光伏功率预测模型训练方法、系统、预测方法及电子设备与流程

摘要: 本发明属于光伏功率预测,具体涉及一种光伏功率预测模型训练方法、系统、预测方法及电子设备。背景技术:1、传统光伏功率预测方法主要分为物理方法和统计学习方法两类。物...
光伏功率预测模型训练方法、系统、预测方法及电子设备与流程

本发明属于光伏功率预测,具体涉及一种光伏功率预测模型训练方法、系统、预测方法及电子设备。

背景技术:

1、传统光伏功率预测方法主要分为物理方法和统计学习方法两类。物理方法基于光伏组件的辐照度转换模型,结合数值天气预报数据(nwp)计算理论发电功率,其典型实现方式包括建立光伏电池等效电路模型、采用晴空模型计算理论辐照度、再通过逆变器效率曲线修正得到预测功率。统计学习方法则基于历史数据驱动,常见方法包括:一是单一神经网络模型直接对历史功率与气象数据进行端到端映射训练,不区分天气类型;二是先由人工根据云量或日照强度将历史数据标注为晴天、多云、阴雨等类别,再分别为每类训练独立的预测模型;三是在预测前先通过气象数据判定当日天气类型,再调用对应的预训练模型进行预测。此外,部分方法采用滑动窗口更新策略,定期使用最近一段时间的数据对模型进行重新训练或微调。

2、申请号为cn202211610935.2的中国专利公开了一种基于k-means均值聚类及优化bp神经网络的光伏出力日前预测方法,包括以下步骤:步骤1、采集待预测地区光伏电站的历史气象数据,及该历史气象数据对应的历史光伏出力数据,并利用平均插值法对二者进行预处理;步骤2、采用皮尔逊相关系数计算所述历史气象数据与历史光伏出力数据的相关系数,保留相关系数大于阈值的数据,并构建训练集;步骤3、通过k means聚类对历史光伏出力数据进行聚类并划分相似日数据集;步骤4、通过遗传算法与蚁群算法优化bp神经网络的权值、阈值及隐含层节点数,构建光伏出力日前预测模型。该方案虽结合 k-means 聚类与优化 bp 神经网络实现光伏出力预测,但存在数据处理粗糙、聚类逻辑局限、模型训练与复用性差等多重问题,难以适配光伏电站实际运行的复杂场景,数据预处理仅采用平均插值法统一处理气象与出力数据,未针对光伏功率数据的连续变化特征、气象数据的周期性设计差异化填充策略,也无异常值识别与剔除机制,低质量数据易导致模型训练偏差。k-means 聚类仅针对历史光伏出力数据单一维度开展,聚类得到的相似日仅能反映出力数值相似性,无法匹配气象条件与光伏出力的内在关联,相似日筛选的科学性不足。

3、通过对上述现有技术的分析,现有光伏功率预测方法的缺陷之处在于:第一,人工标注天气类型的方式主观性强、标准不统一,且难以覆盖多云与阴雨之间的过渡类型,导致模型分类粗糙、泛化能力差。其次,单一神经网络模型试图用一个模型拟合所有天气条件下的功率映射关系,由于晴天、多云、阴雨场景下的输入-输出特性差异极大,模型参数往往陷入多峰优化的局部最优,在非晴天场景下预测精度显著下降。第三,传统方法在模型更新时通常采用完全重新训练或简单滑动窗口微调,前者计算成本高、无法利用历史模型积累的知识,后者容易发生灾难性遗忘,且均缺乏对历史模型与当前数据匹配程度的量化评估机制,导致模型更新要么过于频繁、要么滞后于实际变化。第四,现有方法普遍缺乏对数据缺失和异常的系统性分层处理,功率数据与气象数据采用同质化填充策略,忽略了功率信号的连续变化特性与气象要素的周期性规律之间的本质差异。光伏电站实际运行中,由于传感器故障、通信中断、设备检修或恶劣天气等原因,采集到的历史功率数据和气象数据常包含大量缺失值和异常值。若直接使用这些低质量数据进行训练,将严重扭曲模型对正常出力规律的认知。

技术实现思路

1、本发明的目的是克服现有的缺陷,提供一种光伏功率预测模型训练方法、系统、预测方法及电子设备。

2、为了解决上述技术问题,本发明提供了如下的技术方案:

3、本发明的第一目的在于提供一种光伏功率预测模型训练方法,包括以下步骤:

4、(1)数据采集与质量分层处理:采集光伏电站历史发电功率数据、气象监测数据及设备额定参数,对多源数据进行缺失值填充与异常值剔除,形成清洗后训练数据集;

5、(2)天气类型驱动的发电曲线聚类:基于清洗后训练数据集,提取每日发电功率曲线与对应气象特征向量,采用k-means聚类算法对气象特征向量进行聚类,得到各典型天气类型对应的聚类中心以及每日天气类型标签集合,并生成各类天气下的典型发电功率曲线模板;

6、(3)历史模型库动态匹配与修正:建立存储各类天气类型对应的历史预测模型及模型训练时间戳的历史模型库,检索并选取与当前训练任务匹配的历史预测模型作为基础模型,计算当前训练数据与基础模型训练数据的相似度,并在相似度低于设定阈值时基于当前训练数据对基础模型参数进行加权更新,生成优化模型;

7、(4)最大发电能力约束融合:读取逆变器最大输出功率作为物理上限,对优化模型输出的预测功率序列进行截断处理,并与步骤(1)获得的清洗后训练数据集合并形成最终训练样本集;

8、(5)分层模型训练与输出:以晴天模型为基准模型,通过神经网络算法训练晴天场景下的发电功率预测模型,并基于基准模型引入天气影响系数进行功率值调整,生成其他天气类型的衍生模型,将训练完成的模型存入历史模型库,并输出当前可用的光伏功率预测模型集合。

9、进一步,所述对多源数据进行缺失值填充与异常值剔除,包括:

10、对多源数据按时间戳对齐并构建初始训练数据集后,采用相邻时间点线性插值法填充功率数据缺失段,气象数据缺失段使用同一气象站同期历史均值填充;

11、通过滑动窗口标准差法识别异常值,设定功率波动阈值剔除超出设备实际运行范围的异常数据点。

12、进一步,所述采用k-means聚类算法对气象特征向量进行聚类中,设定聚类数为3~5类,分别对应晴天、多云或阴雨的典型天气类型。

13、进一步,所述k-means聚类算法表示为:

14、

15、其中,表示第类天气类型的气象特征聚类中心向量,=1,2,...,k,k为预设的天气聚类总类别数;表示第天的天气簇标签集合,=1,2,...,,为清洗后训练数据集的总完整天数,表示第天被划分至第类天气,表示第天的气象特征向量。

16、进一步,所述生成各类天气下的典型发电功率曲线模板,具体为:

17、将同一聚类内所有日期的发电功率曲线按时间维度进行叠加聚合,对同一时刻的功率值取均值或中位数,生成各类天气下的典型发电功率曲线。

18、进一步,所述历史模型库动态匹配与修正具体包括:

19、基于每日天气类型簇标签集合,识别当前待训练模型所对应的目标天气类型,确保当前待训练模型的天气类型与典型天气类型保持一致;

20、建立存储有每类典型天气类型对应历史预测模型的历史模型库,每个历史预测模型均附带唯一训练时间戳,基于目标天气类型,从历史模型库中筛选出所有与目标天气类型匹配的历史预测模型;

21、在筛选出的历史预测模型中,以训练时间戳为判断依据,选取训练时间最新的历史预测模型作为当前训练任务的基础模型;

22、将与当前目标天气类型对应的典型发电功率曲线作为本次模型训练的参照基准,采用余弦相似度或皮尔逊相关系数方法计算其与当前训练数据对应的发电功率曲线之间的相似度,当相似度大于或等于设定阈值时,以基础模型作为当前场景的预测模型,否则,基于当前训练数据对基础模型参数进行加权更新,生成优化模型。

23、进一步,所述对优化模型输出的预测功率序列进行截断处理中,将预测功率序列与逆变器最大输出功率进行逐时间点比对,对预测功率序列中超出逆变器最大输出功率的预测功率值进行截断处理。

24、本发明的另一目的在于提供一种光伏功率预测模型训练系统,包括:

25、数据采集与质量分层处理模块,用于采集光伏电站历史发电功率数据、气象监测数据及设备额定参数,对多源数据进行缺失值填充与异常值剔除,形成清洗后训练数据集;

26、天气类型驱动的发电曲线聚类模块,用于基于清洗后训练数据集,提取每日发电功率曲线与对应气象特征向量,采用k-means聚类算法对气象特征向量进行聚类,得到各典型天气类型对应的聚类中心以及每日天气类型标签集合,并生成各类天气下的典型发电功率曲线模板;

27、历史模型库动态匹配与修正模块,用于建立存储各类天气类型对应的历史预测模型及模型训练时间戳的历史模型库,检索并选取与当前训练任务匹配的历史预测模型作为基础模型,计算当前训练数据与基础模型训练数据的相似度,并在相似度低于设定阈值时基于当前训练数据对基础模型参数进行加权更新,生成优化模型;

28、最大发电能力约束融合模块,用于读取逆变器最大输出功率作为物理上限,对优化模型输出的预测功率序列进行截断处理,并与清洗后训练数据集合并形成最终训练样本集;

29、分层模型训练与输出模块,用于以晴天模型为基准模型,通过神经网络算法训练晴天场景下的发电功率预测模型,并基于基准模型引入天气影响系数进行功率值调整,生成其他天气类型的衍生模型,将训练完成的模型存入历史模型库,并输出当前可用的光伏功率预测模型集合。

30、本发明的另一目的在于提供一种光伏功率预测方法,包括:

31、获取待预测时刻的气象数据,提取对应气象特征并匹配至目标天气类型;

32、从历史模型库中调用该目标天气类型对应的光伏功率预测模型;

33、将待预测时刻的气象数据输入光伏功率预测模型,经计算并执行物理上限约束后,输出最终光伏功率预测结果;

34、其中,所述光伏功率预测模型基于本发明提供的光伏功率预测模型训练方法训练得到。

35、本发明的另一目的在于提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述计算机程序时实现本发明提供的光伏功率预测模型训练方法,和/或,本发明提供的光伏功率预测方法。

36、结合上述技术方案,本发明与现有技术相比所具备的有益效果为:

37、本发明通过k-means聚类算法对历史气象特征向量进行无监督聚类,自动将训练数据划分为3~5类典型天气类型,并生成对应的典型发电功率曲线模板,这种天气类型驱动的聚类策略使得预测模型能够根据当前天气类型自适应选择或调整模型结构,避免了单一模型在跨天气类型预测时出现的系统性偏差。例如,在多云天气下,云量变化导致的功率快速波动可被专门的多云类模板有效表征,而在阴雨天气下,低日照强度对应的弱出力特性也可被阴雨类模板准确捕捉,从而显著提升模型在复杂气象条件下的泛化能力和预测精度。

38、本发明通过建立历史模型库,以天气类型为索引存储历史预测模型及其训练时间戳,并设计了基于相似度判断的动态匹配与加权更新机制,针对当前训练任务,系统自动检索与当前天气类型相同且训练时间最近的历史模型作为基础模型,通过计算当前发电功率曲线与历史典型模板的相似度,仅在相似度低于阈值时才触发参数更新,既避免了频繁全量训练带来的计算开销,又确保了模型能够平滑适应光伏电站老化、组件衰减或局部微气候变化等长期漂移现象。

39、本发明通过采用分层质量处理策略,对功率数据缺失段采用相邻时间点线性插值,充分保留了功率曲线在短时间内的连续变化特征;对气象数据缺失段采用同一气象站同期历史均值填充,利用气象要素的周期性规律保证了填充值的合理性;同时,通过滑动窗口标准差法动态识别功率突变点,并结合设备实际运行范围(逆变器最大输出功率)设定双重判定条件剔除异常值。这种分层处理方式相比简单的阈值截断或均值填充,能够更精准地区分真实功率波动与数据采集异常,为后续聚类、匹配和模型训练提供了高质量的洁净数据基础。