一种光伏发电功率的预测方法技术

本发明专利技术提供一种光伏发电功率的预测方法。本发明专利技术在进行光伏功率预测时，基于历史时段内的光伏发电数据和辐照度数据，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，实现光伏预测模型的实时更新，并以更新后的光伏预测模型进行光伏预测，避免了光伏使用状况和天气突变等因素的影响，实现光伏发电功率的实时准确预测。实现光伏发电功率的实时准确预测。实现光伏发电功率的实时准确预测。

【技术实现步骤摘要】
一种光伏发电功率的预测方法


[0001]本专利技术涉及供配电
，尤其涉及一种光伏发电功率的预测方法。

技术介绍

[0002]随着经济的高速发展，社会用电量持续增长，人们对优质能源的需求也越来越强烈。传统的化石能源储量有限，且为不可再生资源，随着人们的不断开采利用，面临着日益严重的资源枯竭问题，大力发展清洁低碳的可再生能源是应对愈发严峻的全球性能源短缺问题的必要之举。光伏发电利用半导体元件的光生伏特效应将光能转换为电能，和其他可再生资源发电如风力发电和潮汐能发电等相比，具有安全，投资少，建设方便等优势。近年来，光伏发电因其清洁，无污染，便于分布式推广等方面的显著优势，在全球范围内得到了广泛推广。
[0003]然而受气象因素的影响，光伏发电输出功率具有很强的不稳定性。光伏不稳定性不仅导致电网的电能质量造成影响，还会给电网的有功经济调度带来困难给电网的安全稳定运行带来一系列问题。光伏功率预测技术可以帮助电力调度部门基于预测的光伏功率制定调度方案并进行各类电源的优化调度，减轻光伏发电的不稳定出力对系统造成的影响。
[0004]目前光伏功率预测技术多为基于历史数据进行神经网络训练后得到光伏功率预测模型，再基于光伏功率预测模型进行功率预测。但随着光伏的使用寿命增长，天气突变等因素影响，光伏功率预测模型的预测准确率逐渐降低，无法实现光伏功率的实时准确预测。

技术实现思路

[0005]本专利技术提供了一种光伏发电功率的预测方法，能够实现光伏发电功率的实时准确预测。
[0006]第一方面，本专利技术提供了一种光伏发电功率的预测方法，包括：获取当前时刻之前历史时段内的光伏发电数据和辐照度数据；并生成训练样本；每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻；基于训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型；基于当前时刻所在设定时段的辐照度数据和更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。
[0007]在一种可能的实现方式中，光伏预测模型包括1DM模块和和LSTM模块；基于训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，包括：对于每次迭代训练过程，基于第一时刻之前设定时段的辐照度数据，生成原始矩阵；将原始矩阵输入1DM模块，进行特征提取和融合，得到第一矩阵；第一矩阵的维度小于原始矩阵的维度；以第一矩阵为输入，以第一时刻的光伏发电功率为输出，对LSTM模块进重训练，更新LSTM模块的参数，得到更新后的光伏预测模型。
[0008]在一种可能的实现方式中，1DM模块包括多级卷积池化网络，每级卷积池化网络包括多层卷积层；每层卷积层用于对该卷积层的输入矩阵进行特征提取生成特定维度的输出
矩阵；将原始矩阵输入1DM模块，进行特征提取和融合，得到第一矩阵，包括：步骤31，将原始矩阵输入第一级卷积池化网络的第一层卷积层，提取原始矩阵中的特征，得到第二矩阵；第二矩阵的维度小于原始矩阵的维度；步骤32，将第二矩阵，输入第一级卷积池化网络的第二层卷积层，提取原始矩阵中的特征，得到第三矩阵；第三矩阵的维度小于第二矩阵的维度；步骤33，重复步骤32，逐层进行特征提取，直至第一级卷积池化网络结束，得到第四矩阵；步骤34，基于第四矩阵和第一融合矩阵，进行特征融合，得到第五矩阵；步骤35，将第五矩阵输入第二级卷积池化网络，重复步骤31至步骤34，进行特征提取和融合，得到最末级卷积池化网络的输出矩阵；步骤36，基于最末级卷积池化网络的输出矩阵和原始矩阵，进行特征融合，得到原始融合矩阵；步骤37，将原始融合矩阵输入多级卷积池化网络，进行逐级特征提取和融合，得到第一矩阵。
[0009]在一种可能的实现方式中，基于当前时刻所在设定时段的辐照度数据和更新后的光伏预测模型，预测得到下一时刻的光伏发电功率，包括：将设定时段的辐照度数据输入1DM模块，进行特征提取和融合，得到当前时刻的融合矩阵；将当前时刻的融合矩阵，输入LSTM模块，得到下一时刻的光伏发电功率。
[0010]在一种可能的实现方式中，获取当前时刻之前历史时段内的光伏发电数据和辐照度数据之后，还包括：基于历史时段内的光伏发电数据和辐照度数据，生成功率数据序列和辐照度数据序列；对于功率数据序列和辐照度数据序列中的任一元素，若该元素处缺失数据，则确定该元素为异常数据；对于功率数据序列中的任一元素，若该元素小于0，或，大于额定发电功率，则确定该元素为异常数据；若功率数据序列中第一设定时长内各元素的绝对值均大于额定发电功率的设定倍数，则确定第一设定时长内各元素为异常数据；对于辐照度数据序列中的任一元素，若该元素小于0，或，大于设定辐照度，则确定该元素为异常数据；若辐照度数据序列中第二设定时长内辐照度变化幅度大于设定幅度，则确定第二设定时长内各元素为异常数据。
[0011]第二方面，本专利技术实施例提供了一种光伏发电功率的预测装置，包括：通信单元，用于获取当前时刻之前历史时段内的光伏发电数据和辐照度数据；处理单元，用于生成训练样本；每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻；基于训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型；基于当前时刻所在设定时段的辐照度数据和更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。
[0012]第三方面，本专利技术实施例提供了一种电子设备，包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
[0013]第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面以及第一方面中任一种可能的实现方式所述方法的步骤。
[0014]本专利技术提供一种光伏发电功率的预测方法、装置及电子设备，本专利技术在进行光伏功率预测时，基于历史时段内的光伏发电数据和辐照度数据，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，实现光伏预测模型的实时更新，并以更新后的光伏预测模型进行光伏预测，避免了光伏使用状况和天气突变等因素的影
响，实现光伏发电功率的实时准确预测。
[0015]进一步的，相比于以当前时刻天气预测下一时刻光伏发电功率的方案，本专利技术采用当前时刻所在设定时段的辐照度数据，预测下一时刻的光伏发电功率，考虑了天气变化前各时刻辐照度对下一时刻光伏发电的综合影响，进一步提高了光伏发电功率预测的准确度。
[0016]进一步的，本专利技术采用辐照度和光伏发电功率进行模型训练和功率预测，数据简单，提高模型训练速度和功率预测速度，提升了光伏发电功率预测的实时性。
附图说明
[0017]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏发电功率的预测方法，其特征在于，包括：获取当前时刻之前历史时段内的光伏发电数据和辐照度数据；并生成训练样本；每个训练样本包括第一时刻的光伏发电功率和第一时刻之前设定时段的辐照度数据，第一时刻为历史时段内的任一时刻；基于所述训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型；基于当前时刻所在设定时段的辐照度数据和所述更新后的光伏预测模型，预测得到下一时刻的光伏发电功率。2.根据权利要求1所述的光伏发电功率的预测方法，其特征在于，所述光伏预测模型包括1DM模块和和LSTM模块；基于所述训练样本，对预先训练的光伏预测模型进行重训练，更新模型参数，得到更新后的光伏预测模型，包括：对于每次迭代训练过程，基于所述第一时刻之前设定时段的辐照度数据，生成原始矩阵；将所述原始矩阵输入所述1DM模块，进行特征提取和融合，得到第一矩阵；所述第一矩阵的维度小于所述原始矩阵的维度；以所述第一矩阵为输入，以第一时刻的光伏发电功率为输出，对所述LSTM模块进重训练，更新所述LSTM模块的参数，得到所述更新后的光伏预测模型。3.根据权利要求2所述的光伏发电功率的预测方法，其特征在于，所述1DM模块包括多级卷积池化网络，每级卷积池化网络包括多层卷积层；每层卷积层用于对该卷积层的输入矩阵进行特征提取生成特定维度的输出矩阵；所述将所述原始矩阵输入所述1DM模块，进行特征提取和融合，得到第一矩阵，包括：步骤31，将所述原始矩阵输入第一级卷积池化网络的第一层卷积层，提取所述原始矩阵中的特征，得到第二矩阵；所述第二矩阵的维度小于所述原始矩阵的维度；步骤32，将所述第二矩阵，输入所述第一级卷积池化网络的第二层卷积层，提取所述原始矩阵中的特征，得到第三矩阵；所述第三矩阵的维度小于所述第二矩阵的维度；步骤33，重复步骤32，逐层进行特征提取，直至所述第一级卷积池化网络结束，得到第四矩阵；步骤34，基于所述第四矩阵和第一融合矩阵，进行特征融合，得到第五矩阵；步骤35，将所述第五矩阵输入第二级卷积池化网络，重复步骤31至步骤34，进行特征提取和融合，得到最末级卷积池化网络的输出矩阵；步骤36，基于所述最末级卷积池化网络的输出矩阵和所述原始矩阵，进行特征融合，得到原始融合矩阵；步骤37，将所述原始融合矩阵输入所述多级卷积池化网络，进行逐级特征提取和融合，得到所述第一矩阵。4.根据权利要求2所述的光伏发电功率的预测方法，其特征在于，所述基于当前时刻所在设定时段的辐照度数据和所述更新后的光伏预测模型，预测得到下一时刻的光伏发电功率，包括：将所述设定时段的辐照度数据输入所述1DM模块，进行特征提取和融合，得到当前时刻
的融合矩阵；将所述当前时刻的融合矩阵，输入所述LSTM模块，得到下一时刻的光伏发电功率。5.根据权利要求1所述的光伏发电功率的预测方法，其特征在于，所述获取当前时刻之前历史时段内的光伏发电数据和辐照度数据之后，还包括：基于所述历史时段内的光伏发电数据和辐照度数据，生成功率数据序列和辐照度数据序列；对于功率数据序列和辐照度数据序列中的任一元素，若该元素处缺失数据，则确定该元素为异常数据；对于功率数据序列中的任一元素，若该...

【专利技术属性】
技术研发人员：闫美超，申光鹏，李晓楠，刘晓琳，聂泽，高凯龙，方岩，张世超，杜涛，杨萌，
申请(专利权)人：石家庄科林云能信息科技有限公司，
类型：发明
国别省市：