【技术实现步骤摘要】
本专利技术涉及光伏功率预测，尤其涉及一种考虑光伏出力与气象要素的光伏发电功率区间预测方法及相关设备。
技术介绍
1、光伏发电作为一种重要的可再生能源利用形式，在近年来备受重视，得到了快速发展。光伏发电在为全球提供大量能源的同时，其固有的随机性、波动性也为电力系统带来了极大的冲击。精确的功率预测技术对于解决光伏出力波动具有重大意义，是电力系统调度的基础。
2、功率预测技术可分为点预测和区间预测。点预测只能得到某个时间点的确定性结果，无法显示出光伏出力的不确定性信息。与点预测相比，区间预测可以显示出光伏出力的不确定性信息，在电力系统的规划和可靠性评估等方面有更重要的意义
3、因此，急需一种考虑光伏出力与气象要素的光伏发电功率区间预测方法来解决现有光伏功率预测根据气象因素或者光伏出力状况进行天气分型，没有综合考虑光伏出力与气象要素的关系，分类方法相对片面，难以满足区间预测的需求。
技术实现思路
1、本专利技术实施例提供一种考虑光伏出力与气象要素的光伏发电功率区间预测方法，旨在解决现有光伏功率预测根据气象因素或者光伏出力状况进行天气分型，没有综合考虑光伏出力与气象要素的关系，分类方法相对片面，难以满足区间预测的需求。通过历史气象数据与历史光伏功率数据确定出影响光伏出力的气象因素，并根据气象因素的多个聚类特征进行聚类，得到不同的天气类型数据集，每个天气类型数据集对应一个天气类型，并通过不同的天气类型数据集对待训练的神经网络模型进行训练，得到训练好的神经网络模型，每个训
2、第一方面，本专利技术实施例提供一种考虑光伏出力与气象要素的光伏发电功率区间预测方法，所述方法包括：
3、获取历史气象数据与历史光伏功率数据；
4、基于所述历史气象数据与所述历史光伏功率数据，确定出影响光伏出力的气象因素；
5、基于所述气象因素的多个聚类特征进行聚类，得到不同的天气类型数据集，每个天气类型数据集对应一个天气类型；
6、通过所述不同的天气类型数据集对待训练的神经网络模型进行训练，得到训练好的神经网络模型，每个训练好的神经网络模型对应一个天气类型；
7、基于训练好的神经网络模型，得到点预测结果；
8、基于点预测结果，得到光伏发电预测区间。
9、可选的，所述基于所述历史气象数据与所述历史光伏功率数据，确定出影响光伏出力的气象因素的步骤包括：
10、对所述历史光伏功率数据和所述历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据；
11、计算所述处理后的历史光伏功率数据和所述处理后的历史气象数据，得到影响光伏出力的气象因素。
12、可选的，所述对所述历史光伏功率数据和所述历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据的步骤包括：
13、处理后的缺失数据，用移动窗插值法进行补齐，公式如下：
14、y＝(y1+y2+y3+…+yn)/n (1)
15、即可得到缺失的y值，其中，y1到yn为与缺失值相邻的n个值。
16、可选的，所述计算所述处理后的历史光伏功率数据和所述处理后的历史气象数据，得到影响光伏出力的气象因素的步骤包括：
17、根据公式：
18、
19、即可求的各要素间的相关系数r,式中，cov(x,y)为矩阵x和矩阵y的协方差，d(x)和d(y)为矩阵x和矩阵y的方差。
20、可选的，所述基于所述气象因素的多个聚类特征进行聚类，得到不同的天气类型数据集的步骤包括：
21、以天为单位对所述处理后的历史光伏功率数据和所述处理后的历史气象数据进行划分，得到气象因素的多个聚类特征；
22、对所述气象因素的多个聚类特征进行聚类，得到不同的天气类型数据集。
23、可选的，所述基于点预测结果，得到光伏发电预测区间的步骤包括：
24、对点预测结果进行点预测误差计算，得到误差分布；
25、用核密度估计对所述误差分布进行拟合，得到其在所设定置信度下的分布点；
26、基于所述点预测结果、误差分布与所求的的某一置信度下的分位点，得到该置信水平下的预测区间。
27、可选的，所述基于所述点预测结果、误差分布与所求的的某一置信度下的分位点，得到该置信水平下的预测区间的步骤包括：
28、根据公式：
29、
30、即求得预测区间上限u和下限l；式中，ppred为点预测值，f(x)为累计概率分布函数；α根据所选取的置信度不同而变化，如90％置信度下α＝0.1。
31、第二方面，本专利技术实施例还提供了一种考虑光伏出力与气象要素的光伏发电功率区间预测方法装置，所述考虑光伏出力与气象要素的光伏发电功率区间预测方法装置包括：
32、获取模块，用于获取历史气象数据与历史光伏功率数据；
33、确定模块，用于基于所述历史气象数据与所述历史光伏功率数据，确定出影响光伏出力的气象因素；
34、聚类模块，用于基于所述气象因素的多个聚类特征进行聚类，得到不同的天气类型数据集，每个天气类型数据集对应一个天气类型；
35、训练模块，用于通过所述不同的天气类型数据集对待训练的神经网络模型进行训练，得到训练好的神经网络模型，每个训练好的神经网络模型对应一个天气类型；
36、第一处理模块，用于基于训练好的神经网络模型，得到点预测结果；
37、第二处理模块，用于基于点预测结果，得到光伏发电预测区间。
38、第三方面，本专利技术实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例提供的考虑光伏出力与气象要素的光伏发电功率区间预测方法中的步骤。
39、第四方面，本专利技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现专利技术实施例提供的考虑光伏出力与气象要素的光伏发电功率区间预测方法中的步骤。
40、本专利技术实施例中，获取历史气象数据与历史光伏功率数据；基于所述历史气象数据与所述历史光伏功率数据，确定出影响光伏出力的气象因素；基于所述气象因素的多个聚类特征进行聚类，得到不同的天气类型数据集，每个天气类型数据集对应一个天气类型；通过所述不同的天气类型数据集对待训练的神经网络模型进行训练，得到训练好的神经网络模型，每个训练好的神经网络模型对应一个天气类型；基于训练好的神经网络模型，得到点本文档来自技高网...
【技术保护点】
1.一种考虑光伏出力与气象要素的光伏发电功率区间预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述历史气象数据与所述历史光伏功率数据，确定出影响光伏出力的气象因素的步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述历史光伏功率数据和所述历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据的步骤包括：
4.根据权利要求3所述的方法，其特征在于，所述计算所述处理后的历史光伏功率数据和所述处理后的历史气象数据，得到影响光伏出力的气象因素的步骤包括：
5.根据权利要求2所述的方法，其特征在于，所述基于所述气象因素的多个聚类特征进行聚类，得到不同的天气类型数据集的步骤包括：
6.根据权利要求1所述的方法，其特征在于，所述基于点预测结果，得到光伏发电预测区间的步骤包括：
7.根据权利要求6所述的方法，其特征在于，所述基于所述点预测结果、误差分布与所求的的某一置信度下的分位点，得到该置信水平下的预测区间的步骤包括：
8.一种考虑光伏出力与
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的考虑光伏出力与气象要素的光伏发电功率区间预测方法中的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的考虑光伏出力与气象要素的光伏发电功率区间预测方法中的步骤。
...【技术特征摘要】
1.一种考虑光伏出力与气象要素的光伏发电功率区间预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述历史气象数据与所述历史光伏功率数据，确定出影响光伏出力的气象因素的步骤包括：
3.根据权利要求2所述的方法，其特征在于，所述对所述历史光伏功率数据和所述历史气象数据进行数据预处理，得到处理后的历史光伏功率数据和处理后的历史气象数据的步骤包括：
4.根据权利要求3所述的方法，其特征在于，所述计算所述处理后的历史光伏功率数据和所述处理后的历史气象数据，得到影响光伏出力的气象因素的步骤包括：
5.根据权利要求2所述的方法，其特征在于，所述基于所述气象因素的多个聚类特征进行聚类，得到不同的天气类型数据集的步骤包括：
6.根据权利要求1所述的方法，其特征在于，所述基于点预测结果，得到光伏发电...
【专利技术属性】
技术研发人员：朱红路，孙亚辉，张茜，李佳琦，潘炳蓉，连泳钧，
申请(专利权)人：华北电力大学，
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。