【技术实现步骤摘要】
本专利技术涉及电网运行，尤其涉及一种基于最优评分矩阵的支撑储能规划的光伏出力预测方法、装置、设备及介质。
技术介绍
1、分布式光伏电站可以分散在各个地区，能够在本地直接供应电力需求，减少输电过程中的能耗和损耗等优点，若能及时、准确地预测中长期光伏出力，将对光资源评估、电网运营、新建光伏电站规划等应用产生重要价值。光伏电站是一种典型的间歇式电源；且受气象、环境条件影响，具有较强的昼夜周期性和季节周期性，影响因素多、机理复杂、波动性和随机性强、变化频率快等特性，这些因素给中长期分布式光伏出力的精确预测带来极大困难。现有的一些研究中，主要采用基于机理模型的建模方法、基于概率统计的建模方法、基于人工智能算法、以及其他一些直接或间接的预测方法等开展研究。
2、机理建模方法主要考虑太阳辐照传递方程、光伏组件运行方程等物理方程进行预测研究，不需要大量历史数据，但需要光伏电站详细的地理信息、组件参数、以及气象和太阳辐照等数据，适用于新建的光伏电站，建模过程复杂，且难以模拟一些极端异常天气情况和环境及光伏组件参数随时间发生的缓慢变化，模型抗干扰能力较差，鲁棒性不强。主要的预测模型有晴空预测模型(clear sky model，csm)、solis模型、esra模型、bird andhulstrom模型、ineichen模型等。晴空条件下光伏功率波动小，能够最大限度地反映辐照度的发电效应，因此常将晴空预测模型作为基本标定模型。云层运动是地面辐照度和光伏功率波动性的主要原因，基于云图的预测方法成为精细化光伏预测的重要技术方向之一。所有的云
3、近年来，随着人工智能技术和大数据分析技术发展的逐渐成熟，传统的建模方法逐渐被先进的技术所取代，尤其是以机器学习和深度学习技术为代表的人工智能建模方法，如集成学习模型(ensemble model)、循环神经网络模型(recurrent neural network，rnn)、长短期记忆网络模型(long short-term memory，lstm)、transformer网络模型、粒子群算法、遗传算法等等，均取得到较好的效果。目前研究多考虑气象数据对发电功率的影响，忽略了光伏发电数据不同时间尺度周期性变化特征，对不同地区的光伏电站出力特性分析、历史时序特征的动态分析等综合建模分析研究较少；同时由于算法结构和策略的限制，难以将多模型有效融合进行长时间尺度的精确预测。
技术实现思路
1、本专利技术提供了一种基于最优评分矩阵的支撑储能规划的光伏出力预测方法、装置、设备及介质，以提高中长期光伏出力的预测准确性，以便于后续据此进行更准确的储能规划。
2、根据本专利技术的一方面，提供了一种基于最优评分矩阵的支撑储能规划的光伏出力预测方法，包括：
3、根据光伏出力训练数据集的组合特征训练不同时间尺度的多个预测模型；
4、根据所述多个预测模型对各时刻点进行适用模型测试，得到最优评分矩阵；
5、基于所述最优评分矩阵，根据光伏出力历史数据和所述多个预测模型确定未来时段的光伏出力预测值。
6、根据本专利技术的另一方面，提供了一种基于最优评分矩阵的支撑储能规划的光伏出力预测装置，包括：
7、模型训练模块，用于根据光伏出力训练数据集的组合特征训练不同时间尺度的多个预测模型；
8、模型测试模块，用于根据所述多个预测模型对各时刻点进行适用模型测试，得到最优评分矩阵；
9、模型使用模块，用于基于所述最优评分矩阵，根据光伏出力历史数据和所述多个预测模型确定未来时段的光伏出力预测值。
10、根据本专利技术的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本专利技术任一实施例所述的基于最优评分矩阵的支撑储能规划的光伏出力预测方法。
11、根据本专利技术的另一方面，提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的基于最优评分矩阵的支撑储能规划的光伏出力预测方法。
12、根据本专利技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的基于最优评分矩阵的支撑储能规划的光伏出力预测方法。
13、本专利技术实施例对多种特征综合建模，增强了输入模型的特征的表达能力和自适应能力；基于最优评分矩阵的多模型融合方法，在滚动预测的过程中，确定每个时刻点所采用的预测模型，都是当前情况下的最优选择，即通过在预测过程中依次选择最合适的预测模型，提高了中长期光伏出力的预测准确性，以便于后续据此进行更准确的储能规划。
14、应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种基于最优评分矩阵的支撑储能规划的光伏出力预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据光伏出力训练数据集的组合特征训练不同时间尺度的多个预测模型包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述多个预测模型对各时刻点进行适用模型测试，得到最优评分矩阵包括：
4.根据权利要求2所述的方法，其特征在于，基于所述最优评分矩阵，根据光伏出力历史数据和所述多个预测模型确定未来时段的光伏出力预测值包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述组合特征包括固定周期特征、基于相似模式匹配的动态周期特征、基于局部变化的波动性特征和其他辅助特征。
6.根据权利要求1所述的方法，其特征在于，所述基于所述最优评分矩阵，根据光伏出力历史数据和所述多个预测模型确定未来时段的光伏出力预测值之后，还包括：
7.一种基于最优评分矩阵的支撑储能规划的光伏出力预测装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述模型训练模块包
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的基于最优评分矩阵的支撑储能规划的光伏出力预测方法。
...【技术特征摘要】
1.一种基于最优评分矩阵的支撑储能规划的光伏出力预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据光伏出力训练数据集的组合特征训练不同时间尺度的多个预测模型包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述多个预测模型对各时刻点进行适用模型测试，得到最优评分矩阵包括：
4.根据权利要求2所述的方法，其特征在于，基于所述最优评分矩阵，根据光伏出力历史数据和所述多个预测模型确定未来时段的光伏出力预测值包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述组合特征包括固定周期特征、基于相似模式匹配的动态周期特征、基于局部变化的波...
【专利技术属性】
技术研发人员：王凯亮，钟锦星，孙宇军，苏向阳，陈艺丹，李俊辉，苏华锋，叶羽转，刘嘉威，刘宗扬，蔡煜，郑昕，
申请(专利权)人：广东电网有限责任公司，
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。