区域分布式光伏功率预测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了区域分布式光伏功率预测方法、装置、计算机设备及存储介质。所述方法包括：构建分布式光伏电站间的关联模型，并进行不完备性区域分布式光伏功率相关性的聚类；获取与当前气象参数具有最大相似度的历史气象数据，构建相似日数据集；构建基准光伏电站功率预测模型，并预测基准光伏；对所述基准光伏与目标光伏电站间的相关性分析，以得到平均关联度值；将所述平均关联度值输入至所述关联模型内预测目标分布式光伏功率。通过实施本发明专利技术实施例的方法可实现对不完备性的区域分布式光伏功率的精准预测。布式光伏功率的精准预测。布式光伏功率的精准预测。

【技术实现步骤摘要】
区域分布式光伏功率预测方法、装置、计算机设备及存储介质


[0001]本专利技术涉及光伏功率预测方法，更具体地说是指区域分布式光伏功率预测方法、装置、计算机设备及存储介质。

技术介绍

[0002]为缓解能源紧缺及全球生态环境恶化，清洁、绿色能源的高效利用已成为大势所趋，分布式光伏发电是对大自然中太阳能的有效利用，通过实现电能的直接转化满足人们对用电负荷的需求，随着国家能源结构的不断改革，分布式光伏在国家电网获得了广泛的应用，其装机容量不断提升，由于分布式光伏进行电力供应时具有随机性等特点，波动性强，大规模光伏并入到主电网时会给电力系统带来诸多问题，使电网安全性、稳定性受到严重威胁。为减小各种不确定因素对电力系统稳定运行的影响，对分布式光伏功率进行精准预测显得尤为重要。
[0003]众多学者对分布式光伏功率预测作了深入研究，部分人员针对光伏功率预测中必然存在的误差问题，在研究预测误差分布和分析各影响因素关联性的基础上，采用模糊C均值聚类确定预测误差分布，通过构建的高斯混合模型获取基于预测功率数值特点的光伏出力预测值，该方法可实现光伏功率的准确预测；另外一部分人员首先获取影响光伏功率预测值的气象、温度等数据，并对各因素与功率预测结果的关系进行分析，采用经验模态分解确定各影响因素的多尺度特征，通过主成分分析法完成主要影响因素的确定，打破特征序列的关联性、冗余性，采用长短期记忆网络构建光伏出力预测的动态多变量特征序列模型，实现光伏出力预测结果的获取。上述方法均需通过获取完整气象测量数据实现光伏功率的预测，但在实际应用中，气象数据等信息的测量存在不完备特点，各区域分布式光伏电站并不都具备气象站配备条件，在信息测量不完备的条件下，采用有效措施实现光伏功率的准确预测是当下研究的重点。
[0004]因此，有必要设计一种新的方法，实现对不完备性的区域分布式光伏功率的精准预测。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提供区域分布式光伏功率预测方法、装置、计算机设备及存储介质。
[0006]为实现上述目的，本专利技术采用以下技术方案：区域分布式光伏功率预测方法，包括：
[0007]构建分布式光伏电站间的关联模型，并进行不完备性区域分布式光伏功率相关性的聚类；
[0008]获取与当前气象参数具有最大相似度的历史气象数据，构建相似日数据集；
[0009]构建基准光伏电站功率预测模型，并预测基准光伏；
[0010]对所述基准光伏与目标光伏电站间的相关性分析，以得到平均关联度值；
[0011]将所述平均关联度值输入至所述关联模型内预测目标分布式光伏功率。
[0012]其进一步技术方案为：所述构建分布式光伏电站间的关联模型，并进行不完备性区域分布式光伏功率相关性的聚类，包括：
[0013]获取分布式光伏电站的历史功率信息；
[0014]采用K
‑
means算法构建分布式光伏电站间的关联模型，并利用所述历史功率信息进行不完备性区域分布式光伏功率相关性的聚类。
[0015]其进一步技术方案为：所述采用K
‑
means算法构建分布式光伏电站间的关联模型，并利用所述历史功率信息进行不完备性区域分布式光伏功率相关性的聚类，包括：
[0016]采用K
‑
means算法构建分布式光伏电站间的关联模型；
[0017]将所述历史功率信息视为特征变量，对各电站间的欧式距离进行求解，通过判断欧式距离的大小进行具有高相似度输出功率特性分布式光伏电站的聚类。
[0018]其进一步技术方案为：所述获取与当前气象参数具有最大相似度的历史气象数据，构建相似日数据集，包括：
[0019]获取气象站发布的整点气象数据，进行相似点的选择，以确定与当前气象参数具有最大相似度的历史气象数据；
[0020]对所述历史气象数据中的异常气象数据进行删除，以得到删除结果；
[0021]对所述删除结果进行分类处理，以得到子类；
[0022]根据所述子类构建相似点样本集，以得到相似日数据集。
[0023]其进一步技术方案为：所述构建基准光伏电站功率预测模型，并预测基准光伏，包括：
[0024]利用粒子群算法优化后的核函数极限学习机构建基准光伏电站功率预测模型；
[0025]利用所述基准光伏电站功率预测模型预测基准光伏。
[0026]其进一步技术方案为：所述对所述基准光伏与目标光伏电站间的相关性分析，以得到平均关联度值，包括：
[0027]采用灰色关联度分析方法对基准电站与预测电站间的关联系数进行求解，以得到平均关联度值。
[0028]其进一步技术方案为：所述将所述平均关联度值输入至所述关联模型内预测目标分布式光伏功率，包括：
[0029]将所述平均关联度值作为输入值，利用所述关联模型内预测目标分布式光伏功率的一维卷积神经网络结合输入值对区域分布式光伏功率进行预测，以得到目标分布式光伏功率。
[0030]本专利技术还提供了区域分布式光伏功率预测装置，包括：
[0031]关联模型构建单元，用于构建分布式光伏电站间的关联模型，并进行不完备性区域分布式光伏功率相关性的聚类；
[0032]相似日数据集构建单元，用于获取与当前气象参数具有最大相似度的历史气象数据，构建相似日数据集；
[0033]基准预测单元，用于构建基准光伏电站功率预测模型，并预测基准光伏；
[0034]相关性分析单元，用于对所述基准光伏与目标光伏电站间的相关性分析，以得到平均关联度值；
[0035]功率预测单元，用于将所述平均关联度值输入至所述关联模型内预测目标分布式光伏功率。
[0036]本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法。
[0037]本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
[0038]本专利技术与现有技术相比的有益效果是：本专利技术通过获取分布式光伏电站的历史功率信息，采用K
‑
means算法构建分布式光伏电站间的关联模型，实现多电站数据的共享，构建相似日数据集，实现相似日的重组，构建基准光伏电站功率预测模型，经灰色关联度分析方法确定基准电站与预测电站间的关联系数，确定平均关联度值后，将其作为一维CNN网络的输入，实现对不完备性的区域分布式光伏功率的精准预测。
[0039]下面结合附图和具体实施例对本专利技术作进一步描述。
附图说明
[0040]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0041]图1为本专利技术实施例提供的区域分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.区域分布式光伏功率预测方法，其特征在于，包括：构建分布式光伏电站间的关联模型，并进行不完备性区域分布式光伏功率相关性的聚类；获取与当前气象参数具有最大相似度的历史气象数据，构建相似日数据集；构建基准光伏电站功率预测模型，并预测基准光伏；对所述基准光伏与目标光伏电站间的相关性分析，以得到平均关联度值；将所述平均关联度值输入至所述关联模型内预测目标分布式光伏功率。2.根据权利要求1所述的区域分布式光伏功率预测方法，其特征在于，所述构建分布式光伏电站间的关联模型，并进行不完备性区域分布式光伏功率相关性的聚类，包括：获取分布式光伏电站的历史功率信息；采用K
‑
means算法构建分布式光伏电站间的关联模型，并利用所述历史功率信息进行不完备性区域分布式光伏功率相关性的聚类。3.根据权利要求2所述的区域分布式光伏功率预测方法，其特征在于，所述采用K
‑
means算法构建分布式光伏电站间的关联模型，并利用所述历史功率信息进行不完备性区域分布式光伏功率相关性的聚类，包括：采用K
‑
means算法构建分布式光伏电站间的关联模型；将所述历史功率信息视为特征变量，对各电站间的欧式距离进行求解，通过判断欧式距离的大小进行具有高相似度输出功率特性分布式光伏电站的聚类。4.根据权利要求1所述的区域分布式光伏功率预测方法，其特征在于，所述获取与当前气象参数具有最大相似度的历史气象数据，构建相似日数据集，包括：获取气象站发布的整点气象数据，进行相似点的选择，以确定与当前气象参数具有最大相似度的历史气象数据；对所述历史气象数据中的异常气象数据进行删除，以得到删除结果；对所述删除结果进行分类处理，以得到子类；根据所述子类构建相似点样本集，以得到相似日数据集。5.根...

【专利技术属性】
技术研发人员：王波，朱耿，虞殷树，贺旭，陈东海，章杜锡，朱晓杰，黄亮，王晴，马旭，蒋元元，周勋甜，唐雅洁，龚迪阳，张志雄，陈玄俊，邵雪峰，王正勇，王丽鹏，林达，李志浩，张雪松，
申请(专利权)人：宁波市电力设计院有限公司国网浙江省电力公司电力科学研究院，
类型：发明
国别省市：