一种基于细粒度的光伏出力预测方法及终端技术

本发明专利技术公开了一种基于细粒度的光伏出力预测方法及终端，采集气象站和光伏电站的站内监测数据，构建包含气象监测数据和光伏电站运行工况的粗粒度数据库；基于时窗滑动平均的细粒度特征构造，构建细粒度数据库；之后，分别建立粗、细粒度预测模型，根据粗粒度预测模型输出的第一光伏出力值和细粒度预测模型输出的光伏出力误差，得到预测光伏出力值。因此，通过构造光伏出力影响量的细粒度特征，能够提升预测模型的输入数据的信息密度，以提高光伏出力的预测精准性。的预测精准性。的预测精准性。

【技术实现步骤摘要】
一种基于细粒度的光伏出力预测方法及终端


[0001]本专利技术涉及电气电能计量
，特别涉及一种基于细粒度的光伏出力预测方法及终端。

技术介绍

[0002]在光伏出力预测中，通常考虑将气象数据或光伏出力数据的数值作为特征，但是这种特征无法反映天气模式复杂变化下光伏出力的趋势性变化，即粗粒度特征。基于此类粗粒度特征提出的预测模型在信息密度上天然存在劣势，使得其在准确性等模型效能方面存在较大提升空间。随着，清洁能源的大量并网，为实现光伏出力并网时电网稳定运行，急需精准的光伏出力预测方法。
[0003]因此，目前亟需一种能够构造光伏出力的细粒度特征的预测模型，进而实现光伏出力预测方法的准确性提升。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提供一种基于细粒度的光伏出力预测方法及终端，能够解决光伏出力的预测精准性不足的问题。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：
[0006]一种基于细粒度的光伏出力预测方法，包括步骤：
[0007]获取气象站和光伏电站的监测数据，根据所述监测数据构建粗粒度数据库；
[0008]对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库；
[0009]将所述粗粒度数据库中的数据划分为训练集、验证集和测试集，并构建粗粒度预测模型，计算得到第一光伏出力值；
[0010]将所述细粒度数据库中的数据划分为训练集、验证集和测试集，并构建细粒度预测模型，计算得到光伏出力误差；
[0011]结合所述第一光伏出力值和所述光伏出力误差得到预测光伏出力值。
[0012]为了解决上述技术问题，本专利技术采用的另一种技术方案为：
[0013]一种基于细粒度的光伏出力预测终端，包括：
[0014]数据采集模块，用于获取气象站和光伏电站的监测数据，根据所述监测数据构建粗粒度数据库；
[0015]细粒度构造模块，用于对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库；
[0016]粗粒度模型构造模块，用于将所述粗粒度数据库中的数据划分为训练集、验证集和测试集，并构建粗粒度预测模型，计算得到第一光伏出力值；
[0017]细粒度结果校正模块，用于将所述细粒度数据库中的数据划分为训练集、验证集和测试集，并构建细粒度预测模型，计算得到光伏出力误差；
[0018]预测模块，用于结合所述第一光伏出力值和所述光伏出力误差得到预测光伏出力值。
[0019]本专利技术的有益效果在于：采集气象站和光伏电站的站内监测数据，构建包含气象监测数据和光伏电站运行工况的粗粒度数据库；基于时窗滑动平均的细粒度特征构造，构建细粒度数据库；之后，分别建立粗、细粒度预测模型，根据粗粒度预测模型输出的第一光伏出力值和细粒度预测模型输出的光伏出力误差，得到预测光伏出力值。因此，通过构造光伏出力影响量的细粒度特征，能够提升预测模型的输入数据的信息密度，以提高光伏出力的预测精准性。
附图说明
[0020]图1为本专利技术实施例的一种基于细粒度的光伏出力预测方法的流程图；
[0021]图2为本专利技术实施例的一种基于细粒度的光伏出力预测终端的示意图；
[0022]标号说明：
[0023]1、一种基于细粒度的光伏出力预测终端；2、存储器；3、处理器。
具体实施方式
[0024]为详细说明本专利技术的
技术实现思路
、所实现目的及效果，以下结合实施方式并配合附图予以说明。
[0025]请参照图1，本专利技术实施例提供了一种基于细粒度的光伏出力预测方法，包括步骤：
[0026]获取气象站和光伏电站的监测数据，根据所述监测数据构建粗粒度数据库；
[0027]对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库；
[0028]将所述粗粒度数据库中的数据划分为训练集、验证集和测试集，并构建粗粒度预测模型，计算得到第一光伏出力值；
[0029]将所述细粒度数据库中的数据划分为训练集、验证集和测试集，并构建细粒度预测模型，计算得到光伏出力误差；
[0030]结合所述第一光伏出力值和所述光伏出力误差得到预测光伏出力值。
[0031]从上述描述可知，本专利技术的有益效果在于：采集气象站和光伏电站的站内监测数据，构建包含气象监测数据和光伏电站运行工况的粗粒度数据库；基于时窗滑动平均的细粒度特征构造，构建细粒度数据库；之后，分别建立粗、细粒度预测模型，根据粗粒度预测模型输出的第一光伏出力值和细粒度预测模型输出的光伏出力误差，得到预测光伏出力值。因此，通过构造光伏出力影响量的细粒度特征，能够提升预测模型的输入数据的信息密度，以提高光伏出力的预测精准性。
[0032]进一步地，对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库包括：
[0033]所述粗粒度数据库为X＝[X1,X2,
…
,X
N
]T
，所述粗粒度数据库中的样本为X
i
＝[x
i1
，x
i2
,
…
,x
im
]，式中x
ik
表示样本X
i
在第k个参数的数值；
[0034]预设时窗大小w，计算所述粗粒度数据库中的样本参数的细粒度时窗趋势性特征
值：
[0035]x
ik.Trend
＝(X
ik
+X
ik+1
+...Xi
k+w
)/w；
[0036]根据所述细粒度时窗趋势性特征值得到细粒度数据库X
Trend
：
[0037]X
Trend
＝[X
1.Trend
,X
2.Trend
,
…
,X
N.Trend
]T
，X
i.Trend
＝[x
i1.Trend
，x
i2.Trend
,
…
,x
im.Trend
]。
[0038]由上述描述可知，基于粗粒度数据库和时窗大小，得到细粒度时窗趋势性特征，便于后续使用细粒度时窗趋势性特征进行误差计算。
[0039]进一步地，所述构建粗粒度预测模型包括：
[0040]将所述粗粒度数据库中的温湿度、太阳能数据以及风力数据作为第一输入数据，将光伏电站的瞬时光伏出力功率作为第一输出参数；
[0041]使用梯度提升树拟合所述第一输入数据和所述第一输出参数，构建得到粗粒度预测模型。
[0042]由上述描述可知，根据气象站的监测数据作为第一输入数据，瞬时光伏出力功率作为第一输出参数，能够拟合得到粗粒度预测模型，从而得到在不同输入条件下的预测光伏出力功率。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细粒度的光伏出力预测方法，其特征在于，包括步骤：获取气象站和光伏电站的监测数据，根据所述监测数据构建粗粒度数据库；对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库；将所述粗粒度数据库中的数据划分为训练集、验证集和测试集，并构建粗粒度预测模型，计算得到第一光伏出力值；将所述细粒度数据库中的数据划分为训练集、验证集和测试集，并构建细粒度预测模型，计算得到光伏出力误差；结合所述第一光伏出力值和所述光伏出力误差得到预测光伏出力值。2.根据权利要求1所述的一种基于细粒度的光伏出力预测方法，其特征在于，对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库包括：所述粗粒度数据库为X＝[X1,X2,
…
,X
N
]
T
，所述粗粒度数据库中的样本为X
i
＝[x
i1
，x
i2
,
…
,x
im
]，式中x
ik
表示样本X
i
在第k个参数的数值；预设时窗大小w，计算所述粗粒度数据库中的样本参数的细粒度时窗趋势性特征值：x
ik.Trend
＝(X
ik
+X
ik+1
+...X
ik+w
)/w；根据所述细粒度时窗趋势性特征值得到细粒度数据库X
Trend
：X
Trend
＝[X
1.Trend
,X
2.Trend
,
…
,X
N.Trend
]
T
，X
i.Trend
＝[x
i1.Trend
，x
i2.Trend
,
…
,x
im.Trend
]。3.根据权利要求1所述的一种基于细粒度的光伏出力预测方法，其特征在于，所述构建粗粒度预测模型包括：将所述粗粒度数据库中的温湿度、太阳能数据以及风力数据作为第一输入数据，将光伏电站的瞬时光伏出力功率作为第一输出参数；使用梯度提升树拟合所述第一输入数据和所述第一输出参数，构建得到粗粒度预测模型。4.根据权利要求3所述的一种基于细粒度的光伏出力预测方法，其特征在于，所述构建细粒度预测模型包括：将所述细粒度数据库中的温湿度、太阳能数据以及风力数据的细粒度时窗内趋势性特征值作为第二输入数据，将粗粒度预测模型的光伏出力误差作为第二输出参数；使用梯度提升树拟合所述第二输入数据和所述第二输出参数，构建得到细粒度预测模型。5.根据权利要求4所述的一种基于细粒度的光伏出力预测方法，其特征在于，使用梯度提升树拟合所述输入数据和输出参数，构建预测模型包括：对训练集中的输入数据和输出参数进行组合，得到训练样本集；使用均方根误差作为损失函数，计算使损失函数最小的回归树模型参数，并基于所述损失函数、所述回归树模型参数和所述训练样本集建立初始预测模型；计算所述初始预测模型及其损失函数的负梯度，形成训练样本的残差集并拟合对应的树模型，基于所述树模型对所述初始预测模型进行迭代更新；在满足迭代结束条件后输出梯度提升树模型，得到预测模型。6.一种基于细粒度的光伏出力预测终端，其特征在于，包括：数据采...

【专利技术属性】
技术研发人员：王江储，朱齐，唐海城，张翔，黄剑锋，许鸿鹏，兰太寿，陆嘉，李玫，
申请(专利权)人：国网福建省电力有限公司超高压分公司，
类型：发明
国别省市：