【技术实现步骤摘要】
本专利技术涉及光伏预测，尤其涉及一种光伏功率预测方法、系统、设备及存储介质。
技术介绍
1、与传统的化石能源相比，可再生能源具有无污染，分布广泛，可回收利用等优点，到目前为止，在所有类型的发电能源中，光伏发电的发展速度是最快的，光是可再生能源，它正成为解决传统化石能源发电问题的有效途径，将成为未来研究的重要方向，然而，在实际发电过程中，光伏发电的随机性和波动性会对电网的运行造成巨大的冲击，而精准的光伏功率预测有助于电力系统制。
2、然而，现有的光伏功率预测方法大多将重点放在预测算法上，忽略了数据，但数据对于算法的影响是直观且纯粹的，越有效的数据产出的结果其可靠性也越强，因此，对于光伏功率预测，可以以光伏出力数据本身作为切入点，应用相关性分析和聚类分析，获得更有效的数据，但是现有的数据处理方法大多采用了单一模型，处理结构简单，由于每种单一的模型都存在自身局限性，因此数据处理的方法仍然存在各种问题，例如面对极端值时稳定性差、非线性处理能力较差等，导致这些单一模型无法应对具有非线性、极端值和异常点等问题的光伏数据，比如：在数据处理模型中，pearson相关系数法要求数据集是连续型变量，更适用于线性关系，并且面对极端值时稳定性差，可靠性降低，不适用于具有大量数据且包含极端值的光伏数据，同时传统的k-means算法是将欧几里得距离作为数据点与代表向量之间不相似程度的度量，限制了能处理的数据变量的类型，同时使得聚类的中心的确定对于异常点不具有鲁棒性，因此，k-means针对光伏数据中的极端值鲁棒性变差，亟需寻求新的聚类方法来克服
技术实现思路
1、本专利技术提供了一种光伏功率预测方法、系统、设备及存储介质，解决的技术问题是，现有光伏功率预测方法忽略了光伏数据存在的非线性、极端值和异常点问题，导致预测精度和效率较差。
2、为解决以上技术问题，本专利技术提供了一种光伏功率预测方法、系统、设备及存储介质。
3、第一方面，本专利技术提供了一种光伏功率预测方法，所述方法包括以下步骤：
4、获取光伏发电数据，并将所述光伏发电数据进行预处理，得到待预测光伏数据；所述光伏发电数据包括每个时间点对应的光伏发电输出功率、历史气象数据以及数值天气预报数据；
5、对所述待预测光伏数据进行spearman相关性分析，获取各个待预测光伏数据与光伏输出功率之间存在的相关系数，并根据所述相关系数筛选出对光伏输出功率影响最大的光伏环境特征集合；
6、基于所述相关系数，利用k-means++聚类算法将所述光伏环境特征集合划分为不同特征类别，得到不同类别的光伏数据特征库；
7、获取预先构建的不同类别光伏数据特征库所对应的支持向量回归预测模型；
8、将所述光伏数据特征库输入对应的所述支持向量回归预测模型中进行预测，并对输出的预测结果进行反归一化处理，得到对应的光伏功率预测数据。
9、在进一步的实施方案中，所述相关系数的计算公式为：
10、
11、其中，
12、
13、式中，ρ表示待预测光伏数据与光伏输出功率之间存在的相关系数；xi表示第i个待预测光伏数据；x表示待预测光伏数据的秩次；yi表示第i个光伏输出功率；y表示光伏输出功率的秩次；n表示待预测光伏数据的个数；di表示待预测光伏数据与光伏输出功率的秩次之差。
14、在进一步的实施方案中，所述k-means++聚类算法采用欧氏距离作为距离度量，所述距离度量的计算公式为：
15、
16、式中，a(x,y)表示距离度量；xj、yj表示光伏环境特征集合中的两个不同光伏环境特征的坐标点；j表示光伏环境特征集合的元素个数。
17、在进一步的实施方案中，所述k-means++聚类算法采用误差平方和准则函数对不同簇的聚类结果进行评价，得到不同类别的光伏数据特征库，其中，所述误差平方和准则函数的计算公式为：
18、
19、式中，sse表示误差平方和；z表示光伏环境特征集合中的样本数据；k表示聚类的簇数；sq表示第q个簇中的所有样本；μq表示第q个簇的所有样本的平均值。
20、在进一步的实施方案中，所述支持向量回归预测模型采用非线性支持向量回归预测模型。
21、在进一步的实施方案中，所述将所述光伏发电数据进行预处理，得到待预测光伏数据的步骤包括：
22、将所述光伏发电数据进行异常数据处理，得到光伏发电修正数据；
23、将所述光伏发电修正数据进行归一化处理，得到待预测光伏数据。
24、第二方面，本专利技术提供了一种光伏功率预测系统，所述系统包括：
25、数据获取模块，用于获取光伏发电数据，并将所述光伏发电数据进行预处理，得到待预测光伏数据；所述光伏发电数据包括每个时间点对应的光伏发电输出功率、历史气象数据以及数值天气预报数据；
26、数据筛选模块，用于对所述待预测光伏数据进行spearman相关性分析，获取各个待预测光伏数据与光伏输出功率之间存在的相关系数，并根据所述相关系数筛选出对光伏输出功率影响最大的光伏环境特征集合；
27、数据分类模块，用于基于所述相关系数，利用k-means++聚类算法将所述光伏环境特征集合划分为不同特征类别，得到不同类别的光伏数据特征库；
28、模型获取模块，用于获取预先构建的不同类别光伏数据特征库所对应的支持向量回归预测模型；
29、光伏功率预测模块，用于将所述光伏数据特征库输入对应的所述支持向量回归预测模型中进行预测，并对输出的预测结果进行反归一化处理，得到对应的光伏功率预测数据。
30、在进一步的实施方案中，所述相关系数的计算公式为：
31、
32、其中，
33、
34、式中，ρ表示待预测光伏数据与光伏输出功率之间存在的相关系数；xi表示第i个待预测光伏数据；表示待预测光伏数据的秩次；yi表示第i个光伏输出功率；表示光伏输出功率的秩次；n表示待预测光伏数据的个数；di表示待预测光伏数据与光伏输出功率的秩次之差。
35、第三方面，本专利技术还提供了一种计算机设备，包括处理器和存储器，所述处理器与所述存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述计算机设备执行实现上述方法的步骤。
36、第四方面，本专利技术还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中存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
37、本专利技术提供了一种光伏功率预测方法、系统、设备及存储介质，所述方法通过对待预测光伏数据进行spearman相关性分析，筛选出对光伏输出功率影响最大的光伏环境特征集合；利用k-means++聚类算法本文档来自技高网...
【技术保护点】
1.一种光伏功率预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种光伏功率预测方法，其特征在于，所述相关系数的计算公式为：
3.如权利要求1所述的一种光伏功率预测方法，其特征在于，所述K-means++聚类算法采用欧氏距离作为距离度量，所述距离度量的计算公式为：
4.如权利要求1所述的一种光伏功率预测方法，其特征在于，所述K-means++聚类算法采用误差平方和准则函数对不同簇的聚类结果进行评价，得到不同类别的光伏数据特征库，其中，所述误差平方和准则函数的计算公式为：
5.如权利要求1所述的一种光伏功率预测方法，其特征在于：所述支持向量回归预测模型采用非线性支持向量回归预测模型。
6.如权利要求1所述的一种光伏功率预测方法，其特征在于，所述将所述光伏发电数据进行预处理，得到待预测光伏数据的步骤包括：
7.一种光伏功率预测系统，其特征在于，所述系统包括：
8.如权利要求7所述的一种光伏功率预测系统，其特征在于，所述相关系数的计算公式为：
9.一种计算机设备，其特征在于：包括
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1至6任一项所述的方法。
...【技术特征摘要】
1.一种光伏功率预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种光伏功率预测方法，其特征在于，所述相关系数的计算公式为：
3.如权利要求1所述的一种光伏功率预测方法，其特征在于，所述k-means++聚类算法采用欧氏距离作为距离度量，所述距离度量的计算公式为：
4.如权利要求1所述的一种光伏功率预测方法，其特征在于，所述k-means++聚类算法采用误差平方和准则函数对不同簇的聚类结果进行评价，得到不同类别的光伏数据特征库，其中，所述误差平方和准则函数的计算公式为：
5.如权利要求1所述的一种光伏功率预测方法，其特征在于：所述支持向量回归预测模型采用非线性支持向量回归预测模型。
6.如权...
【专利技术属性】
技术研发人员：邰彬，张晓珂，黄杨珏，朱远哲，沈开程，汪进锋，吕鸿，陈鹏，黄思艺，戴小然，贾梦麒，刘石生，李新，程志秋，卢坚章，钟官添，
申请(专利权)人：广东电网有限责任公司，
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。