本发明涉及微电网技术领域，特别是一种用于微电网系统的气象预测方法。
背景技术：
随着电网规模的不断扩大，超大规模电力系统的弊端也日益凸现，成本高，运 行难度大，难以适应用户越来越高的安全和可靠性要求以及多样化的供电需求。尤 其在近年来世界范围内接连发生几次大面积停电事故之后，电网的脆弱性充分暴露 了出来，因此分布式发电被提上了日程。可再生能源发电已经成为电力系统发展的 重要推动力，是智能电网的重要组成部分，并将在未来电力系统中扮演越来越重要 的角色。于是世界各国纷纷开始关注环保、高效和灵活的发电方式——分布式发电。 为了消除分布式发电的各种问题，为协调大电网与分布式电源间的矛盾，充分挖掘 分布式电源为电网和用户带来的价值和效益，提出了微电网。
微电网是一个相对独立的自发自用的一个电网系统，由于微电网的供电侧和用 电侧的容量相对于大电网来说比较小，自身的可调控能力有限，有时候会出现电量 过剩或者电量短缺的情况，这样就需要我们提前预测出发电量和用电量，发电量和 用电量预测越准确对微电网的决策越有利。微电网中，发电的能量来源主要是新能 源(如光伏发电，风机发电等)，而新能源发电量与天气因素息息相关，在一定程 度上来说，天气信息的准确程度决定了发电量预测的上限，同样用户用电量也与天 气因素相关性很大。微电网的规模相对都比较小，占地面积不是很大，所以需要相 对精确地理位置的天气信息。然而，国家气象局能够提供的实时天气信息和预测天 气信息空间精确度都不是太高，因此，需要一些方法解决这一问题。目前新能源发 电量存在预测精度不高和无网络条件下天气预测的问题。
技术实现要素：
本发明所要解决的技术问题是克服现有技术的不足而提供一种用于微电网系 统的气象预测方法，本发明通过线上与本地的气象数据融合得到更加准确、位置精 确度更高的气象预测数据。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种用于微电网系统的气象预测方法，包括以下步骤：
步骤一、定时采集t时刻的本地气象信息Rt并存储下来；
步骤二、从国家气象局获取地址与步骤一中的地址相同、时间点与步骤一中时 间点相同的以下数据：
获取气象局历史真实的气象信息并存储起来；
获取与气象局历史真实的气象信息相对应的气象局历史预测气象信息，该气象 局历史预测气象信息称为F1t；
获取气象局未来天气预报信息，气象局未来天气预报信息用F1't表示；
步骤三、采用平滑指数方法预测下一时刻气象信息：
平滑指数方法的具体过程如下：
(1)已知t时刻的本地气象信息Rt以及t-1时刻的气象局未来天气预报信息
F1′t-1；
(2)训练平滑系数要求平滑系数的大小是根据F1't-1和Rt，由 公式(1)训练得到
其中，Rt+1表示t+1时刻的本地气象信息；
(3)由步骤(2)训练出一个确定值；
(4)由公式(1)和得出，由平滑指数方法得到的t时刻预测气象值为F2t，
步骤四、利用线性回归方法，将F1t、F2t当作输入，Rt当作目标列，拟合出 一个优化气象信息回归模型，并根据该模型预测出未来一段时间的气象信息。
作为本发明所述的一种用于微电网系统的气象预测方法进一步优化方案，步骤 四具体如下：
利用线性回归方法，将F1t、F2t当作输入，Rt当作目标列，拟合出一个优化 气象信息回归模型；
其中，Rt＝{rt1,rt2,...,rti,...,rtn}，rti表示t时刻的本地气象信息Rt第i种气象类型，n 表示气象类型的种类，Rt一共有n种气象类型,F1t＝{f1t1,f1t2,...,f1ti，...,f1tn}，f1ti表 示F1t的第i种气象类型，F1t一共有n种气象类型，本地预测气象信息 F2t＝{f2t1,f2t2,...,f2ti，...,f2tn}，f2ti表示F2t的第i种气象类型，F2t一共有n种气 象类型；
根据t取不同时刻时Rt,F1t,F2t训练气象信息回归模型如下：
其中，上标T表示矩阵转置，cT＝[c1,c2,...,ci,...,cn]T是线性回归模型的参数，ci表 示第i个参数，c一共有n个参数；θT＝[θ1,θ2,...,θi,...,θn]T是线性回归模型的参数，θi表示第i个参数，θ一共有n个参数；γT＝[γ1,γ2,...,γi,...,γn]T是线性回归模型的参数， γi表示第i个参数，γ一共有n个参数；
根据训练出的气象信息回归模型得到相对于Rt下一刻的气象信息预测值Rt'+1由公式(4)得到
作为本发明所述的一种用于微电网系统的气象预测方法进一步优化方案，步骤 四后还包括以下步骤：
根据实时采集的Rt以及对应t时刻的天气类型来训练K-近邻模型，将预测的气 象信息经训练好的K-近邻模型计算得出实时天气类型，用于实现离线状态的天气信 息的显示。
作为本发明所述的一种用于微电网系统的气象预测方法进一步优化方案，步骤 一中，采用本地气象信息采集器定时采集t时刻的本地气象信息Rt并存储下来。
作为本发明所述的一种用于微电网系统的气象预测方法进一步优化方案，步骤 二是运用Python有关的爬虫库来完成的。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明通过线上与本地的气象数据融合得到更加准确、位置精确度更高的气象 预测数据，同时利用K-近邻算法实现离线状态下天气类型的显示。
附图说明
图1是本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施 例对本发明进行详细描述。
基于目前实际研究中的问题，本发明提出了一种用于微电网系统的气象预测方 法，它包含本地气象信息采集器、气象信息爬虫器、本地气象信息预测器、优化气 象信息模型输出器和实时天气类型显示器，其中本地气象信息采集器就是运用本地 安装的传感器采集相关的气象信息(比如温度、湿度等)；气象信息爬虫器主要包 括两部分，第一部分是爬取气象网站历史真实天气信息，第二部分是爬取气象站历 史预测天气信息；本地气象信息预测器就是根据本地采集器采集的气象信息预测将 来一段时间内的气象信息；优化气象信息模型输出器根据气象信息爬虫器爬取的气 象站历史的预测天气信息和气象信息预测器预测的气象信息，再与本地气象信息采 集器采集的信息做比较，训练出一个优化气象信息模型；实时天气类型显示器根据 优化气象信息模型输出的气象信息值，预测实时的天气类型(晴天，阴天等)。
本发明提供了一种本地气象信息采集器、气象信息爬虫器、本地气象信息预测 器、优化气象信息模型输出器和实时天气类型显示器的一种用于微电网系统的气象 预测方法，解决了在微电网中预测发电量和用电量时，采用的预测气象信息不准确 的问题。
本发明设计了一种用于微电网系统的气象预测方法，本地气象信息采集器就是 运用本地安装的传感器采集相关的气象信息(比如温度、湿度等)；气象信息爬虫 器主要包括两部分，第一部分是爬取气象网站历史真实天气信息，第二部分是爬取 气象站预测天气信息；本地气象信息预测器就是根据本地采集器采集的气象信息利 用平滑指数算法预测将来一段时间内的气象信息；优化气象信息模型输出器的训练 数据是气象信息爬虫器爬取的气象站历史的预测天气信息和本地气象信息预测器 预测的气象信息，训练目标是本地气象信息采集器采集的真实气象信息，利用线性 回归算法训练出一个优化气象信息模型，并根据该模型预测出未来一段时间的气象 信息；把预测的气象信息作为实时天气类型显示器的输入，再利用K-近邻算法给出 实时天气类型。
一、体系结构
图1给出了本发明的模块图，主要由五部分组成：本地气象信息采集器、气象 信息爬虫器、本地气象信息预测器、优化气象信息模型输出器以及实时天气类型显 示器，其中本地气象信息采集器就是运用本地安装的传感器采集相关的气象信息 (比如温度、湿度等)；气象信息爬虫器主要包括两部分，第一部分是爬取气象网 站历史真实天气信息，第二部分是爬取气象站历史预测天气信息；本地气象信息预 测器就是根据本地采集器采集的气象信息预测将来一段时间内的气象信息；优化气 象信息模型输出器根据气象信息爬虫器爬取的气象站历史的预测天气信息和气象 信息预测器预测的气象信息，再与本地气象信息采集器采集的信息做比较，训练出 一个优化气象信息模型；实时天气类型显示器根据优化气象信息模型输出的气象信 息值，预测实时的天气类型(晴天，阴天等)。
下面具体的介绍：
本地气象信息采集器：存储本地历史气象信息数据和实时采集本地气象数据。 把从终端传感器采集到的数据传输写入到数据库中，为后面的数据读取和处理提供 方便。
气象信息爬虫器：所谓爬虫就是运用Python语言工具从网上自动下载数据， 主要有两个模块，第一模块是从国家气象局网站上爬取历史真实的气象数据与对应 的本地采集的气象数据作对比，会发现数据并不完全一致，因为气象局采集的气象 数据位置精度不高，不能准确描述微电网所在地的气象信息。第二模块从气象局爬 取预测的气象信息，这其中包括历史预测气象信息和未来预测气象信息，历史预测 气象信息与本地气象信息预测器预测的气象信息相结合训练优化气象信息模型。
本地气象信息预测器：该模块设定每隔一段时间就会利用平滑指数算法预测未 来一段时间的气象信息，预测的这段时间与气象信息爬虫器爬取的预测气象数据相 对应。
优化气象信息模型输出器：该模块的作用主要是利用分别来自气象信息爬虫器 和本地气象信息预测器的两组预测的气象数据来尽可能的逼近采集到的对应时间 的本地气象信息。具体做法：利用线性回归算法，把两个预测气象数据当做输入， 本地气象数据当做目标列(输出)，拟合出一个优化气象信息回归模型，并根据该 模型预测出未来一段时间的气象信息，该气象信息位置精确度更高，更加符合微电 网所处的环境。
实时天气类型显示器：该模块的功能主要是根据本地采集器采集的数据以及对 应时间的气象爬虫器中天气类型，把优化气象信息模型输出器预测的气象信息作为 输入，再利用K-近邻算法给出实时天气类型。
二、方法流程
1.本地气象信息采集器：
表1数据存储形式(示例)
把采集过来的气象数据按照表1的格式存储，以时间为索引从传感器上采集各 个气象数据并存储下来，供其他步骤使用，该真实数据记作R。
2.气象信息爬虫器：
第一模块爬取历史真实的气象信息并存储起来，存储格式与表1一样，时间粒 度也与表1保持一致；第二模块功能主要是爬取与真实气象信息相对应的预测气象 数据，也叫做历史预测气象信息F1，另外还要爬取未来的天气预报信息，也叫做未 来预测气象信息F'1。以上步骤运用Python有关的爬虫库来完成的。
3.本地气象信息预测器：该模块设定每隔一段时间就会利用平滑指数算法预测 未来一段时间的气象信息，预测的这段时间与气象信息爬虫器爬取的预测气象数据 时间粒度相对应。
平滑指数算法的具体过程如下：
(5)已知本时刻的本地气象信息以及本时刻的本地气象预测信息；
(6)训练平滑系数(要求)，平滑系数的大小，是根据过去的预测 数F2与实际数R比较,根据公式(1)训练出来的
其中Rnext表示下一时刻的真实气象数据。
(3)由步骤(2)可以训练出一个确定值，这要就可以根据前一刻的气象信 息预测下一时刻的气象数据了。
4.优化气象信息模型输出器：
该模块的作用主要是利用分别来自气象信息爬虫器和本地气象信息预测器的 两组预测的气象数据来尽可能的逼近采集到的对应时间的本地气象信息。具体做法： 利用线性回归算法，把两个预测气象数据F1、F2当作输入，本地气象数据R当作 目标列(输出)，拟合出一个优化气象信息回归模型，并根据该模型预测出未来一 段时间的气象信息。本地气象信息集R＝{r1,r2,...,ri,...,rn}，其中ri表示第i种气象 类型,历史预测气象信息F1＝{f11,f12,...,f1i，...,f1n}，其中f1i表示第i种气象类型，本 地预测气象信息F2＝{f21,f22,...,f2i，...,f2n}。
根据回归方程如下：
其中f预测1，f预测2，...,f预测i...,f预测n是要预测的气象类型，训练模型的时候用 真实的本地气象信息，ci,θi,γi分别表示线性回归训练过程中的参数。最后，把Rnext和F'1作为输入，可以得到一组优化后的预测气象信息 F预测＝{f预测1，f预测2,...,f预测i，...,f预测n}。F预测能更好的体现气象信息，位置精确度更 高，为微电网中其他模块提供更准确的数据，优化微电网的运行，提高微电网的效 益。
5.实时天气类型显示器：
该模块的功能主要是根据本地采集器采集的数据以及对应时间的气象爬虫器 中天气类型，比如A时刻本地气象信息为RA，对应的天气类型是晴天，根据真实 的天气值训练模型K-近邻模型，把优化气象信息模型输出器预测的气象信息作为输 入，再利用K-近邻模型给出实时天气类型，这样就可以实现离线状态的天气信息的 显示，同时更加的准确。
本发明提出了一种基于气象信息的优化微电网的方法，主要由本地气象信息采 集器、气象信息爬虫器、本地气象信息预测器、优化气象信息模型输出器和实时天 气类型显示器等五部分组成，通过线上与本地的气象数据融合得到更加准确、位置 精确度更高的气象预测数据，同时利用本地采集的气象数据利用K-近邻算法实现离 线状态下天气类型的显示。
为了方便描述，我们假设有如下应用实例：
某学校学科楼微电网系统，包括光伏发电、风机发电、教室用电以及能源管理 系统，下面就以此系统为例具体介绍一下。
(1)本地气象信息采集器。该系统通过传感器采集温度、湿度、风向、风速、 大气压和辐照度，存储在数据库里面。
(2)气象信息爬虫器。通过Python爬虫下载气象站的天气信息，包括历史真 实气象信息和预测气象信息，其中预测气象信息又包括历史预测气象信息和未来预 测气象信息。爬取的气象类型为温度、湿度、风向、风速、大气压、辐照度和天气 类型(晴天、雨天等)，且时间粒度与本地气象信息采集器保持一致。
(3)本地气象信息预测器。根据已有的采集到的历史气象信息利用平滑指数 算法预测未来一段时间的气象信息值。
(4)优化气象信息模型输出器。该模块的作用主要是利用分别来自气象信息 爬虫器和本地气象信息预测器的两组预测的气象数据来尽可能的逼近采集到的对 应时间的本地气象信息。具体做法：利用线性回归方法，将F1t、F2t当作输入，Rt当作目标列，拟合出一个优化气象信息回归模型；
其中，Rt＝{rt1,rt2,...,rti,...,rtn}，rti表示t时刻的本地气象信息Rt第i种气象类型，n 表示气象类型的种类，Rt一共有n种气象类型,F1t＝{f1t1,f1t2,...,f1ti，...,f1tn}，f1ti表 示F1t的第i种气象类型，F1t一共有n种气象类型，本地预测气象信息 F2t＝{f2t1,f2t2,...,f2ti，...,f2tn}，f2ti表示F2t的第i种气象类型，F2t一共有n种气 象类型；
根据t取不同时刻时Rt,F1t,F2t训练气象信息回归模型如下：
其中，上标T表示矩阵转置，cT＝[c1,c2,...,ci,...,cn]T是线性回归模型的参数，ci表 示第i个参数，c一共有n个参数；θT＝[θ1,θ2,...,θi,...,θn]T是线性回归模型的参数，θi表示第i个参数，θ一共有n个参数；γT＝[γ1,γ2,...,γi,...,γn]T是线性回归模型的参数， γi表示第i个参数，γ一共有n个参数；
根据训练出的气象信息回归模型得到相对于Rt下一刻的气象信息预测值Rt'+1由公式(4)得到
(5)实时信息显示器。根据采集到的气象信息，利用K-近邻算法得出实时的 天气类型，并显示到微电网控制屏上。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或 替换，都应涵盖在本发明的保护范围内。