区域分布式电源发电功率预测方法及系统与流程

1.本技术涉及新能源发电技术领域，特别涉及一种区域分布式电源发电功率预测方法及系统。


背景技术：

2.随着分布式电源的大规模应用，电网中随机性、波动性和间歇性的小型分布式电源所占比例会越来越大，甚至将成为电网不可或缺的组成部分。大量分布式电源接入电网，改变了电网原有的结构，而且量大分散。随着电力体制改革的进一步推进和电力市场的进一步完善，分布式电源既能够与电网进行友好互动，相互支持，也因为形态复杂、主体多元而增加了电网运行管理的复杂性，将对电网的安全、可靠、稳定运行及控制带来诸多方面的影响。
3.为了保证大规模分布式电源接入后电网的经济安全稳定运行，同时更好的为分布式电源提供友好的互动服务，精准的分布式电源发电功率预测极为重要，有助于提高分布式电源的消纳水平，提高分布式电源的可观测性和可控制性程度。
4.但分布式电源通常仅安装一套气象采集装置，而且分布式电源占地面积小，受局部天气变化影响大。分布式电源装机容量小，采集数据少，概率偏差大，不容易预测准确。因此传统新能源发电功率预测技术无法适用于分布式电源的发电功率预测。


技术实现要素：

5.基于此，本发明提出一种区域分布式电源发电功率预测方法及系统，以提高分布式新能源的预测精准度，保证电网系统平稳运行。
6.一种区域分布式电源发电功率预测方法，包括：
7.构建区域的天气预测模型，根据所述天气预测模型获取所述区域的预测气象数据；
8.构建所述区域内的每个分布式电源的功率预测模型，根据所述预测气象数据和每个所述分布式电源的功率预测模型获取每个所述分布式电源的预测功率；
9.将所述区域内的所有所述分布式电源虚拟为一个新能源厂站，构建所述新能源厂站的功率预测模型，获取所述新能源厂站的预测功率；
10.根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
11.在一个实施例中，所述构建区域的天气预测模型，根据所述天气预测模型获取所述区域的预测气象数据包括：
12.从气象局获取所述区域的天气预报数据；
13.获取所述区域内的每个所述分布式电源的实测气象数据；
14.根据所述天气预报数据和所述实测气象数据，构建所述天气预测模型；
15.通过所述天气预测模型预测所述区域未来的大气运动状态和天气现象。
16.在一个实施例中，所述获取所述区域内的每个所述分布式电源的实测气象数据包括：
17.将所述区域内的每个所述分布式电源的本地气象站组成区域气象监测网络；
18.所述区域气象监测网络将每个所述分布式电源的本地气象站采集的气象数据上传云端；
19.在所述云端对所述气象数据进行筛选和校验得到所述实测气象数据。
20.在一个实施例中，所述构建所述区域内的每个分布式电源的功率预测模型，根据所述预测气象数据和每个所述分布式电源的功率预测模型获取每个所述分布式电源的预测功率包括：
21.采集所述区域内的每个所述分布式电源的历史功率数据；
22.基于机器学习算法，根据每个所述分布式电源的历史气象数据与所述历史功率数据，构建每个所述分布式电源的功率预测模型；
23.向每个所述分布式电源的功率预测模型输入所述预测气象数据，获得每个所述分布式电源未来的输出功率；
24.对每个所述分布式电源的功率预测模型进行循环训练。
25.在一个实施例中，所述将所述区域内的所有所述分布式电源虚拟为一个新能源厂站，构建所述新能源厂站的功率预测模型，获取所述新能源厂站的预测功率包括：
26.获取所述新能源厂站的历史输出功率；
27.基于机器学习算法，根据所述区域的历史气象数据与所述新能源厂站的历史输出功率，构建所述新能源厂站的功率预测模型；
28.向所述新能源厂站的功率预测模型输入所述预测气象数据，获得所述新能源厂站的预测功率；
29.对所述新能源厂站的功率预测模型进行循环训练。
30.在一个实施例中，所述获取所述新能源厂站的历史输出功率包括：
31.将每个所述分布式电源的历史功率加总得到所述新能源厂站的历史输出功率。
32.在一个实施例中，所述根据所述每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率包括：
33.将每个所述分布式电源的预测功率加总得到所述分布式电源的预测功率总和；
34.比较所述分布式电源的预测功率总和与所述新能源厂站的预测功率，对所述分布式电源预测功率总和进行校验修正，获得所述区域的预测功率。
35.一种区域分布式电源发电功率预测系统，包括：天气预测模块，用于构建区域的天气预测模型，根据所述天气预测模型获取所述区域的预测气象数据；模型建立模块，用于构建所述区域内的每个分布式电源的功率预测模型，将所述区域内的所有所述分布式电源虚拟为一个新能源厂站，构建所述新能源厂站的功率预测模型；功率预测模块，用于根据所述区域的预测气象数据和每个所述分布式电源的功率预测模型、所述新能源厂站的功率预测模型，获取每个所述分布式电源的预测功率和所述新能源厂站的预测功率，根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
36.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
37.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述任一实施例所述的方法的步骤。
38.本技术提供的所述区域分布式电源发电功率预测方法及系统，在一定区域内，构建区域的天气预测模型，获取区域的预测气象数据，构建区域内的每个分布式电源的功率预测模型，并将所有分布式电源虚拟为一个新能源厂站，构建新能源厂站的功率预测模型。一方面，构建区域的天气预测模型，区域内各分布式电源的就地气象数据可以相互验证和校核，减少单个气象站数据不准确的问题。另一方面，将区域所有分布式电源虚拟成一个集中式的新能源厂站，进行发电功率预测，来对单个分布式电源功率预测的总和进行校验。通过集中提高功率预测的覆盖面积和覆盖容量，从而提高分布式电源的功率预测精度。
附图说明
39.图1为本技术提供的一实施例中区域分布式电源发电功率预测方法的流程图示意。
40.图2为本技术提供的一实施例中区域分布式电源发电功率预测方法的框架示意图。
41.图3为本技术提供的一实施例中获取区域的预测气象数据方法的流程图示意。
42.图4为本技术提供的一实施例中获取每个分布式电源的实测气象数据方法的流程图示意。
43.图5为本技术提供的一实施例中获取每个分布式电源的预测功率方法的流程图示意。
44.图6为本技术提供的一实施例中获取虚拟新能源厂站的预测功率方法的流程图示意。
45.图7为本技术提供的一实施例中获取区域的预测功率方法的流程图示意。
具体实施方式
46.为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图对本技术的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本技术。但是本技术能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本技术内涵的情况下做类似改进，因此本技术不受下面公开的具体实施的限制。
47.本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于分所描述的对象，不具有任何顺序或技术含义。而本技术所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。在本技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
48.在本技术中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示
第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
49.参见图1，本技术实施例提供一种区域分布式电源发电功率预测方法。所述区域分布式电源发电功率预测方法包括：
50.s100，构建区域的天气预测模型，根据所述天气预测模型获取所述区域的预测气象数据；
51.s200，构建所述区域内的每个分布式电源的功率预测模型，根据所述预测气象数据和每个所述分布式电源的功率预测模型获取每个所述分布式电源的预测功率；
52.s300，将所述区域内的所有所述分布式电源虚拟为一个新能源厂站，构建所述新能源厂站的功率预测模型，获取所述新能源厂站的预测功率；
53.s400，根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
54.所述s100中，所述区域可以是很大的区域，如某个市，也可以是较小的区域，如某个居民小区。如图2所示，工作人员可以在云端构建所述天气预测模型。所述预测气象数据可以包括温度、湿度、光照情况、降水概率和风风速等数据。
55.所述s200中，所述分布式电源分布在所述区域内。工作人员可以在云端构建每个所述分布式电源的功率预测模型并获取预测功率。
56.所述s300中，工作人员可以在云端构建所述新能源厂站的功率预测模型并获取预测功率。
57.所述s400中，工作人员可以在云端根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
58.传统的新能源发电功率预测技术在应用于装机容量大、接入主网的风电场、光伏电站等集中式新能源发电时，准确率较高的原因如下：(1)集中式新能源占地面积大，气象采集装置安装密度高，采集的气象数据更准确，受局部天气变化的影响小；(2)集中式新能源装机容量大，概率偏差小，历史数据参考意义更大，预测更容易准确；(3)集中式新能源总投资大，功率预测投资占比小，能够购买更精准的数值电气预报数据和功率预测系统。但分布式电源装机容量小，通常仅安装一套气象采集装置，而且占地面积小，受局部天气变化影响大；分布式电源装机容量小，概率偏差大，不容易预测准确；分布式电源总投资小，对成本敏感，大部分业主不会采购就地功率预测系统。因此，传统的新能源发电功率预测技术无法适用于分布式电源的发电功率预测。
59.本技术实施例提供的所述区域分布式电源发电功率预测方法区别于单个分布式电源的就地功率预测，在一定区域内，由云端收集区域内所有分布式电源的就地气象数据、历史和实时功率数据，在云端接入数值天气预报数据，在云端集中进行区域分布式电源发电功率预测。一方面，区域内各分布式电源的就地气象数据可以相互验证和校核，减少单个气象站数据不准确的问题。另一方面，将区域所有分布式电源虚拟成一个集中式的新能源厂站，进行发电功率预测，来对单个分布式电源功率预测的总和进行校验。通过集中提高功率预测的覆盖面积和覆盖容量，从而提高分布式电源的功率预测精度。
60.参见图3，在一个实施例中，所述s100包括：
61.s110，从气象局获取所述区域的天气预报数据；
62.s120，获取所述区域内的每个所述分布式电源的实测气象数据；
63.s130，根据所述天气预报数据和所述实测气象数据，构建所述天气预测模型；
64.s140，通过所述天气预测模型预测所述区域未来的大气运动状态和天气现象。
65.所述s110中，所述云端可以在网络接入气象局上所述区域日前一天的天气预报数据。所述天气预报数据可以包括温度、湿度、光照情况、降水概率和风风速等数据。
66.所述s140中，工作人员可以在所述云端通过所述天气预测模型预测所述区域内未来一天的大气运动状态和天气现象。例如针对分布式光伏电源，获取未来一天的辐照度等数据。针对分布式风电电源，获取未来一天的风速等数据。
67.参见图4，在一个实施例中，所述s120包括：
68.s121，将所述区域内的每个所述分布式电源的本地气象站组成区域气象监测网络；
69.s122，所述区域气象监测网络将每个所述分布式电源的本地气象站采集的气象数据上传云端；
70.s123，在所述云端对所述气象数据进行筛选和校验得到所述实测气象数据。
71.所述s122中，每个所述分布式电源的本地气象站可以采集实时气象数据和历史气象数据。所述区域气象监测网络将每个所述分布式电源的实时气象数据和历史气象数据上传云端。每个所述分布式电源的实时气象数据和历史气象数据统称为气象数据。
72.所述s123中，工作人员可以通过云端对每个所述分布式电源的实时气象数据和历史气象数据与同时间的所述天气预报数据作对比，将偏差较大的气象数据筛选删除。
73.参见图5，在一个实施例中，所述s200包括：
74.s210，采集所述区域内的每个所述分布式电源的历史功率数据；
75.s220，基于机器学习算法，根据每个所述分布式电源的历史气象数据与所述历史功率数据，构建每个所述分布式电源的功率预测模型；
76.s230，向每个所述分布式电源的功率预测模型输入所述预测气象数据，获得每个所述分布式电源未来的输出功率；
77.s240，对每个所述分布式电源的功率预测模型进行循环训练。
78.所述s240中，工作人员可以在云端对每个所述分布式电源的功率预测模型预测出的未来一天的输出功率与第二天实际上的输出功率作对比，如果预测出的未来一天的输出功率与第二天实际上的输出功率差距超过某一个阈值，则修正对应的每个所述分布式电源的功率预测模型的参数。
79.参加图6，在一个实施例中，所述s300包括：
80.s310，获取所述新能源厂站的历史输出功率；
81.s320，基于机器学习算法，根据所述区域的历史气象数据与所述新能源厂站的历史输出功率，构建所述新能源厂站的功率预测模型；
82.s330，向所述新能源厂站的功率预测模型输入所述预测气象数据，获得所述新能源厂站的预测功率；
83.s340，对所述新能源厂站的功率预测模型进行循环训练。
84.所述320中，所述区域的历史气象数据可以为从所述区域的本地气象站获得的历史气象数据。
85.所述s330中，向所述新能源厂站的功率预测模型输入未来一天的所述预测气象数据，可以获得所述新能源厂站未来一天的预测功率。
86.所述s340中，工作人员可以在云端对所述新能源厂站的功率预测模型预测出的未来一天的输出功率与第二天实际上的输出功率作对比，如果预测出的未来一天的输出功率与第二天实际上的输出功率差距超过某一个阈值，则修正所述新能源厂站的功率预测模型的某个参数。
87.在一个实施例中，所述s310包括：将每个所述分布式电源的历史功率加总得到所述新能源厂站的历史输出功率。
88.参见图7，在一个实施例中，所述s400包括：
89.s410，将每个所述分布式电源的预测功率加总得到所述分布式电源的预测功率总和；
90.s420，比较所述分布式电源的预测功率总和与所述新能源厂站的预测功率，对所述分布式电源预测功率总和进行校验修正，获得所述区域的预测功率。
91.所述s420中，工作人员可以在云端对所述分布式电源的预测功率总和与所述新能源厂站的预测功率作对比，将所述新能源厂站的预测功率作为修改后的所述分布式电源的预测功率总和并将其输出为所述区域的预测功率，并据此调整所述分布式电源预测功率模型的参数。
92.本技术实施例还提供一种区域分布式电源发电功率预测系统。所述区域分布式电源发电功率预测系统包括天气预测模块、模型建立模块和功率预测模块。所述天气预测模块用于构建区域的天气预测模型，根据所述天气预测模型获取所述区域的预测气象数据。所述模型建立模块用于构建所述区域内的每个分布式电源的功率预测模型。所述模型建立模块还用于将所述区域内的所有所述分布式电源虚拟为一个新能源厂站，构建所述新能源厂站的功率预测模型。所述功率预测模块用于根据所述区域的预测气象数据和每个所述分布式电源的功率预测模型、所述新能源厂站的功率预测模型，获取每个所述分布式电源的预测功率和所述新能源厂站的预测功率。根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
93.在一个实施例中，提供了一种计算机设备。所述计算机设备包括存储器和处理器。所述存储器存储有计算机程序。所述处理器执行所述计算机程序时实现上述任一实施例所述区域分布式电源发电功率预测方法的步骤。
94.所述计算机设备可以是终端。所述计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，所述计算机设备的处理器用于提供计算和控制能力。所述计算机设备的存储器包括非易失性存储介质、内存储器。所述非易失性存储介质存储有操作系统和计算机程序。所述内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。所述计算机设备的网络接口用于与外部的终端通过网络连接通信。所述计算机程序被处理器执行时以实现一种区域分布式电源发电功率预测方法。所述计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，所述计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
95.在一个实施例中，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
储有计算机程序。所述计算机程序被处理器执行时实现上述实施例中任一所述区域分布式电源发电功率预测方法的步骤。
96.具体地，所述处理器可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，简称为asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
97.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
98.以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
99.以上所述实施例仅表达了本技术的几种实施方式，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。