一种光伏电站短期发电量预测方法、系统、设备及介质

技术领域

本发明涉及光伏发电技术领域，具体涉及一种光伏电站短期发电量预测方法、系统、设备及介质。

背景技术

光伏电站发电量是各因素综合影响下光伏电站出力情况，研究显示影响光伏电站发电量的因素主要有空气污染、气象因素、组件积灰、下垫面特性等。目前对组件积灰和下垫面反射对光伏电站发电的影响研究较多，但气象及空气污染对光伏电站发电量影响的相关研究较少。

公布号为CN107909218A的专利申请文件，公开了一种短期光伏发电量预测方法，包括多层次特征分析确定需要的天气特征信息；根据已确定的天气特征信息，形成基本特征库；利用建立好的特征库，采用机器学习方法，进行发电量预测模型分析；建立更新的特征库；利用预报中获得的天气特征以及处理得到的新特征，输入发电量预测模型，进行发电量预测；该专利只考虑了气象对光伏电站发电量影响，而未考虑空气污染因素，特别是对于空气污染较严重的地方，单纯考虑气象因素，而不考虑空气污染因素，会导致该地区光伏电站短期发电量预测不够准确。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提出了一种光伏电站短期发电量预测方法、系统、设备及介质，建立空气污染数据和气象数据对发电量影响的关系，通过量子粒子群算法优化BP神经网络预测模型，得到的光伏电站短期发电量预测精度高，预测效果好，对空气污染较严重的地区光伏电站的设计、运维及并网策略提供技术支撑。

为了实现上述目的，本发明提供了如下的技术方案：

一种光伏电站短期发电量预测方法，包括以下步骤：

获取光伏电站数据库中的气象数据、空气污染数据以及发电量；

将光伏电站数据库中的气象数据、空气污染数据对发电量的影响进行相关性分析；

根据相关性分析，构建BP神经网络预测模型；

利用量子粒子群算法优化BP神经网络预测模型；

将实际的气象数据和空气污染数据输入优化后的BP神经网络预测模型中，输出光伏电站短期发电量预测结果。

所述气象数据包括辐照度、风速、环境温度、光伏组件背板温度、气压及环境湿度。

所述空气污染数据包括AQI、PM2.5、PM10、SO

相关性分析采用相关系数法，将气象数据和空气污染数据分别与发电量进行相关系数计算。

根据相关性分析，构建BP神经网络预测模型，包括：利用相关系数，得到BP神经网络初始的阈值及权值，构建BP神经网络预测模型。

利用量子粒子群算法优化BP神经网络预测模型，包括：利用量子粒子群算法对BP神经网络初始的阈值及权值进行优化，利用气象数据、空气污染数据以及发电量进行粒子及粒子速度初始化。

本发明的另一个技术方案是，一种光伏电站短期发电量预测系统，包括：

数据获取模块：获取光伏电站数据库中的气象数据、空气污染数据以及发电量；

相关性分析模块：将光伏电站数据库中的气象数据、空气污染数据对发电量的影响进行相关性分析；

模型构建与优化模块：根据相关性分析，构建BP神经网络预测模型，利用量子粒子群算法优化BP神经网络预测模型；

预测结果输出模块：将实际的气象数据和空气污染数据输入优化后的BP神经网络预测模型中，输出光伏电站短期发电量预测结果。

一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种光伏电站短期发电量预测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述一种光伏电站短期发电量预测方法的步骤。

与现有技术相比，本发明具有以下有益效果：

空气污染会带来污染颗粒物，附着在光伏板上就会影响光伏板受光率进而影响光伏发电量，而现有技术中的发电量预测未考虑空气污染，由空气污染引发的发电量损失占总体发电量的3％-5％，本发明通过分析光伏电站数据库中的气象数据和空气污染数据对发电量的影响建模，并通过量子粒子群算法(QPSO)优化BP神经网络预测模型，即可得出光伏电站短期发电量预测结果，算法实现简单，提高了预测精度，预测效果好，尤其适用于污染较严重的地区的光伏电站短期发电量预测。

进一步的，采用BP神经网络进行预测时，构建神经网络模型需要给各个输入因子进行权重赋值，采用相关性分析，分析出不同输入参数跟发电量的相关性，可以作为后续权重赋值的依据。

进一步的，BP神经网络预测的准确性很大程度上取决于各层的权重系数的选取，为了获得准确的预测效果，必须采用相关性得到输入参数与发电量的相关系数，然后再给BP网络权重赋值，才能得到更准确的预测结果。

进一步的，单纯利用BP神经网络进行预测，连接权重的设置不当很容易导致预测结果存在误差，并且训练存在速度慢和局部极小值的缺点，对神经网络的训练较难达到全局最优，因此采用量子粒子群对BP神经网络初始的阈值及权值进行优化，提高预测精度和泛化能力，而气象数据空气污染数据均是影响发电量的因素，选择气象数据、空气污染数据以及发电量进行粒子及粒子速度初始化，可以保证预测数据的准确性。

可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。

综上所述，本发明充分考虑气象因素及空气污染的共同影响，采用多种智能算法对光伏电站发电量进行预测，预测算法实现简单，预测精度高，预测效果好。

附图说明

图1为本发明的方法流程图。

图2为本发明QPSO-BP建模流程图。

图3为本发明光伏发电短期发电量的预测结果图。

图4为本发明一实施例提供的计算机设备的示意图。

图5为本发明根据一实施例提供的一种芯片的框图。

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。

在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

请参阅图1，一种光伏电站短期发电量预测方法，包括以下步骤：

步骤1，获取光伏电站数据库中的气象数据、空气污染数据以及发电量；

气象数据包括辐照度、风速、环境温度、光伏组件背板温度、气压、环境湿度；

空气污染数据包括AQI、PM2.5、PM10、SO

步骤2，将光伏电站数据库中的气象数据、空气污染数据对发电量的影响进行相关性分析；

分析采用相关系数法，将上述光伏电站的气象数据和空气污染数据分别与发电量进行相关系数计算，相关系数的取值区间在1到-1之间，1表示两个变量完全线性相关，-1表示两个变量完全负相关，0表示两个变量不相关，数据越趋近于0表示相关关系越弱。计算结果如下表1所示：

表1相关性计算表

从表1的分析结果可以看出，发电量与气象数据、空气污染数据各因素相关性排序如下：辐照度、PM2.5、环境湿度、PM10、O

步骤3，根据相关性分析，构建BP神经网络预测模型；

BP神经网络是一种有着三层或者三层以上结构的神经网络，一般包括输入层，输出层和隐含层，基本原理为采用误差梯度下降法进行训练，不断改变整个网络的初始权值和阈值，直到网络输出值与实际值的误差最小，学习过程如下：

1)初始化权值和阈值，并设定学习模式；

2)对输入层的输出进行计算，采用经验公式对隐含层进行确定，隐含层节点经验公式为：

p＝sqrt(m+n)+a

其中，p代表隐含层节点数，sqrt代表开方，m代表输入层节点数，n代表输出层节点数，a代表1-10之间的常数；

计算中分别取4～18进行试验，用均方误差(MSE)作为评价标准，每个隐含层数在随机权值与阈值的情况下训练10次，取平均值。预测中隐含层数和误差值的训练结果如下表2所示，其中最佳隐含层数为17，预测值的误差最小为20.4；

3)对输入层至隐含层之间及隐含层至输出层之间的权值以及隐含层、输出层神经元的阈值进行修正；

4)判断网络的误差是否满足设定的精度，若满足则训练结束，否则通过网络提供的随机学习模式继续训练；

5)更新网络的学习次数，如果学习次数小于设定的次数则返回第一步，否则学习结束。

表2隐含层数和误差值的训练结果

步骤4，利用量子粒子群算法(QPSO)优化BP神经网络预测模型：

请参阅图2，量子粒子群BP神经网络模型的输入为光伏电站的气象数据、空气污染数据和发电量，经过相关性分析在BP神经网络构建时给出初始的阈值及权值，经过量子粒子群算法对初始的阈值及权值进行优化。

步骤5，将实际的气象数据和空气污染数据输入优化后的BP神经网络预测模型中，输出光伏电站短期发电量预测结果。

本发明再一个实施例中，提供一种光伏电站短期发电量预测系统，该系统能够用于实现上述光伏电站短期发电量预测方法，具体的，该光伏电站短期发电量预测系统包括数据获取模块、相关性分析模块、模型构建与优化模块以及预测结果输出模块。

其中，数据获取模块：获取光伏电站数据库中的气象数据、空气污染数据以及发电量；

相关性分析模块：将光伏电站数据库中的气象数据、空气污染数据对发电量的影响进行相关性分析；

模型构建与优化模块：根据相关性分析，构建BP神经网络预测模型，利用量子粒子群算法优化BP神经网络预测模型；

预测结果输出模块：将实际的气象数据和空气污染数据输入优化后的BP神经网络预测模型中，输出光伏电站短期发电量预测结果。

本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于光伏电站短期发电量预测方法的操作，包括：

获取光伏电站数据库中的气象数据、空气污染数据以及发电量；将光伏电站数据库中的气象数据、空气污染数据对发电量的影响进行相关性分析；根据相关性分析，构建BP神经网络预测模型；利用量子粒子群算法优化BP神经网络预测模型；将实际的气象数据和空气污染数据输入优化后的BP神经网络预测模型中，输出光伏电站短期发电量预测结果。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关光伏电站短期发电量预测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：

获取光伏电站数据库中的气象数据、空气污染数据以及发电量；将光伏电站数据库中的气象数据、空气污染数据对发电量的影响进行相关性分析；根据相关性分析，构建BP神经网络预测模型；利用量子粒子群算法优化BP神经网络预测模型；将实际的气象数据和空气污染数据输入优化后的BP神经网络预测模型中，输出光伏电站短期发电量预测结果。

请参阅图4，终端设备为计算机设备，该实施例的计算机设备60包括：处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63，该计算机程序63被处理器61执行时实现实施例中的光伏电站短期发电量预测方法，为避免重复，此处不一一赘述。或者，该计算机程序63被处理器61执行时实现实施例光伏电站短期发电量预测系统中各模型/单元的功能，为避免重复，此处不一一赘述。

计算机设备60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备60可包括，但不仅限于，处理器61、存储器62。本领域技术人员可以理解，图4仅仅是计算机设备60的示例，并不构成对计算机设备60的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器62可以是计算机设备60的内部存储单元，例如计算机设备60的硬盘或内存。存储器62也可以是计算机设备60的外部存储设备，例如计算机设备60上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。

进一步地，存储器62还可以既包括计算机设备60的内部存储单元也包括外部存储设备。存储器62用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。

请参阅图5，终端设备为芯片，该实施例的芯片600包括处理器622，其数量可以为一个或多个，以及存储器632，用于存储可由处理器622执行的计算机程序。存储器632中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器622可以被配置为执行该计算机程序，以执行上述的光伏电站短期发电量预测方法。

另外，芯片600还可以包括电源组件626和通信组件650，该电源组件626可以被配置为执行芯片600的电源管理，该通信组件650可以被配置为实现芯片600的通信，例如，有线或无线通信。此外，该芯片600还可以包括输入/输出接口658。芯片600可以操作基于存储在存储器632的操作系统。

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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。

仿真实验

仿真采用华中地区某电站2021年6月1日-2022年5月11日以每小时为间隔的8230个点的数据作为测试集，预测2022年5月12-18日一周的光伏发电量数据。

将预测结果与光伏电站实际发电量进行对比，对比结果如图3所示，预测结果如表3所示：

表3模型预测结果评价表

从图3中可以看出，预测结果与光伏电站实际发电量的走势基本一致，在2022年5月14日到2022年5月15日光伏电站达到实际发电量达到最高40MWh，此时预测发电量也达到了最高峰33MWh，在2022年5月15日到2022年5月16日光伏电站达到实际发电量达到39MWh，此时预测发电量也达到了37MWh；

从表3中可以看出，本发明模型预测结果平均相对误差小，说明预测结果比较准确，均方误差较小，说明模型的拟合程度较好。

以上仿真实验说明了本发明提供的光伏电站短期发电量预测精度高，预测效果好。