一种光伏功率短期区间预测方法和系统

技术领域

本发明涉及一种基于CEEMDAN-GSA-LSTMandSVR的光伏功率短期区间预测方法和系统，属于光伏功率预测领域。

背景技术

我国陆地三分之二以上的国土面积年日照时数在2200小时以上，年太阳辐射总量超过5000MJ/m

当前，利用太阳能的主要问题是其时空规律性不明显，地表接受到的太阳辐射量的大小可以分为两部分，第一部分表示时序部分，第二部分表示随机部分。时序分量是由地球的自转和公转运动决定的，随机分量是由天气等随机因素决定的，这就导致光伏出力也存在时序性和随机性两部分。如今，利用神经网络进行光伏功率预测已经成为一大热门方法。然而，现有的预测方法基本上是单一的前馈式神经网络或反馈式神经网络及其改进方法，并没有考虑到光伏出力同时受到随机因素和时序因素的影响。

点预测和区间预测是从预测结果来看的两种预测方法，点预测的结果是随时间变化的数据点，区间预测的结果是随时间变化的在某一置信水平下的置信区间。目前，较为主流的光伏出力预测方法是点预测方法，点预测方法操作简单，不用对预测结果进行概率分布的建模，但是，常规的点预测方法难以应对光伏出力不确定性的问题，而区间预测可以解决这一问题，它可以提供预测值的波动区间，在一定的置信水平下给出输出功率的上下界值。

发明内容

针对上述问题，本发明的目的是提供一种光伏功率短期区间预测方法和系统，兼顾了光伏出力的时间连续性和随机波动性，提高了预测准确度。

为实现上述目的，本发明采取以下技术方案：

第一方面，本发明提供一种光伏功率短期区间预测方法，该方法包括以下步骤：

对预先获取的历史光伏功率数据进行CEEMDAN分解，并基于得到的IMF分量得到时序分量和随机分量；

基于得到的时序分量和随机分量分别进行预测，并将预测结果相加作为点预测结果；

计算点预测结果与真实值的误差，并对误差进行分类统计和Johnson变换，得到光伏功率区间预测结果。

进一步，所述对预先获取的历史光伏功率数据进行CEEMDAN分解，并基于得到的IMF分量得到时序分量和随机分量，包括：

获取光伏功率预测所需的基础数据，进行预处理后得到历史光伏功率数据；

针对历史光伏功率数据，选取预设范围的序列长度进行CEEMDAN分解，使得每次分解均能得到相同数量的IMF分量；

计算各IMF分量与赤纬角、时角、地外太阳辐照度I

进一步，获取的光伏功率预测所需的基础数据包括：地面辐射观测数据、常规气象要素观测数据和历史光伏功率数据；基于所述地面辐射观测数据和常规气象要素观测数据计算得到气压、温度、相对湿度、过去一小时降水量、十分钟内平均风速、十分钟内平均能见度、总云量、赤纬角、时角、大气修正清晰度指数k’

进一步，所述预设范围的序列长度为6个采样日～10个采样日。

进一步，所述基于得到的时序分量和随机分量分别进行预测，是指采用经过引力搜索算法优化的LSTM对时序分量进行预测；采用经过引力搜索算法优化的SVR方法对随机分量进行预测。

进一步，所述计算点预测结果与真实值的误差，并对误差进行分类统计和Johnson变换，得到光伏功率区间预测结果，包括：

计算点预测结果与真实值的误差，分类统计其分布情况；

对每一类误差值进行Johnson变换，使变换后的误差符合正态分布；

结合正态分布的累计分布函数，经过Johnson逆变换，得到在不同置信度下的误差分布范围，从而得到光伏功率区间预测结果。

进一步，所述分类统计其分布情况，包括按预测目标日将所有点预测结果与真实值的绝对误差进行分类。

第二方面，本发明提供一种光伏功率短期区间预测系统，包括：

分量计算模块，用于对预先获取的历史光伏功率数据进行CEEMDAN分解，并基于得到的IMF分量得到时序分量和随机分量；

点预测模块，用于分别基于得到的时序分量和随机分量进行预测，并将预测结果相加作为点预测结果；

区间预测模块，用于计算点预测结果与真实值的误差，并对误差进行分类统计和Johnson变换，得到光伏功率区间预测结果。

第三方面，本发明提供一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，所述处理器运行所述计算机程序时执行以实现所述光伏功率短期区间预测方法的步骤。

第四方面，本发明提供一种计算机存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现所述光伏功率短期区间预测方法的步骤。

本发明由于采取以上技术方案，其具有以下优点：

1、本发明对预先获取的历史光伏功率数据进行CEEMDAN分解时，兼顾了光伏出力的时间连续性和随机波动性，提高了预测准确度。

2、本发明给出了较为精准的预测区间，解决了传统点预测难以量化光伏发电中不确定性的问题。

因此，本发明可以广泛应用于光伏功率预测领域。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：

图1是本发明实施例提供的光伏功率短期区间预测方法流程图；

图2是本发明实施例提供的各IMF分量与赤纬角、时角、I

图3a～图3c是本发明实施例提供的在三种不同天气类型下与其他方法点预测结果对比示意图；图3a是连续晴天；图3b是转折天气；图3c是连续阴雨天气；

图4是本发明实施例提供的点预测结果与实际光伏出力的绝对误差ε的频率直方图；

图5a～图5f是本发明实施例提供的Johnson变换前后概率图对比；

图6a～图6c是本发明实施例提供的在三种不同的天气类型下区间预测结果示意图；图6a是连续晴天；图6b是转折天气；图6c是连续阴雨天气。

具体实施方式

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的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本发明的一些实施例中，提供一种光伏功率短期区间预测方法，该方法包括以下步骤：对预先获取的历史光伏功率数据进行CEEMDAN分解，并基于得到的IMF分量得到时序分量和随机分量；基于得到的时序分量和随机分量分别进行预测，并将预测结果相加作为点预测结果；计算点预测结果与真实值的误差，并对误差进行分类统计和Johnson变换，得到光伏功率区间预测结果。本发明兼顾了气象环境因素的时序性和随机性，预测速度快，预测精度高，且解决了传统点预测难以量化光伏发电中不确定性的问题。因此，本发明可以广泛应用于光伏功率预测领域。

与之相对应地，本发明的另一些实施例中，提供一种光伏功率短期区间预测系统、设备和存储介质。

实施例1

如图1所示，本实施例提供一种光伏功率短期区间预测方法，包括以下步骤：

步骤1：对预先获取的历史光伏功率数据进行CEEMDAN分解，并基于得到的IMF分量得到时序分量和随机分量；

步骤2：分别基于得到的时序分量和随机分量进行预测，并将预测结果相加作为点预测结果；

步骤3：计算点预测结果与真实值的误差，并对误差进行分类统计和Johnson变换，得到光伏功率短期区间预测结果。

优选地，上述步骤1中，包括以下步骤：

步骤1.1：获取光伏功率预测所需的基础数据，进行预处理后得到历史光伏功率数据；

步骤1.2：针对历史光伏功率数据，选取合适的序列长度进行CEEMDAN分解，使得每次分解均能得到相同数量的IMF分量；

步骤1.3：计算各IMF分量与赤纬角、时角、地外太阳辐照度I

优选地，上述步骤1.1中，获取的光伏功率预测所需的基础数据包括：地面辐射观测数据、常规气象要素观测数据和历史光伏功率数据。其中，基于获取的地面辐射观测数据和常规气象要素观测数据计算天文数据特征量，包括气压、温度、相对湿度、过去一小时降水量、十分钟内平均风速、十分钟内平均能见度、总云量、赤纬角、时角、大气修正清晰度指数k'

其中，大气修正清晰度指数k'

式中，k

式中，I表示获取的气象数据中的水平面总辐射，γ为日地距离订正系数，E

式中，n为所求日期在一年中的日序数。

优选地，上述步骤1.1中，对获取的数据进行预处理，包括：数据清洗，归一化处理。

具体地，数据清洗包括筛除异常值，并筛除太阳高度角小于10°的数据；归一化处理是指按特征量将获取的基础数据归一化到0～1范围内。

优选地，上述步骤1.2中，合适的序列长度根据实际需要确定，本实施例中为6个采样日～10个采样日。

优选地，上述步骤2中，基于时序分量进行预测时，采用经过引力搜索算法优化的LSTM方法；基于随机分量进行预测时，采用经过引力搜索算法优化的SVR方法。

优选地，采用引力搜索算法优化的LSTM方法，是指使用引力搜索算法对LSTM中神经元个数M、学习率L

式中，P

优选地，上述步骤3中，光伏功率区间预测结果的获取方法，包括以下步骤：

步骤3.1：计算点预测结果与真实值的误差，分类统计其分布情况；

步骤3.2：对每一类误差值进行Johnson变换，使变换后的误差符合正态分布；

步骤3.3：结合正态分布的累计分布函数，经过Johnson逆变换，得到在不同置信度下的误差分布范围，从而得到光伏功率区间预测结果。

优选地，上述步骤3.1中，分类统计其分布情况包括按预测目标日将所有点预测结果与真实值的绝对误差进行分类。

优选地，上述步骤3.2中，使变换后的误差符合正态分布是指变换后的数据经过Anderson-Darling正态性检验后P值大于0.05。

优选地，上述步骤3.3中，经过Johnson逆变换是指对变换后的误差进行Johnson逆变换。

实施例2

本实施例对实施例1提供的光伏功率短期区间预测方法做进一步介绍。

1)获取地面辐射观测数据、常规气象要素观测数据，并计算得到天文数据特征量。

2)对获取的数据进行数据清洗，归一化处理，地面辐射观测数据及气象要素观测数据选取每日8时至18时的有效数据，每小时采样一次，每日共有11个采样点，共660个采样日，其中前600个采样日为训练集，后60个采样日为测试集，目标实现对未来三天的功率数据预测。

3)针对历史光伏功率数据，选取7天序列长度，进行CEEMDAN分解，使得每次分解均能得到7个IMF分量。

4)计算各IMF分量与赤纬角、时角、地外太阳辐照度I

5)选取前100天内的特征量及其对应时序分量或随机分量训练，利用GSA对LSTM和SVR的超参数进行优化，优化结果如表1所示；

表1：GSA对LSTM和SVR的超参数优化结果

6)在三种不同的天气类型下利用经过GSA优化的LSTM对时序分量进行预测，利用经过GSA优化的SVR对随机分量进行预测，将两项结果相加为点预测结果，其结果与其他方法所得结果对比如表2和图3a～图3c所示。

表2：点预测结果性能对比

7)计算测试集前40个采样日1254个时刻(本实施例中可以对未来三天进行滚动预测，也即，第一次预测是对第1天～第3天的预测，第二次预测是对第2天～第4天的预测，那么40天内共可以形成38个“未来三天”，因此共有38*3*11＝1254个时刻)的点预测结果与实际光伏出力的绝对误差ε，统计其分布情况，如图4所示。

8)按第一、第二、第三个采样日将1254个时刻的绝对误差ε值为三部分，每部分均有418个ε值，分别代表了每次预测中第1～11，第12～22，第13～33个时刻的ε的集合，记为ε

9)对ε

10)利用正态分布分析ε'

表3：区间预测结果性能对比

评价预测准确度的指标有归一化均方根误差(NRMSE)、对称平均绝对百分比误差(sMAPE),预测区间平均宽度(PINAW)和预测区间覆盖率(PICP)。计算公式为：

式中，P

实施例3

上述实施例1提供了光伏功率短期区间预测方法，与之相对应地，本实施例提供一种光伏功率短期区间预测系统。本实施例提供的系统可以实施实施例1的光伏功率短期区间预测方法，该系统可以通过软件、硬件或软硬结合的方式来实现。例如，该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例，所以本实施例描述过程比较简单，相关之处可以参见实施例1的部分说明即可，本实施例提供的系统的实施例仅仅是示意性的。

本实施例提供的光伏功率短期区间预测系统，包括：

分量计算模块，用于对预先获取的历史光伏功率数据进行CEEMDAN分解，并基于得到的IMF分量得到时序分量和随机分量；

点预测模块，用于分别基于得到的时序分量和随机分量进行预测，并将预测结果相加作为点预测结果；

区间预测模块，用于计算点预测结果与真实值的误差，并对误差进行分类统计和Johnson变换，得到光伏功率区间预测结果。

实施例4

本实施例提供一种与本实施例1所提供的光伏功率短期区间预测方法对应的处理设备，处理设备可以是用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。

所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行本实施例1所提供的光伏功率短期区间预测方法。

在一些实施例中，存储器可以是高速随机存取存储器(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

在另一些实施例中，处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器，在此不做限定。

实施例5

本实施例1的光伏功率短期区间预测方法可被具体实现为一种计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的光伏功率短期区间预测方法的计算机可读程序指令。

计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。

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。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。