一种光伏功率预测方法和系统技术方案

本发明专利技术公开了一种光伏功率预测方法和系统，本发明专利技术包括基于更新光伏功率数据，从更新气象影响因素数据中选取对光伏功率影响最大对应的更新气象影响因素数据，生成特征集；采用多个本征模态分量和特征集进行拼接，生成多维输入矩阵，将多维输入矩阵和预设的输出变量输入预设的初始预测模型进行训练，生成目标预测模型；将实时光伏发电功率输入目标预测模型进行预测，生成光伏功率预测结果。解决了现有的技术存在模型简单或严重依赖数据的精确性，导致预测的光伏功率准确性较低的技术问题。本发明专利技术通过组合模型结合各自的优点，提高了模型的整体预测精度和鲁棒性，为光伏电站和电力系统的安全经济运行提供更有力的保障。统的安全经济运行提供更有力的保障。统的安全经济运行提供更有力的保障。

【技术实现步骤摘要】
一种光伏功率预测方法和系统


[0001]本专利技术涉及光伏功率预测
，尤其涉及一种光伏功率预测方法和系统。

技术介绍

[0002]随着“双碳”目标的提出，光伏发电依靠其清洁能源的优势快速发展。使用光伏发电不仅可以节省传统能源，并且在发电过程中不产生任何污染物和温室气体排放，有助于降低大气污染和全球气候变暖，保护环境和人类健康，是符合可持续发展要求的理想选择。但随着光伏并网容量在电网中占比的不断提高，光伏功率的波动性和随机性已经成为电网协调调度的不可控因素。光伏发电一定程度上受天气条件和日照强度影响，这会导致它们产生的电力有较大波动。光伏发电的波动会对电网的稳定性造成一定影响。如果光伏电站发电功率快速增加或减少，这将导致电网频率波动，可能会引起电网事故。光伏板发电波动也意味着需要维护更多的备用发电设备。如果光伏电站的发电波动过于剧烈，则需要启动附属设备，如燃气涡轮机调节输出功率和保证网络稳定性。这将导致更高的运行成本以及更复杂的维护问题。因此，准确的集中式光伏短期功率预测对光伏发电消纳、优化电力系统调度和保障电网安全经济运行具有重要意义。
[0003]因此，现有的光伏功率短期预测方法通常采用统计方法和机器学习方法，其中，统计方法主要包括自回归综合移动平均模型、线性回归分析和时间序列等方法，而机器学习方法有支持向量、人工神经网络和随时森林等方法，但上述方法存在模型简单或严重依赖数据的精确性，导致预测的光伏功率准确性较低。

技术实现思路

[0004]本专利技术提供了一种光伏功率预测方法和系统，解决了现有的技术存在模型简单或严重依赖数据的精确性，导致预测的光伏功率准确性较低的技术问题。
[0005]本专利技术第一方面提供的一种光伏功率预测方法，包括：
[0006]响应接收到光伏功率预测请求时，获取所述光伏功率预测请求对应的光伏电站对应的历史光伏功率数据和气象影响因素数据；
[0007]对所述历史光伏功率数据和所述气象影响因素数据进行数据处理，生成更新光伏功率数据和更新气象影响因素数据；
[0008]对所述更新光伏功率数据进行分解处理，生成多个本征模态分量；
[0009]基于所述更新光伏功率数据，从所述更新气象影响因素数据中选取对光伏功率影响最大对应的更新气象影响因素数据，生成特征集；
[0010]采用多个所述本征模态分量和所述特征集进行拼接，生成多维输入矩阵，将所述多维输入矩阵和预设的输出变量输入预设的初始预测模型进行训练，生成目标预测模型；
[0011]将实时光伏发电功率输入所述目标预测模型进行预测，生成光伏功率预测结果。
[0012]可选地，所述对所述历史光伏功率数据和所述气象影响因素数据进行数据处理，生成更新光伏功率数据和更新气象影响因素数据的步骤，包括：
[0013]基于滑动窗口法，对所述历史光伏功率数据和所述气象影响因素数据进行缺失检测和异常检测，生成缺失值或/和异常值；
[0014]采用最邻近分类算法提取所述缺失值或/和所述异常值相邻的所述历史光伏功率数据和所述气象影响因素数据，生成相邻光伏功率数据和相邻气象影响因素数据；
[0015]依据所述相邻光伏功率数据和所述相邻气象影响因素数据，构建拟合曲线；
[0016]采用所述拟合曲线对应的均值插补法填补所述缺失值或/和异常值，生成更新光伏功率数据和更新气象影响因素数据。
[0017]可选地，所述对所述更新光伏功率数据进行分解处理，生成多个本征模态分量的步骤，包括：
[0018]基于自适应变分模态分解法，对所述更新光伏功率数据进行分解处理，得到多个本征模态分量；其中，所述本征模态分量具有特定带宽。
[0019]可选地，所述基于所述更新光伏功率数据，从所述更新气象影响因素数据中选取对光伏功率影响最大对应的更新气象影响因素数据，生成特征集的步骤，包括：
[0020]将所述更新光伏功率数据中的光伏功率值作为预设的目标参量；
[0021]将所述更新气象影响因素数据对应的气象影响因素作为待选特征量集；
[0022]利用互信息算法计算全部所述气象影响因素和所述目标参量的互信息；
[0023]将所述互信息对应的互信息值中最大的气象影响因素加入第一集合，并删除所述待选特征量集中对应的最大的气象影响因素，生成更新待选特征量集；
[0024]从所述更新待选特征量集中选取任一气象影响因素，生成待选影响因素；
[0025]基于所述第一集合对应的最大气象影响因素，计算所述待选影响因素和所述目标参量之间的条件互信息值；
[0026]从所述更新待选特征量集的剩余气象影响因素中选取任一气象影响因素作为新的待选影响因素；
[0027]跳转执行所述基于所述第一集合对应的最大气象影响因素，计算所述待选影响因素和所述目标参量之间的条件互信息值的步骤，直至所述更新待选特征量集无剩余气象影响因素，生成多个条件互信息值；
[0028]判断各所述条件互信息值对应的信息量是否小于或等于第一预设信息阈值，生成判断结果，并依据所述判断结果将所述条件互信息值对应的待选影响因素加入所述第一集合，生成所述目标参量对应的特征集。
[0029]可选地，所述判断各所述条件互信息值对应的信息量是否小于或等于第一预设信息阈值，生成判断结果，并依据所述判断结果将所述条件互信息值对应的待选影响因素加入所述第一集合，生成所述目标参量对应的特征集的步骤，包括：
[0030]判断各所述条件互信息值对应的信息量是否小于或等于所述第一预设信息阈值；
[0031]若是，则将所述条件互信息值作为冗余信息并删除所述冗余信息；
[0032]若否，则将所述条件互信息值对应的待选影响因素加入所述第一集合，生成所述目标参量对应的特征集。
[0033]可选地，所述采用多个所述本征模态分量和所述特征集进行拼接，生成多维输入矩阵，将所述多维输入矩阵和预设的输出变量输入预设的初始预测模型进行训练，生成目标预测模型的步骤，包括：
[0034]对多个所述本征模态分量和所述特征集进行拼接，生成多维输入矩阵；
[0035]对所述多维输入矩阵进行归一化处理，生成更新输入矩阵；
[0036]将所述光伏电站对应的光伏发电功率作为输出变量；
[0037]对所述输出变量进行归一化处理，生成更新输出变量；
[0038]将多个所述更新输入矩阵和多个所述更新输出变量输入预设的初始预测模型进行训练，生成目标预测模型。
[0039]可选地，所述初始预测模型包括卷积层、循环层、循环跳过层、注意力机制层、自回归层和第一全连接层和第二全连接层；所述将多个所述更新输入矩阵和多个所述更新输出变量输入预设的初始预测模型进行训练，生成目标预测模型的步骤，包括：
[0040]按照预设比例将多个所述更新输入矩阵和多个所述更新输出变量进行划分，生成训练集、验证集和测试集；
[0041]将所述训练集中的更新输入矩阵分别输入预设的初始预测模型的卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏功率预测方法，其特征在于，包括：响应接收到光伏功率预测请求时，获取所述光伏功率预测请求对应的光伏电站对应的历史光伏功率数据和气象影响因素数据；对所述历史光伏功率数据和所述气象影响因素数据进行数据处理，生成更新光伏功率数据和更新气象影响因素数据；对所述更新光伏功率数据进行分解处理，生成多个本征模态分量；基于所述更新光伏功率数据，从所述更新气象影响因素数据中选取对光伏功率影响最大对应的更新气象影响因素数据，生成特征集；采用多个所述本征模态分量和所述特征集进行拼接，生成多维输入矩阵，将所述多维输入矩阵和预设的输出变量输入预设的初始预测模型进行训练，生成目标预测模型；将实时光伏发电功率输入所述目标预测模型进行预测，生成光伏功率预测结果。2.根据权利要求1所述的光伏功率预测方法，其特征在于，所述对所述历史光伏功率数据和所述气象影响因素数据进行数据处理，生成更新光伏功率数据和更新气象影响因素数据的步骤，包括：基于滑动窗口法，对所述历史光伏功率数据和所述气象影响因素数据进行缺失检测和异常检测，生成缺失值或/和异常值；采用最邻近分类算法提取所述缺失值或/和所述异常值相邻的所述历史光伏功率数据和所述气象影响因素数据，生成相邻光伏功率数据和相邻气象影响因素数据；依据所述相邻光伏功率数据和所述相邻气象影响因素数据，构建拟合曲线；采用所述拟合曲线对应的均值插补法填补所述缺失值或/和异常值，生成更新光伏功率数据和更新气象影响因素数据。3.根据权利要求1所述的光伏功率预测方法，其特征在于，所述对所述更新光伏功率数据进行分解处理，生成多个本征模态分量的步骤，包括：基于自适应变分模态分解法，对所述更新光伏功率数据进行分解处理，得到多个本征模态分量；其中，所述本征模态分量具有特定带宽。4.根据权利要求1所述的光伏功率预测方法，其特征在于，所述基于所述更新光伏功率数据，从所述更新气象影响因素数据中选取对光伏功率影响最大对应的更新气象影响因素数据，生成特征集的步骤，包括：将所述更新光伏功率数据中的光伏功率值作为预设的目标参量；将所述更新气象影响因素数据对应的气象影响因素作为待选特征量集；利用互信息算法计算全部所述气象影响因素和所述目标参量的互信息；将所述互信息对应的互信息值中最大的气象影响因素加入第一集合，并删除所述待选特征量集中对应的最大的气象影响因素，生成更新待选特征量集；从所述更新待选特征量集中选取任一气象影响因素，生成待选影响因素；基于所述第一集合对应的最大气象影响因素，计算所述待选影响因素和所述目标参量之间的条件互信息值；从所述更新待选特征量集的剩余气象影响因素中选取任一气象影响因素作为新的待选影响因素；跳转执行所述基于所述第一集合对应的最大气象影响因素，计算所述待选影响因素和
所述目标参量之间的条件互信息值的步骤，直至所述更新待选特征量集无剩余气象影响因素，生成多个条件互信息值；判断各所述条件互信息值对应的信息量是否小于或等于第一预设信息阈值，生成判断结果，并依据所述判断结果将所述条件互信息值对应的待选影响因素加入所述第一集合，生成所述目标参量对应的特征集。5.根据权利要求4所述的光伏功率预测方法，其特征在于，所述判断各所述条件互信息值对应的信息量是否小于或等于第一预设信息阈值，生成判断结果，并依据所述判断结果将所述条件互信息值对应的待选影响因素加入所述第一集合，生成所述目标参量对应的特征集的步骤，包括：判断各所述条件互信息值对应的信息量是否小于或等于所述第一预设信息阈值；若是，则将所述条件互信息值作为冗余信息并删除所述冗余信息；若否，则将所述条件互信息值对应的待选影响因素加入所述第一集合，生成所述目标参量对应的特征集。6.根据权利要求1所述的光伏功率预测方法，其特征在于，所述采用多个所述本征模态分量和所述特征集进行拼接，生成多维输入矩阵，将所述多维输入矩阵和预设的输出变量输入预设的初始预测模型...

【专利技术属性】
技术研发人员：陈钢，黄晓光，宋惠宇，赖春林，刘凤雏，彭亮基，林彦楷，陈浩东，杨国庆，李达扬，李健波，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：