史总辐射监测数据的平均值，n为时刻总数。4.如权利要求1至2任一项所述的方法，其特征在于，所述气象影响因子，包括：总辐射、气温、相对湿度、海平面气压和风速。5.如权利要求1所述的方法，其特征在于，所述总辐射预测模型的建立过程包括：将筛选出的历史时段内影响分布式光伏总辐射的数值天气预报数据作为初始神经网络模型输入数据，历史时段的总辐射监测数据作为初始神经网络模型输出数据，并根据初始神经网络模型输入数据确定初始神经网络模型的基函数的中心和方差；基于所述...

【专利技术属性】
技术研发人员：丁煌，董昱，吴福保，董存，马文文，雷震，吴骥，周海，周才期，郝雨辰，陈卫东，秦放，朱想，程序，崔方，
申请(专利权)人：国网江苏省电力有限公司国家电网有限公司，
类型：发明
国别省市：