【技術實現步驟摘要】
本專利技術涉及光功率預測，具體為一種基于分類誤差補償的中長期光功率預測方法及系統。
技術介紹
1、太陽能作為一種無污染的可再生能源，近年來受到了全球的重視，光伏發電因其價格低廉，安裝方便等優點也得到了快速的發展。然而光伏發電也存在著隨機性、間歇性等問題，大規模的光伏并網給電力調度部門安排電源、協調光伏發電帶來了困難。
2、近兩年，中長期光功率預測，正變得越來越重要，精準的中長期預測能夠給電網規劃提供依據，為電網安全穩定的運行提供參考，為電力系統調度、電力市場交易提供重要參考依據。不少地區，已經將10天的光功率預測納入了考核標準，而一個月甚至更長時間的光功率預測也在不斷的出現在系統和應用中。同時，中長期的光功率預測精度卻一直都不理想，存在著很多困難，相對于短期預測和超短期預測的研究，也是較少的。目前，已有一些文獻對中長期光功率預測進行了研究。有文獻將確定性因素和不確定因素分離建模，分析了光伏發電的中長期隨機特性，未給出明確的光伏預測模型。也文獻將前饋方向傳播和廣義回歸神經網絡相結合，用來預測一年的光伏發電功率，但考慮的時間尺度過長，缺乏實際應用的價值。還文獻通過模糊理論和神經網絡相結合，實現對某一個月的光伏發力進行預測，但忽略了時間的連續特性，應考慮預測周期內每日氣象數據間的相關性。
3、此外，對于中長期光功率預測，還存在一個情況。就是中長期功率預測，會遇到很多極端天氣的預測情況。而在光伏裝機容量很大的西北地區，新疆、青海、甘肅、寧夏等地區，風沙和雨雪天氣非常多。比如下雪天氣，涉及到雪停之后，覆蓋雪、融雪期
技術實現思路
1、鑒于上述存在的問題，提出了本專利技術。
2、因此，本專利技術解決的技術問題是：現有的中長期光功率預測方法存在更新效率慢，預測精度較差等問題。
3、為解決上述技術問題，本專利技術提供如下技術方案：一種基于分類誤差補償的中長期光功率預測方法，包括：
4、采集光功率相關的歷史數據，并對歷史數據進行分類和特征處理；
5、分別構建五種誤差補償模型，并構建光功率預測基礎數值的預測模型；
6、在線部署，獲取對應的輻照及天氣數據，進行包含了誤差補償的中長期光功率預測；
7、采用定時及條件觸發相結合的方式，對誤差補償模型進行在線更新。
8、作為本專利技術所述的基于分類誤差補償的中長期光功率預測方法的一種優選方案，其中：所述光功率相關的歷史數據包括，歷史時段內光伏發電系統的實發電量、開機容量、累計投運時間，以及歷史時段內的氣象信息；
9、根據中長期功率預測值補償的需求，將天氣類型分為晴天、陰云天、雨天、降雪及融雪天、沙塵天；
10、將歷史數據進行分類，雨天選擇參數15分鐘累計降水量和積分云水作為判斷量、降雪融雪天選擇積雪厚度和覆冰厚度作為判斷量、沙塵天選擇能見度和相對濕度作為判斷量，通過判斷量的閾值分析，得到雨天、降雪及融雪天、沙塵天這三類天氣類型的誤差補償模型的歷史數據樣本；
11、對于晴天和陰云天氣，采用k-means算法，設定k＝2，通過聚類，得到晴天和陰云天兩種天氣類型的誤差補償模型的歷史數據樣本；
12、其中，k表示聚類中心。
13、作為本專利技術所述的基于分類誤差補償的中長期光功率預測方法的一種優選方案，其中：所述特征處理包括，對五類歷史數據樣本，進行特征處理，得到特征值x_sample；
14、具體步驟為：
15、選擇公共特征量：開機容量、累計投運時間，以及歷史數值天氣預報nwp數據中的水平面總輻射、環境溫度、相對濕度；
16、進行輸入特征補充：對降雪及融雪天氣加入前一日的水平面總輻射、環境溫度、積雪厚度、覆冰厚度作為補充的輸入特征；對沙塵天加入前一日的水平面總輻射、環境溫度、相對濕度、能見度作為補充的輸入特征；對雨天加入15分鐘的降雨量作為補充的輸入特征；晴天、陰云天不增加額外的輸入特征
17、對缺失數據補0，并進行數據歸一化；訓練樣本的輸出量y_sample，為歷史數據中的實發電量與預測發電量之差；
18、特征值和輸出量組成誤差補償模型訓練樣本(x_sample,y_sample)。
19、作為本專利技術所述的基于分類誤差補償的中長期光功率預測方法的一種優選方案，其中：所述分別構建五種誤差補償模型，并構建光功率預測基礎數值的預測模型，包括：
20、對于晴天和陰云天的誤差補償模型，分別構建一個輸入單元為5，隱藏層單元為7個，激活函數為relu函數的bp神經網絡；
21、對于雨天的誤差補償值模型，構建一個核函數為徑向基核函數、決策函數類型為one?vs?one的支持向量機模型；
22、對于降雪及融雪天的誤差補償模型，由于場景屬于有時間跨度的過程，選擇有時序記憶功能的長短期記憶循環神經網絡算法，構建一個輸入單元為11，隱藏層為32層的lstm-rnn模型；
23、對于沙塵天的誤差補償模型，由于場景也屬于有時間跨度的過程，同樣選擇有時序記憶功能的長短期記憶循環神經網絡算法，構建一個輸入單元為10，隱藏層為32層的lstm-rnn模型；
24、通過權利要求3中得到的誤差補償模型訓練樣本數據，進行上述五個模型的模型訓練。
25、作為本專利技術所述的基于分類誤差補償的中長期光功率預測方法的一種優選方案，其中：所述構建光功率預測基礎數值的預測模型包括，基于os-elm算法構建光功率預測基礎數值的預測模型，具體為輸入單元為3個，隱藏層單元為5個，激活函數為tanh函數的極限學習機模型，則獲取基礎預測值的公式為：
26、ep＝hβ
27、其中，ep表示基礎光功率預測值；h表示隨即特征映射矩陣，為隱藏層節點的輸出；β是輸出權重。
28、作為本專利技術所述的基于分類誤差補償的中長期光功率預測方法的一種優選方案，其中：所述在線部署，獲取對應的輻照及天氣數據，進行包含了誤差補償的中長期光功率預測包括，在線部署和運行五種誤差補償模型和光功率預測基礎數值的預測模型，并定時進行中長期的光功率預測；
29、預測過程為：進行該時間點的光功率預測基礎值pbase的預測；確定該時間點的天氣類型，選擇對應的誤差補償模型，得到補償誤差值poffsets；該時刻的光功率預測ppred值表示為：
30、ppred＝pbase+poffsets
31、其中，pbase表示基礎功率預測值，poffsets表示誤差補償值。
32、作為本專利技術所述的基于分類誤差補償的中長期光功率預測方法的一種優選方案，其中：所述對模型本文檔來自技高網...
【技術保護點】
1.一種基于分類誤差補償的中長期光功率預測方法，其特征在于，包括：
2.如權利要求1所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述光功率相關的歷史數據包括，歷史時段內光伏發電系統的實發電量、開機容量、累計投運時間，以及歷史時段內的氣象信息；
3.如權利要求2所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述特征處理包括，對五類歷史數據樣本，進行特征處理，得到特征值X_sample；
4.如權利要求3所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述分別構建五種誤差補償模型，并構建光功率預測基礎數值的預測模型，包括：
5.如權利要求4所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述構建光功率預測基礎數值的預測模型包括，基于OS-ELM算法構建光功率預測基礎數值的預測模型，具體為輸入單元為3個，隱藏層單元為5個，激活函數為tanh函數的極限學習機模型，則獲取基礎預測值的公式為：
6.如權利要求5所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述在線部署，獲取對
7.如權利要求6所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述對模型在線更新包括，對于晴天和陰云天兩種模型，設定周期值，采用反向傳播算法，對模型進行周期性更新；
8.一種采用如權利要求1-7任一所述方法的基于分類誤差補償的中長期光功率預測系統，其特征在于：
9.一種計算機設備，包括：存儲器和處理器；所述存儲器存儲有計算機程序，其特征在于：所述處理器執行所述計算機程序時實現基于分類誤差補償的中長期光功率預測方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現基于分類誤差補償的中長期光功率預測方法的步驟。
...【技術特征摘要】
1.一種基于分類誤差補償的中長期光功率預測方法，其特征在于，包括：
2.如權利要求1所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述光功率相關的歷史數據包括，歷史時段內光伏發電系統的實發電量、開機容量、累計投運時間，以及歷史時段內的氣象信息；
3.如權利要求2所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述特征處理包括，對五類歷史數據樣本，進行特征處理，得到特征值x_sample；
4.如權利要求3所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述分別構建五種誤差補償模型，并構建光功率預測基礎數值的預測模型，包括：
5.如權利要求4所述的基于分類誤差補償的中長期光功率預測方法，其特征在于：所述構建光功率預測基礎數值的預測模型包括，基于os-elm算法構建光功率預測基礎數值的預測模型，具體為輸入單元為3個，隱藏層單元為5個，激活函數為tanh函數的極限學習機模型，則獲取基礎預測值的公式為：
【專利技術屬性】
技術研發人員：付豪，劉宇，朱健，肖碧濤，賴曉路，張棋，汪灝，許云飛，
申請(專利權)人：南京國電南自維美德自動化有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。