【技术实现步骤摘要】
本专利技术涉及光伏发电功率预测，具体的，涉及一种基于多模型的光伏功率预测方法及系统。
技术介绍
1、在全球化背景下，开发清洁、可持续的能源已成为全球的重要任务，其中光伏发电作为一种绿色、可再生的能源形式，具有许多优势，例如无需燃料、无污染、低噪音、可再生等，随着光伏技术的不断进步和成本的不断降低，光伏发电在全球范围内得到了广泛应用和推广。
2、然而，光伏发电系统受到多种因素的影响，包括光照强度、温度、阴影遮挡等，这些因素具有时变性和非线性，给光伏功率的预测带来很大困难，传统的预测方法往往基于经验或简单的统计模型，难以准确预测光伏功率的变化趋势，没有考虑光伏出力的日相关性和季节性相关性规律特征以及时间依赖性，造成预测的结果准确度不高，同时现有技术中采用的神经网络模型通常只考虑了数据之间的线性关系，而忽略了非线性关系和长期依赖关系，这使得传统的神经网络模型在处理具有复杂时间依赖关系的光伏数据时，难以捕捉到数据的真实特征和模式，不符合实际的光伏发电。
技术实现思路
1、为了解决上述技术问题，本专利技术公开了一种基于多模型的光伏功率预测方法及系统，提高光伏功率预测的准确度及可靠性。
2、为了实现上述目的，本专利技术公开了一种基于多模型的光伏功率预测方法，包括：
3、对获取的历史光伏功率数据进行数据转换，构建所述历史光伏功率数据对应的初始光伏功率时间序列数据；
4、对所述初始光伏功率时间序列数据进行异常值分析，并根据所述异常值分析的结果对所述初
5、对所述第一光伏功率时间序列数据进行数据降维，并对降维后获得的第二光伏功率时间序列数据进行数据分解，获得所述第二光伏功率时间序列数据对应的周期性数据；
6、根据所述第二光伏功率时间序列数据，通过预设的自相关函数及偏自相关函数确定待构建的时序预测模型的模型参数；
7、根据所述模型参数及预设的模型公式，构建所述时序预测模型，并将所述周期性数据及所述第二光伏功率时间序列数据输入至所述时序预测模型，通过所述时序预测模型提取所述周期性数据对应的周期性特征，并将所述周期性特征与所述第二光伏功率时间序列数据进行数据拟合，输出第三光伏功率时间序列数据，并对所述第三光伏功率时间序列数据进行模态分解，获得残差函数；
8、将所述残差函数及所述第二光伏功率时间序列数据输入至预训练的功率预测模型，根据预设在所述功率预测模型的预测周期进行光伏功率的预测，获得所述预测周期内的光伏功率预测数据。
9、本专利技术公开的一种基于多模型的光伏功率预测方法，为了通过季节性分解获得光伏功率的周期性规律，将所述周期性规律与原始的历史光伏功率数据结合捕获历史光伏功率数据的时间相关性，进而提高功率预测的准确度，因此首先对获取的历史光伏功率数据进行数据转换，生成所述历史光伏功率数据对应的初始光伏时间序列数据，接着对获取的初始光伏功率时间序列数据中的异常值进行数据恢复，确保数据的连续性和平滑性，便于提高所述时间序列预测模型进行特征提取的精准度，接着对所述第一光伏功率时间序列数据进行数据分解及数据降维，一方面以使分析历史光伏功率数据中体现时间相关性的数据，进而提高后续提取历史光伏功率数据中的时间相关特征的精准度，一方面对数据进行降维降低数据处理量，提高预测的效率，接着对所述时间序列数据进行平滑处理及利用预设的将进行数据分解后获得的周期数据输入至预设的时间序列预测模型，通过所述时间序列预测模型对所述第二光伏功率时间序列数据的线性部分进行预测，获得时序性特征，并对所述时序性特征进行模态分解，将模态分解后获得的残差函数结合获得的第二光伏功率时间序列数据同时输入至预设的功率预测模型，结合所述残差函数对所述第二光伏功率时间序列数据的非线性部分进行预测，提高最终获得的光伏功率预测数据的准确度。
10、作为优选例子，在所述对获取的历史光伏功率数据进行数据转换，构建所述历史光伏功率数据对应的初始光伏功率时间序列数据，包括：
11、根据时间戳对获取的历史光伏功率数据依次进行数据读取，获得按时间顺序进行排列的光伏功率数据；
12、根据所述时间顺序依次将所述光伏功率数据中的每一个功率数据转换为时间序列数据，构建所述历史光伏功率数据对应的初始光伏功率时间序列数据。
13、本专利技术通过将历史光伏功率数据进行转换处理，转换为模型可以进行理解和输入的时间序列数据，便于后续通过模型进行光伏功率的预测。
14、作为优选例子，在所述对所述初始光伏功率时间序列数据进行异常值分析，并根据所述异常值分析的结果对所述初始光伏功率时间序列数据进行数据恢复，包括：
15、计算所述初始光伏功率时间序列数据中每一个光伏功率时间序列数据与其对应的临近值之间的偏离值，并将所述偏离值与预设的偏离值阈值进行比较；
16、当所述偏离值大于或等于所述偏离阈值时，通过线性插值的方法对当前时刻的偏离值对应的光伏功率时间序列数据进行数据恢复。
17、本专利技术为了提高模型的预测精度和泛化能力，对数据中的异常数据进行检测，同时为了保证数据的连续性及平滑性，利用偏离值定位异常数据，并通过线性插值的方法对所述异常数据进行数据恢复，提高后期模型预测的准确度和可靠性。
18、作为优选例子，在所述对所述第一光伏功率时间序列数据进行数据降维，并对降维后获得的第二光伏功率时间序列数据进行数据分解，包括：
19、通过预设的主成分分析方法对所述第一光伏功率时间序列数据进行数据降维，获得第二光伏功率时间序列数据；
20、通过预设的时间序列分解算法对所述第二光伏功率时间序列数据进行时间序列的分解，获得所述第二光伏功率时间序列数据对应的周期性数据；其中，所述周期性数据包括长期趋势及周期循环。
21、本专利技术通过将所述数据进行数据降维，减低数据的处理量，提高预测的效率，通过时间序列分解方法将光伏功率的长期趋势和周期进行循环分离，其中长期趋势显示数据随时间的整体变化方向，而周期循环揭示了如日照时间、季节变化等重复出现的模式，能够更精确地识别并分析影响光伏功率的关键因素，提高光伏功率预测的准确度。
22、作为优选例子，在所述根据所述第二光伏功率时间序列数据，通过预设的自相关函数及偏自相关函数确定待构建的时序预测模型的模型参数，包括：
23、对所述第二光伏功率时间序列数据进行数据平稳化处理，去除所述第二光伏功率时间序列数据的趋势和季节性成分，获得构建所述时序预测模型的差分值；
24、根据所述第二光伏功率时间序列数据，通过预设的自相关函数和偏自相关函数获得所述时序预测模型的模型参数；其中，所述模型参数包括自回归项的阶数，差分阶数，移动平均项的阶数，季节性自回归项的阶数，季节性差分阶数，季节性移动平均项的阶数，以及季节周期；
25、其中，所述自相关函数的表达公式为：
26、
本文档来自技高网...
【技术保护点】
1.一种基于多模型的光伏功率预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述对获取的历史光伏功率数据进行数据转换，构建所述历史光伏功率数据对应的初始光伏功率时间序列数据，包括：
3.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述对所述初始光伏功率时间序列数据进行异常值分析，并根据所述异常值分析的结果对所述初始光伏功率时间序列数据进行数据恢复，包括：
4.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述对所述第一光伏功率时间序列数据进行数据降维，并对降维后获得的第二光伏功率时间序列数据进行数据分解，包括：
5.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述根据所述第二光伏功率时间序列数据，通过预设的自相关函数及偏自相关函数确定待构建的时序预测模型的模型参数，包括：
6.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述对所述第三光伏功率时间序列数据进行模态分解，获得残差函数，包括：
...【技术特征摘要】
1.一种基于多模型的光伏功率预测方法，其特征在于，包括：
2.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述对获取的历史光伏功率数据进行数据转换，构建所述历史光伏功率数据对应的初始光伏功率时间序列数据，包括：
3.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述对所述初始光伏功率时间序列数据进行异常值分析，并根据所述异常值分析的结果对所述初始光伏功率时间序列数据进行数据恢复，包括：
4.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述对所述第一光伏功率时间序列数据进行数据降维，并对降维后获得的第二光伏功率时间序列数据进行数据分解，包括：
5.如权利要求1所述的一种基于多模型的光伏功率预测方法，其特征在于，所述根据所述第二光伏功率时间序列数据，通过预设的...
【专利技术属性】
技术研发人员：苗璐，樊玮，张军，易杨，陈德扬，张勇军，林建熙，刘宇，秦颖婕，王馨尉，
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。