【技术实现步骤摘要】
本专利技术涉及光伏发电，具体涉及一种光伏发电功率预测方法及系统。
技术介绍
1、随着电厂规模的不断扩增，电厂的数据量也呈爆炸式的增长，光伏发电具有较强的周期变化性，其输出功率受各种气象因素的影响，太阳辐射强度、大气温度、相对湿度、风速、风向、气压等参数对光伏发电有着不同程度的影响。传统的神经网络光伏功率预测模型一方面受电厂来源数据的制约，忽略了部分环境因素对光伏功率的影响，缺乏对多元环境序列信息的有效利用；另一方面，由于光伏功率与多元环境序列信息呈非线性变化，随着网络输入变量的增多，会导致模型收敛速度减慢，并出现过拟合问题；同时因欠缺对光伏功率随时间变化这一特性的考量，限制了预测精度的提升。
技术实现思路
1、本专利技术的目的在于提供一种光伏发电功率预测方法及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种光伏发电功率预测方法，包括：
4、s1：采集光伏发电功率的历史数据和制约光伏发电功率的环境因素数据，通过分布式系统进行分类与存储；
5、s2：通过互补集合经验模态分解方法将光伏发电功率的历史数据和制约光伏发电功率的环境因素数据进行分解，得到不同时间尺度下的本征模态分量和剩余分量；
6、s3：对获得的不同时间尺度下的本征模态分量和剩余分量进行归一化处理；
7、s4：对步骤s3归一化处理后的数据进行预处理；
8、s5：通过lstm神经网络对步骤s4预处
9、s6：通过遗传算法择优优化步骤s5构建的功率预测模型的各个参数，输入遗传算法优化好的参数，得到优化好的功率预测模型；
10、s7：通过步骤s6优化好的功率预测模型来预测未来的光伏发电功率数值。
11、步骤s1中，制约光伏发电功率的环境因素数据包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力。
12、步骤s2中，通过互补集合经验模态分解方法将光伏发电功率的历史数据和制约光伏发电功率的环境因素数据进行分解，具体包括：
13、在待分解信号中加入成对正负高斯白噪声，待分解信号为光伏发电功率的历史数据和制约光伏发电功率的环境因素数据，分解为各种不同的特征波动因素和细节性，将待分解信号中存在的不同尺度波动或趋势逐级分解出来，产生不同时间尺度下的本征模态分量和剩余分量。
14、步骤s3中，对获得的不同时间尺度下的本征模态分量和剩余分量进行归一化处理，具体包括：
15、
16、其中maxv表示数据中的最大值，minv表示数据中的最小值，v、v′分别表示数据归一化前后的值。
17、步骤s4中，预处理具体包括：
18、对步骤s3归一化处理后的数据补充缺失值并通过正态分布识别来剔除异常值,其中异常值根据正态分布的定义，将样本距离平均值大于3δ认定为异常值。
19、步骤s6中，通过遗传算法择优优化步骤s5构建的功率预测模型的各个参数，输入遗传算法优化好的参数，得到优化好的功率预测模型，具体包括：
20、遗传算法通过不断地在解空间进化，然后通过算子选择出适应度高的子代，然后对适应度高的子代进行遗传操作，通过迭代或者当个体达到要求的适应度值时即可停止；
21、适应度高的子代是指适应度从高到底排序，选择前10％的子代。
22、进一步优选，一种光伏发电功率预测方法，包括：
23、s1：采集光伏发电功率的历史数据和制约光伏发电功率的环境因素数据，通过分布式系统进行分类与存储；
24、s2：通过互补集合经验模态分解方法将环境因素数据进行分解，得到不同时间尺度下的本征模态分量和剩余分量；
25、s3：对获得的光伏发电功率历史数据及新的特征因子进行归一化处理，并将已知数据格式转换、标准化；
26、s4：结合s3中的操作进行数据预处理，补充缺失值并通过正态分布识别来剔除异常值，同时删去特殊值；
27、s5：通过lstm神经网络完成对多变量时间序列和光伏功率数据之间的动态时间建模，构建功率预测模型；
28、s6：通过遗传算法择优优化lstm神经网络的功率预测模型的各个参数，输入遗传算法优化好的参数；
29、s7：利用不同的特征数据输入来优化调整模型参数，通过功率预测模型来预测未来的光伏发电功率数值。
30、优选的，所述s1中的环境因素数据主要包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力，所述s1中输入数据是采用多个特征的多维度输入，所述s2中的互补集合经验模态分解方法通过在待分解信号中加入成对正负高斯白噪声来减轻经验模态分解的模态混叠，所述经验模态分解通过将环境因素分解为各种不同的特征波动因素和细节性，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，产生一系列具有不同特征尺度的数据序列，增加特征的多样性。
31、优选的，所述s3中会延续s2筛选过程并在格式转换后分解原始数据获得细节性特征，所述s3中将数据信息格式以统一的标准化转换适配后续需要，所述s3中在归一化处理时需要考虑数据的时间序列数据特性影响，归一处理的计算公式为：
32、
33、其中maxv表示数据中的最大值，minv表示数据中的最小值，v、v′分别表示数据归一化前后的值；
34、所述s6中的遗传算法其核心的思想就是通过不断的在解空间进化，然后通过选择算子选择出适应度高的子代，然后对适应度高的子代进行遗传操作，通过迭代一定的次数或者当个体达到要求的适应度值时即可停止，主要过程包括：
35、1)编码和初始化群体生成
36、把需要选择的参数特征进行编码，每一个参数特征就是一个基因，一个解就是一串基因的组合，然后随机产生n个初始串结构数据，每个串结构数据称为一个个体，n个构成了一个群体；
37、2)计算当前群体的所有个体的适应度
38、根据参数特征的不同性质确定不同的个体适应度指标，通过采用相对应的适应度计算方法计算出具体可参考数值；
39、3)选择
40、选择出适应度更适合功率预测模型的个体重复上述操作；
41、4)杂交
42、由交换概率挑选的每两个父代通过将相异的部分基因进行交换，从而产生新的个体；
43、5)变异
44、首先在群体中随机选择一定数量的个体，对于选中的个体以一定的概率随机地改变串结构数据中某个基因的值，最后判断是否满足模型参数条件，若满足则算法终止，否则进入步骤2)。
45、优选的，所述s5在处理数据时需要考虑之前生成的细节性、相关性的数据特征，所述s5中的lstm是一种含有lstm区块(blocks)或其他的一种类神经网络，所述s6中利用处理后的数据随机性抽取数据集作为样本输入功率预测模型进行训练，所述s7中还本文档来自技高网...
【技术保护点】
1.一种光伏发电功率预测方法，其特征在于，包括：
2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤S1中，制约光伏发电功率的环境因素数据包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力。
3.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤S2中，通过互补集合经验模态分解方法将光伏发电功率的历史数据和制约光伏发电功率的环境因素数据进行分解，具体包括：
4.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤S2中，步骤S3中，对获得的不同时间尺度下的本征模态分量和剩余分量进行归一化处理，具体包括：
5.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤S4中，预处理具体包括：
6.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤S6中，通过遗传算法择优优化步骤S5构建的功率预测模型的各个参数，输入遗传算法优化好的参数，得到优化好的功率预测模型，具体包括：
7.一种实现权利要求1～6任一项所述方法的光伏发电功率预测系统，其特征在于，包括：
8.根
9.根据权利要求7所述的光伏发电功率预测系统，其特征在于，所述参数调整模块接收来自所述模型构建模块会从处理后的数据信息中随机选取测试数据集作为测试数据，并结合特征数据测试模型性能获得测试结果，同时计算loss分析模型参数变化趋势来调整参数数值；
...【技术特征摘要】
1.一种光伏发电功率预测方法，其特征在于，包括：
2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤s1中，制约光伏发电功率的环境因素数据包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力。
3.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤s2中，通过互补集合经验模态分解方法将光伏发电功率的历史数据和制约光伏发电功率的环境因素数据进行分解，具体包括：
4.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤s2中，步骤s3中，对获得的不同时间尺度下的本征模态分量和剩余分量进行归一化处理，具体包括：
5.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤s4中，预处理具体包括：
6.根据权利要求1所述的光伏发电功率预测方法，其特征在于，步骤s...
【专利技术属性】
技术研发人员：陈博，李恺丽，沈怡俊，杨望卓，刘炯，
申请(专利权)人：浙江工业大学，
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。