[发明专利]基于天气类型指数区间的光伏功率预测方法、终端及介质

说明书

本发明提供了一种基于天气类型指数区间的光伏功率预测方法、终端及介质，包括：获取天气类型数据，并转化为天气类型指数；将所述天气类型指数划分为多个指数区间，其中每一个指数区间分别对应不同的日类型；将历史数据根据每小时天气类型指数分别归入对应的指数区间内，形成多个日类型子集；利用不同的日类型子集分别训练不同的深度神经网络，得到对应的分类预测子模型；将影响光伏出力的气象和功率特征作为所述分类预测子模型的输入，利用所述分类预测子模型预测不同天气类型下的光伏功率。本发明在非晴天天气下可以有效利用输入特征，具备识别剧烈变化天气下光伏输出功率突变的能力，从而提升预测精度。

技术领域

本发明涉及光伏发电技术领域的一种功率预测技术，具体地，涉及一种基于天气类型指数区间划分的光伏功率预测方法、终端及介质。

背景技术

为解决传统能源带来的各类问题，太阳能光伏发电技术迅速发展。光伏发电的随机性和间歇性为电网稳定可靠运行带来显著影响，精准的短期光伏输出功率预测愈发重要，目前已有较多相关研究成果。光伏出力预测按照预测过程可以分为间接预测和直接预测。其中，直接预测将历史发电量和天气数据进行建模，具备建模过程简单、无需测量太阳辐射强度的优势。以神经网络为主流的元启发式学习算法由于非线性表达能力强等优势在直接光伏功率预测领域得到广泛应用。光伏出力的直接预测基于历史出力和气象预报数据，由于大气环境复杂，天气类型的变化成为日前光伏功率预测精度下降的主要原因之一。当原始数据样本少且天气预报类型分散时，神经网络学习效率下降，复杂规律将被遮盖。将样本分类筛选进而建立各类对应的预测子模型，可以提升神经网络学习效率，针对性地学习规律一致的样本。当原始数据不充足时，进行分类训练有利于网络对特征规律的学习，从而降低由于规律遮蔽现象产生的误差。

经过检索发现：

文献“陈昌松，段善旭，殷进军.基于神经网络的光伏阵列发电预测模型的设计[J].电工技术学报，2009，24(9):153-158.”提供了一种按季节类型划分历史数据，并建立预测子模型的技术，该技术将日类型和气温作为BP神经网络的输入进行训练和预测。文献“袁晓玲，施俊华，徐杰彦.计及天气类型指数的光伏发电短期出力预测[J].中国电机工程学报，2013，33(34):57-64.”提供了一种建立不同天气类型的通用预测模型的技术，该技术将天气对应功率映射得到的天气类型指数作为BP神经网络的输入。这两种方法均采用基本的BP神经网络，预测误差较大。

文献“张倩，马愿，李国丽，等.频域分解和深度学习算法在短期负荷及光伏功率预测中的应用[J].中国电机工程学报，2019，39(8):2221-2230.”，利用辐照度、风速和板温数据划分天气类型为晴天和多云，结合LSTM神经网络实现出力预测，考虑了功率序列的时间相关性，预测精度较高。文献“王飞，米增强，甄钊，等.基于天气状态模式识别的光伏发电站发电功率分类预测方法[J].中国电机工程学报，2013，33(34):75-82.”提出了一种解决天气类型历史数据缺失问题的方法，基于太阳辐照度特征建立了SVM天气类型辨识模型。这两种方法均实现了一种高精度预测模型，但是，在构建高精度预测模型时要求原始数据包含辐照度数据，然而考虑实际情况，辐照预报数据较难获取。

综上所述，在现有技术中，仍然存在在缺乏辐照数据的实际情况下，天气类型变化导致短期光伏功率预测精度显著下降的问题。目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种基于天气类型指数区间划分的光伏功率日前预测方法、终端及介质。

根据本发明的一个方面，提供了一种光伏功率预测方法，包括：

获取天气类型数据，并转化为天气类型指数；

将所述天气类型指数划分为多个指数区间，其中每一个指数区间分别对应不同的日天气类型；

将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内，形成多个日天气类型子集；