基于深度时空特征与效应分解的光伏功率预测系统的制作方法

阅读：评论：0

1.本发明属于光伏发电领域，涉及光伏功率预测技术，具体是基于深度时空特征与效应分解的光伏功率预测系统。

背景技术：

2.每个光伏电站具有独特的地理空间位置，光伏发电功率具有空间相关性。对于临近地区的多个光伏电站而言，由于地理位置条件相近，且在相似的天气、气温等气象条件作用下，光伏电站输出功率呈现一定程度的相似性。
3.针对光伏电站时空相关性的研究，有学者提出一种深度时空特征提取的光伏发电功率预测模型，针对邻近区域的光伏电站进行图建模，使用长短期记忆模型进行时间特征提取，使用图卷积原理提取电站的空间特征。但是由于分布式光伏电站具有强空间性，图机器学习还应该结合地理方位和云层运动，以达到更加精准的预测效果。
4.有学者利用聚类方法对大规模区域光伏电站进行分块形成光伏电站，然后进一步筛选光伏电站中与待预测电站具有空间相关性的光伏电站，建立自回归滑动平均模型实现对光伏发电功率的预测；模型具有一定的预测能力，但随着预测时长的增加预测精度下降。
5.现有工作大多依赖光伏电站气象装置量测的气象数据或者数值天气预报中的气象数据，仅采用某些针对性特征进行功率预测，缺乏对多源数据信息的有效利用；
6.为此，提出基于深度时空特征与效应分解的光伏功率预测系统。

技术实现要素：

7.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于深度时空特征与效应分解的光伏功率预测系统，该基于深度时空特征与效应分解的光伏功率预测系统通过设置历史数据收集模块收集光伏发电站的历史数据；设置区域气象划分模块根据历史数据对光伏发电站所在区域以及气象进行划分；设置气象效应分解模块将历史数据根据不同的气象进行基于气象的效应分解；设置历史数据修正模块根据每类气象的气象指数对历史数据中的每日特征数据进行修正；设置相似日选择模块从历史数据中选择与待预测日期特征数据相近的日期；设置模型训练模块使用相似日序列预测光伏电站发电功率的lstm模型；设置光伏功率预测模块对待预测日期的产生的光伏功率进行预测；解决了根据气象时空区别预测光伏功率的问题。
8.为实现上述目的，根据本发明的第一方面的实施例提出基于深度时空特征与效应分解的光伏功率预测系统，包括历史数据收集模块、区域气象划分模块、气象效应分解模块、历史数据修正模块、相似日选择模块、模型训练模块以及光伏功率预测模块；其中，各个模块之间通过电气方式连接；
9.其中，所述历史数据收集模块主要用于预先收集光伏发电站的历史基础数据；
10.所述历史数据收集模块收集的历史基础数据包括每个光伏发电站的地理位置、每
个光伏发电站历史每日的发电功率、以及每日特征数据；其中，所述每日特征数据为影响每日光伏发电功率的物理因素；具体的，每日特征数据包括太阳辐照度、组件温度、相对湿度、空气温度以及大气压力；所述历史数据收集模块将收集的光伏发电站的历史基础数据发送至区域气象划分模块；
11.其中，所述区域气象划分模块主要用于根据光伏发电站的历史基础数据对光伏发电站所在区域以及气象进行划分；
12.所述区域气象划分模块将气象划分为晴天、多云以及雨天三类气象类型；对气象进行划分的方式为根据每日的太阳辐射度的强弱，以实际经验判断当日是晴天或多云，再根据当日相对湿度判断当日是否为雨天；
13.所述区域气象划分模块对区域进行划分的方式为根据每个光伏电站每日的气象类型按时间顺序组成一条气象序列；将具有完全相同气象序列或气象序列的相似度大于相似度阈值k的光伏电站作为一组；每组电站即为同一个区域内的光伏电站；其中，所述相似度阈值k为根据当地实际情况预设的系数；
14.所述区域气象划分模块将进行区域划分后的光伏电站的历史基础数据按分组统一发送至气象效应分解模块以及历史数据修正模块；
15.其中，所述气象效应分解模块主要用于将光伏电站的历史数据根据不同的气象进行基于气象的效应分解；
16.在一个优选的实施例中，所述气象效应分解模块进行基于气象的效应分解包括以下步骤：
17.步骤s1：将每组光伏电站标记为s，对于光伏电站组s，将每日特征数据按三类气象进行分组；
18.步骤s2：对于具有相同气象的分组中，每个光伏电站的每个每日特征数据，使用效应分解技术，计算出光伏电站组s的每类气象的气象指数；所述气象指数用于对历史数据中，每日特征数据进行补偿；
19.其中，所述气象效应分解模块将每组光伏电站的每类气象的气象指数发送至历史数据修正模块；
20.其中，所述历史数据修正模块主要用于根据光伏电站的每类气象的气象指数对历史数据中的每个每日特征数据进行修正，以去除气象因素的影响；
21.所述历史数据修正模块对每个光伏电站组s，每个每日特征数据进行修正的方式为：将每类气象标记为w，将光伏电站组s的气象类型w的气象指数标记为zsw；将光伏电站的每个每日特征数据标记为p；对于每个光伏电站组s历史中的每个日期i，获取日期i下的每日特征数据p的值tsip；将tsip进行修正，即将tsip更新为其中，w为日期i下对应的天气类型；
22.所述历史数据修正模块将修正后的每个光伏电站组的每日特征数据发送至相似日选择模块；
23.其中，所述相似日选择模块主要用于从历史数据中选择与待预测日期特征数据相近的日期；
24.所述相似日选择模块选择待预测日期特征数据相近的日期的步骤为：
25.步骤p1：根据每日天气实际情况，确定相似度特征量的基本选择；在一个优选的实施例中，相似度特征量可以包括经过气象指数修正后的空气中的温度、空气中的湿度、空气中的太阳辐射以及空气中的大气压力；
26.步骤p2：使用灰关联分析技术，计算每个历史数据中每日的相似度特征量与待预测日期相似度特征量的相似度关联值；
27.步骤p3：将计算出的历史数据中每日相似度关联值按从大到小进行排列，得到三类天气类型下的相似日序列；并对相似日序列中的每个日期，选取前一周的特征数据作为lstm模型训练的输入；
28.所述相似日选择模块根据每个待预测日期的数据，将每个光伏电站对应的相似日序列发送至模型训练模块；
29.其中，所述模型训练模块主要用于使用相似日序列预测光伏电站发电功率的lstm模型；
30.所述模型训练模块对于每个电站组s，将相似日序列中的历史特征数据转化为lstm模型可以输入的数据格式，并完成训练样本和测试样本的划分；对lstm的参数进行调试，将样本的训练集输入到lstm模型中进行训练，直至模型的预测准确率达到95％；模型训练结束后，保存训练的模型文件，输入测试集进行测试；最后根据评估指标完成模型预测结果的优劣评判；
31.所述模型训练模块将训练完成的lstm模型发送至光伏功率预测模块；
32.其中，所述光伏功率预测模块主要用于对待预测日期的产生的光伏功率进行预测；
33.所述光伏功率预测模块对光伏功率进行预测的方式为获取待预测日期的特征数据，并将每个特征数据根据日期的气象类型使用气象指数进行修正；将修正后的特征数据转化为lstm模型可接受的输入形式，输入至lstm模型中，获得预测的功率值。
34.与现有技术相比，本发明的有益效果是：
35.本发明通过设置历史数据收集模块收集光伏发电站的历史数据；设置区域气象划分模块根据历史数据对光伏发电站所在区域以及气象进行划分；设置气象效应分解模块将历史数据根据不同的气象进行基于气象的效应分解；设置历史数据修正模块根据每类气象的气象指数对历史数据中的每日特征数据进行修正；设置相似日选择模块从历史数据中选择与待预测日期特征数据相近的日期；设置模型训练模块使用相似日序列预测光伏电站发电功率的lstm模型；设置光伏功率预测模块对待预测日期的产生的光伏功率进行预测；解决了根据气象时空区别预测光伏功率的问题。
附图说明
36.图1为本发明的原理图。
具体实施方式
37.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的
范围。
38.如图1所示，基于深度时空特征与效应分解的光伏功率预测系统，包括历史数据收集模块、区域气象划分模块、气象效应分解模块、历史数据修正模块、相似日选择模块、模型训练模块以及光伏功率预测模块；其中，各个模块之间通过电气方式连接；
39.可以理解的是，每个光伏电站具有独特的地理空间位置，光伏发电功率具有空间相关性；对于临近地区的多个光伏电站而言，由于地理位置条件相近，且在相似的天气、气温等气象条件作用下，光伏电站输出功率呈现一定程度的相似性；
40.其中，所述历史数据收集模块主要用于预先收集光伏发电站的历史基础数据；
41.可以理解的是，在光伏电站发电的过程中，不同的物理条件下的环境，对光伏发电功率的影响有所不同；而所有的物理条件的组合即可作为光伏发电功率预测的特征数据向量；
42.在一个优选的实施例中，所述历史数据收集模块收集的历史基础数据包括每个光伏发电站的地理位置、每个光伏发电站历史每日的发电功率、以及每日特征数据；其中，所述每日特征数据为影响每日光伏发电功率的物理因素；具体的，每日特征数据包括太阳辐照度、组件温度、相对湿度、空气温度以及大气压力；所述历史数据收集模块将收集的光伏发电站的历史基础数据发送至区域气象划分模块；
43.其中，所述区域气象划分模块主要用于根据光伏发电站的历史基础数据对光伏发电站所在区域以及气象进行划分；
44.在一个优选的实施例中，所述区域气象划分模块将气象划分为晴天、多云以及雨天三类气象类型；对气象进行划分的方式为根据每日的太阳辐射度的强弱，以实际经验判断当日是晴天或多云，再根据当日相对湿度判断当日是否为雨天；
45.所述区域气象划分模块对区域进行划分的方式为根据每个光伏电站每日的气象类型按时间顺序组成一条气象序列；将具有完全相同气象序列或气象序列的相似度大于相似度阈值k的光伏电站作为一组；每组电站即为同一个区域内的光伏电站；其中，所述相似度阈值k为根据当地实际情况预设的系数；
46.所述区域气象划分模块将进行区域划分后的光伏电站的历史基础数据按分组统一发送至气象效应分解模块以及历史数据修正模块；
47.其中，所述气象效应分解模块主要用于将光伏电站的历史数据根据不同的气象进行基于气象的效应分解；
48.在一个优选的实施例中，所述气象效应分解模块进行基于气象的效应分解包括以下步骤：
49.步骤s1：将每组光伏电站标记为s，对于光伏电站组s，将每日特征数据按三类气象进行分组；
50.步骤s2：对于具有相同气象的分组中，每个光伏电站的每个每日特征数据，使用效应分解技术，计算出光伏电站组s的每类气象的气象指数；所述气象指数用于对历史数据中，每日特征数据进行补偿；
51.其中，所述气象效应分解模块将每组光伏电站的每类气象的气象指数发送至历史数据修正模块；
52.其中，所述历史数据修正模块主要用于根据光伏电站的每类气象的气象指数对历
史数据中的每个每日特征数据进行修正，以去除气象因素的影响；
53.在一个优选的实施例中，所述历史数据修正模块对每个光伏电站组s，每个每日特征数据进行修正的方式为：将每类气象标记为w，将光伏电站组s的气象类型w的气象指数标记为zsw；将光伏电站的每个每日特征数据标记为p；对于每个光伏电站组s历史中的每个日期i，获取日期i下的每日特征数据p的值tsip；将tsip进行修正，即将tsip更新为其中，w为日期i下对应的天气类型；
54.所述历史数据修正模块将修正后的每个光伏电站组的每日特征数据发送至相似日选择模块；
55.其中，所述相似日选择模块主要用于从历史数据中选择与待预测日期特征数据相近的日期；
56.在一个优选的实施例中，所述相似日选择模块选择待预测日期特征数据相近的日期的步骤为：
57.步骤p1：根据每日天气实际情况，确定相似度特征量的基本选择；在一个优选的实施例中，相似度特征量可以包括经过气象指数修正后的空气中的温度、空气中的湿度、空气中的太阳辐射以及空气中的大气压力；
58.步骤p2：使用灰关联分析技术，计算每个历史数据中每日的相似度特征量与待预测日期相似度特征量的相似度关联值；
59.步骤p3：将计算出的历史数据中每日相似度关联值按从大到小进行排列，得到三类天气类型下的相似日序列；并对相似日序列中的每个日期，选取前一周的特征数据作为lstm模型训练的输入；
60.所述相似日选择模块根据每个待预测日期的数据，将每个光伏电站对应的相似日序列发送至模型训练模块；
61.其中，所述模型训练模块主要用于使用相似日序列预测光伏电站发电功率的lstm模型；
62.在一个优选的实施例中，所述模型训练模块对于每个电站组s，将相似日序列中的历史特征数据转化为lstm模型可以输入的数据格式，并完成训练样本和测试样本的划分；对lstm的参数进行调试，将样本的训练集输入到lstm模型中进行训练，直至模型的预测准确率达到95％；模型训练结束后，保存训练的模型文件，输入测试集进行测试；最后根据评估指标完成模型预测结果的优劣评判；
63.所述模型训练模块将训练完成的lstm模型发送至光伏功率预测模块；
64.其中，所述光伏功率预测模块主要用于对待预测日期的产生的光伏功率进行预测；
65.在一个优选的实施例中，所述光伏功率预测模块对光伏功率进行预测的方式为获取待预测日期的特征数据，并将每个特征数据根据日期的气象类型使用气象指数进行修正；将修正后的特征数据转化为lstm模型可接受的输入形式，输入至lstm模型中，获得预测的功率值。
66.以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改
或等同替换，而不脱离本发明技术方法的精神和范围。

技术特征：

1.基于深度时空特征与效应分解的光伏功率预测系统，其特征在于，包括历史数据收集模块、区域气象划分模块、气象效应分解模块、历史数据修正模块、相似日选择模块、模型训练模块以及光伏功率预测模块；其中，各个模块之间通过电气方式连接；所述历史数据收集模块用于预先收集光伏发电站的历史基础数据；所述历史数据收集模块将收集的历史基础数据发送至区域气象划分模块；所述区域气象划分模块用于根据光伏发电站的历史基础数据对光伏发电站所在区域以及气象进行划分；所述区域气象划分模块将进行区域划分后的历史基础数据按分组发送至气象效应分解模块以及历史数据修正模块；所述气象效应分解模块用于将光伏电站的历史数据根据不同的气象进行基于气象的效应分解；所述气象效应分解模块将每组光伏电站的每类气象的气象指数发送至历史数据修正模块；所述历史数据修正模块用于根据光伏电站的每类气象的气象指数对历史数据中的每个每日特征数据进行修正，所述历史数据修正模块将修正后的每日特征数据发送至相似日选择模块；所述相似日选择模块用于从历史数据中选择与待预测日期特征数据相近的日期；所述相似日选择模块根据每个待预测日期的数据，将每个光伏电站对应的相似日序列发送至模型训练模块；所述模型训练模块用于使用相似日序列预测光伏电站发电功率的lstm模型；所述模型训练模块将训练完成的lstm模型发送至光伏功率预测模块；所述光伏功率预测模块用于使用训练好的lstm模型对待预测日期的产生的光伏功率进行预测。2.根据权利要求1所述的基于深度时空特征与效应分解的光伏功率预测系统，其特征在于，所述历史数据收集模块收集的历史基础数据包括每个光伏发电站的地理位置、每个光伏发电站历史每日的发电功率、以及每日特征数据；所述每日特征数据包括太阳辐照度、组件温度、相对湿度、空气温度以及大气压力。3.根据权利要求1所述的基于深度时空特征与效应分解的光伏功率预测系统，其特征在于，所述区域气象划分模块将气象划分为晴天、多云以及雨天三类气象类型；对气象进行划分的方式为根据每日的太阳辐射度的强弱，以实际经验判断当日是晴天或多云，再根据当日相对湿度判断当日是否为雨天；所述区域气象划分模块对区域进行划分的方式为根据每个光伏电站每日的气象类型按时间顺序组成一条气象序列；将具有完全相同气象序列或气象序列的相似度大于相似度阈值k的光伏电站作为一组；每组电站即为同一个区域内的光伏电站；其中，所述相似度阈值k为根据当地实际情况预设的系数。4.根据权利要求1所述的基于深度时空特征与效应分解的光伏功率预测系统，其特征在于，所述气象效应分解模块进行基于气象的效应分解包括以下步骤：步骤s1：将每组光伏电站标记为s，对于光伏电站组s，将每日特征数据按三类气象进行分组；步骤s2：对于具有相同气象的分组中，每个光伏电站的每个每日特征数据，使用效应分解技术，计算出光伏电站组s的每类气象的气象指数；所述气象指数用于对历史数据中，每
日特征数据进行补偿。5.根据权利要求1所述的基于深度时空特征与效应分解的光伏功率预测系统，其特征在于，所述历史数据修正模块对每个光伏电站组s，每个每日特征数据进行修正的方式为：将每类气象标记为w，将光伏电站组s的气象类型w的气象指数标记为zsw；将光伏电站的每个每日特征数据标记为p；对于每个光伏电站组s历史中的每个日期i，获取日期i下的每日特征数据p的值tsip；将tsip进行修正，即将tsip更新为其中，w为日期i下对应的天气类型。6.根据权利要求1所述的基于深度时空特征与效应分解的光伏功率预测系统，其特征在于，所述相似日选择模块选择待预测日期特征数据相近的日期的步骤为：步骤p1：根据每日天气实际情况，确定相似度特征量的基本选择；在一个优选的实施例中，相似度特征量包括经过气象指数修正后的空气中的温度、空气中的湿度、空气中的太阳辐射以及空气中的大气压力；步骤p2：使用灰关联分析技术，计算每个历史数据中每日的相似度特征量与待预测日期相似度特征量的相似度关联值；步骤p3：将计算出的历史数据中每日相似度关联值按从大到小进行排列，得到三类天气类型下的相似日序列；并对相似日序列中的每个日期，选取前一周的特征数据作为lstm模型训练的输入。7.根据权利要求1所述的基于深度时空特征与效应分解的光伏功率预测系统，其特征在于，所述模型训练模块对于每个电站组s，将相似日序列中的历史特征数据转化为符合lstm模型输入的数据格式，并完成训练样本和测试样本的划分；对lstm的参数进行调试，将样本的训练集输入到lstm模型中进行训练，直至模型的预测准确率达到95％；模型训练结束后，保存训练的模型文件，输入测试集进行测试；最后根据评估指标完成模型预测结果的优劣评判。8.根据权利要求1所述的基于深度时空特征与效应分解的光伏功率预测系统，其特征在于，所述光伏功率预测模块对光伏功率进行预测的方式为获取待预测日期的特征数据，并将每个特征数据根据日期的气象类型使用气象指数进行修正；将修正后的特征数据转化为lstm模型可接受的输入形式，输入至lstm模型中，获得预测的功率值。

技术总结

本发明公开了基于深度时空特征与效应分解的光伏功率预测系统，涉及光伏功率预测技术领域，通过设置历史数据收集模块收集光伏发电站的历史数据；设置区域气象划分模块根据历史数据对光伏发电站所在区域以及气象进行划分；设置气象效应分解模块将历史数据根据不同的气象进行基于气象的效应分解；设置历史数据修正模块根据每类气象的气象指数对历史数据中的每日特征数据进行修正；设置相似日选择模块从历史数据中选择与待预测日期特征数据相近的日期；设置模型训练模块使用相似日序列预测光伏电站发电功率的LSTM模型；设置光伏功率预测模块对待预测日期的产生的光伏功率进行预测；解决了根据气象时空区别预测光伏功率的问题。题。题。