分布式光伏的功率预测方法与流程

本发明创造涉及电网侧分布式光伏，特别是涉及一种分布式光伏的功率预测方法。

背景技术：

1、分布式光伏具有点多面广、单体容量小、布局分散的特点，直接接入配电网（通常是10kv或380v低压侧），其出力的随机性和波动性会对局部电网的电压稳定、变压器负载造成巨大冲击。因此，有必要对海量的分布式光伏进行精准的功率预测，以实现就地消纳和安全调度。

2、在分布式光伏场景例如屋顶、厂房、农业大棚中，发电到上网的过程存在损耗问题，且情况较为特殊：一是线路复杂多变，分布式光伏的集电线路往往因地制宜，线缆长短不一、材质各异（铝缆、铜缆混用），且敷设环境复杂（有的暴露在屋顶高温下，有的埋在墙内）。这导致线损（线路损耗）不仅随电流变化，还受局部微气候（如屋顶温度）影响极大，呈现出高度的非线性和不确定性。二是“盲盒”式数据现状，为了降低成本，绝大多数分布式电站（尤其是户用和中小型工商业）只安装了总出口电表（并网点电表），用于电费结算。它们普遍缺乏逆变器层面的高频监测数据（如每路组串的电流、电压）。相关技术例如基于并网点（pcc）实测数据的单站直接预测法，进行功率预测时需要高质量的历史数据来训练模型，但在分布式场景下，只能获取扣除复杂动态线损后的净功率数据，缺少反映真实发电能力的毛功率数据，导致预测结果的精度较低。

3、具体而言，因电网一般只有分布式光伏并网点采集数据（15分钟精度或分钟级精度），相关技术在构建预测模型时，普遍直接使用并网点（pcc）的实测功率作为训练标签（ground truth），但pcc实测功率并非光伏阵列的真实发电能力，而是扣除了集电线路损耗后的净值。线路损耗受电流平方（i2）和温度（影响电阻r）的双重动态影响，具有极强的非线性和波动性，导致预测模型被迫在“气象-发电”的物理规律之上，强行拟合复杂的线路损耗噪声，使得模型学习到的映射关系发生扭曲，无法准确捕捉光伏板真实的发电特性。换句话说，由于训练数据含噪严重，导致模型拟合偏差，预测结果会出现非物理性的震荡或滞后，精度下降。

4、另外，相关技术进行高精度线损修正或数据清洗时，需要依赖电站内部每台逆变器的高频输出数据（电压、电流、功率）来计算真实线损。但是，大量已建成的老旧光伏电站、分散式光伏或新建的推广区域，往往只安装了总表（pcc电表），缺乏逆变器层面的高频监测数据，且不同区域的数据采集标准往往不统一，导致相关技术在缺乏内部数据的区域无法计算真实的动态线损，在进行功率预测模型训练时只能采用固定线损率或简单经验公式。固定线损率无法反映环境温度和负载变化的影响，导致数据清洗不彻底，残留大量系统性误差，难以保证预测精度。

5、针对相关技术中分布式光伏的功率预测精度较低的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明创造实施例提供的一种分布式光伏的功率预测方法，至少解决相关技术中分布式光伏功率的预测精度较低的问题。

2、本发明创造实施例提供的一种分布式光伏的功率预测方法，包括：基于分布式光伏示范电站的历史气象数据、线路参数、历史逆变器功率和历史并网点功率进行动态线损映射，确定线损特征参数；将所述线损特征参数迁移至目标电站的线损估算模型，结合所述目标电站的线路参数，确定动态线损值序列；基于所述动态线损值序列和所述目标电站对应时刻的并网点功率确定所述目标电站的逆变器原始功率序列，结合所述目标电站的历史气象数据，训练功率预测模型；将所述目标电站的线路参数和未来气象数据输入所述线损估算模型，得到未来估算线损，将所述未来气象数据输入所述功率预测模型，得到未来逆变器原始功率，基于所述未来逆变器原始功率和所述未来估算线损确定所述目标电站的预测功率。

3、作为一种可选的方案，基于分布式光伏示范电站的历史气象数据、线路参数、历史逆变器功率和历史并网点功率进行动态线损映射，确定线损特征参数，包括：基于分布式光伏示范电站的历史逆变器功率和历史并网点功率计算线损真值；基于所述线损真值和所述分布式光伏示范电站的历史气象数据、线路参数对动态线损映射模型的初始模型进行训练；在所述初始模型训练达到收敛的情况下，得到所述动态线损映射模型；基于所述动态线损映射模型提取所述线损特征参数。

4、作为一种可选的方案，所述分布式光伏示范电站的历史气象数据包括辐照度和环境温度；基于所述线损真值和所述分布式光伏示范电站的历史气象数据、线路参数对动态线损映射模型的初始模型进行训练，包括：基于所述辐照度、所述辐照度的平方、所述环境温度、所述辐照度的平方与所述环境温度的乘积、所述线损真值构造输入向量；基于所述输入向量对所述初始模型进行训练。

5、作为一种可选的方案，在所述分布式光伏示范电站和所述目标电站均设有气象站且可监测光伏组件背板温度的情况下，所述环境温度为所述光伏组件背板温度。

6、作为一种可选的方案，所述分布式光伏示范电站的历史气象数据包括风速；基于所述输入向量对所述初始模型进行训练之前，所述方法还包括：基于所述风速和所述辐照度构造风速项；将所述风速项加入所述输入向量。

7、作为一种可选的方案，所述初始模型为下列回归模型之一：极端梯度提升模型xgboost、支持向量回归模型svr、神经网络模型；基于所述动态线损映射模型提取所述线损特征参数，包括：将所述辐照度、所述辐照度的平方、所述环境温度、所述辐照度的平方与所述环境温度的乘积、所述线损真值各自的回归系数作为所述线损特征参数。

8、作为一种可选的方案，所述分布式光伏示范电站的历史气象数据为环境温度；基于所述线损真值和所述分布式光伏示范电站的历史气象数据、线路参数对动态线损映射模型的初始模型进行训练，包括：基于所述分布式光伏示范电站的实测电流、所述实测电流的平方、所述实测电流的平方与所述环境温度的乘积、所述线损真值构造输入向量；基于所述输入向量对所述初始模型进行训练。

9、作为一种可选的方案，将所述线损特征参数迁移至目标电站的线损估算模型，结合所述目标电站的线路参数，确定动态线损值序列，包括：将所述目标电站的历史气象数据和线路参数输入所述线损估算模型，得到所述动态线损值序列，其中，所述线损估算模型的权重为所述线损特征参数；或者，基于所述线损特征参数、预设线路参数和预设电站环境构建标准线损模型库；基于所述目标电站的线路参数和电站环境在所述标准线损模型库中检索，将匹配度最高的标准模型作为所述目标电站的线损估算模型，将所述标准模型对应的动态线损值序列作为所述目标电站的动态线损值序列。

10、作为一种可选的方案，将所述线损特征参数迁移至目标电站的线损估算模型，结合所述目标电站的线路参数，确定动态线损值序列，包括：在所述分布式光伏电站与所述目标电站不满足预设相似条件的情况下，将所述线损特征参数迁移至目标电站的线损估算模型，结合所述目标电站的线路参数，确定待修正线损值序列；基于修正系数对所述待修正线损值序列进行修正，得到所述动态线损值序列，其中，所述修正系数是基于所述分布式光伏电站与所述目标电站的电压等级、接线方式、线型确定的。

11、作为一种可选的方案，基于所述未来逆变器原始功率和所述未来估算线损确定所述目标电站的预测功率，包括：将所述未来逆变器原始功率减去所述未来估算线损，得到所述目标电站的预测功率。

12、本发明创造实施例提供的分布式光伏的功率预测方法，基于分布式光伏示范电站的历史气象数据、线路参数、历史逆变器功率和历史并网点功率进行动态线损映射，确定线损特征参数；将线损特征参数迁移至目标电站的线损估算模型，结合目标电站的线路参数确定动态线损值序列；基于动态线损值序列和目标电站对应时刻的并网点功率确定目标电站的逆变器原始功率序列，结合目标电站的历史气象数据训练功率预测模型；将目标电站的线路参数和未来气象数据输入线损估算模型得到未来估算线损，将未来气象数据输入功率预测模型得到未来逆变器原始功率，确定目标电站的预测功率。利用一个数据完备的分布式光伏示范电站，学习其线损特征，并将该特征迁移至大量缺乏内部数据的目标电站，通过重构出纯净的发电数据进行模型训练，从而实现高精度预测。以解决相关技术中分布式光伏功率的预测精度较低的问题。