CN114971062A - 一种光伏功率预测方法和装置 - Google Patents
一种光伏功率预测方法和装置 Download PDFInfo
- Publication number
- CN114971062A CN114971062A CN202210665580.0A CN202210665580A CN114971062A CN 114971062 A CN114971062 A CN 114971062A CN 202210665580 A CN202210665580 A CN 202210665580A CN 114971062 A CN114971062 A CN 114971062A
- Authority
- CN
- China
- Prior art keywords
- processed
- data
- hidden state
- traversal
- state corresponding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 192
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 230000010354 integration Effects 0.000 claims abstract description 12
- 230000000737 periodic effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请提供了一种光伏功率预测方法和装置,包括:获取多个采样时刻下的处理后气象数据和处理后运行数据,对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态,对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。由于处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,所以多个采样时刻下的处理后气象数据为零星数据,不具有周期性,本申请对零星的多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得的目标隐状态为光伏功率的真实预测值对应的隐状态,对目标隐状态进行时间积分,可得到准确度高的光伏功率预测值。
Description
技术领域
本申请涉及光伏发电领域,特别是涉及一种光伏功率预测方法和装置。
背景技术
电力公司需要对光伏发电功率进行预测,以便进行发电调度操作。准确的光伏功率预测是一个重要的、具有成本效益的能源管理要素,有助于光伏电站和集合***有效和直接地参与电力市场,并且通过优化供应计划来增加收入。
目前,光伏功率预测基本上都是基于时间序列分析的方法,该基于时间序列分析的方法是指:通过固定时间间隔采集的数据对光伏功率进行预测。然而,真实工况下,固定时间间隔采集的数据可能存在数据污染、数据缺失等情况,使得固定时间间隔采集的数据变为零星数据,导致基于时间序列分析的方法预测出的光伏功率不准确。
发明内容
有鉴于此,本申请提供了一种光伏功率预测方法和装置,用于对零星数据进行光伏功率预测,其技术方案如下:
一种光伏功率预测方法,包括:
获取多个采样时刻下的处理后气象数据和处理后运行数据,其中,处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,处理后运行数据通过对初始运行数据进行预处理得到,预处理用于标记初始运行数据中的异常运行数据,并对未标记运行数据进行归一化,初始运行数据为剔除异常气象数据后的初始气象数据所对应的采样时刻采集的光伏***运行数据;
对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态;
对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。
可选的,对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态,包括:
按照多个采样时刻的先后顺序,遍历每个采样时刻下的处理后气象数据和处理后运行数据:
对于当前遍历到的采样时刻下的处理后气象数据和处理后运行数据,根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态,其中,当前遍历对应的第一隐状态用于表征基于当前遍历以及前向各次遍历下的处理后气象数据得到的光伏功率的理论预测值对应的隐状态,若当前遍历为第一次遍历,则前一次遍历对应的第二隐状态为预设的初始隐状态;
基于当前遍历到的采样时刻下的处理后运行数据,对当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态,其中,当前遍历对应的第二隐状态用于表征基于当前遍历以及前向各次遍历下的处理后运行数据更新后得到的光伏功率的真实预测值对应的隐状态;
将最后一次遍历对应的第二隐状态作为目标隐状态。
可选的,根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态,包括:
根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的更新门控和更新向量;
基于前一次遍历对应的第二隐状态、当前遍历对应的更新门控和更新向量,得到当前遍历对应的第一隐状态。
可选的,基于当前遍历到的采样时刻下的处理后运行数据,对当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态,包括:
获取当前遍历到的采样时刻下的处理后运行数据对应的标识矩阵,其中,标识矩阵的每个元素分别用于指示当前遍历到的采样时刻下的处理后运行数据包含的一个分量是否为标记的异常运行数据;
对于当前遍历到的采样时刻下的处理后运行数据包含的每个分量,根据该分量、该分量对应的标识矩阵的元素和当前遍历对应的第一隐状态,确定该分量对应的稀疏后分量,以得到当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据;
根据当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据和当前遍历对应的第一隐状态,得到当前遍历对应的第二隐状态。
可选的,处理后气象数据包括以下气象数据中的一种或多种:平面内太阳辐照度、风向、风速和环境温度;
处理后运行数据包括以下运行数据中的一种或多种:最大功率点电流、电压和功率、光伏阵列的输出端的输出值和模块温度、逆变器交流侧输出值,以及,太阳位置参数。
可选的,多个采样时刻下的处理后气象数据和处理后运行数据包括:低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据;
对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,包括:
对低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据分别进行设定预测处理。
一种光伏功率预测装置,包括:数据获取模块、设定预测处理模块和光伏功率预测值确定模块;
数据获取模块,用于获取多个采样时刻下的处理后气象数据和处理后运行数据,其中,处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,处理后运行数据通过对初始运行数据进行预处理得到,预处理用于标记初始运行数据中的异常运行数据,并对未标记运行数据进行归一化,初始运行数据为剔除异常气象数据后的初始气象数据所对应的采样时刻采集的光伏***运行数据;
设定预测处理模块,用于对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态;
光伏功率预测值确定模块,用于对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。
可选的,设定预测处理模块,包括:遍历模块和目标隐状态确定模块;
遍历模块,用于按照多个采样时刻的先后顺序,遍历每个采样时刻下的处理后气象数据和处理后运行数据:对于当前遍历到的采样时刻下的处理后气象数据和处理后运行数据,根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态,其中,当前遍历对应的第一隐状态用于表征基于当前遍历以及前向各次遍历下的处理后气象数据得到的光伏功率的理论预测值对应的隐状态,若当前遍历为第一次遍历,则前一次遍历对应的第二隐状态为预设的初始隐状态;基于当前遍历到的采样时刻下的处理后运行数据,对当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态,其中,当前遍历对应的第二隐状态用于表征基于当前遍历以及前向各次遍历下的处理后运行数据更新后得到的光伏功率的真实预测值对应的隐状态;
目标隐状态确定模块,用于将最后一次遍历对应的第二隐状态作为目标隐状态。
可选的,遍历模块在根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态时,包括:第一GRU网络计算模块和常微分网络计算模块;
第一GRU网络计算模块,用于根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的更新门控和更新向量;
常微分网络计算模块,用于基于前一次遍历对应的第二隐状态、当前遍历对应的更新门控和更新向量,得到当前遍历对应的第一隐状态。
可选的,遍历模块在基于当前遍历到的采样时刻下的处理后运行数据,对当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态时,包括:标识矩阵获取模块、稀疏处理模块和第二GRU网络计算模块;
标识矩阵获取模块,用于获取当前遍历到的采样时刻下的处理后运行数据对应的标识矩阵,其中,标识矩阵的每个元素分别用于指示当前遍历到的采样时刻下的处理后运行数据包含的一个分量是否为标记的异常运行数据;
稀疏处理模块,用于对于当前遍历到的采样时刻下的处理后运行数据包含的每个分量,根据该分量、该分量对应的标识矩阵的元素和当前遍历对应的第一隐状态,确定该分量对应的稀疏后分量,以得到当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据;
第二GRU网络计算模块,用于根据当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据和当前遍历对应的第一隐状态,得到当前遍历对应的第二隐状态。
经由上述的技术方案可知,本申请提供的光伏功率预测方法,首先获取多个采样时刻下的处理后气象数据和处理后运行数据,然后对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态,最后对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。由于多个采样时刻下的处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,所以多个采样时刻下的处理后气象数据为零星数据,不再具有周期性,本申请可对零星的多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得目标隐状态,由于目标隐状态为光伏功率的真实预测值对应的隐状态,因此对目标隐状态进行时间积分,即可得到准确度更高的光伏功率预测值。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种光伏功率预测方法的流程示意图;
图2为光伏功率预测模型两阶段的隐状态跳转的示意图;
图3为本申请实施例提供的光伏功率预测装置的结构示意图;
图4为本申请实施例提供的光伏功率预测设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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例,都属于本申请保护的范围。
鉴于现有技术存在的问题,本案发明人进行了深入研究后想到,可以基于数据采样时刻间隔不规律、零星观测条件下的时间序列构建一种光伏功率预测模型,采用基于数据驱动的方式实现光伏功率预测。在训练光伏功率预测模型时,将历史2年或以上的历史时刻对应的零星数据分成训练集和测试集,其中,可从原始时间序列(历史1年的历史时刻对应的零星数据)中提取10个不同的数据集,按顺序或随机以10%、30%、50%和70%作为分割点对数据集进行分割,并选取分割出的任一部分作为训练集,基于训练集对光伏功率预测模型进行训练,基于测试集对训练的光伏功率预测模型进行测试,由此得到训练好的光伏功率预测模型,然后再将待进行预测的零星数据输入至训练好的光伏功率预测模型,即可得到设定时间内光伏功率预测值。
基于上述构思,本申请最终提出了一种光伏功率预测方法,该光伏功率预测方法可应用于上述光伏功率预测模型(可选的,该光伏功率预测模型为基于GRU-常微分-贝叶斯更新网络建模得到的模型,这里,GRU的英文全称为Gate Recurrent Unit,即门控循环单元),接下来通过下述实施例对本申请提供的光伏功率预测方法进行详细介绍。
请参阅图1,示出了本申请实施例提供的光伏功率预测方法的流程示意图,该光伏功率预测方法可以包括:
步骤S101、获取多个采样时刻下的处理后气象数据和处理后运行数据。
在本步骤中,若基于光伏功率预测模型进行光伏功率预测,则需要首先获取多个采样时刻下的处理后气象数据和处理后运行数据。
这里,处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到。
具体的,周期采样得到的初始气象数据包括多个采样周期采集的气象数据,例如,每隔30分钟采集一组气象数据,则一天共采集48组气象数据,该48组气象数据即为本步骤中的初始气象数据(值得注意的是,该初始气象数据为时间序列的数据类型,因此前后相邻时段的气象数据的关联程度非常高),可以理解的是,初始气象数据中可能包含异常气象数据,例如,48组气象数据中可能包含8组异常气象数据,即6个采样时刻采集到异常气象数据,那么需要将异常气象数据从初始气象数据中剔除,之后再对剩余的气象数据进行归一化,即可得到多个采样时刻下的处理后气象数据,例如,假设48组气象数据对应t1~t48采样时刻,8组异常气象数据对应t5、t14~t16、t26、t30、t41、t42采样时刻,则本步骤获取的多个采样时刻下的处理后气象数据为t1~t4、t6~t13、t17~t25、t26~t29、t31~t40、t43~t48采样时刻下的处理后气象数据。
可选的,从初始气象数据中确定异常气象数据的过程可以包括:首先对初始气象数据进行初筛,以筛选正常工况数据,可选的,初筛是指对初始气象数据进行数据清洗,以清洗无效数据;然后对筛选出的正常工况数据进行连续的过滤和数据挖掘以确保数据的可用性,即对筛选出的正常工况数据进行彻底检查,以发现错误值、异常值、空白和重复值等,具体来说,根据正常气象数据设置阈值范围,以基于设置的阈值范围从初筛出的正常工况数据中检测出与正常气象数据有显著差异的特征,并通过搜索空值(NA)从初筛出的正常工况数据中检测缺失的数据,以及重复的数据,这里,所有检测出的错误和缺失数据均为异常气象数据。
在本步骤中,处理后运行数据通过对初始运行数据进行预处理得到,预处理用于标记初始运行数据中的异常运行数据,并对未标记运行数据进行归一化,初始运行数据为剔除异常气象数据后的初始气象数据所对应的采样时刻采集的光伏***运行数据。
具体的,仍以上述示例中的时刻为例,剔除异常气象数据后的初始气象数据所对应的采样时刻即t1~t4、t6~t13、t17~t25、t26~t29、t31~t40、t43~t48采样时刻,本步骤可将这些采样时刻采集的光伏***运行数据记为初始运行数据。可以理解的是,初始运行数据包括多种类型的数据,每个采样时刻采集的该多种类型的数据均可能出现异常,那么需要将初始运行数据中的异常运行数据标记出来,以便后续预测光伏功率时仅基于未标记运行数据进行预测。当标记出异常允许数据后,可对未标记运行数据进行归一化,以得到处理后运行数据。
可选的,本步骤从初始运行数据确定异常运行数据的过程与上述“从初始气象数据中确定异常气象数据”的过程相同,详细可参照前述实施例介绍,在此不进行赘述。
在本步骤中,可采用如下公式,对剔除异常气象数据后的初始气象数据以及未标记运行数据进行归一化:
式中,xnorm为归一化后的数据,x为剔除异常气象数据后的初始气象数据,或者,未标记运行数据,xmin为x中的最小值,xmax为x中的最大值。
需要说明的是,本步骤进行归一化是为了消除指标(即剔除异常气象数据后的初始气象数据、未标记运行数据)之间的不同量纲/归对数值范围的影响,通过进行标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级。
可选的,在本步骤中,处理后气象数据包括以下气象数据中的一种或多种:平面内太阳辐照度(即平面内太阳高度角G1)、风向Wa、风速Ws和环境温度Tamb,处理后运行数据包括以下运行数据中的一种或多种:最大功率点电流Imp、电压Vmp和功率Pmp、光伏阵列的输出端的输出值和模块温度、逆变器交流侧输出值,以及,太阳位置参数(即太阳方向角和仰角α),当然,处理后气象数据和处理后运行数据还可以为其他,本申请对此不进行限定。
在一可选实施例中,考虑到平面内太阳辐照度对光伏功率的影响较大,而不同采样时刻下的太阳辐照度相差较大,为了提高光伏功率预测值的准确度,可应用辐照度过滤器对多个采样时刻下的处理后气象数据进行分类,以得到低辐照度下的处理后气象数据和高辐照度下的处理后气象数据,相应的,多个采样时刻下的处理后运行数据也对应划分为低辐照度下的处理后运行数据和高辐照度下的处理后运行数据。例如,辐照度过滤器包括低通过滤器和高通过滤器,其中,低通过滤器用于过滤掉辐照度大于600瓦/平方米的数据,即保持低度和高度辐照度条件,高通过滤器用于过滤掉辐照度小于或等于600瓦/平方米的数据,即保持高辐照度条件。基于此,本步骤获得的多个采样时刻下的处理后气象数据和处理后运行数据包括:低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据。
需要说明的是,本步骤中的“多个采样时刻”一般是指近期采样时刻,例如,过去一天或几天、过去一个月等对应的采样时刻,基于该近期采样时刻下的处理后气象数据和处理后运行数据,对未来设定时间内的光伏功率进行预测,预测结果的准确度相对更高。
步骤S102、对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态。
可选的,本步骤可通过GRU-常微分-贝叶斯更新网络对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得能够表征光伏功率的真实预测值的目标隐状态。基于此,目标隐状态中包含多个采样时刻下的处理后气象数据和处理后运行数据的信息。
可选的,在上一步骤获得的多个采样时刻下的处理后气象数据和处理后运行数据包括:低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据时,本步骤可对低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据分别进行设定预测处理。
步骤S103、对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。
具体的,本步骤可通过对目标隐状态的时间积分进行预测,得到设定时间内的光伏功率预测值。由于目标隐状态为光伏功率的真实预测值对应的隐状态,因此基于目标隐状态得到的光伏功率预测值更加准确。
本申请提供的光伏功率预测方法,首先获取多个采样时刻下的处理后气象数据和处理后运行数据,然后对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态,最后对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。由于多个采样时刻下的处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,所以多个采样时刻下的处理后气象数据为零星数据,不再具有周期性,本申请可对零星的多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得目标隐状态,由于目标隐状态为光伏功率的真实预测值对应的隐状态,因此对目标隐状态进行时间积分,即可得到准确度更高的光伏功率预测值。
本申请的一个实施例,对上述实施例中的“步骤S102、对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态”的过程进行说明。
可选的,“步骤S102、对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态”的过程可以包括:
S1、按照多个采样时刻的先后顺序,遍历每个采样时刻下的处理后气象数据和处理后运行数据:
对于当前遍历到的采样时刻下的处理后气象数据和处理后运行数据,根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态,其中,当前遍历对应的第一隐状态用于表征基于当前遍历以及前向各次遍历下的处理后气象数据得到的光伏功率的理论预测值对应的隐状态,若当前遍历为第一次遍历,则前一次遍历对应的第二隐状态为预设的初始隐状态;
基于当前遍历到的采样时刻下的处理后运行数据,对当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态,其中,当前遍历对应的第二隐状态用于表征基于当前遍历以及前向各次遍历下的处理后运行数据更新后得到的光伏功率的真实预测值对应的隐状态。
举例来说,多个采样时刻包括t1~t4、t6~t13、t17~t25、t26~t29、t31~t40、t43~t48,则本步骤首先遍历t1采样时刻下的处理后气象数据和处理后运行数据,根据t1采样时刻下的处理后气象数据和预设的初始隐状态,确定当前遍历对应的第一隐状态(即t1采样时刻对应的第一隐状态),并根据t1采样时刻下的处理后运行数据对t1采样时刻对应的第一隐状态进行更新,得到当前遍历对应的第二隐状态(即t1采样时刻对应的第二隐状态);然后,本步骤遍历t2采样时刻下的处理后气象数据和处理后运行数据,根据t2采样时刻下的处理后气象数据和t1采样时刻对应的第二隐状态,确定当前遍历对应的第一隐状态(即t2采样时刻对应的第一隐状态),并根据t2采样时刻下的处理后运行数据对t2采样时刻对应的第一隐状态进行更新,得到当前遍历对应的第二隐状态(即t2采样时刻对应的第二隐状态);接着,本步骤遍历t3采样时刻下的处理后气象数据和处理后运行数据,…,直至遍历完t48采样时刻下的处理后气象数据和处理后运行数据,得到t48采样时刻对应的第二隐状态。
在上述过程中,当前遍历对应的第一隐状态用于表征基于当前遍历以及前向各次遍历下的处理后气象数据得到的光伏功率的理论预测值对应的隐状态,当前遍历对应的第二隐状态用于表征基于当前遍历以及前向各次遍历下的处理后运行数据更新后得到的光伏功率的真实预测值对应的隐状态,也就是说,处理后气象数据可用于预测光伏功率的理论预测值对应的隐状态(即第一隐状态),而处理后运行数据与光伏功率直接相关,因此基于处理后运行数据对光伏功率的理论预测值对应的隐状态(即第一隐状态)进行更新,是为了使第二隐状态更趋近于光伏功率的真实预测值对应的隐状态。可以理解的是,在一定范围内,随着遍历次数的增多,第一隐状态更加趋近于光伏功率的理论预测值对应的隐状态,第二隐状态更加趋近于光伏功率的真实预测值对应的隐状态。
本申请实施例中,隐变量根据其更新公式有一个特殊的性质,就是其一直在[-1,1]之间变化,即其梯度方向总是指向0的,如果预设的初始隐状态开始于[-1,1]区域之外,负反馈会迅速将后续第一隐状态和第二隐状态推入该[-1,1]区域,使***变得更稳健。
可选的,对于遍历到的每个采样时刻下的处理后气象数据和处理后运行数据来说,本申请提供的光伏功率预测模型中的设定预测处理可包含两个处理阶段,第一个处理阶段为GRU-常微分阶段,即“根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态”的阶段,该阶段可在处理后气象数据之间及时传播***的隐状态(即上述第一隐状态);第二个处理阶段为GRU-贝叶斯阶段,即“基于当前遍历到的采样时刻下的处理后运行数据,对当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态”的阶段,该阶段可对第一阶段传播的第一隐状态进行更新,以使第二隐状态更趋近于光伏功率的真实预测值对应的隐状态。
可选的,第一处理阶段的过程可以包括:
S11、根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的更新门控和更新向量。
本步骤可采用经典的GRU网络来确定当前遍历对应的更新门控和更新向量,即本步骤可将当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态输入至经典的GRU网络中,以确定当前遍历对应的更新门控和更新向量。
这里,经典的GRU网络的前向传播公式中重置门控、更新门控和更新向量的公式分别如下:
rt=σ(Wrxt+Urht-1+br);
zt=σ(Wzxt+Uzht-1+bz);
gt=tanh(Whxt+Uh(rt⊙ht-1)+bh);
式中,rt是指重置门控,zt是指更新门控,gt是指更新向量。
本步骤中的更新门控和更新向量分别是指基于当前遍历到的采样时刻下的处理后气象数据xt和前一次遍历对应的第二隐状态ht-1,确定出的更新门控zt和更新向量gt。
S12、基于前一次遍历对应的第二隐状态、当前遍历对应的更新门控和更新向量,得到当前遍历对应的第一隐状态。
经典的GRU网络的隐状态公式(第一隐状态)为:
ht=zt⊙ht-1+(1-zt)⊙gt。
本步骤可采用常微分网络来确定当前遍历对应的第一隐状态。可将该第一隐状态的公式记为ht=GRU(ht-1,xt),则在预设常微分网络中,可通过该第一隐状态的公式减去ht-1,并消除(1-zt),得到如下的相邻间隔时间的差分方程:
当无限缩小时间步长,无限增加隐藏层层数时,该差分方程左侧可看作是对t求导,从而得到如下的常微分方程:
在常微分网络中,对于连续的观测值x(t),它们可以自然地将x(t)输入到GRU-常微分中,如果采集数据点故障或遇到采集***通讯故障时,无法提供连续的输入信号(即连续的观测值x(t))的情况下,没有任何东西被作为x(t)输入,g(t)和z(t)只取决于h(t)。并且,给定一个初值,常微分方程的解便为一个确定的函数·h(t),它代表了隐状态随时间变化的序列,若能得出该常微分方程在时刻的数值解,那么就相当于完成了GRU网络的前向传播,此时第一隐状态h(t)的改变最终就代表着前向传播结果。这样,神经网络就变成了一个常微分动力***,它的训练和预测都可以归结为常微分的求解问题。
在本步骤中,将前一次遍历对应的第二隐状态、当前遍历对应的更新门控和更新向量输入至常微分网络,即可基于常微分网络确定出当前遍历对应的第一隐状态ht。由于常微分网络的计算过程为现有技术,在此不进行详细介绍。
可选的,第二处理阶段的过程可以包括:
S13、获取当前遍历到的采样时刻下的处理后运行数据对应的标识矩阵,其中,标识矩阵的每个元素分别用于指示当前遍历到的采样时刻下的处理后运行数据包含的一个分量是否为标记的异常运行数据。
具体的,在步骤S101提及的“预处理”用于标记初始运行数据中的异常运行数据时,可对应生成标识矩阵,该标识矩阵的每个元素分别用于指示当前遍历到的采样时刻下的处理后运行数据(为向量)包含的一个分量是否为标记的异常运行数据,也即,标识矩阵用于指定哪些变量在当前遍历到的采样时刻有观测值。
例如,当前遍历到的采样时刻下的处理后运行数据共包含8个分量,该8个分量分别对应为:最大功率点电流Imp、电压Vmp和功率Pmp、光伏阵列的输出端的输出值和模块温度、逆变器交流侧输出值,以及,太阳方向角和仰角α,则对应于该处理后运行数据的标识矩阵为1*8维的矩阵,即该标识矩阵共包含8个元素。可以理解的是,在当前遍历到的采样时刻下,该8个分量中可能存在被标记的异常运行数据,则可选的,标识矩阵中,异常运行数据对应的元素为0,正常运行数据对应的元素为1。
S14、对于当前遍历到的采样时刻下的处理后运行数据包含的每个分量,根据该分量、该分量对应的标识矩阵的元素和当前遍历对应的第一隐状态,确定该分量对应的稀疏后分量,以得到当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据。
具体的,由于处理后运行数据极其稀疏的特性,每个采样时刻下的处理后运行数据都不是完全观测的且向量稀疏的,即并非每个采样时刻下的分量都有值,那么需要经过本步骤对当前遍历到的采样时刻下的处理后运行数据进行稀疏处理,得到稀疏后运行数据。
可选的,可针对当前遍历到的采样时刻下的处理后运行数据包含的每个分量分别进行稀疏处理,即对于当前遍历到的采样时刻下的处理后运行数据包含的每个分量,根据该分量、该分量对应的标识矩阵的元素和当前遍历对应的第一隐状态,确定该分量对应的稀疏后分量。对每个分量均进行稀疏处理,即可得到当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据。
为便于后续描述,可将稀疏处理记为fprep,则本步骤对每个分量进行稀疏处理,记为fprep(y[k],m[k],h(t-)),其中,y[k]是指处理后运行数据包含的第k个分量,m[k]是指该第k个分量对应的标识矩阵的元素,h(t-)是指当前遍历对应的第一隐状态。
S15、根据当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据和当前遍历对应的第一隐状态,得到当前遍历对应的第二隐状态。
在本步骤中,可根据当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据对当前遍历对应的第一隐状态进行更新,得到当前遍历对应的第二隐状态。前述已经说明了,当前遍历对应的第一隐状态用于表征基于当前遍历以及前向各次遍历下的处理后气象数据得到的光伏功率的理论预测值对应的隐状态,那么本步骤可基于当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据对光伏功率的理论预测值对应的隐状态进行纠正,以使得到的当前遍历对应的第二隐状态更趋近于真实预测值对应的隐状态。
可选的,本步骤可采用另一个GRU网络确定当前遍历对应的第二隐状态,那么本步骤可记为h(t+)=GRU(h(t-),fprep(y[k],m[k],h(t-))),其中,h(t+)是指当前遍历对应的第二隐状态。
例如,参见图2所示,基于第一处理阶段(即GRU-常微分阶段)得到的当前遍历对应的第一隐状态为Losspre,即光伏功率的理论预测值对应的隐状态,基于第二处理阶段(即GRU-贝叶斯阶段)对第一隐状态Losspre进行更新,得到更趋近于真实预测值对应的隐状态的当前遍历对应的第二隐状态Losspost,可见,GRU-常微分和GRU-贝叶斯之间的交替导致了一个带有跳跃的常微分,其中的跳跃发生在观测点(例如采样时刻t[k]、t[k+1])的位置上,当有新的观测结果时,本步骤会离散地更新第一隐状态,从而能够学习隐藏过程的复杂动态。
S2、将最后一次遍历对应的第二隐状态作为目标隐状态。
例如,本步骤可将上述S1示例中的t48采样时刻对应的第二隐状态作为目标隐状态,由于该目标隐状态是在“基于处理后气象数据和前次遍历对应的第二隐状态预测第一隐状态,并基于处理后运行数据纠正第一隐状态为当前遍历对应的第二隐状态”的过程中不断循环得到的,因此目标隐状态可以看做是光伏功率的真实预测值对应的隐状态。
需要说明的是,上述本申请均是以一天对应的多个采样时刻下的处理后气象数据和处理后运行数据为例,对光伏功率预测模型进行光伏功率预测时的具体实施方式进行介绍,实际预测过程中,可能会基于多天、一个月甚至多月对应的多个采样时刻下的处理后气象数据和处理后运行数据进行光伏功率预测,本申请对此不进行限定。
本申请实施例还提供了一种光伏功率预测装置,下面对本申请实施例提供的光伏功率预测装置进行描述,下文描述的光伏功率预测装置与上文描述的光伏功率预测方法可相互对应参照。
请参阅图3,示出了本申请实施例提供的光伏功率预测装置的结构示意图,如图3所示,该光伏功率预测装置可以包括:数据获取模块301、设定预测处理模块302和光伏功率预测值确定模块303。
数据获取模块301,用于获取多个采样时刻下的处理后气象数据和处理后运行数据,其中,处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,处理后运行数据通过对初始运行数据进行预处理得到,预处理用于标记初始运行数据中的异常运行数据,并对未标记运行数据进行归一化,初始运行数据为剔除异常气象数据后的初始气象数据所对应的采样时刻采集的光伏***运行数据。
设定预测处理模块302,用于对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态。
光伏功率预测值确定模块303,用于对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。
本申请提供的光伏功率预测装置,首先获取多个采样时刻下的处理后气象数据和处理后运行数据,然后对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态,最后对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。由于多个采样时刻下的处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,所以多个采样时刻下的处理后气象数据为零星数据,不再具有周期性,本申请可对零星的多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得目标隐状态,由于目标隐状态为光伏功率的真实预测值对应的隐状态,因此对目标隐状态进行时间积分,即可得到准确度更高的光伏功率预测值。
在一种可能的实现方式中,上述设定预测处理模块302可以包括:遍历模块和目标隐状态确定模块。
其中,遍历模块,用于按照多个采样时刻的先后顺序,遍历每个采样时刻下的处理后气象数据和处理后运行数据:对于当前遍历到的采样时刻下的处理后气象数据和处理后运行数据,根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态,其中,当前遍历对应的第一隐状态用于表征基于当前遍历以及前向各次遍历下的处理后气象数据得到的光伏功率的理论预测值对应的隐状态,若当前遍历为第一次遍历,则前一次遍历对应的第二隐状态为预设的初始隐状态;基于当前遍历到的采样时刻下的处理后运行数据,对当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态,其中,当前遍历对应的第二隐状态用于表征基于当前遍历以及前向各次遍历下的处理后运行数据更新后得到的光伏功率的真实预测值对应的隐状态。
目标隐状态确定模块,用于将最后一次遍历对应的第二隐状态作为目标隐状态。
在一种可能的实现方式中,上述遍历模块在根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态时可以包括:第一GRU网络计算模块和常微分网络计算模块。
其中,第一GRU网络计算模块,用于根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的更新门控和更新向量。
常微分网络计算模块,用于基于前一次遍历对应的第二隐状态、当前遍历对应的更新门控和更新向量,得到当前遍历对应的第一隐状态。
在一种可能的实现方式中,上述遍历模块在基于当前遍历到的采样时刻下的处理后运行数据,对当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态时可以包括:标识矩阵获取模块、稀疏处理模块和第二GRU网络计算模块。
其中,标识矩阵获取模块,用于获取当前遍历到的采样时刻下的处理后运行数据对应的标识矩阵,其中,标识矩阵的每个元素分别用于指示当前遍历到的采样时刻下的处理后运行数据包含的一个分量是否为标记的异常运行数据。
稀疏处理模块,用于对于当前遍历到的采样时刻下的处理后运行数据包含的每个分量,根据该分量、该分量对应的标识矩阵的元素和当前遍历对应的第一隐状态,确定该分量对应的稀疏后分量,以得到当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据。
第二GRU网络计算模块,用于根据当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据和当前遍历对应的第一隐状态,得到当前遍历对应的第二隐状态。
在一种可能的实现方式中,上述数据获取模块301中的处理后气象数据可以包括以下气象数据中的一种或多种:平面内太阳辐照度、风向、风速和环境温度。
上述数据获取模块301中的处理后运行数据可以包括以下运行数据中的一种或多种:最大功率点电流、电压和功率、光伏阵列的输出端的输出值和模块温度、逆变器交流侧输出值,以及,太阳位置参数。
在一种可能的实现方式中,上述数据获取模块301中的多个采样时刻下的处理后气象数据和处理后运行数据可以包括:低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据。
基于此,上述设定预测处理模块302,具体可以用于对低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据分别进行设定预测处理。
本申请实施例还提供了一种光伏功率预测设备。可选的,图4示出了光伏功率预测设备的硬件结构框图,参照图4,该光伏功率预测设备的硬件结构可以包括:至少一个处理器401,至少一个通信接口402,至少一个存储器403和至少一个通信总线404;
在本申请实施例中,处理器401、通信接口402、存储器403、通信总线404的数量为至少一个,且处理器401、通信接口402、存储器403通过通信总线404完成相互间的通信;
处理器401可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器403可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器403存储有程序,处理器401可调用存储器403存储的程序,所述程序用于:
获取多个采样时刻下的处理后气象数据和处理后运行数据,其中,处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,处理后运行数据通过对初始运行数据进行预处理得到,预处理用于标记初始运行数据中的异常运行数据,并对未标记运行数据进行归一化,初始运行数据为剔除异常气象数据后的初始气象数据所对应的采样时刻采集的光伏***运行数据;
对多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态;
对目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上述光伏功率预测方法。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
最后,还需要说明的是,在本文中,诸如和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种真实的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种光伏功率预测方法,其特征在于,包括:
获取多个采样时刻下的处理后气象数据和处理后运行数据,其中,所述处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,所述处理后运行数据通过对初始运行数据进行预处理得到,所述预处理用于标记所述初始运行数据中的异常运行数据,并对未标记运行数据进行归一化,所述初始运行数据为剔除所述异常气象数据后的初始气象数据所对应的采样时刻采集的光伏***运行数据;
对所述多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态;
对所述目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。
2.根据权利要求1所述的光伏功率预测方法,其特征在于,所述对所述多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态,包括:
按照所述多个采样时刻的先后顺序,遍历每个采样时刻下的处理后气象数据和处理后运行数据:
对于当前遍历到的采样时刻下的处理后气象数据和处理后运行数据,根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态,其中,所述当前遍历对应的第一隐状态用于表征基于当前遍历以及前向各次遍历下的处理后气象数据得到的光伏功率的理论预测值对应的隐状态,若当前遍历为第一次遍历,则所述前一次遍历对应的第二隐状态为预设的初始隐状态;
基于当前遍历到的采样时刻下的处理后运行数据,对所述当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态,其中,所述当前遍历对应的第二隐状态用于表征基于当前遍历以及前向各次遍历下的处理后运行数据更新后得到的光伏功率的真实预测值对应的隐状态;
将最后一次遍历对应的第二隐状态作为所述目标隐状态。
3.根据权利要求2所述的光伏功率预测方法,其特征在于,所述根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态,包括:
根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的更新门控和更新向量;
基于所述前一次遍历对应的第二隐状态、所述当前遍历对应的更新门控和更新向量,得到所述当前遍历对应的第一隐状态。
4.根据权利要求2所述的光伏功率预测方法,其特征在于,所述基于当前遍历到的采样时刻下的处理后运行数据,对所述当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态,包括:
获取当前遍历到的采样时刻下的处理后运行数据对应的标识矩阵,其中,所述标识矩阵的每个元素分别用于指示所述当前遍历到的采样时刻下的处理后运行数据包含的一个分量是否为标记的所述异常运行数据;
对于所述当前遍历到的采样时刻下的处理后运行数据包含的每个分量,根据该分量、该分量对应的所述标识矩阵的元素和所述当前遍历对应的第一隐状态,确定该分量对应的稀疏后分量,以得到所述当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据;
根据所述当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据和所述当前遍历对应的第一隐状态,得到所述当前遍历对应的第二隐状态。
5.根据权利要求1所述的光伏功率预测方法,其特征在于,所述处理后气象数据包括以下气象数据中的一种或多种:平面内太阳辐照度、风向、风速和环境温度;
所述处理后运行数据包括以下运行数据中的一种或多种:最大功率点电流、电压和功率、光伏阵列的输出端的输出值和模块温度、逆变器交流侧输出值,以及,太阳位置参数。
6.根据权利要求5所述的光伏功率预测方法,其特征在于,所述多个采样时刻下的处理后气象数据和处理后运行数据包括:低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据;
所述对所述多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,包括:
对所述低辐照度下的处理后气象数据和处理后运行数据,以及,高辐照度下的处理后气象数据和处理后运行数据分别进行所述设定预测处理。
7.一种光伏功率预测装置,其特征在于,包括:数据获取模块、设定预测处理模块和光伏功率预测值确定模块;
所述数据获取模块,用于获取多个采样时刻下的处理后气象数据和处理后运行数据,其中,所述处理后气象数据通过对周期采样得到的初始气象数据进行异常气象数据剔除并归一化得到,所述处理后运行数据通过对初始运行数据进行预处理得到,所述预处理用于标记所述初始运行数据中的异常运行数据,并对未标记运行数据进行归一化,所述初始运行数据为剔除所述异常气象数据后的初始气象数据所对应的采样时刻采集的光伏***运行数据;
所述设定预测处理模块,用于对所述多个采样时刻下的处理后气象数据和处理后运行数据进行设定预测处理,获得光伏功率的真实预测值对应的目标隐状态;
所述光伏功率预测值确定模块,用于对所述目标隐状态进行时间积分,得到设定时间内的光伏功率预测值。
8.根据权利要求7所述的光伏功率预测装置,其特征在于,所述设定预测处理模块,包括:遍历模块和目标隐状态确定模块;
所述遍历模块,用于按照所述多个采样时刻的先后顺序,遍历每个采样时刻下的处理后气象数据和处理后运行数据:对于当前遍历到的采样时刻下的处理后气象数据和处理后运行数据,根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态,其中,所述当前遍历对应的第一隐状态用于表征基于当前遍历以及前向各次遍历下的处理后气象数据得到的光伏功率的理论预测值对应的隐状态,若当前遍历为第一次遍历,则所述前一次遍历对应的第二隐状态为预设的初始隐状态;基于当前遍历到的采样时刻下的处理后运行数据,对所述当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态,其中,所述当前遍历对应的第二隐状态用于表征基于当前遍历以及前向各次遍历下的处理后运行数据更新后得到的光伏功率的真实预测值对应的隐状态;
所述目标隐状态确定模块,用于将最后一次遍历对应的第二隐状态作为所述目标隐状态。
9.根据权利要求8所述的光伏功率预测装置,其特征在于,所述遍历模块在根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的第一隐状态时,包括:第一GRU网络计算模块和常微分网络计算模块;
所述第一GRU网络计算模块,用于根据当前遍历到的采样时刻下的处理后气象数据和前一次遍历对应的第二隐状态,确定当前遍历对应的更新门控和更新向量;
所述常微分网络计算模块,用于基于所述前一次遍历对应的第二隐状态、所述当前遍历对应的更新门控和更新向量,得到所述当前遍历对应的第一隐状态。
10.根据权利要求8所述的光伏功率预测装置,其特征在于,所述遍历模块在基于当前遍历到的采样时刻下的处理后运行数据,对所述当前遍历对应的第一隐状态进行更新,获得当前遍历对应的第二隐状态时,包括:标识矩阵获取模块、稀疏处理模块和第二GRU网络计算模块;
所述标识矩阵获取模块,用于获取当前遍历到的采样时刻下的处理后运行数据对应的标识矩阵,其中,所述标识矩阵的每个元素分别用于指示所述当前遍历到的采样时刻下的处理后运行数据包含的一个分量是否为标记的所述异常运行数据;
所述稀疏处理模块,用于对于所述当前遍历到的采样时刻下的处理后运行数据包含的每个分量,根据该分量、该分量对应的所述标识矩阵的元素和所述当前遍历对应的第一隐状态,确定该分量对应的稀疏后分量,以得到所述当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据;
所述第二GRU网络计算模块,用于根据所述当前遍历到的采样时刻下的处理后运行数据对应的稀疏后运行数据和所述当前遍历对应的第一隐状态,得到所述当前遍历对应的第二隐状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210665580.0A CN114971062A (zh) | 2022-06-14 | 2022-06-14 | 一种光伏功率预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210665580.0A CN114971062A (zh) | 2022-06-14 | 2022-06-14 | 一种光伏功率预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971062A true CN114971062A (zh) | 2022-08-30 |
Family
ID=82960702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210665580.0A Pending CN114971062A (zh) | 2022-06-14 | 2022-06-14 | 一种光伏功率预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971062A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957223A (zh) * | 2023-06-14 | 2023-10-27 | 华能澜沧江水电股份有限公司 | 一种基于光照图像的光伏功率预测方法及装置 |
-
2022
- 2022-06-14 CN CN202210665580.0A patent/CN114971062A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116957223A (zh) * | 2023-06-14 | 2023-10-27 | 华能澜沧江水电股份有限公司 | 一种基于光照图像的光伏功率预测方法及装置 |
CN116957223B (zh) * | 2023-06-14 | 2024-03-08 | 华能澜沧江水电股份有限公司 | 一种基于光照图像的光伏功率预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
Baptista et al. | Hardware implementation of an artificial neural network model to predict the energy production of a photovoltaic system | |
Al-Rousan et al. | Assessment of predicting hourly global solar radiation in Jordan based on Rules, Trees, Meta, Lazy and Function prediction methods | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及*** | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
Lungu et al. | PREDICTION INTELLIGENT SYSTEM IN THE FIELD OF RENEWABLE ENERGIES THROUGH NEURAL NETWORKS. | |
Van Gompel et al. | Cost-effective fault diagnosis of nearby photovoltaic systems using graph neural networks | |
CN112200038A (zh) | 一种基于cnn的电力***振荡类型的快速辨识方法 | |
Lan et al. | Remaining useful life estimation of turbofan engine using LSTM neural networks | |
CN116845868A (zh) | 分布式光伏功率预测方法、装置、电子设备及存储介质 | |
CN114971062A (zh) | 一种光伏功率预测方法和装置 | |
CN116663746A (zh) | 一种电力负荷预测方法、装置、计算机设备及存储介质 | |
CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
CN115564155A (zh) | 一种分散式风电机组功率预测方法及相关设备 | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
CN117596191A (zh) | 一种电力物联网异常检测方法、装置及存储介质 | |
CN108875960A (zh) | 一种基于梯度下降的时序模糊认知图的学习方法及*** | |
CN117669656A (zh) | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 | |
Alam | Recurrent neural networks in electricity load forecasting | |
Sun et al. | Rotor Angle Stability Prediction using Temporal and Topological Embedding Deep Neural Network Based on Grid-Informed Adjacency Matrix | |
CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |