基于气象数据的光伏发电功率预测方法技术

基于气象数据的光伏发电功率预测方法，属于光伏功率预测领域，为了解决基于气象数据的光伏发电功率预测中降低噪音影响的问题，要点是对影响光伏发电功率的气象数据进行相关性分析，确定相关的气象因素；采用经过鲸鱼算法优化后的变分模态分解

【技术实现步骤摘要】
基于气象数据的光伏发电功率预测方法


[0001]本专利技术属于光伏功率预测领域，特别涉及一种基于组合模型的光伏发电功率预测方法
。

技术介绍

[0002]光伏大量并网可能会导致电力系统不稳定，因为太阳能发电系统的输出功率受日照强度和天气等因素影响，波动不定且难以预测和控制
。
电力输出有可能下降或突然过剩，在高负荷时段，电网需要依赖其他发电系统满足需求；而在低负荷时段，多余的电力则可能无法吸收，导致电压波动和电网故障
。
同时，由于太阳能发电系统输出功率波动，可能会导致负荷需求和电力生产之间不能平衡，进而造成电力系统不稳定和电力供应中断
。
光伏发电功率的精准预测不仅有助于能源管理
、
电网规划和平衡供需，而且还能帮助协调调度电池存储
、
负荷和电源之间的能量
。
因此，对光伏发电功率进行精确预测的研究意义主要体现在以下几个方面：
[0003](1)
保障电网的可靠性
、
安全性和稳定性：精确的光伏发电功率预测可以帮助电力系统及时了解到光伏发电的情况，从而采取有效措施保障电网的可靠性
、
安全性和稳定性
。
[0004](2)
实现可再生能源的有效整合：利用高效的电力系统控制
、
能源交易和储能装置的管理，进一步提高可再生能源在能源结构中的比重
。
[0005](3)
缓解消纳问题
、
降低弃光率和加大绿色资源利用率：光伏功率预测可以帮助电力系统合理调度光伏发电的输出功率，缓解消纳问题，降低弃光率和提高绿色资源的利用率
。
[0006](4)
提高电网电力管理效率以及辅助发电商制定决策
。
[0007]目前，很多专家和学者提出了关于光伏发电功率预测的方法
。
其中物理建模法和时间序列法等传统预测方法受到复杂的实际环境和气象影响，预测出的精度较低且难以提高；随后又提出了基于数据驱动的预测方法，包括支持向量机
(SVM)、
人工神经网络
(ANN)
等
。
然而随着人工智能在各个领域的广泛发展与应用，以模拟视觉神经的卷积神经网络
(CNN)、
模拟海马体的长短期记忆神经网络
(LSTM)
和模拟人类注意力的注意力机制等模型也在光伏发电功率预测中得到应用并且取得了不错的效果
。
但是在天气波动较大时预测精度较低
。

技术实现思路

[0008]为了解决基于气象数据的光伏发电功率预测中降低噪音影响的问题，用于提高预测精度，根据本申请一些实施例的基于气象数据的光伏发电功率预测方法，包括
[0009]步骤1：对光伏发电功率数据进行预处理；
[0010]步骤2：对影响光伏发电功率的气象数据进行相关性分析，确定相关的气象因素，包括全球水平辐照度
、
风速
、
温度和湿度；
[0011]步骤3：采用经过鲸鱼算法优化后的变分模态分解
VMD
算法提取光伏发电功率数据
的本征模态向量和残差项，本征模态向量包括高频分量和低频分量，将残差项剔除；
[0012]步骤4：通过使用
ProbSparse Self
‑
attention
机制替换
Transformer
模型的
self
‑
attention
机制，得到改进
Transformer
模型；
[0013]步骤5：将分解后的低频分量和气象数据分别输入至改进的
Transformer
模型进行预测，将分解后的高频分量和气象数据分别输入至
LSTM
模型进行预测；
[0014]步骤6：将改进的
Transformer
模型输出的低频预测分量的预测结果和
LSTM
模型输出的高频分量的预测结果叠加，得到光伏发电功率预测结果
。
[0015]根据本申请一些实施例的基于气象数据的光伏发电功率预测方法，步骤1中的预处理包括对光伏发电功率数据进行填充缺失数据
、
剔补异常数据以及数据归一化
。
[0016]根据本申请一些实施例的基于气象数据的光伏发电功率预测方法，通过线性插值法填充缺失数据，对于光伏发电功率数据的点
A(x1,y1)
和光伏发电功率数据的点
B(x2
，
y2)
，以及两个点之间的插值位置
x
：
[0017][0018]其中，
x
是要进行插值的位置的横坐标，
y
是通过插值得到的在位置
x
处的纵坐标估计值，
x1
和
x2
是点
A
和点
B
的横坐标，
y1
和
y2
是点
A
和点
B
的纵坐标
。
[0019]根据本申请一些实施例的基于气象数据的光伏发电功率预测方法，归一化由如下公式表示：
[0020][0021]式中，
x
a
、x
b
分别为光伏功率数据归一化后和归一化前的数据；
x
max
、x
min
分别为光伏功率数据的最大值和最小值
。
[0022]根据本申请一些实施例的基于气象数据的光伏发电功率预测方法，对影响光伏发电功率的气象数据进行相关性分析，由下式表示：
[0023][0024]式中，
n
为光伏功率数据的样本数，
x
i
和
y
i
是第
i
个光伏功率数据样本点的两个变量的值
,
和
y
为变量
x
和
y
的平均值，
s
x
和
s
y
为变量
x
和
y
的标准差
。
[0025]根据本申请一些实施例的基于气象数据的光伏发电功率预测方法，采用经过鲸鱼算法优化后的变分模态分解
VMD
算法提取光伏发电功率数据的本征模态向量，包括
[0026]输入光伏发电功率数据，通过鲸鱼优化算法，得到光伏发电功率数据对应的最优解
K
和
α
；
[0027]将最优解
K
和
α
带入
VMD
算法；
[0028]将光伏发电功率数据输入最优解为
K
和...

【技术保护点】

【技术特征摘要】
1.
一种基于气象数据的光伏发电功率预测方法，其特征在于，包括步骤1：对光伏发电功率数据进行预处理；步骤2：对影响光伏发电功率的气象数据进行相关性分析，确定相关的气象因素，包括全球水平辐照度
、
风速
、
温度和湿度；步骤3：采用经过鲸鱼算法优化后的变分模态分解
VMD
算法提取光伏发电功率数据的本征模态向量和残差项，本征模态向量包括高频分量和低频分量，将残差项剔除；步骤4：通过使用
ProbSparse Self
‑
attention
机制替换
Transformer
模型的
self
‑
attention
机制，得到改进
Transformer
模型；步骤5：将分解后的低频分量和气象数据分别输入至改进的
Transformer
模型进行预测，将分解后的高频分量和气象数据分别输入至
LSTM
模型进行预测；步骤6：将改进的
Transformer
模型输出的低频预测分量的预测结果和
LSTM
模型输出的高频分量的预测结果叠加，得到光伏发电功率预测结果
。2.
根据权利要求1所述的基于气象数据的光伏发电功率预测方法，其特征在于，步骤1中的预处理包括对光伏发电功率数据进行填充缺失数据
、
剔补异常数据以及数据归一化
。3.
根据权利要求2所述的基于气象数据的光伏发电功率预测方法，其特征在于，通过线性插值法填充缺失数据，对于光伏发电功率数据的点
A(x1,y1)
和光伏发电功率数据的点
B(x2
，
y2)
，以及两个点之间的插值位置
x
：其中，
x
是要进行插值的位置的横坐标，
y
是通过插值得到的在位置
x
处的纵坐标估计值，
x1
和
x2
是点
A
和点
B
的横坐标，
y1
和
y2
是点
A
和点
B
的纵坐标
。4.
根据权利要求2所述的基于气象数据的光伏发电功率预测方法，其特征在于，归一化由如下公式表示：式中，
x
a
、x
b
分别为光伏功率数据归一化后和归一化前的数据；
x
max
、x
min
分别为光伏功率数据的最大值和最小值
。5.
根据权利要求1所述的基于气象数据的光伏发电功率预测方法，其特征在于，对影响光伏发电功率的气象数据进行相关性分析，由下式表示：式中，
n
为光伏功率数据的样本数，
x
i
和
y
i
是第
i
个光伏功率数据样...

【专利技术属性】
技术研发人员：李明彤，袁学刚，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：