【技术实现步骤摘要】
本专利技术涉及光伏电站出力预测，尤其涉及一种基于模型出力预测序列预测光伏电站出力方法及系统。
技术介绍
1、目前，光伏电站出力预测系统不能促进调度部门做出合理决策，例如制定发电计划、备用配置和最优机组组合等，由于不利于电站的运行维护，而且基于出力预测结果不能对电站的检修及维护等相关工作进行合理部署，从而降低运维造成的电量损耗。因此，在光伏电站并网运行阶段，为保证输出电能的合理消纳，降低弃光损失，满足更为精细化的电力调度需求，应建立准确的光伏电站出力预测系统。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供了一种基于模型出力预测序列预测光伏电站出力方法及系统，实现了通过精确预测光伏电站出力，从而提高光伏电站出力的稳定性。
2、为了实现上述专利技术目的，本专利技术采用以下技术方案：
3、本申请第一方面提供了一种基于模型出力预测序列预测光伏电站出力方法，包括以下步骤：
4、s101、基于待预测光伏电站出力数据信息和气象预报数据信息进行预处理，得到训练样本备选总集和预测模型输入特征向量；
5、s102、基于训练样本备选总集对第一数据驱动模型进行模型训练，得到第一模型预测出力序列；
6、s103、基于第一模型预测出力序列进行出力预测序列之间的互信息处理，并选择较优出力序列和预测输入特征向量对第二数据驱动模型进行模型训练，得到第二模型出力预测序列；
7、s104、通过较优出力序列构建权重向量，基于权重向量和第二模
8、进一步的，基于待预测光伏电站出力数据信息和气象预报数据信息进行预处理，得到训练样本备选总集和预测模型输入特征向量包括以下步骤：
9、基于待预测光伏电站出力数据信息和气象预报数据信息构建预测原始数据集；
10、对预测原始数据集进行线性插值处理；
11、对经线性插值处理的预测原始数据集进行特征提取处理；
12、对特征提取处理结果进行归一化处理，归一化处理的表达式如下所示：
13、
14、其中，xnor为归一化后的输入、输出特征值，x为原始特征值，xmax为最大特征值，xmin为最小特征值；
15、基于归一化处理结果进行待预测光伏电站出力和实测周期内的天文太阳能总辐照度计算处理。
16、进一步的，基于训练样本备选总集对第一数据驱动模型进行模型训练，得到第一模型预测出力序列包括以下步骤：
17、基于第一训练样本备选集选择n个同一出力实测周期内的天气类型相同的训练样本集，对第一数据驱动模型进行模型训练；
18、基于第一数据驱动模型训练结果，得到第一模型出力预测序列。
19、进一步的，基于第一模型预测出力序列进行出力预测序列之间的互信息处理，并选择较优出力序列和预测输入特征向量对第二数据驱动模型进行模型训练，得到第二模型出力预测序列包括以下步骤：
20、基于第一模型预测出力序列进行n个出力预测序列之间的互信息处理，并计算n个出力预测序列与实际出力序列c的互信息；
21、选择较优出力序列和预测输入特征向量对第二数据驱动模型进行模型训练；
22、基于第二数据驱动模型进行模型训练结果，得到第二模型出力预测序列。
23、进一步的，选择较优出力序列具体包括以下步骤：
24、设f＝{pq[1],pq[2],…,pq[n]}，选取集合{i(pq[i],c)|i＝1,2,…n}中最大元素对应的pq[i]，令s＝{pq[i]}，f＝f-{pq[i]}；
25、从f中选择满足最大相关最小冗余准则(maxφ(d,r))的pq[j]，令s＝s+{pq[j]}，f＝f-{pq[j]}，其中φ(d,r)＝d-r，{pf[k]|k＝1,…,k}＝f，k为集合f中的元素数；
26、当集合s中的元素个数达到m个时，得到集合{pq[1],pq[2],…,pq[n]}，满足最大相关最小冗余准则的前m个较优预测序列构成的集合sr＝{pr[1],pr[2],…,pr[m]}，同时记录对应的固定训练样本采集期集合tr＝{t1,t2,…,tm}和出力预测序列与实际出力序列c的互信息集合i(pr,c)＝{i(pr[1],c),i(pr[2],c),…,i(pr[m],c)}。
27、进一步的，选择较优出力序列和预测输入特征向量对第二数据驱动模型进行模型训练包括以下步骤：
28、基于第二训练样本备选集选择若干个同一出力实测周期内的天气类型相同的训练样本集，和选择较优出力序列的训练样本集，对第二数据驱动模型进行模型训练；
29、将预测输入特征向量作为第二数据驱动模型的基预测器的输入数据，得到第二模型出力预测序列。
30、进一步的，通过较优出力序列构建权重向量，基于权重向量和第二模型出力预测序列确定最终出力预测序列包括以下步骤：
31、基于较优出力序列构建权重向量，权重向量的权重因子计算表达式如下所示：
32、
33、其中，ωi为权重因子，i(pr[i],c)为实际出力序列c的互信息集合i(pr,c)中的第i个互信息，i(pr[j],c)为较优出力序列互信息集合中的第j个互信息，由多个权重因子构成权重向量w＝[ω1,ω2,…,ωm]t。
34、基于权重向量和第二模型出力预测序列进行最终出力预测序列计算处理，得到最终出力预测序列，最终出力预测序列计算处理的表达式如下所示：
35、pω＝p×w
36、其中，pω为光伏电站出力预测序列，p为出力预测矩阵{pp[1],pp[2],…,pp[m]}，由第二模型出力预测序列构成出力预测矩阵，w为权重向量。
37、本申请第二方面提供了一种基于模型出力预测序列预测光伏电站出力系统，包括：
38、局域通信子系统，用于通过有线或无线局域网与集中地面电站集控系统通信连接，获取待预测光伏电站出力数据信息，并传输至嵌入式预测主机子系统；
39、多源广域通信子系统，用于用于与气象云服务台通信连接，获取气象预报数据信息，并传输至嵌入式预测主机子系统；
40、嵌入式预测主机子系统，包括：
41、第一处理单元，用于基于待预测光伏电站出力数据信息和气象预报数据信息进行预处理，得到训练样本备选总集和预测模型输入特征向量；
42、第二处理单元，用于基于训练样本备选总集对第一数据驱动模型进行模型训练，得到第一模型预测出力序列；
43、第三处理单元，用于基于第一模型预测出力序列进行出力预测序列之间的互信息处理，并选择较优出力序列和预测输入特征向量对第二数据驱动模型进行模型训练，得到第二模型出力预测序列；
44、第四处理单元，用于通过较优出力序列构建权重向量，基于权重向量和第二模型出力预测序列确定最终出力预测序列。
45本文档来自技高网...
【技术保护点】
1.一种基于模型出力预测序列预测光伏电站出力方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述基于待预测光伏电站出力数据信息和气象预报数据信息进行预处理，得到训练样本备选总集和预测模型输入特征向量包括以下步骤：
3.根据权利要求2所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述对特征提取处理结果进行归一化处理，归一化处理的表达式如下所示：
4.根据权利要求1所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述基于训练样本备选总集对第一数据驱动模型进行模型训练，得到第一模型预测出力序列包括以下步骤：
5.根据权利要求1所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述基于第一模型预测出力序列进行出力预测序列之间的互信息处理，并选择较优出力序列和预测输入特征向量对第二数据驱动模型进行模型训练，得到第二模型出力预测序列包括以下步骤：
6.根据权利要求5所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述选择较
7.根据权利要求5所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述选择较优出力序列和预测输入特征向量对第二数据驱动模型进行模型训练包括以下步骤：
8.根据权利要求1所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述通过较优出力序列构建权重向量，基于权重向量和第二模型出力预测序列确定最终出力预测序列包括以下步骤：
9.根据权利要求8所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述基于较优出力序列构建权重向量，权重向量的权重因子计算表达式如下所示：
10.一种基于模型出力预测序列预测光伏电站出力系统，用于实现权利要求1-9任意一项所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于模型出力预测序列预测光伏电站出力方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述基于待预测光伏电站出力数据信息和气象预报数据信息进行预处理，得到训练样本备选总集和预测模型输入特征向量包括以下步骤：
3.根据权利要求2所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述对特征提取处理结果进行归一化处理，归一化处理的表达式如下所示：
4.根据权利要求1所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述基于训练样本备选总集对第一数据驱动模型进行模型训练，得到第一模型预测出力序列包括以下步骤：
5.根据权利要求1所述的基于模型出力预测序列预测光伏电站出力方法，其特征在于，所述基于第一模型预测出力序列进行出力预测序列之间的互信息处理，并选择较优出力序列和预测输入特征向量对第二数据驱动模型进行模型训练，得到...
【专利技术属性】
技术研发人员：黄锡斌，谢荣怡，梁春，李柏德，余长健，林倍民，石清树，郑小鹏，吕东霖，尤景进，
申请(专利权)人：广西北部湾陆海新能源股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。