一种基于天气分类的光伏发电功率预测方法与流程

1.本发明涉及光伏发电预测技术领域，尤其是指一种基于天气分类的光伏发电功率预测方法。


背景技术：

2.国家倡导大力发展新能源发电，且光伏发电在新能源中占有非常重要的位置，然而，光伏发电依赖于各种因素，如气候条件、风压、湿度、太阳辐射、环境温度和组件温度。气候的自然变化可能会改变这些参数，从而改变发电量。由于光照的随机性和昼夜的周期性，光伏电站发电具有典型的波动性和间歇性特征。太阳能输出功率的突变会对电力系统的可靠性、稳定性和规划产生影响。为了避免这种情况的发生，需要对光伏发电功率进行准确的预测。现有技术中对于光伏发电的预测方法具体有三类，具体为基于物理模型预测、统计预测以及时间序列预测。基于物理模型预测不需要历史数据，仅通过光伏发电原理建立数学模型进行预测，但是所建立的物理模型存在一定误差，抗干扰能力也较弱，鲁棒性较差。而统计预测方法则仅通过数据分析技术实现预测，但是通常存在预测精度较低的问题，且不能很好地处理费新型数据，而机器学习算法由于其具备高效提取高位复杂非线性特征并将其直接映射到输出的能力，因此已经成为最常用的预测方法之一。
3.虽然现在已存在大量关于深度学习预测光伏发电功率的研究，其中也包括了按照天气划分对不同天气情况下进行光伏发电功率预测的方法，但大多以天为单位或以小时为单位进行预测，这显然难以应用于实际，因为光伏发电受天气影响，可能在某个时刻发电功率很大，但是平均下来一个小时的发电功率并不高，且光伏在晚上的发电功率几乎为0，因此以天或小时为单位进行预测，时间尺度过大，最后得到的预测结果精度并不高。


技术实现要素：

4.本发明的目的是克服现有技术中的缺点，提供一种基于天气分类的光伏发电功率预测方法。
5.本发明的目的是通过下述技术方案予以实现：
6.一种基于天气分类的光伏发电功率预测方法，包括以下步骤：
7.步骤一，通过网络爬虫获取历史气象数据，同时采集对应的历史光伏发电数据；
8.步骤二，对历史气象数据和历史光伏发电数据进行预处理，并按照天气类型对历史气象数据进行分类，根据天气分类后历史气象数据和对应的历史光伏发电数据构建数据集，并将数据集随机划分为训练集和测试集；
9.步骤三，根据预设的预测算法分别建立对应的光伏发电预测模型，一类预测算法对应一个光伏发电预测模型，根据预设的预测算法分别对对应的光伏发电预测模型进行训练，并根据测试集分别进行光伏发电预测；
10.步骤四，根据光伏发电预测结果判断每一类预测算法对应光伏发电预测模型预测结果的准确性，选择准确性最高的一类预测算法对应的光伏发电预测模型，采集实时气象
数据并输入选择的光伏发电预测模型，选择的光伏发电预测模型输出光伏发电功率预测结果。
11.进一步的，所述预设的预测算法包括贝叶斯算法、k最近邻算法、支持向量机、随机森林算法、多层人工神经网络深度学习算法和双向循环神经网络深度学习算法。
12.进一步的，步骤二中在对历史气象数据进行预处理前，还通过平均插值法获取单位时间的历史气象数据。
13.进一步的，所述单位时间为历史光伏发电数据的采集周期的时间间隔。
14.进一步的，在获取所有学习算法的预测结果后，对每类学习算法的预测准确度进行评价，评价指标包括均方根误差、平均绝对误差和r2分数。
15.进一步的，所述均方根误差的计算公式为：
[0016][0017]
所述平均绝对误差的计算公式为：
[0018][0019]
所述r2分数的计算公式为：
[0020][0021]
其中：rmse为均方根误差值，yi为测试集y中的第i个历史光伏发电功率值，为对应的光伏发电功率预测值，n为测试集y中历史光伏发电功率值的数量，为测试集y中所有历史光伏发电功率值的平均值，mae为平均绝对误差值，所述r2为r2分数值。
[0022]
进一步的，步骤二中所述预处理包括标准化处理。
[0023]
本发明的有益效果是：
[0024]
天气是光伏发电功率的重要影响因素之一，因此将天气细化分类，根据分类后的气象数据能更准确地预测光伏发电功率。且以光伏发电功率采集周期的时间间隔作为气象数据的单位时间，而光伏发电功率的采集周期的时间间隔也基本以分钟为单位，能够将时间尺度进一步细化，提高预测准确性，防止因预测结果准确性不高而导致的新能源存储设备损坏的情况出现，能够更好地保护储能设备。且选用多种预测算法，选取预测准确性最高的一类预测算法进行光伏发电预测，进一步提高光伏发电预测的准确性。
附图说明
[0025]
图1是本发明的一种流程示意图；
[0026]
图2是本发明实施例的某地某一日的历史气象数据的部分数据和字段示意图；
[0027]
图3是本发明实施例的某地某发电站某一日的历史光伏发电数据示意图；
[0028]
图4是本发明实施例的一种天气类型为多云的情况下六种预测算法的预测结果与历史光伏发电数据对比图；
[0029]
图5是本发明实施例的一种天气类型为晴的情况下六种预测算法的预测结果与历史光伏发电数据对比图；
[0030]
图6是本发明实施例的一种天气类型为阴的情况下六种预测算法的预测结果与历史光伏发电数据对比图；
[0031]
图7是本发明实施例的一种天气类型为雨雪等天气的情况下六种预测算法的预测结果与历史光伏发电数据对比图。
具体实施方式
[0032]
下面结合附图和实施例对本发明进一步描述。
[0033]
实施例：
[0034]
一种基于天气分类的光伏发电功率预测方法，如图1所示，包括以下步骤：
[0035]
步骤一，通过网络爬虫获取历史气象数据，同时采集对应的历史光伏发电数据；
[0036]
步骤二，对历史气象数据和历史光伏发电数据进行预处理，并按照天气类型对历史气象数据进行分类，根据天气分类后历史气象数据和对应的历史光伏发电数据构建数据集，并将数据集随机划分为训练集和测试集；
[0037]
步骤三，根据预设的预测算法分别建立对应的光伏发电预测模型，一类预测算法对应一个光伏发电预测模型，根据预设的预测算法分别对对应的光伏发电预测模型进行训练，并根据测试集分别进行光伏发电预测；
[0038]
步骤四，根据光伏发电预测结果判断每一类预测算法对应光伏发电预测模型预测结果的准确性，选择准确性最高的一类预测算法对应的光伏发电预测模型，采集实时气象数据并输入选择的光伏发电预测模型，选择的光伏发电预测模型输出光伏发电功率预测结果。
[0039]
以某地的某发电站为例，网络爬虫所爬取的该地某一日的历史气象数据的部分数据和字段如图2所示，包括采集时间、湿度、空气质量指数、天气类型、风向、风力和温度。
[0040]
所述预设的预测算法包括贝叶斯算法、k最近邻算法、支持向量机、随机森林算法、多层人工神经网络深度学习算法和双向循环神经网络深度学习算法。
[0041]
预设的贝叶斯算法、k最近邻算法、支持向量机、随机森林算法、多层人工神经网络深度学习算法和双向循环神经网络深度学习算法均可以从python中的第三方库中直接调用。对于贝叶斯算法(byes)、k最近邻算法(knn)、支持向量机(svm)和随机森林算法(randfore)四种算法，在设置对应的模型参数时直接使用默认参数，对于多层人工神经网络深度学习算法(bp)和双向循环神经网络深度学习算法(bi-lstm)，设置3个隐藏层，并将每层神经元数量设置为64个，且最后一层设置为全连接层。为了减少或避免进入局部最优解和过拟合，将模型dropout设为0.2，即随机将20％的神经元当作遗忘，并将运算批量大小batch_size设置为200。
[0042]
步骤二中在对历史气象数据进行预处理前，还通过平均插值法获取单位时间的历史气象数据。
[0043]
所述单位时间为历史光伏发电数据的采集周期的时间间隔。
[0044]
该发电站同一日的历史光伏发电数据如图3所示，所述历史光伏发电数据包括箱变的有功值、采集时间和箱变的运行状态。且由图3可知，该发电站每5分钟采集一次光伏发电数据，因此本实施例中通过平均插值法获取某地每5分钟的历史气象数据。
[0045]
按照天气类型对历史气象数据进行分类时，具体的天气类型包括晴天、多云、阴和
雨雪等天气，具体的，将晴天、晴天转多云划分为晴天，将多云、多云转阴、晴转阴划分为多云，将阴、晴转小雨、多云转小雨划分为阴，将其他天气如阴转小雨、雷阵雨、大中小雨和其他恶劣天气设为雨雪等天气。
[0046]
每种天气类型下，随机选择5天该发电站的光伏发电功率数据，并以5分钟为单位，对光伏发电功率的分布进行分析，根据分析结果可知，晴朗天气下光伏发电较为稳定，但是阴天和雨雪等天气下光伏发电功率的波动性很大，且一般6点以后光伏发电站才能收集到发电数据，在晚上7点之后几乎采集不到发电数据，因此，光伏发电的时间集中在早上6点到晚上7点之间。
[0047]
步骤二中所述预处理包括标准化处理。
[0048]
标准化处理具体采用z-score标准化方法。
[0049]
在获取所有学习算法的预测结果后，对每类学习算法的预测准确度进行评价，评价指标包括均方根误差、平均绝对误差和r2分数。
[0050]
所述均方根误差的计算公式为：
[0051][0052]
所述平均绝对误差的计算公式为：
[0053][0054]
所述r2分数的计算公式为：
[0055][0056]
其中：rmse为均方根误差值，yi为测试集y中的第i个历史光伏发电功率值，为对应的光伏发电功率预测值，n为测试集y中历史光伏发电功率值的数量，为测试集y中所有历史光伏发电功率值的平均值，mae为平均绝对误差值，所述r2为r2分数值。
[0057]
均方根误差用于刻画预测值存在多大的误差，而平均绝对误差则能够评估预测值与真实值之间的平均绝对误差，平均绝对误差值越小越好。而r2分数则能够对预测结果的准确度进行反映，当r2小于等于1时，其值越大预测准确性越高，当r2小于0时，预测准确性非常差。
[0058]
随机选择某年中的4天，分别为a天、b天、c天和d天，其中a天天气类型为多云，b天天气类型为晴天，c天天气为多云转小雨，即天气类型为阴，d天为小雨，即天气类型为雨雪等天气，基于六种预测算法的模型预测结果三种评估指标结果如表所示：
[0059][0060]
选取天气类型为多云的a天的历史气象数据和历史光伏发电数据，将六种预测算法的预测结果与历史光伏发电数据进行对比，其对比图如图4所示，通过图4可以明显看出，bp和bi-lstm两种算法的预测结果明显好于其他四种，尤其是bi-lstm算法，其预测结果除了在光伏发电功率的最高值时有点偏差，其他时刻预测非常准确。而byes算法和svm算法的预测结果则非常差。
[0061]
选取天气类型为晴天的b天的历史气象数据和历史光伏发电数据，将六种预测算法的预测结果与历史光伏发电数据进行对比，其对比图如图5所示，通过图5也可以明显看出bi-lstm算法预测结果最准，bp算法预测结果次之，而byes算法和knn预测结果很差。
[0062]
选取天气类型为阴的c天的历史气象数据和历史光伏发电数据，将六种预测算法的预测结果与历史光伏发电数据进行对比，其对比图如图6所示，通过图6可知，randfore算法、bp算法和bi-lstm算法三种算法预测结果相对比其他三种算法准确度更高。
[0063]
选取天气类型为雨雪等天气的d天的历史气象数据和历史光伏发电数据，将六种预测算法的预测结果与历史光伏发电数据进行对比，其对比图如图7所示，通过图7可知，除了bi-lstm算法预测结果与真实值比较吻合外，其他算法预测结果的准确性均较低。
[0064]
综合四类天气类型下的六种预测算法的预测结果与历史光伏发电数据的对比图，可知bi-lstm算法在四类天气类型下均具备较好的预测准确性，因此本实施例中具体选用
bi-lstm算法进行光伏发电功率的预测。
[0065]
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。