[发明专利]模型训练方法、光伏发电功率预测方法及系统

说明书

本发明公开了一种模型训练方法、光伏发电功率预测方法及系统，该模型训练方法包括：获取训练集，该训练集包括高分辨率气象预报数据和历史光伏发电功率数据；基于高分辨率气象预报数据和历史光伏发电功率数据结合装袋算法训练BP神经网络模型，得到装袋算法深度学习预测模型。本发明基于获取的训练集中的高分辨率气象预报数据和历史光伏发电功率数据结合装袋算法训练BP神经网络模型，得到装袋算法深度学习预测模型，提高了模型预测的准确性和预测精度。

技术领域

本发明涉及光伏发电技术领域，特别涉及一种模型训练方法、光伏发电功率预测方法及系统。

背景技术

随着全球能源需求的不断增加，可再生能源的开发和利用越来越受到人们的关注。太阳能作为一种清洁的可再生能源，应用前景广泛。光伏发电作为一种重要的太阳能利用方式，已经成为我国第三大电力能源。然而，由于光伏发电具有波动性、间歇性和非线性的特点，对于电网的稳定运行带来显著影响。因此，精准的光伏发电功率预测显得尤为重要。

目前光伏发电功率的预测方法主要有物理方法和统计方法两种：物理方法主要是通过实时的实测数据进行超短期的光伏发电功率预测，但是由于气象因素以及光伏电站参数众多导致建模困难，同时不同时间尺度或天气情况下光伏系统的不断变化导致模型的抗干扰能力较差，得到的光伏发电功率的预测结果准确性较差。

统计方法主要是不考虑气象因素对光伏发电功率影响的物理机制，通过历史数据建立回归模型来预测未来的光伏发电功率。统计方法中的回归模型需要从大量的历史数据种获取预测需要的规律，如光伏电站有功功率与气象数据、历史运行情况之间的规律，并且回归模型不需要光伏电站的地理信息和测光资料。这种方法往往由于回归模型相对简单，且不能反映气象因素影响光伏发电功率的物理机制，得到的光伏发电功率结果也具有一定的不确定性。

发明内容

本发明要解决的技术问题是为了克服现有技术中采用单纯的物理方法或者统计方法预测光伏发电功率，会出现准确性差以及预测精度低的缺陷，提供一种模型训练方法、光伏发电功率预测方法及系统。

本发明是通过下述技术方案来解决上述技术问题：

本发明第一方面提供了一种模型训练方法，所述模型训练方法包括：

获取训练集，所述训练集包括高分辨率气象预报数据和历史光伏发电功率数据；

基于所述高分辨率气象预报数据和所述历史光伏发电功率数据结合装袋算法训练BP(back propagation neural network)神经网络模型，得到装袋算法深度学习预测模型。

较佳地，所述获取训练集的步骤之前，所述模型训练方法还包括：

获取粗分辨率气象预报数据和所述历史光伏发电功率数据；

将所述粗分辨率气象预报数据输入中尺度天气预报模型，在目标区域运行所述中尺度天气预报模型，以得到所述高分辨率气象预报数据；

预处理所述高分辨率气象预报数据和所述历史光伏发电功率数据，得到预处理后的所述高分辨率气象预报数据和所述历史光伏发电功率数据；

按照预设比例切分所述预处理后的高分辨率气象预报数据和历史光伏发电功率数据，得到训练集和验证集。

较佳地，所述基于所述高分辨率气象预报数据和所述历史光伏发电功率数据结合装袋算法训练BP神经网络模型，得到装袋算法深度学习预测模型的步骤包括：

获取至少一个BP神经网络模型；

基于所述高分辨率气象预报数据和所述历史光伏发电功率数据训练所述至少一个BP神经网络模型，得到训练后的至少一个BP神经网络模型；

利用装袋算法聚合所述训练后的至少一个BP神经网络模型，得到装袋算法深度学习预测模型。