光伏功率预测方法、系统及设备技术方案

本发明专利技术涉及光伏功率预测方法、系统及设备，其中的光伏功率预测方法包括以下步骤：获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；对特征中的云图数据依据灰度值划分为设定数量的区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。考虑了云图特征的不足，具有良好的预测效果。具有良好的预测效果。具有良好的预测效果。

【技术实现步骤摘要】
光伏功率预测方法、系统及设备


[0001]本专利技术涉及光伏发电
，具体为光伏功率预测方法、系统及设备。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]光伏发电具有无污染，价格低，易获取和无运输等特点，而其容易受到光照随机性和昼夜周期性的影响，在电力系统中需要对光伏发电的功率进行预测，以更好的调度和规划电力分配。
[0004]针对光伏功率实现预测的方法，目前包括基于物理模型的方法和基于统计模型的方法。
[0005]物理预测方法通常不需要历史数据，而是依赖地理信息、气象数据和光伏电池物理模型信息，然而，由于地理数据分辨率低，很难得到准确的光伏组件的物理模型以及操作参数，会导致物理预测方法的精确度降低。
[0006]统计模型是利用计算机性能和人工智能技术开发的一种数据驱动模型，有效的克服以上缺点且具有更低成本。常用的代表模型为LSTM模型，能更好的处理时序数据，但LSTM模型自身存在较多的超参数，需要复杂的优化算法进行优化来提高预测性能；并且传统的模型受限于成本通常不考虑云团信息这一特征，导致预测结果不理想。

技术实现思路

[0007]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供光伏功率预测方法、系统及设备，基于卫星云图的天气聚类分析，有效利用气象规律，实现每种天气类型下的光伏功率预测，提高功率预测的精度，能够提高电力系统运行的可靠性，降低用电成本，降低能耗，节能减排，提高经济效益。
[0008]为了实现上述目的，本专利技术采用如下技术方案：
[0009]本专利技术的第一个方面提供光伏功率预测方法，包括以下步骤：
[0010]获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；
[0011]对特征中的云图数据依据灰度值划分为设定数量的区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；
[0012]将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；
[0013]将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。
[0014]基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建，包括：
[0015]对历史光伏功率值和对应的气象数据进行数据清洗，排除异常值和零负值；
[0016]根据气象数据中的历史卫星云图，通过灰度共生矩阵对云图进行特征提取。
[0017]基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建，具体为：
[0018]对历史云图数据进行同态滤波，增强云图特征后进行标准化处理；
[0019]利用标准化处理后的图像，基于灰度共生矩阵提取云团纹理特征；云团纹理特征包括图像中灰度值的分布均匀程度、纹理的粗细程度、灰度值的离散程度、纹理的清晰程度与规则程度以及图像纹理在设定方向上的规律；
[0020]根据云团纹理特征的整体相关性分布，选择云图特征进行特征构建。
[0021]云团纹理特征中，通过角二阶矩描述图像中灰度值的分布均匀程度和纹理的粗细程度，通过熵描述图像中灰度值的离散程度，通过逆方差描述纹理的清晰程度与规则程度，通过自相关性描述图像纹理在设定方向上的规律。
[0022]本专利技术的第二个方面提供实现上述方法所需的系统，包括：
[0023]特征构建模块，被配置为：获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；
[0024]聚类模块，被配置为：对特征中的云图数据依据灰度值划分为三个区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；
[0025]模型构建模块，被配置为：将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；
[0026]模型优化模块，被配置为：将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。
[0027]本专利技术的第三个方面提供一种计算机设备。
[0028]一种计算机设备，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计算机程序，所述处理器执行所述程序时实现如上述所述的光伏功率预测方法中的步骤。
[0029]与现有技术相比，以上一个或多个技术方案存在以下有益效果：
[0030]1、基于卫星云图的天气聚类分析，有效利用气象规律，实现每种天气类型下的光伏功率预测，提高功率预测的精度，能够提高电力系统运行的可靠性，降低用电成本，降低能耗，节能减排，提高经济效益。
[0031]2、将卫星云图天气聚类下的优化LSTM模型应用于光伏功率预测领域，解决了缺乏云图特征的不足，并取得了良好的预测效果。
[0032]3、基于灰度共生矩阵对卫星云图进行特征提取，并结合光伏出力数据和相关气象数据完成特征构建，解决了数据缺少云图特征的不足。
[0033]4、同时提出的基于卫星云图的天气分类方法，使得天气分类方法更简单有效。
[0034]5、通过BO算法对预测模型进行超参数优化，解决传统优化寻优速度慢的缺点且有效提高了模型的预测精度。
附图说明
[0035]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示
意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0036]图1是本专利技术一个或多个实施例提供的光伏功率预测方法流程图；
[0037]图2是本专利技术一个或多个实施例提供的卫星云图特征提取流程图；
[0038]图3是本专利技术一个或多个实施例提供的同态滤波流程图；
[0039]图4是本专利技术一个或多个实施例提供的不同方向和步长下卫星云图特征的相关性变化示意图；
[0040]图5是本专利技术一个或多个实施例提供的卫星云图像素区间的部分统计结果图；
[0041]图6是本专利技术一个或多个实施例提供的基于卫星云图的天气聚类效果图；
[0042]图7(a)是本专利技术一个或多个实施例提供的多云类型下光伏功率预测结果示意图；
[0043]图7(b)是本专利技术一个或多个实施例提供的晴天类型下光伏功率预测结果图；
[0044]图7(c)是本专利技术一个或多个实施例提供的阴天类型下光伏功率预测结果图。
具体实施方式
[0045]下面结合附图与实施例对本专利技术作进一步说明。
[0046]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0047]需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.光伏功率预测方法，其特征在于：包括以下步骤：获取历史光伏出力数据和对应的气象数据，基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建；对特征中的云图数据依据灰度值划分为设定数量的区间，并对每张云图进行灰度统计，基于灰度统计数据经聚类得到天气分类；将数据分为训练集与测试集，利用训练集对预测模型进行训练，并优化更新网络参数，利用测试集进行测试；将预测结果的输出误差作为目标函数，对预测模型进行超参数优化，得到优化后的预测模型作为最终的光伏功率预测模型。2.如权利要求1所述的光伏功率预测方法，其特征在于：所述基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建，包括：对历史光伏功率值和对应的气象数据进行数据清洗，排除异常值和零负值；根据气象数据中的历史卫星云图，通过灰度共生矩阵对云图进行特征提取。3.如权利要求1所述的光伏功率预测方法，其特征在于：基于灰度共生矩阵对气象数据中的历史云图数据进行特征提取，结合历史光伏出力数据进行特征构建，具体为：对历史云图数据进行同态滤波，增强云图特征后进行标准化处理；利用标准化处理后的图像，基于灰度共生矩阵提取云团纹理特征；根据云团纹理特征的整体相关性分布，选择云图特征进行特征构建。4.如权利要求3所述的光伏功率预测方法，其特征在于：所述云团纹理特征包括图像中灰度值的分布均匀程度、纹理的粗细程度、灰度值的离散程度、纹理的清晰程度与规则程度以及图像纹理在设定方向上的规律。5.如权利要求5所述的光伏功率预测方法，其特征在于：所述云团纹理特征中，通过角二阶矩描述图像中灰度值的分布均匀程度和纹理的粗细程度，通过熵描述图像中灰度值的离散...

【专利技术属性】
技术研发人员：史洁，付钻，刘宝勇，王潇晨，唐亮，侯振，高捷，
申请(专利权)人：山东电力工程咨询院有限公司，
类型：发明
国别省市：