分布式光伏功率智能预测方法及装置与流程

本发明涉及光伏变电监测，尤其涉及一种分布式光伏功率智能预测方法及装置。

背景技术：

1、随着全球工业化进程的高速发展，人类对能源的开采和使用量日益增加。面对能源危机的严峻趋势，清洁能源的开发工作迫在眉睫。为此，人们通过建设光伏发电站，将可再生的光能转换为电能以满足城市和乡村的用电需求。

2、当前，在电网发电计划制定、机组调峰调频等工作中常需要对光伏发电站的光伏功率进行预测，以及时对电网进行调度，保障电网的正常运行以及用户的正常用电。目前，光伏功率预测技术虽然逐渐成熟，但是其还是容易受到各种环境因素的影响，如天气情况等，使得预测出来的光伏功率参数准确性不高，从而难以及时地对电网进行调度，影响电网的电能输出。可见，提供一种能够提高光伏功率预测准确性的方法尤为重要。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种分布式光伏功率智能预测的方法及装置，能够有利于降低天气情况对光伏功率参数造成的影响程度，进而有利于提高预测出的未来光伏功率参数，从而有利于依据未来光伏功率参数及时地对电网进行调度，使得电网能够正常运行，保障用户正常用电。

2、为了解决上述技术问题，本发明第一方面公开了一种分布式光伏功率智能预测方法，所述方法包括：

3、确定用于训练的至少一种天气类型的目标训练数据；所有所述天气类型的目标训练数据为针对所有所述天气类型下光伏电站的历史光伏功率数据，所有所述天气类型的目标训练数据包括晴天类型、降水类型、雷电类型、风尘类型以及阴天类型的目标训练数据；

4、根据所有所述天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型，并判断所述训练后预测模型是否收敛；

5、当判断结果为是时，将所述训练后预测模型确定为目标预测模型；所述目标预测模型用于基于所述光伏电站的当前天气类型预测所述光伏电站的未来光伏功率参数。

6、作为一种可选的实施方式，在本发明第一方面中，在所述根据所有所述天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型之前，所述方法还包括：

7、确定所有所述天气类型的目标训练数据所对应的数据情况；所述数据情况包括数据特殊值情况、数据缺失情况以及数据噪声情况；

8、根据所述数据情况，确定所有所述天气类型的目标训练数据所对应的模型训练影响情况，并根据所述模型训练影响情况，确定所有所述天气类型的目标训练数据所对应的模型训练影响度；

9、判断所述模型训练影响度的绝对值是否小于等于预设影响度阈值；

10、当判断出所述模型训练影响度的绝对值小于等于所述预设影响度阈值时，触发执行所述的根据所有所述天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型的操作；

11、当判断出所述模型训练影响度的绝对值大于所述预设影响度阈值时，根据所述数据情况，确定所有所述天气类型的目标训练数据对应的数据处理类型；

12、根据所述数据处理类型，对所有所述天气类型的目标训练数据进行处理，以更新所有所述天气类型的目标训练数据，并触发执行所述的根据所有所述天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型的操作；所有所述天气类型的目标训练数据为更新后的所有所述天气类型的目标训练数据。

13、作为一种可选的实施方式，在本发明第一方面中，所述确定用于训练的至少一种天气类型的目标训练数据，包括：

14、获取待划分类型的原始训练数据集；

15、根据所述原始训练数据集，确定所述原始训练数据集中每个原始训练数据对应的辐照度衰减指数；

16、根据每个所述原始训练数据对应的辐照度衰减指数，对每个所述原始训练数据执行天气类型划分操作，得到每个所述原始训练数据所属的天气类型；

17、根据所有所述原始训练数据所属的天气类型，确定用于训练的至少一种天气类型下的目标训练数据。

18、作为一种可选的实施方式，在本发明第一方面中，所述根据所述原始训练数据集，确定所述原始训练数据集中每个原始训练数据对应的辐照度衰减指数，包括：

19、根据所述原始训练数据集，获取预先测量出的所述原始训练数据集中每个原始训练数据对应的目标辐照度参数以及预先计算出的每个所述原始训练数据对应的参照辐照度参数；

20、根据每个所述原始训练数据对应的目标辐照度参数以及对应的参照辐照度参数，确定每个所述原始训练数据对应的辐照度衰减指数。

21、作为一种可选的实施方式，在本发明第一方面中，所述根据每个所述原始训练数据对应的目标辐照度参数以及对应的参照辐照度参数，确定每个所述原始训练数据对应的辐照度衰减指数，包括：

22、根据每个所述原始训练数据对应的目标辐照度参数，确定每个所述原始训练数据对应的第一辐照度面积参数；

23、根据每个所述原始训练数据对应的参照辐照度参数，确定每个所述原始训练数据对应的第二辐照度面积参数；

24、根据每个所述原始训练数据对应的第一辐照度面积参数以及对应的第二辐照度面积参数，计算每个所述原始训练数据对应的辐照度衰减指数；

25、其中，每个所述原始训练数据对应的辐照度衰减指数是基于以下公式计算出的：

26、k＝(sa-sb)/sb；

27、k为对应的原始训练数据所对应的辐照度衰减指数，sa为该原始训练数据对应的第一辐照度面积参数，sb为该原始训练数据对应的第二辐照度面积参数。

28、作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：

29、在训练出所述目标预测模型之后，获取用于预测的所述光伏电站的当前环境参数以及基础参数；所述光伏电站的当前环境参数包括所述光伏电站的当前温度参数、当前湿度参数、当前风速参数以及当前太阳辐照度参数中的至少一种，所述光伏电站的基础参数包括所述光伏电站的经纬度参数、时间点参数以及海拔参数中的至少一种；

30、将所述光伏电站的当前环境参数以及所述基础参数输入至所述目标预测模型，以使所述目标预测模型执行如以下操作：

31、根据所述光伏电站的当前环境参数以及所述基础参数，确定所述光伏电站的目标参照辐照度参数；

32、获取测量出的所述光伏电站的当前辐照度参数，并根据所述目标参照辐照度参数以及所述当前辐照度参数，计算所述光伏电站的目标辐照度衰减指数；

33、根据所述目标辐照度衰减指数，确定所述光伏电站的当前天气类型，并根据所述当前天气类型，预测所述光伏电站的未来光伏功率参数。

34、作为一种可选的实施方式，在本发明第一方面中，所述根据每个所述原始训练数据对应的辐照度衰减指数，对每个所述原始训练数据执行天气类型划分操作，得到每个所述原始训练数据所属的天气类型，包括：

35、根据每个所述原始训练数据对应的辐照度衰减指数以及预设的衰减指数阈值等级条件，确定每个所述原始训练数据对应的衰减指数阈值等级；

36、根据每个所述原始训练数据对应的衰减指数阈值等级，确定每个所述原始训练数据所属的天气类型。

37、本发明第二方面公开了一种分布式光伏功率智能预测装置，所述装置包括：

38、第一确定模块，用于确定用于训练的至少一种天气类型的目标训练数据；所有所述天气类型的目标训练数据为针对所有所述天气类型下光伏电站的历史光伏功率数据，所有所述天气类型的目标训练数据包括晴天类型、降水类型、雷电类型、风尘类型以及阴天类型的目标训练数据；

39、训练模块，用于根据所有所述天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型；

40、判断模块，用于判断所述训练后预测模型是否收敛；

41、第二确定模块，用于当所述判断模块判断结果为是时，将所述训练后预测模型确定为目标预测模型；所述目标预测模型用于基于所述光伏电站的当前天气类型预测所述光伏电站的未来光伏功率参数。

42、作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块，还用于：

43、在所述训练模块根据所有所述天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型之前，确定所有所述天气类型的目标训练数据所对应的数据情况；所述数据情况包括数据特殊值情况、数据缺失情况以及数据噪声情况；根据所述数据情况，确定所有所述天气类型的目标训练数据所对应的模型训练影响情况，并根据所述模型训练影响情况，确定所有所述天气类型的目标训练数据所对应的模型训练影响度；

44、所述判断模块，还用于判断所述模型训练影响度的绝对值是否小于等于预设影响度阈值；当判断出所述模型训练影响度的绝对值小于等于所述预设影响度阈值时，触发所述训练模块执行所述的根据所有所述天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型的操作；

45、所述第二确定模块，还用于当所述判断模块判断出所述模型训练影响度的绝对值大于所述预设影响度阈值时，根据所述数据情况，确定所有所述天气类型的目标训练数据对应的数据处理类型；

46、以及，所述装置还包括：

47、处理模块，用于根据所述数据处理类型，对所有所述天气类型的目标训练数据进行处理，以更新所有所述天气类型的目标训练数据，并触发所述训练模块执行所述的根据所有所述天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型的操作；所有所述天气类型的目标训练数据为更新后的所有所述天气类型的目标训练数据。

48、作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块确定用于训练的至少一种天气类型的目标训练数据的方式具体为：

49、获取待划分类型的原始训练数据集；

50、根据所述原始训练数据集，确定所述原始训练数据集中每个原始训练数据对应的辐照度衰减指数；

51、根据每个所述原始训练数据对应的辐照度衰减指数，对每个所述原始训练数据执行天气类型划分操作，得到每个所述原始训练数据所属的天气类型；

52、根据所有所述原始训练数据所属的天气类型，确定用于训练的至少一种天气类型下的目标训练数据。

53、作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据所述原始训练数据集，确定所述原始训练数据集中每个原始训练数据对应的辐照度衰减指数的方式具体为：

54、根据所述原始训练数据集，获取预先测量出的所述原始训练数据集中每个原始训练数据对应的目标辐照度参数以及预先计算出的每个所述原始训练数据对应的参照辐照度参数；

55、根据每个所述原始训练数据对应的目标辐照度参数以及对应的参照辐照度参数，确定每个所述原始训练数据对应的辐照度衰减指数。

56、作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据每个所述原始训练数据对应的目标辐照度参数以及对应的参照辐照度参数，确定每个所述原始训练数据对应的辐照度衰减指数的方式具体为：

57、根据每个所述原始训练数据对应的目标辐照度参数，确定每个所述原始训练数据对应的第一辐照度面积参数；

58、根据每个所述原始训练数据对应的参照辐照度参数，确定每个所述原始训练数据对应的第二辐照度面积参数；

59、根据每个所述原始训练数据对应的第一辐照度面积参数以及对应的第二辐照度面积参数，计算每个所述原始训练数据对应的辐照度衰减指数；

60、其中，每个所述原始训练数据对应的辐照度衰减指数是基于以下公式计算出的：

61、k＝(sa-sb)/sb；

62、k为对应的原始训练数据所对应的辐照度衰减指数，sa为该原始训练数据对应的第一辐照度面积参数，sb为该原始训练数据对应的第二辐照度面积参数。

63、作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：

64、获取模块，用于在训练出所述目标预测模型之后，获取用于预测的所述光伏电站的当前环境参数以及基础参数；所述光伏电站的当前环境参数包括所述光伏电站的当前温度参数、当前湿度参数、当前风速参数以及当前太阳辐照度参数中的至少一种，所述光伏电站的基础参数包括所述光伏电站的经纬度参数、时间点参数以及海拔参数中的至少一种；

65、输入模块，用于将所述光伏电站的当前环境参数以及所述基础参数输入至所述目标预测模型，以使所述目标预测模型执行如以下操作：根据所述光伏电站的当前环境参数以及所述基础参数，确定所述光伏电站的目标参照辐照度参数；获取测量出的所述光伏电站的当前辐照度参数，并根据所述目标参照辐照度参数以及所述当前辐照度参数，计算所述光伏电站的目标辐照度衰减指数；根据所述目标辐照度衰减指数，确定所述光伏电站的当前天气类型，并根据所述当前天气类型，预测所述光伏电站的未来光伏功率参数。

66、作为一种可选的实施方式，在本发明第二方面中，所述第一确定模块根据每个所述原始训练数据对应的辐照度衰减指数，对每个所述原始训练数据执行天气类型划分操作，得到每个所述原始训练数据所属的天气类型的方式具体为：

67、根据每个所述原始训练数据对应的辐照度衰减指数以及预设的衰减指数阈值等级条件，确定每个所述原始训练数据对应的衰减指数阈值等级；

68、根据每个所述原始训练数据对应的衰减指数阈值等级，确定每个所述原始训练数据所属的天气类型。

69、本发明第三方面公开了另一种分布式光伏功率智能预测装置，所述装置包括：

70、存储有可执行程序代码的存储器；

71、与所述存储器耦合的处理器；

72、所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的分布式光伏功率智能预测方法。

73、本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的分布式光伏功率智能预测方法。

74、与现有技术相比，本发明实施例具有以下有益效果：

75、本发明实施例中，确定用于训练的至少一种天气类型的目标训练数据；根据所有天气类型的目标训练数据，对预设的待训练预测模型执行训练操作，得到训练后预测模型，并判断训练后预测模型是否收敛；当判断结果为是时，将训练后预测模型确定为目标预测模型；目标预测模型用于基于光伏电站的当前天气类型预测光伏电站的未来光伏功率参数。可见，实施本发明能够训练出用于预测未来光伏功率参数的预测模型，以智能化地依据光伏电站的当前天气类型对未来光伏功率参数进行预测，这样，有利于降低天气情况对光伏功率参数造成的影响程度，进而有利于提高预测出的未来光伏功率参数，从而有利于依据未来光伏功率参数及时地对电网进行调度，使得电网能够正常运行，保障用户正常用电。