【技術實現步驟摘要】
本申請涉及光伏電站，具體而言，涉及一種光伏電站的出力預測模型的構建方法、裝置和系統。
技術介紹
1、現有技術將天氣簡單地分為晴天、陰天等幾類，每種天氣需要對應構建一個模型用于匹配，且僅對晴天條件下預測精度較高，針對非晴天條件沒有較好的匹配模型及算法，客觀上弱化了光伏發電隨機性、波動性和間歇性的特點；二是光伏出力歷史數據中存在大量“臟數據”，而現有技術直接使用開源數據集(常用數據為kaggle網站提供的以及國內數據庫的光伏電站出力數據)，存在數據清洗以及數據預處理方法的不足；三是由于天氣本身就受到周期性因素和非周期性因素影響，目前預測模型(包含預測子模型)無法對任何氣候因素都有較好的表現，時間序列預測算法通常用于擬合周期性影響因素(季節性氣候)，而機器學習算法在處理非周期因素(人為因素影響等)的效果更好，而兩類方法由于原理不同，常規方法無法進行并行處理，使得兩類方法在光伏出力預測課題上的效果均達不到最佳。
2、間接法旨在模擬從太陽能到電能的各個物理環節并進行數學建模，從而實現對光伏出力的預測。但此過程涉及環節多，物理過程復雜，同時受氣候等因素影響，導致模型本身精度不足以進行定量分析，最終效果表現較差。
3、直接法即一種數據驅動的統計模式識別方法，該方法通過對光伏電站歷史出力數據及歷史天氣數據構建統計學模型或自適應模型，通過輸入預測日的天氣條件從而輸出預測出力值。利用馬爾可夫鏈對光伏電站的出力數據進行分析建模，在天氣晴朗條件下獲得較高的預測精度；引入晴朗系數，該模型下氣候因素不僅局限于晴天一種，而是擴充為晴天
4、現有技術采用直接方法效果普遍優于間接法，但均存在氣候因素模型單一、在非晴天條件下預測精度遠不及晴天、未交待數據清洗及預處理方法，同時算法本身也未針對天氣模型和光伏歷史出力數據進行優化，一定程度上限制了預測模型的精度以及魯棒性。
5、即現有技術對于光伏出力的預測模型未針對天氣模型和光伏歷史出力數據進行優化，從而導致預測模型的精度較低。
技術實現思路
1、本申請的主要目的在于提供一種光伏電站的出力預測模型的構建方法、裝置和系統，以至少解決現有技術對于光伏出力的預測模型未針對天氣模型和光伏歷史出力數據進行優化，從而導致預測模型的精度較低的問題。
2、為了實現上述目的，根據本申請的一個方面，提供了一種光伏電站的出力預測模型的構建方法，該方法包括：
3、獲取多個地表地外輻照度相關系數、多個地表地外輻照度波動系數和多個輻照度差波形熵組成的原始數據集，并采用k-means聚類算法，對所述原始數據集進行聚類處理，得到聚類結果，以將所述原始數據集劃分為多種模糊天氣聚類的子數據集；
4、采用prophet算法模型和lstm模型分別基于所述聚類結果進行并行訓練，得到所述prophet算法模型和所述lstm模型的置信值和置信區間；
5、采用所述lstm模型的正則化項對所述prophet算法模型進行優化，并計算所述prophet算法模型和所述lstm模型的權重，得到最終prophet算法模型、最終lstm模型、lstm模型權重和prophet算法模型權重；
6、基于所述最終prophet算法模型、所述最終lstm模型、lstm模型權重和prophet算法模型權重，構建光伏電站的出力預測模型，其中，所述光伏電站的所述出力預測模型用于根據輸入的地表地外輻照度相關系數、地表地外輻照度波動系數和輻照度差波形熵，對所述光伏電站的出力進行預測。
7、可選地，在構建光伏電站的出力預測模型之后，所述方法還包括：
8、采用所述光伏電站的所述出力預測模型對所述輸入的地表地外輻照度相關系數、地表地外輻照度波動系數和輻照度差波形熵進行處理，得到所述最終prophet算法模型的預測值和所述最終lstm模型的預測值；
9、基于所述lstm模型權重和所述prophet算法模型權重，對所述最終prophet算法模型的預測值和所述最終lstm模型的預測值進行加權求和處理，得到最終出力預測值。
10、可選地，采用所述lstm模型的正則化項對所述prophet算法模型進行優化，并計算所述prophet算法模型和所述lstm模型的權重，得到lstm模型權重和prophet算法模型權重，包括：
11、構建總誤差函數為：
12、
13、多次調整所述lstm模型的權重和所述prophet算法模型的權重，以逐漸降低所述總誤差函數的值，直到所述總誤差函數的值為最小值；
14、其中，為所述總誤差函數的值，為所述lstm模型的預測誤差值或者所述prophet算法模型的預測誤差值，p1為第一懲罰項，p2為第二懲罰項，所述第一懲罰項將兩個模型的預測值限制于對方模型的所述置信區間內，所述第二懲罰項用于優化所述prophet算法模型并將所述lstm模型和所述prophet算法模型的預測值進行加權平均。
15、可選地，在構建總誤差函數之前，所述方法還包括：
16、根據確定所述第一懲罰項；
17、其中，λ為懲罰系數，為所述lstm模型的置信區間的最大值，為所述lstm模型的置信區間的最小值，為所述prophet算法模型的置信區間的最大值，為所述prophet算法模型的置信區間的最大值。
18、可選地，在構建總誤差函數之前，所述方法還包括：
19、根據確定所述第二懲罰項；
20、其中，λ為懲罰系數，t為權重向量參數個數，wj為所述lstm模型權重或者所述prophet算法模型權重。
21、可選地，獲取多個地表地外輻照度相關系數，包括：
22、根據確定多個所述地表地外輻照度相關系數；
23、其中，r為所述地表地外輻照度相關系數，eo,i為第i時刻地表輻照度實測值，為第i時刻地表輻照度實測值的均值，es,i為第i時刻地表輻照度實測值，為第i時刻地表輻照度實測值的均值，n為最大時刻。
24、可選地，獲取多個輻照度差波形熵，包括：
25、根據和確定多個所述地表地外輻照度波動系數；
26、其中，s為所述輻照度差波形熵，pi為中間參數，eo,i為第i時刻地表輻照度實測值，es,i為第i時刻地表輻照度實測值，n為最大時刻。
27、可選地，獲取多個地外輻照度波動系數，包括：
28、根據確定多個所述地外輻照度波動系數；
29、其中，b為所述地外輻照度波動系數，eo,i為第i時刻地表輻照度實測值，es,i為第i時刻地表輻照度實測值，n為最大時刻。
30、根據本申請的另一方面，提供了一種光伏電站的出力預測模型的構建裝置本文檔來自技高網...
【技術保護點】
1.一種光伏電站的出力預測模型的構建方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，在構建光伏電站的出力預測模型之后，所述方法還包括：
3.根據權利要求1所述的方法，其特征在于，采用所述LSTM模型的正則化項對所述Prophet算法模型進行優化，并計算所述Prophet算法模型和所述LSTM模型的權重，得到LSTM模型權重和Prophet算法模型權重，包括：
4.根據權利要求3所述的方法，其特征在于，在構建總誤差函數之前，所述方法還包括：
5.根據權利要求3所述的方法，其特征在于，在構建總誤差函數之前，所述方法還包括：
6.根據權利要求1所述的方法，其特征在于，獲取多個地表地外輻照度相關系數，包括：
7.根據權利要求1所述的方法，其特征在于，獲取多個輻照度差波形熵，包括：
8.根據權利要求1所述的方法，其特征在于，獲取多個地外輻照度波動系數，包括：
9.一種光伏電站的出力預測模型的構建裝置，其特征在于，包括：
10.一種光伏電站的出力預測模型的構建系統，
...【技術特征摘要】
1.一種光伏電站的出力預測模型的構建方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，在構建光伏電站的出力預測模型之后，所述方法還包括：
3.根據權利要求1所述的方法，其特征在于，采用所述lstm模型的正則化項對所述prophet算法模型進行優化，并計算所述prophet算法模型和所述lstm模型的權重，得到lstm模型權重和prophet算法模型權重，包括：
4.根據權利要求3所述的方法，其特征在于，在構建總誤差函數之前，所述方法還包括：
5.根據權利要求3所述的方法，其特征在于，在構建總誤差函數之前，所述方法還包括：
6.根據權利要...
【專利技術屬性】
技術研發人員：何俊馳，楊康健，羅潤，陳榮杰，周熺，潘穎怡，梁炳鈞，黃漢生，黃乃為，
申請(專利權)人：廣東電網有限責任公司，
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。