【技术实现步骤摘要】
基于多保真气象数据的光伏发电功率预测方法及相关设备
[0001]本专利技术涉及光伏能源
，特别涉及一种基于多保真气象数据的光伏发电功率预测方法及相关设备。
技术介绍
[0002]光伏能源是传统能源的有效补充，受天气多变性的影响，其发电输出功率具有强烈的随机性和波动性，为大规模并网及电力调度带来了巨大挑战。因此，为了保障电网的稳定性和可靠性，为电力的生产、传输、分配提供依据，需要准确的光伏发电功率预测作为支持。目前，光伏发电功率预测已被纳入电网公司对各个光伏电站的考核项目。
[0003]但是，现有技术中存在以下问题，问题一：由于气象观测数据的时间特性，高保真的气象观测数据在光伏发电功率预测中无法被合理、高效的利用，从而导致的模型预测性能较差。
[0004]问题二：当前将深度学习模型应用于光伏发电功率预测时，通常只是基于数据层面的单向应用，没有考虑工程问题中存在的客观规律与经验知识，从而导致预测结果容易出现一些违反物理规则的现象，需要人工参与进行修正。
[0005]因而现有技术还有待改进和提高。
【技术保护点】
【技术特征摘要】
1.一种基于多保真气象数据的光伏发电功率预测方法，其特征在于，所述基于多保真气象数据的光伏发电功率预测方法包括：获取多保真气象数据，并进行预处理；将经过预处理后的多保真气象数据中的低保真的未来气象预报数据，输入到经过训练后的约束型前置神经网络中进行预测，得到高保真的未来预测气象观测数据；将高保真的未来预测气象观测数据和经过预处理后的低保真的未来气象预报数据，输入到经过训练后的约束型后置神经网络中进行预测，得到光伏发电功率；对所述光伏发电功率进行优化，得到经过优化后的光伏发电功率。2.根据权利要求1所述的基于多保真气象数据的光伏发电功率预测方法，其特征在于，所述获取多保真气象数据，并进行预处理，具体包括：获取高保真的历史真实气象观测数据、低保真的历史气象预报数据和低保真的未来气象预报数据，并进行归一化处理。3.根据权利要求2所述的基于多保真气象数据的光伏发电功率预测方法，其特征在于，所述将经过预处理后的多保真气象数据中的低保真的未来气象预报数据，输入到经过训练后的约束型前置神经网络中进行预测，得到高保真的未来预测气象观测数据，具体包括：在原始前置神经网络中插入修正线性单元层，构建得到约束型前置神经网络；将经过预处理后的低保真的历史气象预报数据输入到所述约束型前置神经网络中进行预测，得到高保真的历史预测气象观测数据；利用预先构造的第一损失函数，计算高保真的历史预测气象观测数据与高保真的历史真实气象观测数据之间的第一误差；利用所述第一误差对所述约束型前置神经网络的内部参数进行更新，直至所述第一误差的变化收敛，得到经过训练后的约束型前置神经网络；将经过预处理后的低保真的未来气象预报数据，输入到经过训练后的约束型前置神经网络中进行预测，得到高保真的未来预测气象观测数据。4.根据权利要求3所述的基于多保真气象数据的光伏发电功率预测方法，其特征在于，所述将高保真的未来预测气象观测数据和经过预处理后的低保真的未来气象预报数据，输入到经过训练后的约束型后置神经网络中进行预测，得到光伏发电功率，具体包括：在原始后置神经网络中插入所述修正线性单元层，构建得到约束型后置神经网络；将高保真的历史预测气象观测数据和经过预处理后的低保真的历史气象预报数据输入到所述约束型后置神经网络中进行预测，得到历史预测的光伏发电功率数据；分别计算目标时刻的气象数据与历史的气象数据之间的距离，并进行排序后得到边界范围；其中，历史的气象数据包括：低保真的历史气象预报数据和高保真的历史预测气象观测数据；对所述边界范围进行缩限得到预设约束条件后，利用所述约束条件对所述第一损失函数进行重构，得到第二损失函数；若判断出所述历史预测的光伏发电功率数据不符合所述预设约束条件，则利用所述第二损失函数计算得到第二误差；利用所述第二误差对所述约束型后置神经网络的内部参数进行更新，直至所述第二误差的变化收敛，得到经过训练后的约束型后置神经网络；
将高保真的未来预测气象观测数据和经过预处理后的低保真的未来气象预报数据，输入到经过训练后的约束型后置神经网络中进行预测，得到所述光伏发电功率。5.根据权利要求3所述的基于多保真气象数据的光伏发电功率预测方法...
【专利技术属性】
技术研发人员：罗兴，李哲，
申请(专利权)人：南方工业技术研究院深圳，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。