一种光伏发电功率预测方法及系统

技术领域

本发明涉及光伏发电技术领域，具体涉及一种光伏发电功率预测方法及系统。

背景技术

随着电厂规模的不断扩增，电厂的数据量也呈爆炸式的增长，光伏发电具有较强的周期变化性，其输出功率受各种气象因素的影响，太阳辐射强度、大气温度、相对湿度、风速、风向、气压等参数对光伏发电有着不同程度的影响。传统的神经网络光伏功率预测模型一方面受电厂来源数据的制约，忽略了部分环境因素对光伏功率的影响，缺乏对多元环境序列信息的有效利用；另一方面，由于光伏功率与多元环境序列信息呈非线性变化，随着网络输入变量的增多，会导致模型收敛速度减慢，并出现过拟合问题；同时因欠缺对光伏功率随时间变化这一特性的考量，限制了预测精度的提升。

发明内容

本发明的目的在于提供一种光伏发电功率预测方法及系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种光伏发电功率预测方法，包括：

S1：采集光伏发电功率的历史数据和制约光伏发电功率的环境因素数据，通过分布式系统进行分类与存储；

S2：通过互补集合经验模态分解方法将光伏发电功率的历史数据和制约光伏发电功率的环境因素数据进行分解，得到不同时间尺度下的本征模态分量和剩余分量；

S3：对获得的不同时间尺度下的本征模态分量和剩余分量进行归一化处理；

S4：对步骤S3归一化处理后的数据进行预处理；

S5：通过LSTM神经网络对步骤S4预处理后的数据建模，构建功率预测模型；

S6：通过遗传算法择优优化步骤S5构建的功率预测模型的各个参数，输入遗传算法优化好的参数，得到优化好的功率预测模型；

S7：通过步骤S6优化好的功率预测模型来预测未来的光伏发电功率数值。

步骤S1中，制约光伏发电功率的环境因素数据包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力。

步骤S2中，通过互补集合经验模态分解方法将光伏发电功率的历史数据和制约光伏发电功率的环境因素数据进行分解，具体包括：

在待分解信号中加入成对正负高斯白噪声，待分解信号为光伏发电功率的历史数据和制约光伏发电功率的环境因素数据，分解为各种不同的特征波动因素和细节性，将待分解信号中存在的不同尺度波动或趋势逐级分解出来，产生不同时间尺度下的本征模态分量和剩余分量。

步骤S3中，对获得的不同时间尺度下的本征模态分量和剩余分量进行归一化处理，具体包括：

其中max

步骤S4中，预处理具体包括：

对步骤S3归一化处理后的数据补充缺失值并通过正态分布识别来剔除异常值,其中异常值根据正态分布的定义，将样本距离平均值大于3δ认定为异常值。

步骤S6中，通过遗传算法择优优化步骤S5构建的功率预测模型的各个参数，输入遗传算法优化好的参数，得到优化好的功率预测模型，具体包括：

遗传算法通过不断地在解空间进化，然后通过算子选择出适应度高的子代，然后对适应度高的子代进行遗传操作，通过迭代或者当个体达到要求的适应度值时即可停止；

适应度高的子代是指适应度从高到底排序，选择前10％的子代。

进一步优选，一种光伏发电功率预测方法，包括：

S1：采集光伏发电功率的历史数据和制约光伏发电功率的环境因素数据，通过分布式系统进行分类与存储；

S2：通过互补集合经验模态分解方法将环境因素数据进行分解，得到不同时间尺度下的本征模态分量和剩余分量；

S3：对获得的光伏发电功率历史数据及新的特征因子进行归一化处理，并将已知数据格式转换、标准化；

S4：结合S3中的操作进行数据预处理，补充缺失值并通过正态分布识别来剔除异常值，同时删去特殊值；

S5：通过LSTM神经网络完成对多变量时间序列和光伏功率数据之间的动态时间建模，构建功率预测模型；

S6：通过遗传算法择优优化LSTM神经网络的功率预测模型的各个参数，输入遗传算法优化好的参数；

S7：利用不同的特征数据输入来优化调整模型参数，通过功率预测模型来预测未来的光伏发电功率数值。

优选的，所述S1中的环境因素数据主要包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力，所述S1中输入数据是采用多个特征的多维度输入，所述S2中的互补集合经验模态分解方法通过在待分解信号中加入成对正负高斯白噪声来减轻经验模态分解的模态混叠，所述经验模态分解通过将环境因素分解为各种不同的特征波动因素和细节性，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，产生一系列具有不同特征尺度的数据序列，增加特征的多样性。

优选的，所述S3中会延续S2筛选过程并在格式转换后分解原始数据获得细节性特征，所述S3中将数据信息格式以统一的标准化转换适配后续需要，所述S3中在归一化处理时需要考虑数据的时间序列数据特性影响，归一处理的计算公式为：

其中max

所述S6中的遗传算法其核心的思想就是通过不断的在解空间进化，然后通过选择算子选择出适应度高的子代，然后对适应度高的子代进行遗传操作，通过迭代一定的次数或者当个体达到要求的适应度值时即可停止，主要过程包括：

1)编码和初始化群体生成

把需要选择的参数特征进行编码，每一个参数特征就是一个基因，一个解就是一串基因的组合，然后随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个构成了一个群体；

2)计算当前群体的所有个体的适应度

根据参数特征的不同性质确定不同的个体适应度指标，通过采用相对应的适应度计算方法计算出具体可参考数值；

3)选择

选择出适应度更适合功率预测模型的个体重复上述操作；

4)杂交

由交换概率挑选的每两个父代通过将相异的部分基因进行交换，从而产生新的个体；

5)变异

首先在群体中随机选择一定数量的个体，对于选中的个体以一定的概率随机地改变串结构数据中某个基因的值，最后判断是否满足模型参数条件，若满足则算法终止，否则进入步骤2)。

优选的，所述S5在处理数据时需要考虑之前生成的细节性、相关性的数据特征，所述S5中的LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络，所述S6中利用处理后的数据随机性抽取数据集作为样本输入功率预测模型进行训练，所述S7中还采用同样方式处理的数据集作为输入，以此对训练后的功率预测模型性能进行测试获得模型测试结果。

优选的，所述测试的数据集与S6中所采用的样本数据集的数量比例为1:10，所述S7中在测试时通过评价指标来评定模型性能(比如MSE、MAE、R

其中N为样本个数，

交叉熵公式为：

其中p(x

一种光伏发电功率预测系统，包括：

数据收录模块，所述数据收录模块用于获取历史数据和环境要素信息；

数据分析模块，所述数据分析模块用于对接收的数据信息进行分析处理；

模型构建模块，所述模型构建模块用于生成模型并采用样本数据集训练；

参数调整模块，所述参数调整模块用于测试模型性能优化调整模型参数；

功率预测模块，所述功率预测模块用于以实际信息输入来预测未来功率。

优选的，所述数据分析模块中对数据分解得到主要特征数据和其他特征数据，所述模型构建模块在构建模型之间会结合数据分析模块对数据信息进行预处理，解决缺失值、异常值、特殊值对数据信息造成的问题，之后通过LSTM构建功率预测模型，通过遗传算法优化模型输入参数并在数据信息中随机抽取样本数据集作为输入进行模型训练。

优选的，所述参数调整模块会从处理后的数据信息中随机选取测试数据集作为测试数据，并结合特征数据测试模型性能获得测试结果，同时计算loss分析模型参数变化趋势来调整参数数值，所述功率预测模块会将实际光伏发电数据采用同样的方式分析转换再输入模型中，从而预测未来光伏发电功率情况，所述功率预测模块会更新计算出相近时间的关联预测结果以防止特例信息的影响作用。

与现有技术相比，本发明的有益效果是：

本发明通过对与光伏发电功率相关联的数据进行收集分析，结合互补集合经验模态分解从繁琐的数据信息中将重要的特征信息挑选出来，对包含时间序列数据的功率信息进行归一化处理适配神经网络模型的需求，对特殊数据数值进行出来使得数据输入不受影响，同时功率预测模型以遗传算法优化的参数作为输入参数，在经过训练测试操作，能够提高模型预测精度，进而在涵盖时间序列数据的情况下通过功率预测模型计算之后得到光伏发电功率预测结果，这样在预测过程中考虑并分析外界因素对光伏发电功率的影响，同时参照时间序列数据的特性通过神经网络模型进行预测，会得到包含时间变化因素的预测结果，提高了预测结果的准确性。

附图说明

图1为本发明的方法流程图；

图2为本发明的系统架构图；

图3为本发明的一种简单的预测流程示意图；

图4为本发明的预测方法逻辑流程示意图；

图5为本发明的互补集合经验模态分解流程示意图。

具体实施方式

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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。

实施例一：

请参阅图1-图5所示(图1为方法流程图；图2为系统架构图；图3为一种简单的预测流程示意图；图4为预测方法逻辑流程示意图；图5为互补集合经验模态分解流程示意图)；

一种光伏发电功率预测方法，包括：

S1：采集光伏发电功率的历史数据和制约光伏发电功率的环境因素数据，通过分布式系统进行分类与存储；

S2：通过互补集合经验模态分解方法将环境因素数据进行分解，得到不同时间尺度下的本征模态分量和剩余分量；

S3：对获得的光伏发电功率历史数据及新的特征因子进行归一化处理，并将已知数据格式转换、标准化；

S4：结合S3中的操作进行数据预处理，补充缺失值并通过正态分布识别来剔除异常值，同时删去特殊值；

S5：通过LSTM神经网络完成对多变量时间序列和光伏功率数据之间的动态时间建模，构建功率预测模型；

S6：通过遗传算法择优优化LSTM神经网络的功率预测模型的各个参数，输入遗传算法优化好的参数；

S7：利用不同的特征数据输入来优化调整模型参数，通过功率预测模型来预测未来的光伏发电功率数值。

S1中的环境因素数据主要包括太阳辐照度、组件温度、空气温度、相对湿度和大气压力，S1中输入数据是采用多个特征的多维度输入，S2中的互补集合经验模态分解方法通过在待分解信号中加入成对正负高斯白噪声来减轻经验模态分解的模态混叠，经验模态分解通过将环境因素分解为各种不同的特征波动因素和细节性，从而将原始环境信号中存在的不同尺度波动或趋势逐级分解出来，产生一系列具有不同特征尺度的数据序列，增加特征的多样性。

S3中会延续S2筛选过程并在格式转换后分解原始数据获得细节性特征，所述S3中将数据信息格式以统一的标准化转换适配后续需要，所述S3中在归一化处理时需要考虑数据的时间序列数据特性影响，归一处理的计算公式为：

其中max

所述S6中的遗传算法其核心的思想就是通过不断的在解空间进化，然后通过选择算子选择出适应度高的子代，然后对适应度高的子代进行遗传操作，通过迭代一定的次数或者当个体达到要求的适应度值时即可停止，主要过程包括：

1)编码和初始化群体生成

把需要选择的参数特征进行编码，每一个参数特征就是一个基因，一个解就是一串基因的组合，然后随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个构成了一个群体；

2)计算当前群体的所有个体的适应度

根据参数特征的不同性质确定不同的个体适应度指标，通过采用相对应的适应度计算方法计算出具体可参考数值；

3)选择

选择出适应度更适合功率预测模型的个体重复上述操作；

4)杂交

由交换概率挑选的每两个父代通过将相异的部分基因进行交换，从而产生新的个体；

5)变异

首先在群体中随机选择一定数量的个体，对于选中的个体以一定的概率随机地改变串结构数据中某个基因的值，最后判断是否满足模型参数条件，若满足则算法终止，否则进入步骤2)。

S5在处理数据时需要考虑之前生成的细节性、相关性的数据特征，S5中的LSTM是一种含有LSTM区块(blocks)或其他的一种类神经网络，S6中利用处理后的数据随机性抽取数据集作为样本输入功率预测模型进行训练，S7中还采用同样方式处理的数据集作为输入，以此对训练后的功率预测模型性能进行测试获得模型测试结果。

测试的数据集与S6中所采用的样本数据集的数量比例为1:10，S7中在测试时通过评价指标来评定模型性能(比如MSE、MAE、R

其中N为样本个数，

交叉熵公式为：

其中p(x

一种光伏发电功率预测系统，包括：

数据收录模块，数据收录模块用于获取历史数据和环境要素信息；

数据分析模块，数据分析模块用于对接收的数据信息进行分析处理；

模型构建模块，模型构建模块用于生成模型并采用样本数据集训练；

参数调整模块，参数调整模块用于测试模型性能优化调整模型参数；

功率预测模块，功率预测模块用于以实际信息输入来预测未来功率。

数据分析模块中对数据分解得到主要特征数据和其他特征数据，模型构建模块在构建模型之间会结合数据分析模块对数据信息进行预处理，解决缺失值、异常值、特殊值对数据信息造成的问题，之后通过LSTM构建功率预测模型，通过遗传算法优化模型输入参数并在数据信息中随机抽取样本数据集作为输入进行模型训练。

参数调整模块会从处理后的数据信息中随机选取测试数据集作为测试数据，并结合特征数据测试模型性能获得测试结果，同时计算loss分析模型参数变化趋势来调整参数数值，功率预测模块会将实际光伏发电数据采用同样的方式分析转换再输入模型中，从而预测未来光伏发电功率情况，功率预测模块会更新计算出相近时间的关联预测结果以防止特例信息的影响作用。

实施例二：

一种光伏输出功率预测模型实现步骤：

输入：a太阳辐照度，b组件温度，c空气温度，d相对湿度，e大气压力，f光伏功率。

输出：模型评估指标RMSE、MAE、R

1)数据清洗：将采集到的现场光伏功率数据f和环境数据a，b，c，d，e进行数据清洗，以天为单位剔除实际生产中由于通讯故障等原因而导致的“坏数据”；

2)通过经验模态分解将环境数据分解为不同频率的本征模分量{IMF

3)对步骤2)挑选后的数据和光伏发电功率历史数据进行归一化，并进行数据格式的标准化转换，处理缺失值、异常值、特殊值等问题信息；

4)通过LSTM神经网络构建预测模型，通过遗传算法择优优化预测模型参数，配合多目标和多峰策略，确定多组目标解供给选择作为优化参数输入预测模型；

5)从处理的数据中随机抽取适用于LSTM模型的数据集，并进行训练集和测试集的划分，将样本的训练集输入到LSTM模型中进行训练，直到获得模型的目标准确率；

6)模型训练结束，保存训练文件，输入测试集进行测试；

7)输出模型评估指标RSME、MAE、R

由上可知，本发明通过对与光伏发电功率相关联的数据进行收集分析，结合互补集合经验模态分解和遗传算法择优从繁琐的数据信息中将重要的特征信息挑选出来，对包含时间序列数据的功率信息进行归一化处理适配神经网络模型的需求，对特殊数据数值进行出来使得数据输入不受影响，同时功率预测模型以遗传算法优化的参数作为输入参数，在经过训练测试操作，能够提高模型预测精度，进而在涵盖时间序列数据的情况下通过功率预测模型计算之后得到光伏发电功率预测结果，这样在预测过程中考虑并分析外界因素对光伏发电功率的影响，同时参照时间序列数据的特性通过神经网络模型进行预测，会得到包含时间变化因素的预测结果，提高了预测结果的准确性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。