基于数据驱动的光伏发电功率预测方法和系统

1.本公开属于光伏发电控制领域，尤其是一种基于数据驱动的光伏发电功率预测方法和系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.光伏功率短期预测是电网调度部门提前调整调度计划的依据，可以减小光伏系统并网对电网的负面影响，促进新能源消纳。然而，光伏发电系统的输出功率受到昼夜、季节和天气等自然因素影响而存在间歇性强、波动性和不确定性大的特点，给发电功率的准确预测带来巨大的挑战。影响光伏功率预测精度的最主要因素在于光伏发电功率的波动性，来源于太阳光辐射受气象条件影响而产生的波动。


技术实现要素：

4.鉴于以上内容，有必要提出一种基于数据驱动的光伏发电功率预测方法和系统，用以提高光伏发电功率的预测精度。
5.本公开首先提供了一种基于数据驱动的光伏发电功率预测方法，包括以下步骤：
6.从样本数据中划分出测试集，将所述测试集输入功率预测模块，获取对应于时间序列的功率预测值，其中，所述样本数据包括气象特征值和功率特征值，所述气象特征值包括云量特征；
7.提取所述测试集中云量特征超过预设值的样本数据，通过将提取出的样本数据输入功率修正模块获取功率修正值；
8.将所述功率修正值替代相应时间序列的功率预测值。
9.优选地，所述功率预测模块通过从所述样本数据中划分出训练集，输入所述训练集至lstm网络训练得到。
10.优选地，通过将提取出的样本数据输入功率修正模块获取功率修正值包括：
11.所述功率修正模块包括grnn网络，输入提取出的样本数据至所述grnn网络；
12.经所述grnn网络计算得到所述功率修正值。
13.优选地，在从样本数据中划分出测试集之前，还包括：
14.获取样本数据，将所述样本数据的气象特征值和功率特征值映射至0～1的范围内。
15.优选地，将所述样本数据的气象特征值和功率特征值映射至0～1的范围内之后，还包括：计算所述样本数据中的气象特征值与功率特征值的相关性；
16.将所述测试集输入功率预测模块包括：选择所述测试集样本数据的输入特征值输入所述功率预测模块，其中，所述输入特征值包括功率特征值和所述样本数据的所述相关性超过预设值的气象特征值。
17.优选地，通过皮尔逊相关系数法计算所述样本数据中的气象特征值与所述功率特征值的相关性。
18.优选地，在将所述功率修正值替代相应时间序列的功率预测值之后，还包括：将替换后的功率预测值存储于数据库内。
19.此外，本公开还提供了一种基于数据驱动的光伏发电功率预测系统，包括功率预测设备，所述功率预测设备包括处理器、存储器，所述存储器存储有代码，所述处理器执行所述存储器存储的代码，执行上述的基于数据驱动的光伏发电功率预测方法。
20.优选地，还包括数据库，用于存储所述功率预测设备生成的功率预测值。
21.优选地，还包括用于展示所述功率预测值的展示设备。
22.相较于现有技术，上述的基于数据驱动的光伏发电功率预测方法和系统通过功率预测模块预测出功率预测值，然后利用云量特征，将云量较大的样本数据使用功率修正模块进行修正，将得到的功率修正值替换相应时间序列的功率预测值，从而可以达到根据气象数据的云量信息修正功率预测值，可以进一步提高光伏发电功率的预测精度。
附图说明
23.为了更清楚地说明具体实施方式，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1是基于数据驱动的光伏发电功率预测系统的结构示意图。
25.图2基于数据驱动的光伏发电功率预测方法的流程图。
26.图3是是基于数据驱动的光伏发电功率预测方法中数据处理的示意图。
27.图4是样本数据的气象特征与功率特征的相关性的系数表。
28.图5是lstm网络参数表。
29.图6是云量特征、使用功率预测模块获取的功率预测值和实际功率值的对比图。
30.图7是云量特征、修正前的功率预测值、修正后的功率预测值和实际功率值的对比图。
31.图8是修正前后的功率预测值的误差对比图。
32.图9是展示模块的显示主页图。
33.如下具体实施方式将结合上述附图进一步说明本公开。
具体实施方式
34.为了能够更清楚地理解本公开的上述目的、特征和优点，下面结合附图和具体实施方式对本公开进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施方式及实施方式中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本公开，所描述的实施方式仅仅是本公开一部分实施方式，而不是全部的实施方式。基于本公开中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本公开保护的范围。
35.除非另有定义，本文所使用的所有的技术和科学术语与属于本公开的技术领域的技术人员通常理解的含义相同。本文中在说明书中所使用的术语只是为了描述具体的实施
方式的目的，不是旨在于限制本公开。
36.在各实施例中，为了便于描述而非限制本公开，本公开专利申请说明书以及权利要求书中使用的术语"连接"并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
37.图1是基于数据驱动的光伏发电功率预测系统的结构示意图。基于数据驱动的光伏发电功率预测系统包括功率预测设备、数据库和展示设备。所述功率预测设备包括处理器、存储器，所述存储器存储有代码，所述处理器执行所述存储器存储的代码，执行基于数据驱动的光伏发电功率预测方法。具体的，预测设备包括实时数据采集模块、后端数据预测及修正模块。实时数据采集模块将采集到的样本数据传输到后端数据处理模块，其中，样本数据包括气象特征值和功率特征值，气象特征值可以是辐射值、风速、风向、温度、湿度、气压、数值天气预报数据等，功率特征值为光伏发电功率值。展示设备用于展示所述功率预测值的展示设备，尤其是可以展示每一步数据处理以及预测算法的数据。数据库用于存储所述功率预测设备生成的功率预测值，数据库可以是本领域通用的数据值，例如可以是mysq数据库。
38.基于数据驱动的光伏发电功率预测方法基于上述的光伏发电功率预测系统通过对历史的样本数据进行降维处理，利用皮尔逊相关系数选取出与输出功率最相关的几个数值天气预报(nwp)信息为输入特征值，作为预测模型的输入，输出的功率特征值作为输出，经过训练以后得到功率直接预测模型。同时将云量信息较大的数据输入到grnn网络中进行训练，修正预测功率值。
39.图2基于数据驱动的光伏发电功率预测方法的流程图。如图2所示，光伏发电功率预测方法包括步骤s201～s208。
40.步骤s201：获取样本数据，将所述样本数据进行归一化处理，即将样本数据的气象特征值和功率特征值映射至0～1的范围内。其中，所述样本数据包括气象特征值和功率特征值，所述气象特征值包括云量特征。作为示例性的，采用甘肃省某光伏电站实际采集的实际功率以及从欧洲中期天气预报中心(ecmwf)中获取的nwp数据(采样频率均为15min)进行为例。获取的原始数据集一共有452天的数据，经过数据预处理后有214天可用数据，并从中提取出45天晴空状况下的数据，该45天的数据均是经过数据预处理的，不含有异常以及缺失数据。nwp数据包含短波辐射、长波辐射、风速、总云量等24个气象要素。其中总云量(即云量特征)是通过整个大气层在不同模型级别上出现的云计算得出的。对不同高度的云之间的重叠或随机程度进行了假设，云量特征的分数从0到1不等。
41.步骤s202：计算所述样本数据中的气象特征值与功率特征值的相关性，如图3所示，然后，将相关性大于预设值的气象特征值加入输入特征，减少冗余的数据。本步骤中，相关性可以通过皮尔逊相关系数法(pearson)进行计算，从而得到所述样本数据中各种气象特征值与所述功率特征值的相关性，将相关线性系数值较大的气象特征值作为输入特征向量，加入输入特征，起到减少冗余数据的目的。其中，所述输入特征值包括所述样本数据的所述相关性超过预设值的气象特征值和功率特征值。作为示例性的，如图4所示，选取短波辐射、潜热通量、热感通量、长波辐射、湿度以及云量特征作为输入特征，去除样本数据中的冗余特征值。
42.步骤s203：从样本数据中划分出训练集和测试集，并通过云量特征进行标记。将45
天的晴空数据选取35天作为训练集，10天作为测试集。训练集中每个样本点的数据形式为xi＝[x1,x2,x3,x4,x5,x
p
]，测试集中每个样本点的数据形式为yi＝[y1,y2,y3,y4,y5]，其中x1/y1,x2/y2,x3/y3,x4/y4,x5/y5,x
p
分别是短波辐射、潜热通量、热感通量、长波辐射、湿度和功率特征值。
[0043]
步骤s204：输入所述训练集至lstm网络训练得到功率预测模块。本步骤中，选择所述测试集样本数据的输入特征值输入所述功率预测模块，从而可以降低数据的冗余。本领域技术人员可以选择现有的方式实现训练功率预测模块。其中，lstm网络的超参数确定如图5所示。例如，中国专利201910959064.7公开的光伏发电功率预测方法中，建立分时lstm模型，将强相关时刻数据值作为各个时刻模型输入数据，对输入数据进行划分为训练集与测试集，并输入lstm网络模型，得出预测值。
[0044]
步骤s205：将所述测试集输入功率预测模块，获取对应于时间序列的功率预测值。以2017年09月28日这天的数据为例，该天的直接预测结果如图6所示。
[0045]
步骤s206：提取所述测试集中云量特征超过预设值的样本数据，通过将提取出的样本数据输入功率修正模块获取功率修正值。本步骤中，所述功率修正模块包括grnn网络，输入提取出的样本数据至所述grnn网络，经所述grnn网络计算得到所述功率修正值。将2017年09月28日这天的数据中云量较大的点作为grnn模型中的输入层，输出节点为1个，求和层节点为2个，经过grnn网络计算便得到了经过云量修正后的输出功率。基于云量修正的光伏功率预测模型预测误差mae、mape和rmse分别为1.71mw、13％和2.63mw，与直接预测模型预测曲线对比如图7所示，预测误差对比如图8所示。
[0046]
步骤s207：将所述功率修正值替代相应时间序列的功率预测值。即根据时间序列替换功率预测值，例如功率修正值对应的时间序列为1，用该功率修正值替换功率预测值中时间序列为1的功率预测值。
[0047]
步骤s208：将替换后的功率预测值存储于数据库内。在替换过程中，可以通过显示设备显示数据预测过程中的各种数据，显示设备显示的界面如图9所示。
[0048]
上述的基于数据驱动的光伏发电功率预测方法和系统通过功率预测模块预测出功率预测值，然后利用云量特征，将云量较大的样本数据使用功率修正模块进行修正，将得到的功率修正值替换相应时间序列的功率预测值，从而可以达到根据气象数据的云量信息修正功率预测值，可以进一步提高光伏发电功率的预测精度。
[0049]
在本公开所提供的几个具体实施方式中，对于本领域技术人员而言，显然本公开不限于上述示范性实施例的细节，而且在不背离本公开的精神或基本特征的情况下，能够以其他的具体形式实现本公开。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本公开的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本公开内。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0050]
以上实施方式仅用以说明本公开的技术方案而非限制，尽管参照以上较佳实施方式对本公开进行了详细说明，本领域的普通技术人员应当理解，可以对本公开的技术方案进行修改或等同替换都不应脱离本公开的技术方案的精神和范围。