System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光伏发电,尤其涉及一种分布式光伏的短期功率预测方法、装置、终端及存储介质。
技术介绍
1、光伏发电利用半导体元件的光生伏特效应将光能转换为电能。和其他可再生资源相比,光伏发电具有安全、投资少、建设方便等优势。近年来,光伏发电因其清洁、无污染、便于分布式推广等方面的显著优势,在全球范围内得到了广泛推广。
2、然而受气象因素的影响,分布式光伏的发电功率具有很强的不稳定性,在突变天气条件下分布式光伏的发电功率波动较为剧烈,其并网不仅会给电网的电能质量造成影响,还会给电网的有功经济调度带来困难,影响电网的安全稳定运行。
3、因此,如何精准预测分布式光伏在短期内的发电功率,帮助电力调度部门制定调度方案,从而对各分布式光伏进行优化调度,以减轻光伏发电的不稳定出力对电网造成的影响,成为一个亟待解决的问题。
技术实现思路
1、本专利技术实施例提供了一种分布式光伏的短期功率预测方法、装置、终端及存储介质,以精准预测短期内的光伏发电功率。
2、第一方面,本专利技术实施例提供了一种分布式光伏的短期功率预测方法,包括:
3、获取预测时间段前至少一个时间段内不同时刻下的光伏数据;
4、将所述光伏数据输入预先训练好的功率预测模型,得到所述功率预测模型输出的所述预测时间段内不同时刻下的光伏发电功率;
5、其中,所述功率预测模型基于多个时间段前的至少一个时间段内不同时刻下的光伏数据和相应时间段内不同时刻下的光伏发电功率训练得到,
6、在一种可能的实现方式中,所述负反馈神经网络模型为改进的lstm神经网络模型,所述处理单元为lstm单元;
7、所述改进的lstm神经网络模型中,各时间步下的各lstm单元输出的隐藏状态对应反馈至前一时间步下的各lstm单元的输入端;
8、所述改进的lstm神经网络模型还包括多个卷积层,各卷积层的输入端对应连接至各时间步下的末级lstm单元的输出端,各卷积层的输出端作为所述改进的lstm神经网络模型的输出端。
9、在一种可能的实现方式中,在将所述光伏数据输入预先训练好的功率预测模型,得到所述功率预测模型输出的所述预测时间段内不同时刻下的光伏发电功率之前,还包括:
10、对所述光伏数据,进行数据清洗;所述数据清洗包括缺失数据补全处理和异常数据修正处理;
11、所述将所述光伏数据输入预先训练好的功率预测模型,得到所述功率预测模型输出的所述预测时间段内不同时刻下的光伏发电功率,包括:
12、将数据清洗后的光伏数据输入所述功率预测模型,得到所述功率预测模型输出的所述预测时间段内不同时刻下的光伏发电功率。
13、在一种可能的实现方式中,对所述光伏数据,进行异常数据修正处理,包括:
14、分别将所述光伏数据输入至预先训练好的异常时间段识别模型中,对应确定异常时间段;其中,所述异常时间段识别模型基于不同时间段内不同时刻下的光伏数据和相应时间段的异常标签训练得到;
15、基于所述异常时间段内各时刻下的光伏数据,对应确定所述异常时间段内光伏数据中的异常数据,并对所述异常数据进行修正。
16、在一种可能的实现方式中,基于所述异常时间段内各时刻下的光伏数据,对应确定所述异常时间段内光伏数据中的异常数据,包括:
17、将预设长度的滑动窗口按照预设步进沿所述异常时间段内各时刻下的光伏数据所构成的时序数据序列滑动;
18、实时计算所述滑动窗口在当前时刻对应的窗口平均值以及所述滑动窗口在上一时刻对应的窗口平均值,如果当前时刻对应的窗口平均值与上一时刻对应的窗口平均值的差值大于第一预设差值,则缩短所述滑动窗口的长度,以剔除所述滑动窗口的末端在当前时刻对应的数据,得到新的滑动窗口;
19、跳转执行实时计算所述滑动窗口在当前时刻对应的窗口平均值以及所述滑动窗口在上一时刻对应的窗口平均值的步骤,直到当前时刻对应的窗口平均值与上一时刻对应的窗口平均值的差值小于或等于第二预设差值时,将最近一次剔除的数据确定为异常数据,所述滑动窗口继续沿所述时序数据序列滑动,并继续跳转执行实时计算滑动窗口在当前时刻对应的窗口平均值以及滑动窗口在上一时刻对应的窗口平均值的步骤,直到所述滑动窗口遍历所述时序数据序列,得到所述异常时间段内光伏数据中的所有异常数据;其中,所述第二预设差值小于所述第一预设差值。
20、在一种可能的实现方式中,所述光伏数据包括:光伏发电功率、修正后的并网点电压以及修正后的辐照度;
21、所述获取预测时间段前至少一个时间段内不同时刻下的光伏数据,包括:
22、获取预测时间段前至少一个时间段内不同时刻下的光伏发电功率、并网点电压以及辐照度;
23、分别获取所述并网点电压以及所述辐照度对应的回归系数;所述回归系数用于表征对光伏发电功率的影响程度;
24、基于所述并网点电压、所述辐照度,以及对应的回归系数,对应确定修正后的并网点电压和修正后的辐照度。
25、在一种可能的实现方式中,所述分别获取所述并网点电压以及所述辐照度对应的回归系数,包括:
26、根据,构建回归方程;
27、其中,表示并网点电压对应的回归系数,表示并网点电压,表示辐照度对应的回归系数,表示辐照度,表示光伏发电功率;
28、构建损失函数,并按照损失函数最小的原则,求解所述回归方程,得到所述并网点电压以及所述辐照度对应的回归系数。
29、第二方面,本专利技术实施例提供了一种分布式光伏的短期功率预测装置,包括:
30、获取模块,用于获取预测时间段前至少一个时间段内不同时刻下的光伏数据;
31、预测模块,用于将所述光伏数据输入预先训练好的功率预测模型,得到所述功率预测模型输出的所述预测时间段内不同时刻下的光伏发电功率;
32、其中,所述功率预测模型基于多个时间段前的至少一个时间段内不同时刻下的光伏数据和相应时间段内不同时刻下的光伏发电功率训练得到,所述功率预测模型为负反馈神经网络模型,所述负反馈神经网络模型包含多个处理单元,且各时间步下的各处理单元输出的隐藏状态对应反馈至前一时间步下的各处理单元。
33、第三方面,本专利技术实施例提供了一种终端,包括存储器、处理器以及存储在所述存储器中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上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
34、第四方面,本专利技术实施例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上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
35、本专利技术实施例提供一种分本文档来自技高网...
【技术保护点】
1.一种分布式光伏的短期功率预测方法,其特征在于,包括:
2.根据权利要求1所述的分布式光伏的短期功率预测方法,其特征在于,所述负反馈神经网络模型为改进的LSTM神经网络模型,所述处理单元为LSTM单元;
3.根据权利要求1或2所述的分布式光伏的短期功率预测方法,其特征在于,在将所述光伏数据输入预先训练好的功率预测模型,得到所述功率预测模型输出的所述预测时间段内不同时刻下的光伏发电功率之前,还包括:
4.根据权利要求3所述的分布式光伏的短期功率预测方法,其特征在于,对所述光伏数据,进行异常数据修正处理,包括:
5.根据权利要求4所述的分布式光伏的短期功率预测方法,其特征在于,基于所述异常时间段内各时刻下的光伏数据,对应确定所述异常时间段内光伏数据中的异常数据,包括:
6.根据权利要求1或2所述的分布式光伏的短期功率预测方法,其特征在于,所述光伏数据包括:光伏发电功率、修正后的并网点电压以及修正后的辐照度;
7.根据权利要求6所述的分布式光伏的短期功率预测方法,其特征在于,所述分别获取所述并网点电压以及所述辐照
8.一种分布式光伏的短期功率预测装置,其特征在于,包括:
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述分布式光伏的短期功率预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述分布式光伏的短期功率预测方法的步骤。
...【技术特征摘要】
1.一种分布式光伏的短期功率预测方法,其特征在于,包括:
2.根据权利要求1所述的分布式光伏的短期功率预测方法,其特征在于,所述负反馈神经网络模型为改进的lstm神经网络模型,所述处理单元为lstm单元;
3.根据权利要求1或2所述的分布式光伏的短期功率预测方法,其特征在于,在将所述光伏数据输入预先训练好的功率预测模型,得到所述功率预测模型输出的所述预测时间段内不同时刻下的光伏发电功率之前,还包括:
4.根据权利要求3所述的分布式光伏的短期功率预测方法,其特征在于,对所述光伏数据,进行异常数据修正处理,包括:
5.根据权利要求4所述的分布式光伏的短期功率预测方法,其特征在于,基于所述异常时间段内各时刻下的光伏数据,对应确定所述异常时间段内光伏数据中的异常数据,包括:
6.根据权利要求...
【专利技术属性】
技术研发人员:王会平,申光鹏,刘晓琳,聂泽,全佳杰,刘林杰,周彪,王宁,杜涛,杨萌,
申请(专利权)人:石家庄科林电气股份有限公司,
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。