預測光伏發電功率的方法及裝置與流程
2023-06-17 16:15:51
本發明總體說來涉及光伏發電領域，更具體地講，涉及一種預測光伏發電功率的方法及裝置。
背景技術：
：鑑於化石燃料消費對生態環境所造成的負面影響，近些年可再生能源備受關注，新型的清潔能源取代傳統能源是大勢所趨。隨著光伏發電技術的快速發展，光伏發電已得到廣泛應用。但由於光伏發電的輸出功率具有隨機性、間歇性和不可控性，因此存在無法對光電能源進行最有效的利用的問題。這使得對光伏發電功率的預測就顯得尤為重要。在現有技術中，預測光伏發電功率的方法通常將時間和天氣參數作為輸入參數，但這種方法存在的問題是：難以獲得理想時間長度(例如，一整年內)的連續歷史天氣數據作為預測訓練樣本，而導致基於歷史數據的預測不準確。技術實現要素：本發明的示例性實施例在於提供一種預測光伏發電功率的方法及裝置，其能夠更準確地預測光伏發電功率。根據本發明的示例性實施例，提供一種預測光伏發電功率的方法，包括：(a)獲取預測時段與輸入參數對應的值，其中，所述輸入參數包括：時段對應於一年中的第x天、時段對應於一天中的第y小時、時段對應的數值天氣預報；(b)將獲取的與輸入參數對應的值輸入到基於訓練集訓練得到的發電功率預測模型，以獲取預測時段的光伏發電功率值，其中，所述訓練集包括：多個歷史時段之中的每一歷史時段與輸入參數對應的值以及所述每一歷史時段的實際光伏發電功率值。可選地，時段對應的數值天氣預報包括以下項之中的至少一項：時段對應的氣溫、時段對應的短波輻射、時段對應的地面氣壓。可選地，所述輸入參數是通過相關性分析、靈敏度分析以及garson算法三者聯合從多個參數中確定的對光伏發電功率預測影響最大的參數。可選地，步驟(b)包括：將獲取的與輸入參數對應的值分別輸入到不同的發電功率預測模型，並基於不同的發電功率預測模型預測的結果來確定預測時段的光伏發電功率值，其中，不同的發電功率預測模型是分別利用不同類型的人工神經網絡基於訓練集建立的。可選地，所述不同類型的人工神經網絡包括：前向神經網絡、模式識別神經網絡、函數擬合神經網絡、徑向基神經網絡。可選地，步驟(b)包括：將獲取的與輸入參數對應的值分別輸入到不同的發電功率預測模型，並基於不同的發電功率預測模型預測的結果來確定預測時段的光伏發電功率值，其中，不同的發電功率預測模型是分別使用不同的訓練算法基於訓練集來訓練同一類型的人工神經網絡分別得到的。可選地，所述不同的訓練算法包括：l-m算法、貝葉斯正則化算法、量化共軛梯度算法。可選地，所述人工神經網絡具有4層網絡，且每個隱藏層具有10個神經元。根據本發明的另一示例性實施例，提供一種預測光伏發電功率的裝置，包括：參數值獲取程序模塊，獲取預測時段與輸入參數對應的值，其中，所述輸入參數包括：時段對應於一年中的第x天、時段對應於一天中的第y小時、時段對應的數值天氣預報；預測程序模塊，將獲取的與輸入參數對應的值輸入到基於訓練集訓練得到的發電功率預測模型，以獲取預測時段的光伏發電功率值，其中，所述訓練集包括：多個歷史時段之中的每一歷史時段與輸入參數對應的值以及所述每一歷史時段的實際光伏發電功率值。可選地，時段對應的數值天氣預報包括以下項之中的至少一項：時段對應的氣溫、時段對應的短波輻射、時段對應的地面氣壓。可選地，所述輸入參數是通過相關性分析、靈敏度分析以及garson算法三者聯合從多個參數中確定的對光伏發電功率預測影響最大的參數。可選地，預測程序模塊將獲取的與輸入參數對應的值分別輸入到不同的發電功率預測模型，並基於不同的發電功率預測模型預測的結果來確定預測時段的光伏發電功率值，其中，不同的發電功率預測模型是分別利用不同類型的人工神經網絡基於訓練集建立的。可選地，所述不同類型的人工神經網絡包括：前向神經網絡、模式識別神經網絡、函數擬合神經網絡、徑向基神經網絡。可選地，預測程序模塊將獲取的與輸入參數對應的值分別輸入到不同的發電功率預測模型，並基於不同的發電功率預測模型預測的結果來確定預測時段的光伏發電功率值，其中，不同的發電功率預測模型是分別使用不同的訓練算法基於訓練集來訓練同一類型的人工神經網絡分別得到的。可選地，所述不同的訓練算法包括：l-m算法、貝葉斯正則化算法、量化共軛梯度算法。可選地，所述人工神經網絡具有4層網絡，且每個隱藏層具有10個神經元。根據本發明的另一示例性實施例，提供一種計算機可讀存儲介質，存儲有電腦程式，所述電腦程式被配置為使計算機的處理器執行上述預測光伏發電功率的方法。根據本發明的另一示例性實施例，提供一種計算機，所述計算機包括上述計算機可讀存儲介質。在根據本發明示例性實施例的預測光伏發電功率的方法及裝置中，將時間參數替換為對應的一年中的哪一天以及一天中的哪一小時作為輸入參數，此外，還可基於多個預測模型來預測光伏發電功率，多個預測模型可以是分別基於不同類型的人工神經網絡訓練得到的，或者是分別通過不同的訓練算法訓練得到的，從而提高光伏發電功率預測的準確性。將在接下來的描述中部分闡述本發明總體構思另外的方面和/或優點，還有一部分通過描述將是清楚的，或者可以經過本發明總體構思的實施而得知。附圖說明通過下面結合示例性地示出實施例的附圖進行的描述，本發明示例性實施例的上述和其他目的和特點將會變得更加清楚，其中：圖1示出根據本發明示例性實施例的預測光伏發電功率的方法的流程圖；圖2示出根據本發明示例性實施例的使用不同輸入參數的預測效果的示例；圖3示出根據本發明示例性實施例的各參數對光伏發電功率預測的重要性的示例；圖4示出根據本發明示例性實施例的不同的神經網絡大小對光伏發電功率預測的影響的示例；圖5示出根據本發明示例性實施例的預測光伏發電功率的裝置的框圖。具體實施方式現將詳細參照本發明的實施例，所述實施例的示例在附圖中示出，其中，相同的標號始終指的是相同的部件。以下將通過參照附圖來說明所述實施例，以便解釋本發明。圖1示出根據本發明示例性實施例的預測光伏發電功率的方法的流程圖。參照圖1，在步驟s10，獲取預測時段與輸入參數對應的值，其中，所述輸入參數包括：時段對應於一年中的第x天(dayofyear，doy)、時段對應於一天中的第y小時(hourofday，hod)、時段對應的數值天氣預報(nwp)。作為示例，時段對應的數值天氣預報可包括以下項之中的至少一項：時段對應的氣溫(airtemperature，temp)、時段對應的短波輻射(short-wavelengthradiation，swr)、時段對應的地面氣壓(surfacepressure，sp)。在步驟s20，將獲取的與輸入參數對應的值輸入到基於訓練集訓練得到的發電功率預測模型，以獲取預測時段的光伏發電功率值，其中，所述訓練集包括：多個歷史時段之中的每一歷史時段與輸入參數對應的值以及所述每一歷史時段的實際光伏發電功率值。這裡，訓練集使用的是每一歷史時段與輸入參數對應的值(即，預測的天氣數據)，而非實際測量的歷史天氣數據，以保證訓練的數據和用於預測的輸入數據的來源相似，從而進一步提高預測的準確度。作為示例，每一歷史時段的實際光伏發電功率值可從微電網的scada系統獲取。作為示例，可使用人工神經網絡來建立發電功率預測模型。作為示例，上述輸入參數可以是通過相關性分析、靈敏度分析以及garson算法三者聯合從多個參數中確定的對光伏發電功率預測影響最大的參數。換言之，從多個參數中確定用於光伏發電功率預測的最佳的輸入參數的組合。這裡，所述多個參數可包括：時段對應於一年中的第x天、時段對應於一天中的第y小時、時段對應的氣溫、時段對應的短波輻射、時段對應的地面氣壓、時段對應的風速(windspeed，ws)、時段對應的溼度(humidity，h)、時段對應的高雲量(highcloudamount，hcc)、時段對應的中雲量(middlecloudamount，mcc)、時段對應的低雲量(lowcloudamount，lcc)。具體說來，作為示例，可利用相關性分析基於訓練集來確定對光伏發電功率影響最大的輸入參數。相關係數r可指示兩個變量a和b之間的線性關係的強度和方向：其中，是a的平均值，是b的平均值，m和n分別指示矩陣的第m行和第n列。作為示例，可利用garson算法對發電功率預測模型所使用的人工神經網絡的輸入層-隱藏層的連接權重和隱藏層-輸出層的連接權重的乘積的絕對值求和，以確定輸入參數對光伏發電功率預測影響的相對重要性。其中，rij指示與輸入參數對應的輸入變量xi相對於輸出神經元j的相對重要性，h指示隱藏層中神經元的數量，wik指示輸入神經元i和隱藏神經元k之間的連接權重。作為示例，關於靈敏度分析，可通過觀察與每個輸入參數對應的輸入變量受到一些改變時對應的均方誤差mse的增大情況來對輸入參數進行排序。例如，可對每個輸入變量進行以下改變之中的至少一項：(a)恆定行替換-每行被零方差行替換，或者所有的值被設置為原始行的平均值；(b)置換-每行被該行的值的隨機排列替換；(c)擾動-向每個輸入變量添加少量白噪聲；(d)曲線方法-將每個輸入變量沿等間隔的最小值和最大值之間的比例進行演變。考慮到多種因素(例如，可能難以使用一整年的連續歷史天氣數據進行訓練、訓練數據對應的時間與測試數據對應的時間不同等)，可將時間參數轉換為以某個間隔重複的其他參數。因此，在根據本發明的示例性實施例中，選擇doy和hod作為輸入參數，而非選擇時間參數作為輸入參數。並且，根據基於上述分析方法的測試結果，也證明doy和hod作為輸入參數對光伏發電功率預測的影響更大。圖2示出根據本發明示例性實施例的使用不同輸入參數的預測效果的示例。如圖2所示，橫坐標指示預測時段，縱坐標指示光伏發電功率，可以看出，當以時間為輸入參數時，預測的光伏發電功率在一天內變化較小；單獨使用hod作為輸入參數時，預測效果相較於使用時間參數時的預測效果要好，但是針對不同日期預測的光伏發電功率幾乎相同，無法反應不同日期之間的光伏發電功率的不同。而同時使用hod和doy作為輸入參數時，預測效果最好，最接近於實際光伏發電功率。考慮到光伏發電功率與不同天氣參數和時間參數之間關係的複雜性，相關性分析不能作為確定用於光伏發電功率預測的輸入參數的最佳方法。而通過不同敏感度分析方式分析光伏發電功率與不同天氣參數和時間參數之間的關係時，分析結果缺乏一致性。因此，根據本發明的示例性實施例，結合相關性分析、靈敏度分析以及garson算法三者來從多個參數中確定對光伏發電功率預測影響最大的參數。表1示出針對各個參數，分別通過相關性分析、靈敏度分析以及garson算法分別計算的各參數對光伏發電功率的重要度。表1作為示例，可分別通過以上三種方法來分別計算各參數對光伏發電功率的重要度，並將通過每一方法計算的各重要度分別除以通過該方法計算得到的最大重要度，以得到轉換值，然後針對每一參數，計算通過三種方法得到的該參數對光伏發電功率的重要度的轉換值的平均值。如圖3所示，可將通過上述方式計算得到的平均值高於預定閾值(例如，0.25)的參數(即，doy、hod、temp、sp、swr)作為用於預測光伏發電功率的輸入參數。從表2可以看出，使用根據上述示例性實施例確定的參數相較於使用表1中的所有參數、和僅使用swr作為輸入參數，預測準確度更高。表2輸入參數r2maemse所有參數0.8887.079137.114確定的參數0.8953.37822.565swr0.7963.78051.729人工神經網絡使用較多的神經元和/或隱藏層有助於提高人工神經網絡的性能，但如果使用過多的神經元和/或隱藏層，可能會造成過度擬合，從而影響預測精度。作為示例，根據本發明示例性實施例的發電功率預測模型所使用的人工神經網絡可具有4層網絡，且每個隱藏層可具有10個神經元。從圖4可以看出，當發電功率預測模型所使用的人工神經網絡具有該結構時，預測效果最好。作為示例，在步驟s20，可將獲取的與輸入參數對應的值分別輸入到不同的發電功率預測模型，並基於不同的發電功率預測模型預測的結果來確定預測時段的光伏發電功率值，其中，不同的發電功率預測模型是分別利用不同類型的人工神經網絡基於訓練集建立的。例如，可對不同的發電功率預測模型的輸出進行平均(加權等)，以將得到的結果作為預測時段的光伏發電功率值。作為示例，所述不同類型的人工神經網絡可包括：前向神經網絡(feed-forwardneuralnetwork)、模式識別神經網絡(patternrecognitionneuralnetwork)、函數擬合神經網絡(functionfittingneuralnetwork)、徑向基神經網絡(radialbasisneuralnetwork)。作為另一示例，在步驟s20，可將獲取的與輸入參數對應的值分別輸入到不同的發電功率預測模型，並基於不同的發電功率預測模型預測的結果來確定預測時段的光伏發電功率值，其中，不同的發電功率預測模型是分別使用不同的訓練算法基於訓練集來訓練同一類型的人工神經網絡分別得到的。例如，可對不同的發電功率預測模型的輸出進行平均(加權等)，以將得到的結果作為預測時段的光伏發電功率值。作為示例，所述不同的訓練算法可包括：l-m(levenberg-marquardt)算法、貝葉斯正則化(bayesianregularization)算法、量化共軛梯度(scaledconjugategradient)算法。圖5示出根據本發明示例性實施例的預測光伏發電功率的裝置的框圖。如圖5所示，根據本發明示例性實施例的預測光伏發電功率的裝置包括：參數值獲取程序模塊10和預測程序模塊20。參數值獲取程序模塊10用於獲取預測時段與輸入參數對應的值，其中，所述輸入參數包括：時段對應於一年中的第x天、時段對應於一天中的第y小時、時段對應的數值天氣預報。作為示例，時段對應的數值天氣預報可包括以下項之中的至少一項：時段對應的氣溫、時段對應的短波輻射、時段對應的地面氣壓。作為示例，所述輸入參數可以是通過相關性分析、靈敏度分析以及garson算法三者聯合從多個參數中確定的對光伏發電功率預測影響最大的參數。預測程序模塊20用於將獲取的與輸入參數對應的值輸入到基於訓練集訓練得到的發電功率預測模型，以獲取預測時段的光伏發電功率值，其中，所述訓練集包括：多個歷史時段之中的每一歷史時段與輸入參數對應的值以及所述每一歷史時段的實際光伏發電功率值。作為示例，預測程序模塊20可將獲取的與輸入參數對應的值分別輸入到不同的發電功率預測模型，並基於不同的發電功率預測模型預測的結果來確定預測時段的光伏發電功率值，其中，不同的發電功率預測模型是分別利用不同類型的人工神經網絡基於訓練集建立的。作為優選示例，所述不同類型的人工神經網絡可包括：前向神經網絡、模式識別神經網絡、函數擬合神經網絡、徑向基神經網絡。作為另一示例，預測程序模塊20可將獲取的與輸入參數對應的值分別輸入到不同的發電功率預測模型，並基於不同的發電功率預測模型預測的結果來確定預測時段的光伏發電功率值，其中，不同的發電功率預測模型是分別使用不同的訓練算法基於訓練集來訓練同一類型的人工神經網絡分別得到的。作為優選示例，所述不同的訓練算法可包括：l-m算法、貝葉斯正則化算法、量化共軛梯度算法。作為示例，根據本發明示例性實施例的發電功率預測模型所使用的人工神經網絡可具有4層網絡，且每個隱藏層可具有10個神經元。應該理解，根據本發明示例性實施例的預測光伏發電功率的裝置的具體實現方式可參照結合圖1描述的相關具體實現方式來實現，在此不再贅述。作為示例，根據本發明示例性實施例的計算機可讀存儲介質存儲有電腦程式，所述電腦程式可被配置為使計算機的處理器執行如結合圖1描述的任一預測光伏發電功率的方法。作為示例，根據本發明示例性實施例的計算機可包括上述計算機可讀存儲介質。根據本發明示例性實施例的預測光伏發電功率的方法及裝置，將時間參數替換為對應的一年中的哪一天以及一天中的哪一小時作為輸入參數、基於多個預測模型來預測光伏發電功率，多個預測模型可以是分別基於不同類型的人工神經網絡訓練得到的，或者是分別通過不同的訓練算法訓練得到的，來有效提高光伏發電功率預測的準確性。此外，應該理解，根據本發明示例性實施例的預測光伏發電功率的裝置中的各個程序模塊可被實現硬體組件和/或軟體組件。本領域技術人員根據限定的各個程序模塊所執行的處理，可以例如使用現場可編程門陣列(fpga)或專用集成電路(asic)來實現各個程序模塊。此外，根據本發明示例性實施例的預測光伏發電功率的方法可以被實現為計算機可讀記錄介質中的計算機代碼。本領域技術人員可以根據對上述方法的描述來實現所述計算機代碼。當所述計算機代碼在計算機中被執行時實現本發明的上述方法。雖然已表示和描述了本發明的一些示例性實施例，但本領域技術人員應該理解，在不脫離由權利要求及其等同物限定其範圍的本發明的原理和精神的情況下，可以對這些實施例進行修改。當前第1頁12