训练方法、所适用的预测发电功率的方法及各自系统的制作方法
【技术领域】
[0001] 本发明设及光伏电站应用领域，尤其设及一种训练方法、所适用的预测发电功率 的方法及各自系统。
【背景技术】
[0002] 太阳能是未来最具竞争力的绿色能源之一。目前，世界各发达国家十分重视通过 发展光伏发电产业进行太阳能资源的开发利用，光伏发电是利用半导体材料的光电效应， 直接将太阳能转换为电能。由于光伏发电受天气变化、季节变化而具有波动性和间歇性，大 规模光伏电站并网运行会影响电力系统的安全稳定经济运行。
[0003] 因此，需要对光伏电站的输出功率进行预测，W便电网调度部口统筹安排常规电 源和光伏发电的协调配合，合理安排电网运行方式，提高电力系统运行的安全性和稳定性， 获得更大的经济效益和社会效益。
[0004] 近几年来，人们借助统计智能类预测方法、简单物理模型类预测方法及复杂物理 模型类预测方法对光伏发电进行超短期预测进行了探索，取得了一定的成果，但是上述各 方法所预测的平均准确度都比较低。运主要是模型构建方面有待提高。因此，需要对现有技 术进行改进。
【发明内容】
[0005] 本发明提供一种训练方法、所适用的预测发电功率的方法及各自系统，用于解决 现有技术中预测光伏电站发电功率的准确度低的问题。
[0006] 第一方面，提供一种光伏电站模型的训练方法，包括:获取根据历史实测的光伏电 站相关信息所构建的样本集合;其中，所述样本集合中每个样本包含溫度值、地面福射值、 实际发电功率值；W及采用网格捜索的方式，更换基于SVM所构建的模型中的各常量参数， 并利用所述样本集合中的各溫度值和地面福射值对所述模型进行预测训练，直至得到所述 模型所训练出的预测发电功率值与所述样本集合中的实际发电功率值的误差最小。
[0007] 第二方面，提供一种预测光伏电站的发电功率的方法，包括:获取预测的不同时刻 的溫度值、地面福射值；W及将各所述溫度值、地面福射值输入由上述训练方法所训练的模 型，得到预测的所述光伏电站在所述不同时刻的发电功率。
[000引第=方面，提供一种光伏电站模型的训练系统，包括:第一获取模块，用于获取根 据历史实测的光伏电站相关信息所构建的样本集合;其中，所述样本集合中每个样本包含 溫度值、地面福射值、实际发电功率值;训练模块，用于采用网格捜索的方式，更换基于SVM 所构建的模型中的各常量参数，并利用所述样本集合中的各溫度值和地面福射值对所述模 型进行预测训练，直至得到所述模型所训练出的预测发电功率值与所述样本集合中的实际 发电功率值的误差最小。
[0009]第四方面，提供一种预测光伏电站的发电功率的系统，包括:第二获取模块，用于 获取预测的不同时刻的溫度值、地面福射值;预测模块，用于将各所述溫度值、地面福射值 输入由上述训练系统所训练的模型，得到预测的所述光伏电站在所述不同时刻的发电功 率。
[0010] 如上所述，本发明的训练方法、所适用的预测发电功率的方法及各自系统，具有W 下有益效果:采用网格捜索的方式训练SVM模型中的常量参数，能够快速的同时捜索模型中 的多个常量参数，该多个常量参数能够使所设计的模型更均衡，预测精度更高。
[0011] 另外，将样本进行等价剔除，有效提高样本多样性，并减少重复样本对模型的冗余 训练;还有，对于等价样本，采用按预设权重结合两样本的方式，能够有效增加各样本之间 的差异，进一步提高训练效果。
[0012] 另外，采用多精度网格捜索的方式来挑选常量参数，能够有效提高模型的预测准 确度。
[0013] 此外，根据历史预测地面福射值和对应的实际地面福射值的比较结果，能够确保 近期地面福射值的预测准确性，进而基于比较结果对预测日的各地面福射值进行优化，能 够进一步提高预测结果的准确度。
[0014] 还有，根据历史各相同或相似的天气情况所对应的实测发电功率，来修正所预测 的发电功率，有效解决了预测值超出正常范围的异常偏差，使得所预测的各时刻的发电功 率都能为上层调度系统提供准确的信息，并确保整个电网的稳定运行。
【附图说明】
[0015] 为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所 需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施 例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W根据本发明实施 例的内容和运些附图获得其他的附图。
[0016] 图1是本发明的光伏电站模型的训练方法的一个实施例的流程图。
[0017] 图2是本发明的光伏电站模型的训练方法中步骤S12的一个实施例的流程图。
[0018] 图3是本发明的光伏电站模型的训练方法中步骤S12的又一个实施例的流程图。
[0019] 图4是本发明的预测光伏电站的发电功率的方法的一个实施例的流程图。
[0020] 图5是本发明的预测光伏电站的发电功率的方法的又一个实施例的流程图。
[0021] 图6是本发明的光伏电站模型的训练系统的一个实施例的结构示意图。
[0022] 图7是本发明的预测光伏电站的发电功率的系统的一个实施例的结构示意图。
【具体实施方式】
[0023] 为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面 将结合附图对本发明实施例的技术方案作进一步的详细描述，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。
[0024] 如图1所示，本发明提供一种光伏电站模型的训练方法。所述训练方法主要由训练 系统来执行。所述训练系统为安装在计算机设备中的软件和硬件。其中，所述训练系统针对 目标光伏电站构建模型，并与该目标光伏电站的数据库相连，W获取该光伏电站的历史实 测的光伏电站相关信息。所述训练系统利用所获取的历史实测光伏电站相关信息为样本， 对基于SVM构建的模型进行训练，W得到误差最小的模型。
[0025] 在步骤Sll中，所述训练系统获取根据历史实测的光伏电站相关信息所构建的样 本集合;其中，所述样本集合中每个样本包含溫度值、地面福射值、实际发电功率值。
[0026] 在此，所述训练系统可W直接将预设时段内历史实测的各光伏电站相关信息集合 为样本集合。
[0027] 优选地，所述训练系统选取光伏电站所记录的符合预设条件的历史实测的包含溫 度值、地面福射值和实际发电功率值的光伏电站相关信息。在此，所述预设条件包括但不限 于:常规条件、异常条件等。其中，异常条件包括但不限于W下至少一种:地面福射值小于等 于零、地面福射值大于测量仪器测量上限、气溫值小于测量仪器测量下限、气溫值大于测量 仪器测量上限、发电功率小于等于零W及发电功率大于当前装机容量。所述常规条件可视 为满足除异常条件之外的部分。
[0028] 所述训练系统可利用筛选出的样本集合来训练基于SVM所构建的模型。
[0029] 在一种优选方式中，所述训练系统从所选取的历史实测的光伏电站相关信息中， 剔除可被等价替换的光伏电站相关信息，并得到样本集合。
[0030] 在此，所述等价替换是指溫度值和地面福射值相差不大，导致所得到的样本集合 不具有代表性。为此，所述训练系统先对所选取的历史实测的光伏电站相关信息进行筛选， 再将筛选后的光伏电站相关信息作为样本集合。
[0031] 本实施例中，所述训练系统遍历的比较历史实测的两个光伏电站相关信息中的溫 度值和地面福射值是否分别满足预设的等价条件;若是，则将根据该两个光伏电站相关信 息中的两实际发电功率值的加权处理，更换其中一个实际发电功率值，并将更换后的光伏 电站相关信息作为样本，丢弃另一个光伏电站相关信息;若否，则将其中一个光伏电站相关 信息作为样本。
[0032] 例如，所述训练系统依次执行W下步骤：
[0033] 1)依次从矩阵F中取出向量Fi，i e [ 1，n]，其中，F为训练系统从历史记录中选出的 n个光伏电站相关信息的集合。Fi为第i个光伏电站相关信息所构成的向量。
[0034] 2)检查矩阵帥是否有与Fi等价的向量;其中，等价条件为I Ti-Tj I <1且IGi-Gj I < 1;其中，T为溫度值、G为地面福射值。
[0035] 3)若不满足上述等价条件，则将Fi直接添加到样本集合中。
[0036] 4)若满足上述等价条件，则将Fi和Fj中的P值(即实际发电功率值)进行加权。其中， 加权计算方式为P/ =mi X Pj+m2 X Pi，将Fj中的Pj值修改为P/，丢弃Fi。其中，mi ,m2为权重。
[0037] 所述训练系统反复执行上述步骤1)-4)，得到剔除了可被等价替换的光伏电站相 关信息后的样本集合。
[0038] 接着，所述训练系统将所得到的样本集合中各溫度值、地面福射值和实际发电功 率值分别进行归一化处理，得到模型训练所需要的样本集合。
[0039] 例如，所述训练系统将每个溫度值归一化后的结果Ti'如公式(1)所示，
[0040] Ti ' = (T^Tmin)AT max-Tm in)，ie[l，n] (I)
[0041] 其中，Tmax为样本集合中最大溫度值，Tmin为样本集合中最小溫度值。
[0042] 所述训练系统将每个地面福射值归一化后的结果G/如公式(2)所示，
[0043] Gi'=(GrGmin)AG max-Gm in)，ie[l，n] (2)
[0044] 其中，Gmax为样本集合中最大地面福射值，Gmin为本集合中最小地面福射值。
[0045] 所述训练系统将每个实际发电功率值归一化后的结果P/如公式(3)所示，
[0046] Pi' =化-PminV(Pmax-Pmin), ie[l，n] (3)
[0047] 其中，Pmax为样本集合中最大实际发电功率值，Pmin为本集合中最小实际发电功率 值。
[0048] 所述训练系统将归一化后的样本集合作为训练模型的输入数据，并执行步骤S12。
[0049] 在步骤S12中，所述训练系统采用网格捜索的方式，更换基于SVM所构建的模型中 的各常量参数，并利用所述样本集合中的各溫度值和地面福射值对所述模型进行预测训 练，直至得到所述模型所训练出的预测发电功率值与所述样本集合中的实际发电功率值的 误差最小。
[0050] 需要说明的是，在基于SVM所构建的模型中包含两个常量参数，本发明的训练方法 的目的就是找到:根据样本集合中的各溫度值和各地面福射值预测出的实际发电功率值、 与样本集合中的对应