短期光伏能量预测方法和装置与流程

本发明涉及光伏(photovoltaic，简称为pv)能量预测技术领域，具体地讲，涉及一种短期光伏能量预测方法和装置。

背景技术：

由于太阳辐射和天气参数的间歇性的原因，光伏太阳能(又称为光伏能量)的产生总是与不确定性联系在一起。这给开发光伏系统的行业造成很大障碍。因此，为了将光伏系统整合到电网，准确的短期预测是重要的。

现有的光伏系统虽然通过建模方法进行光伏能量预测，但是由于参与建模和预测的太阳辐射数据和天气参数数据的变化无特定规律可循，因此通过现有的建模方法预测的结果与实际采集的数据之间的偏差较大。另外，现有的建模方法建立的模型较为复杂，导致计算时间较长。

技术实现要素：

本发明提供了一种在预测准确性和计算时间方面具有有效性的短期光伏能量预测方法和装置。

根据本发明的示例性实施例，提供了一种短期光伏能量预测方法，其中，所述短期光伏能量预测方法包括：建立表示气象数据与光伏能量数据之间的关系的粒子群优化-支持向量机模型；对历史气象数据和历史光伏能量数据分别进行小波变换以获得训练子数据；利用训练子数据训练所述粒子群优化-支持向量机模型；对未来气象数据进行小波变换以获得预测子数据；将预测子数据输入到经过训练的粒子群优化-支持向量机模型来获得预测的光伏能量子数据；对预测的光伏能量子数据进行逆小波变换以获得预测的光伏能量数据。

可选地，所述建立表示气象数据与光伏能量数据之间的关系的粒子群优化-支持向量机模型的步骤包括：通过将气象数据作为输入并且将光伏能量数据作为输出来建立所述粒子群优化-支持向量机模型。

可选地，所述利用训练子数据训练所述粒子群优化-支持向量机模型的步骤包括：初始化所述粒子群优化-支持向量机模型的参数；将训练子数据输入到所述粒子群优化-支持向量机模型以获得对应的成本函数，并且计算出成本函数的最优值；将成本函数达到最优值时的参数作为经过训练的粒子群优化-支持向量机模型的参数。

可选地，所述短期光伏能量预测方法还包括：对历史气象数据、历史光伏能量数据和未来气象数据进行预处理操作，其中，所述预处理操作包括以下操作中的至少一种：将单位时间内获得的各个数据的平均值作为该单位时间的数据；将在不同时区获得的数据统一为同一时区下的数据；当存在缺失的数据时，利用在数据缺失的时间点的预定时间之前的时间点的第一数据和在数据缺失的时间点的预定时间之后的时间点的第二数据的加权和来填补缺失的数据。

可选地，历史气象数据和未来气象数据包括以下项中的至少一项：太阳辐射强度数据、温度数据、云量数据、湿度数据、气压数据、以及风速数据。

可选地，所述粒子群优化-支持向量机模型基于ε-支持向量模型建立，ε-支持向量模型的核函数为径向基函数。

可选地，历史气象数据是通过数值天气预报模型历史预测的历史气象数据，历史光伏能量数据是通过在线检测控制与数据采集系统记录的历史光伏能量数据。

可选地，历史气象数据包括第一时间范围内的具有第一时间间隔的多条历史气象数据，历史光伏能量数据包括第一时间范围内的具有第一时间间隔的多条历史光伏能量数据。

可选地，第一时间范围为至少过去1年，第一时间间隔是10分钟、15分钟或1小时。

可选地，未来气象数据包括第二时间范围内的具有第二时间间隔的多条未来气象数据。

可选地，第二时间范围为至少未来24小时，第二时间间隔是10分钟、15分钟或1小时。

根据本发明的示例性实施例，提供了一种短期光伏能量预测装置，其中，所述短期光伏能量预测装置包括：模型建立单元，被配置为建立表示气象数据与光伏能量数据之间的关系的粒子群优化-支持向量机模型；小波变换单元，被配置为对历史气象数据和历史光伏能量数据分别进行小波变换以获得训练子数据，并且对未来气象数据进行小波变换以获得预测子数据；训练单元，被配置为利用训练子数据训练所述粒子群优化-支持向量机模型；预测单元，被配置为将预测子数据输入到经过训练的粒子群优化-支持向量机模型来获得预测的光伏能量子数据；逆小波变换单元，被配置为对预测的光伏能量子数据进行逆小波变换以获得预测的光伏能量数据。

可选地，所述训练单元通过将气象数据作为输入并且将光伏能量数据作为输出来建立所述粒子群优化-支持向量机模型。

可选地，所述训练单元包括：参数配置单元，被配置为初始化所述粒子群优化-支持向量机模型的参数；优化单元，被配置为将训练子数据输入到所述粒子群优化-支持向量机模型以获得对应的成本函数，并且计算出成本函数的最优值，其中，参数配置单元将成本函数达到最优值时的参数作为经过训练的粒子群优化-支持向量机模型的参数。

可选地，所述短期光伏能量预测装置还包括：预处理单元，被配置为对历史气象数据、历史光伏能量数据和未来气象数据进行预处理操作，其中，所述预处理操作包括以下操作中的至少一种：将单位时间内获得的各个数据的平均值作为该单位时间的数据；将在不同时区获得的数据统一为同一时区下的数据；当存在缺失的数据时，利用在数据缺失的时间点的预定时间之前的时间点的第一数据和在数据缺失的时间点的预定时间之后的时间点的第二数据的加权和来填补缺失的数据。

根据本发明的示例性实施例，提供了一种计算机可读存储介质，存储有程序，其中，所述程序包括执行所述短期光伏能量预测方法的代码。

根据本发明的示例性实施例，提供了一种计算机，包括存储有计算机程序的可读介质，其中，所述计算机程序包括执行所述短期光伏能量预测方法的代码。

通过所述短期光伏能量预测方法和装置，可减少计算时间并且可提高预测准确性。

将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明总体构思的实施而得知。

附图说明

通过下面结合示例性地示出实施例的附图进行的描述，本发明示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：

图1示出了根据本发明示例性实施例的用于预测未来光伏能量数据的粒子群优化-支持向量机模型；

图2是根据本发明的实施例的短期光伏能量预测方法的流程图；

图3示出根据本发明的示例性实施例的短期光伏能量预测装置的结构示意图。

具体实施方式

现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。

在本发明的示例性实施例中，光伏可表示从太阳能到电能的转换，光伏能量可表示由太阳能转换成的电能。

本发明的示例性实施例涉及短期光伏能量预测，所述短期光伏能量预测基于小波变换(wt，wavelettransform)、粒子群优化(pso，particleswarmoptimization)和支持向量机(svm，supportvectormachine)来实现。采用来自数值天气预报(nwp，numericalweatherprediction)模型和在线检测控制与数据采集(scada，supervisorycontrolanddataacquisition)系统的数据进行建模和预测。小波变换用于将来自nwp模型和scada系统的数据分解为一组特征增强的子数据。利用与历史气象数据和历史光伏能量数据对应的子数据来训练pso-svm模型，利用与未来气象数据对应的子数据和训练的pso-svm模型来预测未来光伏能量子数据。pso用于优化pso-svm模型的参数以实现较高的预测准确性和改进的性能。最后，通过应用逆小波变换将预测的未来光伏能量子数据重构为未来光伏能量数据。

pso具有更新的变量少和实现简单的特点。对于包含目标问题决策变量(位置)的决策向量可行的搜索空间由如下的子集限定：

其中，和分别是沿维度j(j＝1、2、…、n)的搜索空间的下边界和上边界。第k次迭代中的第i个粒子的位置或坐标由下式给出：

xi(k)＝xi(k-1)+vi(k)；i＝1,2,…,n

其中，n是群大小，vi(k)是第k次迭代中的第i个粒子的速率，该速率表示搜索空间中粒子位置的变化速率，并且由下式给出：

vi(k)＝ω(k)vi(k-1)+c1r1(pbest,i-xi(k-1))+c2r2(gbest-xi(k-1))

其中，ω(k)是动态惯性权重，ω(k)的值随迭代次数增加而线性减小以抑制迭代速度，使得集群更精确并且更有效地收敛，并由下式给出：

其中，ωmax和ωmin分别是惯性权重的初始值和最终值，kmax是迭代的最大次数；c1和c2分别是认知和社会学习速率；r1和r2是0和1范围内的随机数。参数c1和c2是学习因子，表示粒子本身的记忆(位置)相对于集群的记忆(位置)的相对重要性(comparativeimportance)；pbest,i是粒子i实现的最优位置，而gbest是集群中的所有粒子的全局最优位置。

本发明的实施例可基于ε-svm来建模，ε-svm模型的参数w和b的最优值可通过求解如下的带约束目标函数的最小值问题来获得：

其中，ξi和是松弛变量，γ是调整参数，n是训练样本的大小，ε是损失参数。这样的最优化问题属于二次型规划，该二次型规划通常可通过求解如下的对偶问题来求解：

求解出非负拉格朗日乘子或系数对于y的svm估计的最终表达式如下：

其中，k(xi,xj)＝φ(xi)φ(xj)是svm核函数。

根据针对二次型规划问题的kkt(karush-kuhn-tucker)优化条件，所述系数中仅有一些值是非零值。与非零系数对应的估计误差大于或等于ε的数据采样点被称作支持向量，ε不敏感区域中的数据点不是支持向量。通常ε越大，支持向量越少。对于特定的n个数据采样点，ε-svm计算2n×2n个核矩阵。

图1示出了根据本发明示例性实施例的用于预测未来光伏能量数据的pso-svm模型。

如图1所示，通过历史气象子数据和历史光伏能量子数据来训练pso-svm模型，通过未来气象子数据和训练的pso-svm模型来预测未来光伏能量子数据。

在本发明的实施例中，借助于nwp模型和scada系统来进行训练和预测。具体地讲，可通过对nwp模型历史预测的历史气象数据进行小波变换来获得所述历史气象子数据，通过对scada系统记录的历史光伏能量数据进行小波变换来获得所述历史光伏能量子数据，通过对nwp模型预测的未来气象数据进行小波变换来获得未来气象子数据。nwp模型具有较高的解析度或较小的球面半径预测区域，对于太阳能预测的准确性提高起到重要作用。来自nwp模型的气象数据可以是气象变量的一组值，例如，该组值被布置成6个列的矩阵。该矩阵的每个列与一个气象变量相关联。历史气象数据可以是以15分钟为时间步长的一年的数据(包含35040个历史值)。该矩阵可具有总计210240个历史值。来自nwp模型的数据可以是基于格林尼治平均时间(gmt)取得的数据。gmt比北京时间(bjt)晚8小时。

在本发明的实施例中，历史气象数据可以是来自scada系统的数据，可以是以10分钟为时间步长的一年的数据(例如，包含52560个测量值)。来自scada系统的历史气象数据可以是基于北京时间的数据，可利用与中国北京对应的未来气象数据来进行预测。

图2是根据本发明的实施例的短期光伏能量预测方法的流程图。

如图2所示，所述短期光伏能量预测方法包括如下步骤。

在步骤s201，建立表示气象数据与光伏能量数据之间的关系的pso-svm模型。

作为示例，步骤s201可包括：通过将气象数据作为输入并且将光伏能量数据作为输出来建立所述pso-svm模型。

作为示例，所述pso-svm模型可基于ε-svm模型建立，ε-svm模型的核函数为径向基函数(rbf，radialbasisfunction)。采用ε-svm模型的优点在于提高建立的模型的特征描述能力。rbf通过如下的公式限定：

其中，高斯参数σ是rbf核的宽度。

在步骤s202，对历史气象数据和历史光伏能量数据分别进行小波变换以获得训练子数据。

作为示例，历史气象数据和接下来将描述的未来气象数据包括以下项中的至少一项：太阳辐射强度数据、温度数据、云量数据、湿度数据、气压数据、以及风速数据。

作为示例，历史气象数据是通过nwp模型历史预测的历史气象数据，历史光伏能量数据是通过scada系统记录的历史光伏能量数据。历史气象数据可包括第一时间范围内的具有第一时间间隔的多条历史气象数据，历史光伏能量数据包括第一时间范围内的具有第一时间间隔的多条历史光伏能量数据。第一时间范围可以是至少过去1年，第一时间间隔可以是10分钟、15分钟或1小时。

在步骤s203，利用训练子数据训练所述pso-svm模型。

作为示例，步骤s203可包括：初始化所述pso-svm模型的参数；将训练子数据输入到所述pso-svm模型以获得对应的成本函数，并且计算出成本函数的最优值；将成本函数达到最优值时的参数作为经过训练的pso-svm模型的参数。在该步骤中，svm的参数形成pso的参数，上述带约束目标函数用作pso的成本函数，目标是求解该成本函数的最小值。在求解过程中使预测误差达到期望值。pso能够带来计算简便的优点。

在步骤s204，对未来气象数据进行小波变换以获得预测子数据。

作为示例，未来气象数据包括第二时间范围内的具有第二时间间隔的多条未来气象数据。第二时间范围可以是至少未来24小时，第二时间间隔可以是10分钟、15分钟或1小时。

在步骤s205，将预测子数据输入到经过训练的pso-svm模型来获得预测的光伏能量子数据。

在步骤s206，对预测的光伏能量子数据进行逆小波变换以获得预测的光伏能量数据。

作为示例，在本实施例的短期光伏能量预测方法中，可对历史气象数据、历史光伏能量数据和未来气象数据进行预处理操作，其中，所述预处理操作包括以下操作中的至少一种：将单位时间内获得的各个数据的平均值作为该单位时间的数据；将在不同时区获得的数据统一为同一时区下的数据；当存在缺失的数据时，利用在数据缺失的时间点的预定时间之前的时间点的第一数据和在数据缺失的时间点的预定时间之后的时间点的第二数据的加权和来填补缺失的数据。预处理操作可在执行小波变换和执行模型训练之前进行，以便进行数据的统一或数据的填补。所述预处理操作的示例如下：

预处理操作1，可通过如下的公式(1)和(2)对来自nwp模型和scada系统的数据进行时间步长(或称为时间间隔)的统一，即统一为以小时为步长的数据。

其中，x小时(t)、x10min(t)和x15min(t)分别是时间间隔为1小时、10分钟和15分钟的数据。

预处理操作2，可通过下面的公式(3)将基于gmt取得的数据和基于bjt取得的数据进行统一。

xbjt(t)＝xgmt(t+8)(3)

其中，xbjt(t)是基于bjt取得的数据，xgmt(t)是基于gmt取得的数据。

预处理操作3，利用等效数据替代丢失或跳过的数据，等效数据为前一天的同时间数据和后一天的同时间数据的加权和，可按照下面的公式(4)来进行预处理操作3。

xi(t)＝λ1xi-24+λ2xi+24(4)

其中，丢失或跳过的数据表示丢失(跳过)的数据，xi-24和xi+24分别表示以数据丢失的时刻为基准的前一天的同时间数据和后一天的同时间数据，λ1和λ2分别为权重，例如，可均取值为0.5。

接下来描述小波变换。小波变换可将来自nwp模型和scada系统的数据分解为一组特征增强的子数据，逆小波变换可对子数据进行重构。与分解前的原始数据相比，分解后的子数据可提供更好的特性，因此可用于更准确地预测光伏能量，能够更准确地预测光伏能量的基本原理是子数据的更好的特性与小波变换的过滤能力相关联。

小波变换可分为连续小波变换(cwt)和离散小波变换(dwt)。信号f(x)相对于母小波ψ(x)的cwtw(a,b)和dwtw(m,n)分别如下面的公式(5)和(6)那样被限定。

其中，在公式(5)中，缩放参数a管理小波的分布，平移参数b决定小波的中央位置；在公式(6)中，t是信号f(t)的维数，缩放参数和平移参数依赖于整数参数m和n，t是离散时间采样值。

图3示出根据本发明的示例性实施例的短期光伏能量预测装置的结构示意图。

如图3所示，所述短期光伏能量预测装置包括：模型建立单元301、小波变换单元302、训练单元303、预测单元304和逆小波变换单元305。

模型建立单元301被配置为建立表示气象数据与光伏能量数据之间的关系的pso-svm模型。所述pso-svm模型可基于ε-svm模型建立，ε-svm模型的核函数为径向基函数。

小波变换单元302被配置为对历史气象数据和历史光伏能量数据分别进行小波变换以获得训练子数据，并且对未来气象数据进行小波变换以获得预测子数据。历史气象数据可以是通过nwp模型历史预测的历史气象数据，历史光伏能量数据可以是通过scada系统记录的历史光伏能量数据。历史气象数据可包括第一时间范围内的具有第一时间间隔的多条历史气象数据，历史光伏能量数据可包括第一时间范围内的具有第一时间间隔的多条历史光伏能量数据。例如，第一时间范围为至少过去1年，第一时间间隔是10分钟、15分钟或1小时。未来气象数据可包括第二时间范围内的具有第二时间间隔的多条未来气象数据。例如，第二时间范围为至少未来24小时，第二时间间隔是10分钟、15分钟或1小时。

训练单元303被配置为利用训练子数据训练所述pso-svm模型。

作为示例，训练单元303通过将气象数据作为输入并且将光伏能量数据作为输出来建立所述pso-svm模型。

作为示例，训练单元303包括：参数配置单元(未示出)和优化单元(未示出)。参数配置单元被配置为初始化所述pso-svm模型的参数；优化单元被配置为将训练子数据输入到所述pso-svm模型以获得对应的成本函数，并且计算出成本函数的最优值，其中，参数配置单元将成本函数达到最优值时的参数作为经过训练的pso-svm模型的参数。在这种情况下，svm的参数形成pso的参数，上述带约束目标函数用作pso的成本函数，目标是求解该成本函数的最小值。在求解过程中使预测误差达到期望值。pso能够带来计算简便的优点。

预测单元304被配置为将预测子数据输入到经过训练的pso-svm模型来获得预测的光伏能量子数据。

逆小波变换单元305被配置为对预测的光伏能量子数据进行逆小波变换以获得预测的光伏能量数据。

作为示例，所述短期光伏能量预测装置还可包括：预处理单元(未示出)，被配置为对历史气象数据、历史光伏能量数据和未来气象数据进行预处理操作，其中，所述预处理操作包括以下操作中的至少一种：将单位时间内获得的各个数据的平均值作为该单位时间的数据；将在不同时区获得的数据统一为同一时区下的数据；当存在缺失的数据时，利用在数据缺失的时间点的预定时间之前的时间点的第一数据和在数据缺失的时间点的预定时间之后的时间点的第二数据的加权和来填补缺失的数据。

作为示例，本实施例涉及的历史气象数据和未来气象数据包括以下项中的至少一项：太阳辐射强度数据、温度数据、云量数据、湿度数据、气压数据、以及风速数据。

本发明的示例性实施例还提供一种计算机可读存储介质，存储有程序，其中，所述程序包括执行根据本发明的示例性实施例的方法的代码。

本发明的示例性实施例还提供一种计算机，包括存储有计算机程序的可读介质，其中，所述计算机程序包括执行根据本发明的示例性实施例的方法的代码。

根据本发明的示例性实施例的方法和装置在考虑统计值(例如，来自scada系统的数据)和物理值(例如，来自nwp的数据)来预测光伏能量，可通过小波变换来获得更准确的模型从而获得更准确的预测结果，采用pso算法可提高参数优化速度，而且通过预处理操作不仅可统一数据而且还可对缺失数据进行填补。

为了示意和描述的目的，已经给出了对本发明的描述，该描述的意图不在于以所公开的形式来穷尽或限制本发明。对于本领域普通技术人员来说，很多修改和变化将是明显的。选择和描述实施方式，以便最佳地解释本发明的原理和实际应用，并使得其他本领域普通技术人员能够就具有适于构思的特定使用的各种修改的各种实施方式来理解本发明。