一种基于在线学习的光伏发电预测方法与系统

技术领域

本发明属于光伏发电预测技术领域，具体涉及一种基于在线学习的光伏发电预测方法与系统。

背景技术

随着新能源占比的不断攀升，由于光伏等新能源发电的波动性给电网调度带来了前所未有的挑战。高精度的预测光伏发电功率成为电网调度的关键技术之一。对于偏远地区，利用光储柴等构建的微电网，其光伏发电的预测准确性直接影响了微电网能否安全稳定运行。对于小型的光伏系统，其随机性更为明显，其预测的难度也远大于大规模的光伏系统。

发明内容

本发明的目的在于解决上述现有技术中存在的难题，提供一种光伏发电预测的方法，能够更好的适应光伏发电的波动性特征，使之能够更好的为小型的光储柴微电网系统提供更为精确的光伏功率预测。

本发明是通过以下技术方案实现的：一种基于在线学习的光伏发电预测方法，包括以下步骤：

构建历史天气分类时间序列，所述历史天气分类时间序列是天气类型按时间顺序的排列，并且根据实时采集的天气数据更新历史天气分类时间序列；

以历史天气分类时间序列作为样本，通过在线学习的方式训练时间序列预测模型，使得时间序列模型能够根据历史天气分类时间序列预测未来时段的天气类型；

功率预测模型根据未来时段的天气类型预测未来时段的光伏发电功率。

进一步的，获取历史数据集，每条历史数据包括时间特征、天气特征以及对应的光伏发电功率；根据天气特征对历史数据集进行聚类，得到历史天气分类时间序列。

进一步的，获取实时数据，实时数据包括时间特征、天气特征以及对应的光伏发电功率；将实时数据加入历史数据集中，更新历史数据集；根据天气特征对更新后的历史数据集进行聚类，从而更新历史天气分类时间序列。

进一步的，根据历史天气分类时间序列构建训练样本来训练功率预测模型，所述训练样本以天气类型作为输入数据，并以对应天气类型的光伏发电功率作为标签数据，并采用训练完成的功率预测模型根据天气类型来预测光伏发电功率。

进一步的，根据历史天气分类时间序列统计每种天气类型的光伏发电功率的平均值，以未来时段的天气类型所对应的光伏发电功率的平均值作为未来时段的光伏发电功率的预测值。

进一步的，采用K-means聚类算法确定的最优聚类个数作为天气分类的类型数。

进一步的，天气分类的类型数设置为不低于10个。

进一步的，所述时间特征包括月份与数据采集时段；按照月份对历史数据集进行聚类。

进一步的，所述天气特征包括太阳辐照强度与温度。

本发明还提供一种基于在线学习的光伏发电预测系统，用于实现本发明的基于在线学习的光伏发电预测方法，包括学习库、时间序列预测模型与功率预测模型；所述学习库用于构建历史天气分类时间序列；所述时间训练预测模型用于根据历史天气分类时间序列预测未来时段的天气类型；所述功率预测模型用于根据未来时段的天气类型预测未来时段的光伏发电功率。

与现有技术相比，本发明的有益效果包括：

1、本发明采用在线学习的方式进行训练，天气类型的种类能够随着实时数据的变化而变化，采用聚类算法进行天气划分，能够划分得十分精细，更加精准的确定天气类型以及对应的功率。另外，随着数据量的不断增加，其预测的精度也会不断的提高。

2、本发明采用时序预测根据时间的变化来判定天气，每5至10分钟就能判定天气的类型，并利用此类型进行预测，而不是以日为单位进行预测，例如中午是下雨，下午就有可能是晴天，预测精度更高。

3、本发明还加入了月份作为时间特征，即每个季节它的整体天气变化也是不同，更为细致的说明了天气的分类的整体状态。

附图说明

图1实施例1的流程图。

具体实施方式

在线学习与离线学习的主要不同之处在：离线学习需要采用完整的数据集进行训练，训练完成后才能投入使用，无法动态更新模型参数。然而，在线学习不需要一开始就提供完整的训练数据集，在实际应用中采用实时产生的样本进行训练，输入一个样本就能更新一次模型参数，在数据不断的到来的过程中，动态更新模型，可以快速的适应数据的特征变化。

本发明采用在线学习方法能够更好的适应天气的变化，进而更好的适应光伏发电的波动性特征。据此，本发明提供一种基于在线学习的光伏发电预测方法，包括以下步骤：

构建历史天气分类时间序列，所述历史天气分类时间序列是天气类型按时间顺序的排列，并且根据实时采集的天气数据更新历史天气分类时间序列；

以历史天气分类时间序列作为样本，通过在线学习的方式训练时间序列预测模型，使得时间序列模型能够根据历史天气分类时间序列预测未来时段的天气类型；

功率预测模型根据未来时段的天气类型预测未来时段的光伏发电功率。

为了实现本发明的基于在线学习的光伏发电预测方法，还一种基于在线学习的光伏发电预测系统，，包括学习库、时间序列预测模型与功率预测模型；所述学习库用于构建历史天气分类时间序列；所述时间训练预测模型用于根据历史天气分类时间序列预测未来时段的天气类型；所述功率预测模型用于根据未来时段的天气类型预测未来时段的光伏发电功率。

下面结合附图与实施例对本发明作进一步详细描述。

实施例1

本实施例的光伏发电预测方法的流程参考图1所示。

构建历史天气分类时间序列，所述历史天气分类时间序列是天气类型按时间顺序的排列，并且根据实时采集的天气数据更新历史天气分类时间序列。

具体的，获取历史数据集，每条历史数据包括时间特征、天气特征以及对应的光伏发电功率；根据天气特征对历史数据集进行聚类，得到历史天气分类时间序列。

获取实时数据，实时数据包括时间特征、天气特征以及对应的光伏发电功率；将实时数据加入历史数据集中，更新历史数据集；根据天气特征对更新后的历史数据集进行聚类，从而更新历史天气分类时间序列。

历史数据集存储在学习库(学习库是每天都在增加)每间隔一段时间(例如5分钟)实时采集天气的辐照度，温度和对应的光伏电站的功率输出进行如下表格进行分类。

采用K-means聚类算法确定的最优聚类个数作为天气分类的类型数。

按照月份，根据时间、辐照度和温度这三个特征值，首先用聚类算法将历史数据分成10类(如下表所示)。历史天气分类时间序列，形如下表所示(按照月份，一共有12张表格)：

在确定的月份和时间点的时候，会把天气状态分成10个分类。

为了提高预测的精度，采用K-means聚类算法确定的最优聚类个数作为天气分类的类型数。天气分类的类型数设置为不低于10个，若最优聚类个数小于10，则按照10个分类进行聚类。

以历史天气分类时间序列作为样本，通过在线学习的方式训练时间序列预测模型，使得时间序列模型能够根据历史天气分类时间序列预测未来时段的天气类型；

利用时序预测算法，例如卷积神经网络RNN，LSTM对时间序列的天气进行预测，例如09：00-09：05的时间序列的天气分类，由09：00-09：05之前的历史天气分类时间序列(根据实时采集的天气数据更新后的历史天气分类时间序列)作为输入来预测09：00-09：05的天气类型。

功率预测模型根据未来时段的天气类型预测未来时段的光伏发电功率。

当得到09：00-09：05的天气类型的预测后，根据天气类型预测未来时段的光伏发电功率。

本实施例中，根据历史天气分类时间序列构建训练样本来训练功率预测模型，所述训练样本以天气类型作为输入数据，并以对应天气类型的光伏发电功率作为标签数据，并采用训练完成的功率预测模型根据天气类型来预测光伏发电功率。

实施例2

本实施例与实施例1的不同之处在于根据天气类型预测光伏发电功率的方式，具体的：根据历史天气分类时间序列统计每种天气类型的光伏发电功率的平均值，以未来时段的天气类型所对应的光伏发电功率的平均值作为未来时段的光伏发电功率的预测值。

上述技术方案只是本发明的具体实施方式，对于本领域内的技术人员而言，在本发明公开了原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施例所描述的技术方案，因此前面描述的只是优选的，而并不具有限制性的意义。