分布式电源发电功率的预测方法、装置、设备及存储介质

技术领域

本发明实施例涉及供电技术领域，尤其涉及一种分布式电源发电功率的预测方法、装置、设备及存储介质。

背景技术

近年来，随着全球气候问题的日益加剧，一次化石能源的日渐紧缺及其带来的环境污染日趋严重，使人们逐渐开始转向绿色清洁的生产生活方式，光伏发电、风力发电技术逐渐成熟并广泛普及，分布式电源得到了大力发展。虽然分布式新能源发电具备绿色低碳的优势，但其发电功率受到天气原因的影响较大，这为分布式电源发电功率的预测带来了很多困难。而传统技术在对分布式电源进行发电功率预测时，经常直接进行发电功率预测而未充分考虑天气因素的影响，导致分布式电源发电功率预测的准确率较低，实用性也较低。

发明内容

本发明实施例提供一种分布式电源发电功率的预测方法、装置、设备及存储介质，以实现分布式电源发电功率的实时预测，并提高预测结果的准确性及实用性。

第一方面，本发明实施例提供了一种分布式电源发电功率的预测方法，该方法包括：

获取分布式电源所在区域的实时气象数据；

将所述实时气象数据输入训练好的预测模型，以预测得到所述分布式电源的发电功率。

可选的，在所述将所述实时气象数据输入训练好的预测模型，以预测得到所述分布式电源的发电功率之前，还包括：

收集所述分布式电源的历史发电功率数据，以及所述分布式电源所在区域的历史气象数据；

根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练。

可选的，所述根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练，包括：

基于气象类型对所述历史气象数据及其对应的所述历史发电功率数据进行分类；

分别使用各个气象类型下的所述历史气象数据及所述历史发电功率数据对多个所述预测模型进行训练。

可选的，所述基于气象类型对所述历史气象数据及其对应的所述历史发电功率数据进行分类，包括：

根据所述历史发电功率数据分别计算每天的实际发电功率与所有气象类型下的平均发电功率之间的欧式距离；

将所述欧式距离与已知气象类型对应的基准欧式距离进行比较，以确定所述历史气象数据及其对应的所述历史发电功率数据所属的气象类型。

可选的，所述分布式电源包括光伏发电单元和风力发电单元，所述气象类型包括天气类型和风速类型；

相应的，所述基于气象类型对所述历史气象数据及其对应的所述历史发电功率数据进行分类，包括：

针对所述光伏发电单元，基于天气类型分类为晴、多云、阴、雨或雪；

针对所述风力发电单元，基于风速类型分类为能否使得风机转速达到额定转速的第一风速区间或第二风速区间。

可选的，在所述根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练之前，还包括：

对所述历史发电功率数据和所述历史气象数据进行数据预处理；所述数据预处理包括异常数据的清洗和补全、以及标准化处理。

可选的，在所述根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练之后，还包括：

对所述预测模型进行测试；

根据测试得到的功率预测值以及对应的功率实测值计算平均绝对百分比误差；

将所述平均绝对百分比误差与预设误差阈值进行比较，若超出所述预设误差阈值，则对所述预测模型重新进行训练。

第二方面，本发明实施例还提供了一种分布式电源发电功率的预测装置，该装置包括：

实时气象数据获取模块，用于获取分布式电源所在区域的实时气象数据；

电源发电功率预测模块，用于将所述实时气象数据输入训练好的预测模型，以预测得到所述分布式电源的发电功率。

第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的分布式电源发电功率的预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的分布式电源发电功率的预测方法。

本发明实施例提供了一种分布式电源发电功率的预测方法，首先获取分布式电源所在区域的实时气象数据，然后将该实时气象数据输入到训练好的预测模型中，并由预测模型输出预测的分布式电源的发电功率。本发明实施例所提供的分布式电源发电功率的预测方法，通过将气象数据对分布式电源发电功率的影响抽象为学习器模型，充分的考虑了气象数据对发电功率带来的影响，将气象数据作为分布式电源预测模型构建的重要数据支撑，实现了对分布式电源发电功率的实时预测，并提高了预测模型的真实性和可靠性，以及预测结果的准确性和实用性。从而实现了配网端对区域内分布式电源的发电数据进行可靠掌握，进而辅助优化配网供电结构的目标。

附图说明

图1为本发明实施例一提供的分布式电源发电功率的预测方法的流程图；

图2为本发明实施例二提供的分布式电源发电功率的预测装置的结构示意图；

图3为本发明实施例三提供的计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

图1为本发明实施例一提供的分布式电源发电功率的预测方法的流程图。本实施例可适用于根据不同的实时气象条件对分布式电源的发电功率进行预测的情况，该方法可以由本发明实施例所提供的分布式电源发电功率的预测装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：

S11、获取分布式电源所在区域的实时气象数据。

S12、将所述实时气象数据输入训练好的预测模型，以预测得到所述分布式电源的发电功率。

具体的，实时气象数据可以根据实时的天气预报数据来获得，也可自行观测获得，具体可以包括分布式电源所在区域的温度数据、湿度数据、光照强度数据以及风速数据等等，其中，温度数据、湿度数据及光照强度数据与光伏发电功率密切相关，温度数据、湿度数据及风速数据则与风力发电功率密切相关。在完成实时气象数据的采集后，即可将实时气象数据作为训练好的预测模型的输入，预测模型即可根据实时气象数据输出预测得到的分布式电源的发电功率。同时，由于影响不同发电装置的气象数据可能不同，则不同发电装置如风力发电单元和光伏发电单元可以分别使用各自训练好的预测模型进行发电功率的预测。

在上述技术方案的基础上，可选的，在所述将所述实时气象数据输入训练好的预测模型，以预测得到所述分布式电源的发电功率之前，还包括：收集所述分布式电源的历史发电功率数据，以及所述分布式电源所在区域的历史气象数据；根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练。

具体的，对于以光伏发电单元和风力发电单元为代表的分布式电源来说，外界环境因素尤其气象因素对分布式电源的发电有着关键性的影响，而从实际数据而言，这些影响直接表现为分布式电源发电功率的输出。因此本实施例可以通过对分布式电源的历史发电功率数据和对应的历史气象数据进行数据处理和分析，将气象因素对分布式电源发电功率的影响抽象为学习器模型，进而实现分布式电源在实时气象数据下的发电功率预测。

则可以首先收集分布式电源的历史发电功率数据，具体可以基于现代智能量测技术，运用电能数据智能量测装置测量和采集新能源发电装置如风力发电单元、光伏发电单元等分布式电源发出的电能数据，从而可以收集得到相关的分布式电源的历史发电功率数据。然后可以对分布式电源相应历史发电功率数据下的历史气象数据进行采集，具体可以结合分布式电源所在区域内历史的气象数据资料、天气预报数据等进行收集。与实时气象数据类似，历史气象数据也可以包括温度数据、湿度数据、光照强度数据以及风速数据等等。

在完成历史发电功率数据及历史气象数据的采集后，可以将历史发电功率数据及历史气象数据传输至集成监控主站进行存储，进而可以在主站实现数据的处理及分析操作。为实现分布式电源的历史发电功率数据和历史气象数据的数据传输，同时保障数据传输的私密性和安全性，可以通过智能网关将所有的数据传输设备和数据存储设备汇集在内网云端上，内网云端只允许内网用户进行数据访问，数据传输可以通过1.8GHz电力无线专网、230MHz电力无线专网或光纤专网等进行实现，并可以基于DL/T645、DL/T698等通讯协议。

在收集到历史发电功率数据及历史气象数据之后，即可将历史发电功率数据及对应的历史气象数据作为训练集数据对预测模型进行训练，从而得到所需的训练好的预测模型。其中，预测模型可以是门控循环单元(GRU)，GRU有重置门和更新门这两个控制门单元，相较于LSTM等模型具有更高的模型训练效率。其训练的主要过程为：首先计算当前输入的单元状态h

其中，W

其中，h

在上述技术方案的基础上，可选的，所述根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练，包括：基于气象类型对所述历史气象数据及其对应的所述历史发电功率数据进行分类；分别使用各个气象类型下的所述历史气象数据及所述历史发电功率数据对多个所述预测模型进行训练。

具体的，在考虑了气象数据对分布式电源发电功率带来影响的基础上，还可以基于气象类型对收集到的历史气象数据及其对应的历史发电功率数据进行分类，并基于多种气象类型构建多个分布式电源发电功率的预测模型，再使用相应气象类型下的历史气象数据及历史发电功率数据进行训练，得到各种气象类型对应的训练好的预测模型。从而改善了预测模型的训练精度和训练效率，优化了分布式电源发电功率的预测过程，降低了预测模型的复杂度，提高了预测精度和预测效率。

进一步可选的，所述分布式电源包括光伏发电单元和风力发电单元，所述气象类型包括天气类型和风速类型；相应的，所述基于气象类型对所述历史气象数据及其对应的所述历史发电功率数据进行分类，包括：针对所述光伏发电单元，基于天气类型分类为晴、多云、阴、雨或雪；针对所述风力发电单元，基于风速类型分类为能否使得风机转速达到额定转速的第一风速区间或第二风速区间。

具体的，在上述分类过程的基础上，进一步还可以基于发电设备类型进行分类，比如光伏发电单元主要受到光照强度的影响，而风力发电单元主要受到风速的影响，则上述气象类型可以包括天气类型和风速类型。针对光伏发电单元，其发电功率与光伏发电站位置处的气象数据密切相关，具体可以将光伏发电站每日的历史发电功率数据及其对应的历史气象数据按照天气类型分为晴、多云、阴、雨或雪进行分类统计。针对风力发电单元，一般而言，风力发电单元规定的工作风速范围为3-25米每秒，其中风机启动风速在3-4米每秒，切出风速为19-25米每秒，则可以将风力发电单元每日的历史发电功率数据及其对应的历史气象数据按照风速类型作为主要影响因素进行分类统计，具体可以分为风机转速达到额定转速对应的第一风速区间和未达到额定转速对应的第二风速区间。其中，当风力发电单元达到额定转速后，其转速将不再随风速变化，而未达到额定转速时，风机转速会随风速变化。上述不同气象类型对应分布式电源发电功率曲线会有着明显的区别，则通过合理分类能够进一步有效的提高分布式电源发电功率的预测精度。

进一步可选的，所述基于气象类型对所述历史气象数据及其对应的所述历史发电功率数据进行分类，包括：根据所述历史发电功率数据分别计算每天的实际发电功率与所有气象类型下的平均发电功率之间的欧式距离；将所述欧式距离与已知气象类型对应的基准欧式距离进行比较，以确定所述历史气象数据及其对应的所述历史发电功率数据所属的气象类型。

具体的，在基于气象类型进行分类时，若仅根据天气预报等资料直接进行划分，则划分结果会比较粗糙，这样往往只能大致判断天气类型，而如晴天与多云时光伏发电单元的发电功率较为接近，往往难以划分得到正确的类型。则还可以根据欧式距离来实现类型的细致划分，其中，欧式距离是一种距离定义，其表达式如下：

其中，在本实施例中，d为欧式距离，x

在上述技术方案的基础上，可选的，在所述根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练之前，还包括：对所述历史发电功率数据和所述历史气象数据进行数据预处理；所述数据预处理包括异常数据的清洗和补全、以及标准化处理。

具体的，虽然现代智能量测装置在对分布式电源发电数据进行测量和采集时具有很高的精度和准确度，但其仍会受到强电磁干扰、强天气变化如雷电天气等的干扰，导致智能量测装置、传输设备和存储设备工作异常，以致发电数据出现数据异常现象，比如出现数据缺失、数据畸变等异常，另外气象数据也可能因为人为因素、自然干扰等因素，出现数据异常。则在使用收集的历史发电功率数据和历史气象数据对预测模型进行训练之前，可以首先对历史发电功率数据和历史气象数据进行数据预处理，以去除异常数据，补全缺失数据。具体可以使用线性插值法填补相应数据，首先对原始数据中的异常数据进行删除操作，然后基于该异常数据两侧的正常数据，对异常数据进行清洗和补充，进而完成数据清洗操作。线性插值法原理如下式所示：

其中，x

其中，Z

在上述技术方案的基础上，可选的，在所述根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练之后，还包括：对所述预测模型进行测试；根据测试得到的功率预测值以及对应的功率实测值计算平均绝对百分比误差；将所述平均绝对百分比误差与预设误差阈值进行比较，若超出所述预设误差阈值，则对所述预测模型重新进行训练。

具体的，为了对训练得到的预测模型进行有效性和精确型的检验，可以对训练后的预测模型进行测试，并选取平均绝对百分比误差e作为训练模型的评价指标，公式如下：

其中，P

本发明实施例所提供的技术方案，首先获取分布式电源所在区域的实时气象数据，然后将该实时气象数据输入到训练好的预测模型中，并由预测模型输出预测的分布式电源的发电功率。通过将气象数据对分布式电源发电功率的影响抽象为学习器模型，充分的考虑了气象数据对发电功率带来的影响，将气象数据作为分布式电源预测模型构建的重要数据支撑，实现了对分布式电源发电功率的实时预测，并提高了预测模型的真实性和可靠性，以及预测结果的准确性和实用性。从而实现了配网端对区域内分布式电源的发电数据进行可靠掌握，进而辅助优化配网供电结构的目标。

实施例二

图2为本发明实施例二提供的分布式电源发电功率的预测装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的分布式电源发电功率的预测方法。如图2所示，该装置包括：

实时气象数据获取模块21，用于获取分布式电源所在区域的实时气象数据；

电源发电功率预测模块22，用于将所述实时气象数据输入训练好的预测模型，以预测得到所述分布式电源的发电功率。

本发明实施例所提供的技术方案，首先获取分布式电源所在区域的实时气象数据，然后将该实时气象数据输入到训练好的预测模型中，并由预测模型输出预测的分布式电源的发电功率。通过将气象数据对分布式电源发电功率的影响抽象为学习器模型，充分的考虑了气象数据对发电功率带来的影响，将气象数据作为分布式电源预测模型构建的重要数据支撑，实现了对分布式电源发电功率的实时预测，并提高了预测模型的真实性和可靠性，以及预测结果的准确性和实用性。从而实现了配网端对区域内分布式电源的发电数据进行可靠掌握，进而辅助优化配网供电结构的目标。

在上述技术方案的基础上，可选的，该分布式电源发电功率的预测装置，还包括：

历史数据收集模块，用于在所述将所述实时气象数据输入训练好的预测模型，以预测得到所述分布式电源的发电功率之前，收集所述分布式电源的历史发电功率数据，以及所述分布式电源所在区域的历史气象数据；

模型训练模块，用于根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练。

在上述技术方案的基础上，可选的，模型训练模块，包括：

数据分类单元，用于基于气象类型对所述历史气象数据及其对应的所述历史发电功率数据进行分类；

模型训练单元，用于分别使用各个气象类型下的所述历史气象数据及所述历史发电功率数据对多个所述预测模型进行训练。

在上述技术方案的基础上，可选的，数据分类单元，包括：

欧式距离计算子单元，用于根据所述历史发电功率数据分别计算每天的实际发电功率与所有气象类型下的平均发电功率之间的欧式距离；

欧式距离比较子单元，用于将所述欧式距离与已知气象类型对应的基准欧式距离进行比较，以确定所述历史气象数据及其对应的所述历史发电功率数据所属的气象类型。

在上述技术方案的基础上，可选的，所述分布式电源包括光伏发电单元和风力发电单元，所述气象类型包括天气类型和风速类型；

相应的，数据分类单元，包括：

第一分类子单元，用于针对所述光伏发电单元，基于天气类型分类为晴、多云、阴、雨或雪；

第二分类子单元，用于针对所述风力发电单元，基于风速类型分类为能否使得风机转速达到额定转速的第一风速区间或第二风速区间。

在上述技术方案的基础上，可选的，该分布式电源发电功率的预测装置，还包括：

数据预处理模块，用于在所述根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练之前，对所述历史发电功率数据和所述历史气象数据进行数据预处理；所述数据预处理包括异常数据的清洗和补全、以及标准化处理。

在上述技术方案的基础上，可选的，该分布式电源发电功率的预测装置，还包括：

模型测试模块，用于在所述根据所述历史发电功率数据和所述历史气象数据对所述预测模型进行训练之后，对所述预测模型进行测试；

误差计算模块，用于根据测试得到的功率预测值以及对应的功率实测值计算平均绝对百分比误差；

模型重训练模块，用于将所述平均绝对百分比误差与预设误差阈值进行比较，若超出所述预设误差阈值，则对所述预测模型重新进行训练。

本发明实施例所提供的分布式电源发电功率的预测装置可执行本发明任意实施例所提供的分布式电源发电功率的预测方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，在上述分布式电源发电功率的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例三

图3为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图3所示，该计算机设备包括处理器31、存储器32、输入装置33及输出装置34；计算机设备中处理器31的数量可以是一个或多个，图3中以一个处理器31为例，计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图3中以通过总线连接为例。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的分布式电源发电功率的预测方法对应的程序指令/模块(例如，分布式电源发电功率的预测装置中的实时气象数据获取模块21及电源发电功率预测模块22)。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的分布式电源发电功率的预测方法。

存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置33可用于获取分布式电源所在区域的实时气象数据，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可用于向用户或外设提供预测得到的发电功率数据等等。

实施例四

本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种分布式电源发电功率的预测方法，该方法包括：

获取分布式电源所在区域的实时气象数据；

将所述实时气象数据输入训练好的预测模型，以预测得到所述分布式电源的发电功率。

存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的分布式电源发电功率的预测方法中的相关操作。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。