【技术实现步骤摘要】
本专利技术属于光伏发电，具体涉及一种光伏功率预测方法及系统。
技术介绍
1、如今，由于全球变暖和不可再生资源的枯竭，可再生能源资源的重要性受到更多的关注。在各种可再生能源资源中，太阳能因资源丰富、易获取、与环境兼容且高效而备受青睐。随着光伏系统的安装数量不断增加和光伏技术的进步，太阳能市场存量迅速增长。因此，光伏模块的成本大大降低。此外，各国政府的激励措施也鼓励和支持可再生能源的发展，这也促进了光伏市场的发展。
2、太阳辐射、云移动、降水和温度等气候因素影响了光伏系统的发电量。这种不确定性使得将光伏系统与电网整合变得困难。为了确保可靠的光伏电力供应，需要精确预测光伏系统的发电量。准确预测光伏系统的发电量有助于网络运营商监控和提升电网性能，并提供将光伏系统与电网整合的能力。
3、现存研究已经提出了各种方法来预测光伏系统的发电量。统计方法利用历史环境数据创建预测模型。这些模型主要用于静态时间序列数据，因此不适合于预测光伏系统的输出功率，因为太阳辐射不是静态的。其他统计方法包括自回归移动平均、集成自回归移动平均。此外，机器学习方法被广泛用于预测，如神经网络、支持向量机和随机森林等。此外，通过组合各种预测方法形成了混合方法。将自回归移动平均模型和非线性回归模型结合以实现精确的预测结果。
4、为了达到更准确的预测并避免信息中的任何波动导致预测不稳定的情况。多个单一神经网络组成的集成模型被用于预测光伏时间序列数据。但是存在未考虑光伏历史数据中的时间变化的缺陷。由于系统动态建模的特性，循环神经网络(recu
5、然而，在对神经网络进行训练以通过训练后的单个神经网络作为预测模型进行光伏发电功率预测的实际工况中，往往由于各种影响因素，使得各次训练完成后得到的神经网络对应的预测模型之间存在显著差异，即训练得到的结果不稳定，这种情况将会导致预测结果的差异；因此难以保证预测模型的可靠性，进而导致预测模型所得到的预测结果可靠性较差，准确性难以得到保障。
技术实现思路
1、本专利技术的目的在于提供一种光伏功率预测方法及系统，用于解决现有技术中各次训练完成后得到的预测模型之间存在显著差异导致预测结果的差异难以保证预测模型的可靠性的问题。
2、为了实现上述目的，本专利技术提供了一种光伏功率预测方法，根据待预测的气象数据和功率预测模型，得到光伏功率的预测结果；
3、所述功率预测模型包含多个预测子模型，所述光伏功率的预测结果通过功率预测模型中各个预测子模型分别根据所述气象数据得到的预测结果及其对应的权重得到。
4、进一步地，各个预测子模型对应的权重通过功率预测模型的训练过程中的迭代得到。
5、进一步地，所述预测子模型包括lstm网络。
6、进一步地，功率预测模型的训练方式包括：
7、1)将用于训练的气象数据及其对应的光伏功率输入各预测子模型，分别确定各预测子模型的预测结果；
8、2)将所述气象数据对应的光伏功率作为真实值，根据各预测子模型的预测结果与真实值之间的差异确定本次迭代各预测子模型对应的权重；
9、3)根据各预测子模型的预测结果及对应的权重得到本次迭代的光伏功率的预测结果，若该预测结果不满足迭代停止条件，则对各预测子模型分别进行下一次迭代，重新确定各预测子模型的预测结果后，重复步骤2)-3)，直至满足迭代停止条件时完成训练。
10、进一步地，根据各预测子模型的预测结果与真实值之间的差异确定各预测子模型对应的权重的方式包括：
11、根据各预测子模型的预测结果与真实值之间的差异，得到各预测子模型的归一化误差；根据各预测子模型的归一化误差，得到各预测子模型对应的权重。
12、进一步地，根据各预测子模型的归一化误差，得到各预测子模型对应的权重的方式包括：
13、
14、式中，wj为第j个预测子模型对应的权重，为指定时长内第j个预测子模型的归一化误差，m为功率预测模型中预测子模型的数量。
15、进一步地，根据各预测子模型的预测结果与真实值之间的差异，得到各预测子模型的归一化误差的方式包括：
16、
17、式中，为指定时长内第j个预测子模型的归一化误差，ej为第j个预测子模型的预测结果与真实值之间的差异；m为功率预测模型中预测子模型的数量。
18、进一步地，所述迭代停止条件包括迭代次数达到设定次数或本次迭代的光伏功率的预测结果与真实值之间的差异小于设定的差异阈值。
19、进一步地，气象数据包括光照总辐射、光照直射辐射、光照散射辐射、气温、气压和湿度中的一个或多个。
20、本专利技术上述的光伏功率预测方法的技术方案的有益效果包括：
21、采用包含多个预测子模型且通过功率预测模型中各个预测子模型分别根据气象数据得到的预测结果及其对应的权重得到光伏功率的预测结果的功率预测模型，能够综合不同的预测子模型的预测结果得到最终的预测结果，由此能够弱化训练完成后得到的预测模型之间存在的差异导致的预测结果的差异，保证功率预测模型的稳定性和可靠性，从而优化预测结果的可靠性，并保障预测的准确性。
22、本专利技术还提供了一种光伏功率预测系统，包括处理器，所述处理器中存储有可执行程序指令，所述可执行程序指令用于被执行以实现如上述的光伏功率预测方法。
23、该光伏功率预测系统能够实现与上述的光伏功率预测方法相同的有益效果。
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，根据待预测的气象数据和功率预测模型，得到光伏功率的预测结果；
2.根据权利要求1所述的光伏功率预测方法，其特征在于，各个预测子模型对应的权重通过功率预测模型的训练过程中的迭代得到。
3.根据权利要求1或2所述的光伏功率预测方法，其特征在于，所述预测子模型包括LSTM网络。
4.根据权利要求2所述的光伏功率预测方法，其特征在于，功率预测模型的训练方式包括：
5.根据权利要求4所述的光伏功率预测方法，其特征在于，根据各预测子模型的预测结果与真实值之间的差异确定各预测子模型对应的权重的方式包括：
6.根据权利要求5所述的光伏功率预测方法，其特征在于，根据各预测子模型的归一化误差，得到各预测子模型对应的权重的方式包括：
7.根据权利要求5或6所述的光伏功率预测方法，其特征在于，根据各预测子模型的预测结果与真实值之间的差异，得到各预测子模型的归一化误差的方式包括：
8.根据权利要求4-6任一项所述的光伏功率预测方法，其特征在于，所述迭代停止条件包括迭代次数达到设定次数或
9.根据权利要求1-2、4-6任一项所述的光伏功率预测方法，其特征在于，气象数据包括光照总辐射、光照直射辐射、光照散射辐射、气温、气压和湿度中的一个或多个。
10.一种光伏功率预测系统，其特征在于，包括处理器，所述处理器中存储有可执行程序指令，所述可执行程序指令用于被执行以实现如权利要求1-9任一项所述的光伏功率预测方法。
...【技术特征摘要】
1.一种光伏功率预测方法，其特征在于，根据待预测的气象数据和功率预测模型，得到光伏功率的预测结果；
2.根据权利要求1所述的光伏功率预测方法，其特征在于，各个预测子模型对应的权重通过功率预测模型的训练过程中的迭代得到。
3.根据权利要求1或2所述的光伏功率预测方法，其特征在于，所述预测子模型包括lstm网络。
4.根据权利要求2所述的光伏功率预测方法，其特征在于，功率预测模型的训练方式包括：
5.根据权利要求4所述的光伏功率预测方法，其特征在于，根据各预测子模型的预测结果与真实值之间的差异确定各预测子模型对应的权重的方式包括：
6.根据权利要求5所述的光伏功率预测方法，其特征在于，根据各预测子模型的归一化误差，得到各预测子模型对应的权重的...
【专利技术属性】
技术研发人员：卢利军，王军，王浩，董斌，谷战垒，何英杰，赵广东，
申请(专利权)人：河南许继仪表有限公司，
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。