基于物理模型与机器学习融合的分布式光伏出力预测方法与流程
本发明涉及光伏发电功率预测,具体涉及分布式光伏出力预测,特别是一种基于物理模型与机器学习融合的分布式光伏出力预测方法。本发明适用于分布式光伏电站的日前发电计划制定、日内实时调度及电力市场交易中的发电量申报等场景。
背景技术:
1、分布式光伏发电作为一种清洁、可再生的能源利用形式,近年来在全球范围内得到了快速发展。截至2024年底,我国分布式光伏发电装机容量已达到3.75亿千瓦,占全部光伏发电装机的42.3%,较2023年底同比增长47.6%。分布式光伏出力受光照强度、环境温度、云层遮挡、组件效率等多种因素影响,具有较强的间歇性、波动性和不确定性。准确的光伏出力预测对于电网调度安排、发电计划制定以及电力市场交易具有至关重要的意义。
2、目前,分布式光伏出力预测方法主要分为两大类。第一类是物理模型方法,基于光伏组件的物理特性参数建立功率输出的物理方程,通过输入气象数据计算理论出力值。该类方法理论基础坚实,在光照条件稳定的晴天条件下预测精度较高。第二类是数据驱动方法,采用机器学习算法(如长短期记忆神经网络lstm、卷积神经网络cnn等)从历史数据中学习出力规律,通过输入气象数据和历史出力数据进行预测。该类方法能够捕捉复杂非线性关系,在多云、阴雨等复杂天气条件下表现较好。
3、然而,现有分布式光伏出力预测技术仍存在以下不足:
4、第一,物理模型与数据驱动模型相互独立、缺乏有效融合。现有方法通常单独采用物理模型或单独采用机器学习模型进行预测,未能充分发挥两种方法的互补优势。物理模型在光照稳定的晴天条件下精度较高但在复杂天气条件下误差较大,机器学习模型在复杂天气条件下表现较好但在训练数据不足或天气模式突变时预测稳定性差。缺乏一种能够根据天气条件动态调整两种模型权重的融合预测机制。
5、第二,预测误差缺乏有效的闭环修正机制。现有方法在预测结果输出后通常不再进行误差跟踪和修正,当出现突发天气变化或设备异常时,预测偏差会持续累积放大,无法及时修正。缺乏对预测偏差原因的自动识别和针对性的动态修正手段。
6、第三,超短期预测的空间特征利用不足。现有超短期预测方法主要依赖时间序列数据,未能充分利用雷达云图等空间数据中蕴含的云层移动信息,导致突发天气条件下的预测响应滞后。
技术实现思路
1、针对现有技术与国内输配电价监管机制不匹配、运维成本静态估算精度差、新能源投资不确定性无法量化、评价与优化决策脱节四大缺陷,提供一种高比例新能源输配电投资经济性评价模型构建方法,实现政策规则可编程耦合、动态运维成本精准预测、概率化风险量化、自动归因优化一体化闭环建模,提升新能源输配电投资决策量化水平与风险管控能力。
2、本发明的目的可以通过以下技术方案实现:
3、一种基于物理模型与机器学习融合的分布式光伏出力预测方法,包括以下步骤:
4、s1、多源数据采集与预处理:采集目标光伏电站所在区域的气象数据、光伏电站设备运行数据及历史发电数据,对采集到的多源数据进行异常值剔除和缺失值填补,形成标准化的基础数据集;
5、s2、物理模型预测:基于光伏组件的物理特性参数和实时气象数据,建立光伏组件功率输出的物理模型,计算得到光伏电站的物理模型预测出力值;
6、s3、机器学习模型预测:构建基于长短期记忆神经网络的光伏出力预测模型,以历史气象数据、历史出力数据和数值天气预报数据作为输入,训练得到数据驱动预测模型,计算得到机器学习预测出力值;
7、s4、动态权重融合预测:根据当前天气类型,通过动态权重融合策略自动调整物理模型预测值与机器学习预测值的融合权重,计算得到最终的光伏出力预测值;
8、s5、预测误差闭环修正:实时监测预测偏差,当预测偏差率超过预设阈值时触发偏差归因分析,根据偏差原因选择对应的修正策略对预测值进行动态修正,输出修正后的最终预测结果。
9、作为本发明进一步的方案,步骤s1中所述多源数据采集与预处理包括:
10、s11、气象数据采集:通过api接口接入国家气象局精细化数值天气预报数据,获取目标光伏电站所在区域的光照强度、环境温度、风速、云量和降水概率数据;同时接入第三方气象服务商的雷达图数据,获取分钟级更新的云层分布与移动信息;
11、s12、设备运行数据采集:通过rs485或modbus工业通信协议实时采集光伏电站的逆变器、汇流箱和电表的运行数据,采样间隔为5分钟,采集数据包括直流侧电压、直流侧电流、交流侧功率、日发电量及设备运行状态;
12、s13、历史发电数据采集:从光伏电站监控系统中获取历史光伏出力数据,时间分辨率为15分钟;
13、s14、数据清洗:采用3σ法则对采集到的数据进行异常值剔除,对于超出合理物理范围的数据标记为无效并予以剔除;对于缺失数据,采用线性插值法结合同期气象数据进行填补;
14、s15、数据标准化:将经过清洗的多源数据按照统一的时间分辨率进行对齐,形成标准化的基础数据集。
15、作为本发明进一步的方案,步骤s2中所述物理模型预测包括:
16、s21、获取光伏组件的物理特性参数,所述物理特性参数包括标准测试条件下的额定功率pstc、标准测试条件下的光照强度gstc、功率温度系数α及标准测试条件下的温度tstc;
17、s22、实时获取目标光伏电站的实时光照强度g和组件实时温度t;
18、s23、实时获取逆变器效率ηinv;
19、s24、按照以下物理模型公式计算光伏组件的理论出力值:;
20、其中,ppv为光伏组件理论出力值,pstc为标准测试条件下的额定功率,g为实时光照强度,gstc为标准测试条件下的光照强度,α为功率温度系数,t为组件实时温度,tstc为标准测试条件下的温度,ηinv为逆变器效率;
21、s25、将目标光伏电站内所有光伏组件的理论出力值累加,得到光伏电站的物理模型预测出力值。
22、作为本发明进一步的方案,步骤s3中所述机器学习模型预测包括:
23、s31、构建短期预测lstm神经网络模型:设置输入层包含12个特征,所述12个特征包括前24小时内逐15分钟的光照强度序列、环境温度序列、历史出力数据序列、以及数值天气预报的未来24小时逐15分钟云量、风速和降水概率数据;隐含层设置为3层,每层包含128个神经元,激活函数采用relu函数;输出层输出未来24小时逐15分钟的预测功率值;
24、s32、构建超短期预测cnn-transformer组合模型:采用卷积神经网络提取雷达图中云层移动的空间特征,采用transformer模型捕捉时间序列的长距离依赖关系,预测间隔为5分钟;
25、s33、模型训练:以历史气象数据、历史出力数据和数值天气预报数据作为训练样本,以均方误差作为损失函数,采用自适应矩估计优化器对模型进行训练,直至损失函数收敛;
26、s34、模型预测:将实时采集的气象数据和数值天气预报数据输入训练完成的机器学习模型,计算得到机器学习预测出力值。
27、作为本发明进一步的方案,步骤s4中所述动态权重融合预测包括:
28、s41、天气类型识别:根据当前实时光照强度的波动情况和云量数据,将当前天气类型划分为晴天/少云天气和多云/阴雨天气;
29、s42、动态权重分配:当天气类型为晴天/少云时,物理模型权重设为60%,机器学习模型权重设为40%;当天气类型为多云/阴雨时,物理模型权重设为30%,机器学习模型权重设为70%;
30、s43、融合预测计算:按照以下公式计算融合预测出力值:;
31、其中,pfusion为融合预测出力值,pphys为物理模型预测出力值,pml为机器学习预测出力值,wphys为物理模型权重,wml为机器学习模型权重,且wphys + wml = 1;
32、s44、模型效果实时评估:每小时计算一次物理模型和机器学习模型各自的预测均方根误差,当任一模型连续3小时的预测均方根误差超过对应的预设误差阈值时,自动触发该模型的参数重置或模型切换。
33、作为本发明进一步的方案,步骤s41中所述天气类型识别的方法为:计算当前时刻前1小时内光照强度的标准差σg与均值μg的比值,当σg/μg<0.15时判定为晴天/少云天气,当σg/μg ≥ 0.15时判定为多云/阴雨天气。
34、作为本发明进一步的方案,步骤s44中所述预设误差阈值为:晴天/少云天气下均方根误差阈值为0.15,多云/阴雨天气下均方根误差阈值为0.25。
35、作为本发明进一步的方案,步骤s5中所述预测误差闭环修正包括:
36、s51、实时偏差监测:按照以下公式计算预测偏差率:;
37、其中,p实测为光伏电站的实际出力值,p预测为融合预测出力值;
38、当连续2个时段的偏差率超过10%时,触发一级预警;当连续2个时段的偏差率超过15%时,触发二级预警;
39、s52、偏差归因分析:当触发预警时,启动偏差归因分析,采用决策树算法识别偏差原因;若实测功率骤降且光照强度同步下降,则判定偏差原因为天气因素;若光照强度正常但实测功率下降,则判定偏差原因为设备因素;
40、s53、动态修正:当偏差原因为天气因素时,启动实时雷达图追踪,利用光流法预测云层移动速度,根据云层遮挡面积的变化调整未来30分钟的预测值;当偏差原因为设备因素时,调取设备实时运行数据,根据设备实际效率修正预测值;
41、s54、修正结果输出:将动态修正后的预测值作为最终预测结果输出,修正记录自动存档。
42、作为本发明进一步的方案,步骤s53中所述根据云层遮挡面积的变化调整未来30分钟的预测值的具体方法为:云层遮挡面积每增加10%,功率预测值下调5%。
43、作为本发明进一步的方案,所述方法还包括预测置信区间生成步骤:基于历史预测误差的分布特征,计算预测结果在预设置信水平下的置信区间,并与预测值一并输出。
44、本发明的有益效果:
45、1、本发明通过构建物理模型与机器学习模型的双轨预测架构,并引入基于天气类型的动态权重融合策略,实现了两种预测方法的优势互补。在晴天/少云条件下,物理模型权重占60%,充分发挥物理模型在光照稳定条件下的高精度优势;在多云/阴雨条件下,机器学习模型权重占70%,充分利用数据驱动模型在复杂非线性场景下的拟合能力。相比单一模型预测方法,本发明的融合预测方法在不同天气条件下均能保持较高的预测精度。经在江苏某分布式光伏电站的实际验证,采用本发明方法后整体预测误差(以均方根误差rmse计)降低至0.12以下,显著优于单一物理模型(rmse约0.18-0.22)和单一lstm模型(rmse约0.15-0.20)。
46、上述效果的原因分析如下:物理模型基于光伏组件的物理方程进行预测,在光照强度稳定、天气条件简单的晴天场景下,其预测误差主要来源于参数标定精度,具有较高的可靠性。但在多云/阴雨天气下,云层遮挡导致的辐照度快速波动使得物理模型的线性假设不再成立,误差显著增大。lstm神经网络通过学习大量历史数据中的复杂时序模式,能够在非线性场景下取得更好的预测效果。本发明通过光照强度波动特征自动识别天气类型并动态调整权重,晴天时以物理模型为主导保障基础精度,阴雨时以数据模型为主导捕捉非线性特征,从而在全天候条件下保持最优预测性能。
47、2、本发明建立了完整的预测误差闭环修正机制。通过实时偏差监测、偏差归因分析和动态修正三个环节的闭环运作,实现了预测误差的及时识别和有效修正。当预测偏差超过阈值时,系统自动通过决策树算法识别偏差原因是天气因素还是设备因素,并分别采用光流法云层追踪修正或设备效率修正等针对性策略。这种闭环修正机制有效防止了预测偏差的持续累积和放大。经实际验证,引入闭环修正后,突发天气条件下的预测误差较修正前降低约30%-40%。
48、上述效果的原因分析如下:光伏出力的预测误差来源主要有两类——天气突变和设备异常。天气突变会导致光照强度在短时间内发生剧烈变化,这类误差具有突发性和短暂性特征;设备异常则导致出力系统性偏低,这类误差具有持续性和渐进性特征。两类误差的修正策略完全不同——天气因素需要实时追踪云层动态进行短期修正,设备因素需要根据实际运行状态进行参数校准。本发明通过决策树算法对偏差来源进行自动分类,并匹配对应的修正策略,实现了精准、高效的误差修正。
49、3、本发明在超短期预测中引入了cnn-transformer组合模型,充分利用了雷达云图数据中的空间特征。cnn网络有效提取了云层移动的空间分布特征,transformer网络捕捉了时间序列的长距离依赖关系,两者结合使得模型能够在5分钟级的超短期预测中快速响应云层变化。相比仅依赖时间序列数据的传统方法,本发明在突发天气条件下的超短期预测精度提升约25%。
50、上述效果的原因分析如下:传统超短期预测方法主要依赖历史功率数据和气象数据的时间序列进行外推,当云层快速移动导致辐照度突变时,纯时间序列模型需要多个时间点的数据才能识别出变化趋势,存在明显的响应滞后。本发明通过引入雷达云图数据,cnn网络可以实时提取云层的空间分布和移动方向特征,使得模型在云层到达光伏电站之前即可预判其对出力的影响,从而大幅缩短了预测响应时间。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com