一种基于深度学习的分布式光伏总辐射预测方法及系统与流程

1.本发明涉及新能源技术领域，具体涉及一种基于深度学习的分布式光伏总辐射预测方法及系统。


背景技术：

2.随着新能源的发展，分布式光伏发电在用电负荷的占比逐步增加。分布式光伏数量多、规模小、地理位置分散、运行环境复杂、通信基础设施落后、运行维护主体不明确。分布式光伏发电最主要的影响因素是总辐射，但分布式光伏总辐射数据监测因诸多复杂原因，存在信息采集面临数据采集率低、可靠性差、缺乏控制能力、自动化主站技术支撑能力不足等问题。


技术实现要素：

3.针对现有技术的不足，本发明提供一种基于深度学习的分布式光伏总辐射预测方法，包括：
4.基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；
5.将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；
6.其中，所述分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；
7.所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。
8.优选的，所述分布式光伏总辐射的气象影响因子的确定过程包括：
9.基于区域内所有分布式光伏点的位置信息确定最近的气象监测站；
10.获取所述气象站的历史总辐射时序数据，并获取与所述历史总辐射时序数据对应的多个气象要素的时序数据；
11.确定获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数，并基于所述相关性系数确定分布式光伏总辐射的气象影响因子。
12.进一步的，所述获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数的计算式如下所示：
[0013][0014]
式中，r
x
为第x个类型的气象要素与历史总辐射监测数据的相关系数，xi为第x个类
型的气象要素的时序数据中第i个时刻的气象数据，x为第x个类型的气象要素的时序数据中各时刻的气象数据的平均值，yi为第i个时刻的历史总辐射监测数据，y为历史总辐射监测数据的平均值，n为时刻总数。
[0015]
优选的，所述气象影响因子，包括：
[0016]
总辐射、气温、相对湿度、海平面气压和风速。
[0017]
优选的，所述总辐射预测模型的建立过程包括：
[0018]
将筛选出的历史时段内影响分布式光伏总辐射的数值天气预报数据作为初始神经网络模型输入数据，历史时段的总辐射监测数据作为初始神经网络模型输出数据，并根据初始神经网络模型输入数据确定初始神经网络模型的基函数的中心和方差；
[0019]
基于所述基函数的中心和方差，对所述初始神经网络模型的权系数进行迭代训练，得到深度学习总辐射预测模型。
[0020]
进一步的，所述基于所述基函数的中心和方差，对所述初始神经网络模型的权系数进行迭代训练，得到深度学习总辐射预测模型，包括：
[0021]
设置初始神经网络模型的权系数的初值；
[0022]
基于所述基函数的中心、方差和权系数的初值，对所述初始神经网络模型的权系数进行迭代训练，并利用最小二乘法确定迭代收敛时初始神经网络的权系数；
[0023]
利用初始神经网络的权系数确定历史时段内的总辐射监测数据与筛选出的历史时段内影响分布式光伏总辐射的数值天气预报数据的对应关系；
[0024]
基于历史时段内的总辐射监测数据与筛选出历史时段内影响分布式光伏总辐射的数值天气预报数据的对应关系确定深度学习总辐射预测模型。
[0025]
进一步的，所述基函数的中心是基于k均值聚类算法的自组织选取方法确定的。
[0026]
进一步的，所述基函数的方差是基于基函数中心之间的最大距离确定的。
[0027]
基于同一发明构思本发明提供了一种基于深度学习的分布式光伏总辐射预测系统，所述系统包括：
[0028]
筛选模块，用于基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；
[0029]
预测模块，用于将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；
[0030]
其中，所述分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；
[0031]
所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。
[0032]
优选的，所述分布式光伏总辐射的气象影响因子的确定过程包括：
[0033]
基于区域内所有分布式光伏点的位置信息确定最近的气象监测站；
[0034]
获取所述气象站的历史总辐射时序数据，并获取与所述历史总辐射时序数据对应的多个气象要素的时序数据；
[0035]
确定获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数，并基于所述相关性系数确定分布式光伏总辐射的气象影响因子。
[0036]
与最接近的现有技术相比，本发明具有的有益效果：
[0037]
本发明提供的一种基于深度学习的分布式光伏总辐射预测方法及系统，包括：基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；其中，分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。本发明提供的技术方案，充分考虑影响分布式光伏总辐射的主要气象影响因子，提高了分布式光伏总辐射预测数据的准确性。
附图说明
[0038]
图1是本发明提供的一种基于深度学习的分布式光伏总辐射预测方法的流程图；
[0039]
图2是本发明提供的基于深度学习的总辐射预测模型示意图；
[0040]
图3是本发明提供的一种基于深度学习的分布式光伏总辐射预测系统的结构图。
具体实施方式
[0041]
下面结合附图对本发明的具体实施方式作进一步的详细说明。
[0042]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
[0043]
实施例1
[0044]
本发明提供了一种基于深度学习的分布式光伏总辐射预测方法，目的是基于预先确定的分布式光伏总辐射的气象影响因子，进行分布式光伏总辐射的预测，从而提高分布式光伏总辐射预测数据的准确性。
[0045]
为实现上述目的，本发明提出的一种基于深度学习的分布式光伏总辐射预测方法，如图1所示，包括：
[0046]
步骤1：基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；
[0047]
步骤2：将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；
[0048]
其中，所述分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；
[0049]
所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。
[0050]
其中，步骤1中的分布式光伏总辐射的气象影响因子的确定过程如下：
[0051]
收集预测区域内所有分布式光伏点的经纬度信息，根据这些经纬度寻找离此区域最近的气象监测站(含总辐射、温度、气压、风速等数据，如集中式光伏电站气象监测站)并收集1年的总辐射数据，再利用数值模式预报总辐射监测站对应1年的气象数据，每条数据
时间间隔不大于10分钟；
[0052]
分析1年的总辐射监测数据与数值模式预报总辐射监测站对应1年的气象数据数值天气预报数据中的总辐射、2m气温、相对湿度、海平面气压、10m风速等影响因子的相关性系数，相关性系数r按式下式计算：
[0053][0054]
式中，r
x
为第x个类型的气象要素与历史总辐射监测数据的相关系数，xi为第x个类型的气象要素的时序数据中第i个时刻的气象数据，x为第x个类型的气象要素的时序数据中各时刻的气象数据的平均值，yi为第i个时刻的历史总辐射监测数据，y为历史总辐射监测数据的平均值，n为时刻总数；
[0055]
根据总辐射气象影响因子相关性分析(一般是根据相关性系数大小进行挑选，二者相关系数至少要大于0.1)，选择总辐射、2m气温、相对湿度、海平面气压、10m风速作为总辐射的影响因子。
[0056]
步骤2中基于深度学习的总辐射预测模型构建的过程具体如下：
[0057]
将1年数值模式预报气象要素时序数据作为输入，包含总辐射rf、2m气温tf、相对湿度hf、海平面气压pf、10m风速wf，1年监测总辐射数据ro为输出，建立如图2所示基于深度学习的总辐射预测模型；
[0058]
其中，所述模型的深度学习中包含n个神经元，第j个隐单元的激励函数选高斯函数，其输出为j＝1,2,...,n，x(t)为t时刻一组输入训练样本；g(t)为t时刻高斯函数的中心；σ为高斯函数方差；wj(t)j＝1,2,...,n为t时刻隐含层与输出层的权值，并设置了阈值相当于一个隐含层的输出恒为1，表示存在一个输出恒为1的隐含层神经元，从而建立了一个广义网络；本模型中对深度学习的训练过程中基函数的中心、方差以及权重是需要学习的三个重要参数，基函数的中心用基于k均值聚类算法的自组织选取方法确定；基函数方差用确定，其中d
max
为选取基函数中心之间的最大距离；隐含层与输出层间的权重用最小二乘法确定，深度学习的输出为本深度学习采用有监督学习，神经网络权系数的学习可以转化为多元线性函数的极值求解问题。在网络学习过程中，若第k次迭代网络输出值是out(k)，目标值(实测值)为t
p
(k)，定义目标函数将按照负梯度方向调整网络权系数，即经多次迭代，当目标函数j(k)小于某一设定值被认为迭代收敛，停止迭代并确定了网络的权系数，从而完成模型的训练。
[0059]
当需要对分布式光伏总辐射进行预测时，首先按照前述布式光伏总辐射的气象影
响因子筛选过程确定的气象影响因子，利用步骤1的方法获取预测时段的总辐射、2m气温、相对湿度、海平面气压、10m风速时序数据；
[0060]
数据获取后按照步骤2的方法将获取的数据输入基于深度学习的总辐射预测模型，预测出总辐射预测结果。
[0061]
为了验证本发明提供的基于深度学习的分布式光伏总辐射预测方法准确度，以南京浦口屋顶光伏电站的数值天气预报数据对本发明的方法进行验证；
[0062]
下表1为南京浦口屋顶光伏电站使用本发明方法进行总辐射预测的预测误差统计表：
[0063]
表1南京浦口屋顶光伏电站误差统计
[0064][0065]
从表中可以看出本发明方法的预测效果准确度高，有益于光伏发电功率预测精度的提升；
[0066]
其中，该平均绝对误差mae指标反映预测结果的绝对值的误差，可以在一定程度上反映误差的情况。但误差较大的点在做统计平均时容易被淹没，不能反映误差特别大的极端情况，所述平均绝对误差mae的计算式如下所示：
[0067][0068]
式中，y
l
为第l个数据的预测值，z
l
为第l个数据的真实值，l为数据个数。
[0069]
实施例2
[0070]
基于同一发明构思本发明提供一种基于深度学习的分布式光伏总辐射预测系统，如图3所示，所述系统包括：
[0071]
筛选模块，用于基于预先确定的分布式光伏总辐射的气象影响因子筛选出预测时段的数值天气预报数据；
[0072]
预测模块，用于将筛选出的预测时段的数值天气预报数据代入预先建立的基于深度学习的总辐射预测模型中，得到预测时段分布式光伏总辐射的预测值；
[0073]
其中，分布式光伏总辐射的气象影响因子是利用预测区域内气象监测站历史总辐射数据之间的相关性确定的；
[0074]
所述总辐射预测模型对数值模式预报数据和总辐射监测数据利用神经网络模型进行迭代训练得到预测时段对应的分布式光伏总辐射预测数据。
[0075]
具体的，所述分布式光伏总辐射的气象影响因子的确定过程包括：
[0076]
基于区域内所有分布式光伏点的位置信息确定最近的气象监测站；
[0077]
获取所述气象站的历史总辐射时序数据，并获取与所述历史总辐射时序数据对应的多个气象要素的时序数据；
[0078]
确定获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史
总辐射时序数据的相关性系数，并基于所述相关性系数确定分布式光伏总辐射的气象影响因子。
[0079]
其中，所述获取的与所述历史总辐射时序数据对应的多个气象要素的时序数据与历史总辐射时序数据的相关性系数的计算式如下所示：
[0080][0081]
式中，r
x
为第x个类型的气象要素与历史总辐射监测数据的相关系数，xi为第x个类型的气象要素的时序数据中第i个时刻的气象数据，为第x个类型的气象要素的时序数据中各时刻的气象数据的平均值，yi为第i个时刻的历史总辐射监测数据，为历史总辐射监测数据的平均值，n为时刻总数。
[0082]
具体的，所述气象影响因子，包括：
[0083]
总辐射、气温、相对湿度、海平面气压和风速。
[0084]
具体的，所述总辐射预测模型的建立过程包括：
[0085]
将筛选出的历史时段内影响分布式光伏总辐射的数值天气预报数据作为初始神经网络模型输入数据，历史时段的总辐射监测数据作为初始神经网络模型输出数据，并根据初始神经网络模型输入数据确定初始神经网络模型的基函数的中心和方差；
[0086]
基于所述基函数的中心和方差，对所述初始神经网络模型的权系数进行迭代训练，得到深度学习总辐射预测模型。
[0087]
其中，所述基于所述基函数的中心和方差，对所述初始神经网络模型的权系数进行迭代训练，得到深度学习总辐射预测模型，包括：
[0088]
设置初始神经网络模型的权系数的初值；
[0089]
基于所述基函数的中心、方差和权系数的初值，对所述初始神经网络模型的权系数进行迭代训练，并利用最小二乘法确定迭代收敛时初始神经网络的权系数；
[0090]
利用初始神经网络的权系数确定历史时段内的总辐射监测数据与筛选出的历史时段内影响分布式光伏总辐射的数值天气预报数据的对应关系；
[0091]
基于历史时段内的总辐射监测数据与筛选出历史时段内影响分布式光伏总辐射的数值天气预报数据的对应关系确定深度学习总辐射预测模型。
[0092]
所述基函数的中心是基于k均值聚类算法的自组织选取方法确定的。
[0093]
所述基函数的方差是基于基函数中心之间的最大距离确定的。
[0094]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0095]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0096]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0097]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0098]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。