一种光伏出力预测方法及装置与流程

本发明涉及光伏技术领域，特别是涉及一种光伏出力方法及装置。

背景技术：

在经济全球化的影响下，环境污染问题和全球能源危机是日益突出的两大难题，开发利用新能源，是保持能源长期供应的重要措施。作为发展比较成熟的新能源之一，太阳能以其清洁、无污染、来源广泛等优势，受到社会的广泛关注，大规模光伏并网发电成为太阳能发电的发展趋势。光伏发电受到外部气象、自身性能等因素的影响，各因素的波动性使得光伏出力出现波动性和间歇性，光伏大规模并网运行会影响电能质量，影响电力系统的安全稳定经济的运行，所以对光伏出力进行预测是十分有必要。

目前常用的光伏出力预测方法有人工神经网络预测法。人工神经网络可以模仿人脑的智能化处理过程，具有较强的自主学习和自适应能力，在光伏功率预测中备受研究学者的青睐。但是，神经网络在样本数据不充分时工作不理想，某些天气类型(如暴雨、暴雪、大雨等)的样本数据量积累较少，模型拟合效果差。

技术实现要素：

为解决上述技术问题，本发明实施例提供了一种光伏出力预测方法及装置，技术方案如下：

一种光伏出力预测方法，包括：

建立待预测时刻的esn预测模型；

获取最近预设时间段内的最高气温、平均气温、获取历史时刻的光伏出力值，所述历史时刻的时刻值与所述待预测时刻的时刻值相同；

确定所述待预测时刻的点指数和所述待预测时刻所在预测日的日指数；

将所述最高气温、所述平均气温、所述历史时刻的光伏出力值、所述点指数和所述日指数作为所述esn预测模型的输入，以得到所述待预测时刻的光伏出力值。

优选地，还包括：

预先确定所述预测日的天气类型；

根据所述最近预设时间段内的光伏出力曲线和所述天气类型，确定所述日指数和所述点指数。

优选地，在所述最近预设时间段内，光伏出力值最小的天气类型对应的日指数设为1，光伏出力值最大的天气类型对应的点指数设未1。

优选地，还包括：

从6:00至19:00，对所述预测日分别建立14个esn预测模型；

将6:00至19:00中的任一整点时刻作为所述预设时刻。

优选地，还包括：

通过马尔科夫链预测模型对所述待预测时刻的光伏出力值进行修正。

一种光伏出力预测装置，包括：

第一建立单元，用于建立待预测时刻的esn预测模型；

获取单元，用于获取最近预设时间段内的最高气温、平均气温、获取历史时刻的光伏出力值，所述历史时刻的时刻值与所述待预测时刻的时刻值相同；

第一确定单元，用于确定所述待预测时刻的点指数和所述待预测时刻所在预测日的日指数；

计算单元，用于将所述最高气温、所述平均气温、所述历史时刻的光伏出力值、所述点指数和所述日指数作为所述esn预测模型的输入，以得到所述待预测时刻的光伏出力值。

优选地，还包括：

第二确定单元，用于预先确定所述预测日的天气类型；

第三确定单元，用于根据所述最近预设时间段内的光伏出力曲线和所述天气类型，确定所述日指数和所述点指数。

优选地，在所述最近预设时间段内，光伏出力值最小的天气类型对应的日指数设为1，光伏出力值最大的天气类型对应的点指数设未1。

优选地，还包括：

第二建立单元从6:00至19:00，对所述预测日分别建立14个esn预测模型；

相应地，所述第一建立单元具体用于：

将6:00至19:00中的任一整点时刻作为所述预设时刻。

优选地，还包括：

修正单元，用于通过马尔科夫链预测模型对所述待预测时刻的光伏出力值进行修正。

本发明实施例提供的技术方案，通过建立esn预测模型、将气温、类型指数、历史光伏出力值作为esn网络的输入，预测一天中预测时刻的光伏出力值，解决了采用神经网络模型时样本数据少导致的预测不准确的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例所提供的一种光伏出力预测方法的一种流程示意图；

图2为本发明实施例所提供的一种光伏出力预测装置的一种结构示意图；

图3为本发明实施例所提供的回声状态网络的网络结构图。

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。

请参阅图1，图1为本发明实施例提供的一种光伏出力预测方法的一种实现流程图，该方法包括：

步骤s101、建立待预测时刻的esn预测模型。

步骤s102、获取最近预设时间段内的最高气温、平均气温、获取历史时刻的光伏出力值，所述历史时刻的时刻值与所述待预测时刻的时刻值相同。

实际应用中可以收集光伏电站所在地最近一年内每天的气象数据，包括最高气温、最低气温、天气类型，收集光伏电站近一年内每天24小时的历史出力值。截取6:00至19:00的出力值作为光伏出力曲线。影响发电系统输出功率的主要因素有光照强度、环境温度和光伏电站本身的特性等，由于这些因素的数据不易采集，间接采用天气类型、最高气温、平均气温、历史光伏出力值作为影响光伏发电的因素。

不同类型天气的太阳辐射、云量、风速、温度等气候因素是不一样的，光伏电池的输出功率也不同。例如，晴天和雨天的输出功率相差很大。天气类型对光伏电站出力结果影响很大，这些影响直接体现在日发电功率的大小。因此，本文通过对光伏出力数据的处理，将天气类型映射为一个数值型的类型指数，作为回声状态网络训练和预测的输入。

为了提高预测精度，本文逐点预测，即对应一天的6:00至19:00分别共建立14个esn预测模型。所以类型指数作为模型的输入，既要反映天气类型对全天出力的影响，也要体现出某时刻点上对出力的贡献。鉴于此，将类型指数定义为一个二维数组，包括日指数和点指数两部分，即(日指数，点指数)。

步骤s103、确定所述待预测时刻的点指数和所述待预测时刻所在预测日的日指数。

收集光伏电站所在地最近一年内每天的气象数据，包括最高气温、最低气温、天气类型，收集光伏电站近一年内每天24小时的历史出力值。截取6:00至19:00的出力值作为光伏出力曲线。影响发电系统输出功率的主要因素有光照强度、环境温度和光伏电站本身的特性等，由于这些因素的数据不易采集，间接采用天气类型、最高气温、平均气温、历史光伏出力值作为影响光伏发电的因素。

不同类型天气的太阳辐射、云量、风速、温度等气候因素是不一样的，光伏电池的输出功率也不同。例如，晴天和雨天的输出功率相差很大。天气类型对光伏电站出力结果影响很大，这些影响直接体现在日发电功率的大小。因此，本文通过对光伏出力数据的处理，将天气类型映射为一个数值型的类型指数，作为回声状态网络训练和预测的输入。

为了提高预测精度，本文逐点预测，即对应一天的6:00至19:00分别共建立14个esn预测模型。所以类型指数作为模型的输入，既要反映天气类型对全天出力的影响，也要体现出某时刻点上对出力的贡献。鉴于此，将类型指数定义为一个二维数组，包括日指数和点指数两部分，即(日指数，点指数)。

步骤s104、将所述最高气温、所述平均气温、所述历史时刻的光伏出力值、所述点指数和所述日指数作为所述esn预测模型的输入，以得到所述待预测时刻的光伏出力值。

本实施例建立的基于回声状态网络的预测模型，突出天气类型对光伏发电功率的影响，建模时着重考虑此因素，加大了日指数的权重，预测时无须根据天气因素将模型分解为子模型，适用于各种天气类型，具有较强的适用性和较好的预测能力。

为了提高预测精度，本文逐点预测，即对应一天的6:00至19:00分别共建立14个esn预测模型。每一个网络模型的参数设定、训练、预测过程如下：

输入层确定：预测日前三天相同时刻的出力值、类型指数、最高气温、平均气温，预测日的最高气温、平均气温、类型指数。

输出层确定：预测日6:00至19:00某一时刻的出力值。

优选地，在得到待预测时刻的光伏出力值之后，还可以通过马尔科夫链预测模型对所述待预测时刻的光伏出力值进行修正。

马尔科夫链预测是根据某些变量的现在状态及其变化趋势，预测其在未来某一特定期间内可能出现的状态，适合表述随机波动性较大问题。本文提出马尔科夫残差对回声状态网络的预测结果进行修正的方法对光伏电站出力进行预测，契合光伏电站的特点，将二者进行优势互补，从而得到更为准确的预测结论。

将esn网络预测值与实际值的相对误差所处的不同上下阈值作为状态划分值域。马尔科夫预测中，最关键的一步是求状态转移概率矩阵。在状态概率的求解过程中，状态的分级至关重要，常用的方法有均值-均方差分级法、聚类分析法以及左右分割法。本发明采用均值-均方差分级法。基本思想：对由esn回声状态网络预测得到的结果运用马尔科夫模型，分析其误差的波动幅度与波动发展趋势，获得误差的状态转移概率矩阵，并据此矩阵对神经网络预测结果进行修正。

具体步骤如下：

a、计算esn网络测试样本预测值的相对误差ξ；

b、将测试样本预测值的相对误差ξ所处的不同上下阈值作为状态划分值域，建立状态划分标准；

c、根据相对误差状态求出状态转移矩阵p^(k)；

d、确定初始状态向量v(0)；

e、根据状态转移公式v(k)＝v(0)p^(k)求出第k步的状态转移结果；

f、预测值被修正p＝p0(1-ξ^*)，其中p0是回声状态网络的预测结果，ξ^*为所处误差状态区间上下阈值的平均值。

本发明实施例提供的技术方案，通过建立esn预测模型、将气温、类型指数、历史光伏出力值作为esn网络的输入，预测一天中预测时刻的光伏出力值，解决了采用神经网络模型时样本数据少导致的预测不准确的问题。

以下对本发明中所涉及的算法模型进行说明：

(1)回声状态网络模型

jaeger和haas在2001年提出回声状态网络(echostatenetwork，esn)以及相应的学习算法，为递归神经网络的研究开辟了崭新的道路。这种方法也被称为所谓的储备池计算模式，它引入一个称作储备池的内部网络，当外部的输入序列进入这个内部网络时，便在其中激发起复杂多样的非线性状态空间，然后再通过一个简单的读出网络来得到网络输出。与递归神经网络的最大不同之处是在训练过程中，储备池内部的连接权值是固定不变的，调整仅仅针对读出网络进行，大大降低了训练的计算量，又避免了大多数基于梯度下降的学习算法所难回避的局部极小现象，能够取得很好的建模精度。

esn通过随机地布置大规模稀疏连接的模拟神经元构成随机网络结构，这个用于处理时序输入信号的随机的稀疏连接的大规模递归网络，被称为“储备池”(reservoirs)，其结构如图3所示。神经元(储备池内部单元)输出x(n)的线性组合形成系统的输出信号y(n)。储备池中神经元之间的连接权w、以及输入信号对于储备池中神经元的连接权wⁱⁿ全部随机产生，而且产生后即保持不变，不需要训练。需要训练的连接权只有储备池到系统输出的连接权w^out，训练过程一般只需要求解一个线性回归问题。

进一步分析esn的结构以及数学模型。考虑如图1所示的esn的网络结构[4]。假设系统具有m个输入单元，n个内部处理单元(processingelements，pes)，即n个内部神经元，同时具有l个输出单元。时刻n输入单元、内部状态以及输出单元的取值分别为：

u(n)＝[u1(n)，u2(n)，...，um(n)]^t,

x(n)＝[x1(n)，x2(n)，...，xn(n)]^t,

y(n)＝[y1(n)，y2(n)，...，yl(n)]^t。

从结构上讲，esn是一种特殊类型的递归神经网络，其基本思想是使用大规模随机连接的递归网络,取代经典神经网络中的中间层,从而简化网络的训练过程。回声状态网络的状态方程和输出方程可以由式(1)给出:

其中w、wⁱⁿ、w^back分别表示状态变量、输入和输出对状态变量的连接权矩阵；w^out表示储备池、输入和输出对于输出的连接权矩阵，表示输出的偏置项或者可以代表噪声。f＝[f1，f2，...，fn]表示内部神经元激活函数，通常情况下，fi(i＝1，2，...，n)取做双曲正切函数。表示输出函数，一般情况下，输出层是线性的，即取恒等函数。在以上的各种连接权矩阵中，连接到储备池的连接权矩阵wⁱⁿ、w、w^back随机产生，一经产生就固定不变。而连接到输出的各连接权矩阵w^out需要根据系统的输入、输出数据训练得到，因为状态变量与输出之间是线性关系，所以通常这些连接权只需通过求解线性回归问题得到。w是一个稀疏连接矩阵，其稀疏度一般取1％～5％。esn网络是否具有回声状态的特性非常重要，回声状态特性指的是，网络之前的输入向量以及储备池的初始状态对未来状态的影响越来越小直到逐渐消失。为了保证esn网络的回声效应，w的谱半径必须保证小于1。

1)储备池参数的选取

esn的构造方法很简单，但在具体使用过程中，必须对网络中的一些关键参数进行经验性选择和调整。

a)储备池的规模n

储备池规模指储备池中神经元的个数，储备池规模的选择与训练样本的个数有关，对网络性能有较大影响。通常情况下，储备池的规模越大，esn能够表示的动态系统可能越复杂。对于给定的动态系统，储备池规模越大，esn对其描述就越准确。但是，储备池规模不能任意增大，因为如果储备池规模过大可能会引起过拟合问题。过拟合将导致模型对于测试数据的泛化能力下降。通常的选择原则是逐步增加储备池规模，直到网络对于测试样本的处理能力(比如分类错误率、预测误差等)变坏为止。

b)储备池内部连接权矩阵谱半径sr

所谓储备池内部连接权谱半径指的是储备池内部连接权矩阵w的绝对值最大的特征值，记为λmax。sr是储备池的关键参数，通常情况下，当λmax＜1时，esn才能具有回声状态属性，从而确保网络的状态和输入在经过足够长的时间后，对网络的影响会消失。对于具体时间序列预测问题，参数sr的选择对于esn性能有巨大影响，在储备池适应性研究中，sr都会作为关键参数进行优化。

c)储备池输入单元尺度is

储备池输入单元尺度参数is就是储备池的输入信号连接到储备池内部神经元之前需要相乘的一个尺度因子。因为储备池中神经元激活函数选择的不同以及样本数据特点不同，通常不是将输入信号直接加到储备池，而是通过一个尺度因子is，即首先对输入信号进行一定的缩放。

d)储备池稀疏程度sd

储备池稀疏程度sd表示储备池中神经元之间的连接情况。储备池中并不是所有神经元之间都存在连接关系，只有部分神经元之间存在连接关系，参数sd表示的是储备池中相互连接的神经元占总的神经元数(n)的百分比。该参数可以衡量储备池中所包含向量的丰富程度，储备池中向量的丰富程度影响网络的非线性逼近能力，网络的向量越丰富，其非线性逼近能力越强。

另外，值得注意的还包括内部神经元激励函数的选取。jaeger最初论证回声状态时使用的是线性神经元。一般地，对于线性神经元网络，可以在拥有回声状态的同时，提供更强的短期记忆。但是，由于大多数需要神经网络进行建模的系统都具有很强的非线性，最后在实际应用中往往采取了更常见的s形激励函数。

2)回声状态网络的训练

回声状态网络的训练过程就是根据给定的训练样本

(u(n)，y(n)，n＝1，2，...，m)，确定系统中的输出连接权矩阵w^out的过程。为了简单起见，这里假定w^back＝0,同时输入到输出连接权也假定为0，样本数据(u(n)，y(n)，n＝1，2，...，m)有时也被称为教师数据。回声状态网络的训练过程可以分为两个阶段:采样(sampling)阶段和权值计算(weightcomputation)阶段。

a)采样

采样阶段首先任意选定网络的初始状态，但是通常情况下选取网络的初始状态为0，即x(0)＝0。训练样本(u(n)，n＝1，2，...，m)经过输入连接权wⁱⁿ，样本数据y(n)经过反馈连接权w^back分别被加到储备池，按照系统(1)，依次完成系统状态的计算和相应输出的计算与收集。注意每一时刻系统状态x(n)的计算，都需要将样本数据y(n)写入到输出单元。为了计算输出连接权矩阵，需要从某一时刻开始收集(采样)内部状态变量。这里假定从m时刻开始收集系统状态，并以向量(x1(i)，x2(i)，...，xn(i))(i＝m，m+1，...，m)为行构成矩阵b(m-m+1，n)，同时相应的样本数据y(n)也被收集，并构成一个列向量t(m-m+1，1)。这里需要说明两点:

如果系统包含有输入到输出、输出到输出的连接权,那么在收集系统的状态矩阵b时,还需要收集相应的输入和输出部分；

为了消除任意初始状态对系统动态特性的影响，总是从某一时刻后才开始收集系统的状态。从该时刻开始，可以认为系统反映的是输入、输出样本数据之间的映射关系。

b)权值计算

为了实现权值的计算，需要根据在采样阶段收集到系统状态矩阵和样本数据,计算输出连接权w^out。因为状态变量x(n)和系统输出之间是线性关系，而需要实现的目标是利用网络实际输出逼近期望输出y(n)，即

也就是希望计算权值(为矩阵w^out的元素)，满足系统的均方误差最小，即需要求解如下的优化问题:

从数学的观点看，这是一个线性回归问题，问题可以归结为求矩阵b的逆矩阵问题，实际应用中矩阵b可能是病态的，在计算上该问题可以进一步处理为矩阵b的伪逆问题，即

(w^out)^t＝b^-1t

至此，esn网络训练已经完成。

(2)马尔科夫链

马尔科夫链，因安德烈·马尔科夫(1856－1922)得名，是数学中具有马尔科夫性质的离散时间随机过程。该过程中，在给定当前知识或信息的情况下，过去(即当期以前的历史状态)对于预测将来(即当期以后的未来状态)是无关的。

马尔科夫链预测是根据某些变量的现在状态及其变化趋向，预测其在未来某一特定期间内可能出现的状态，适合描述随机波动性较大问题。

马尔科夫预测中，最关键的一步是求状态转移概率矩阵。在状态概率的求解过程中，状态的分级显得至关重要，常用的方法有均值-均方差分级法。对于序列x1,…,xn，其均值为均方差为s，利用均值-均方差分级法后，一般可将序列划分为5级：其中a1,a4取值在[1.0,1.5]中取值，a2,a3在[0.3,0.6]中取值。

根据马尔科夫理论，状态ei经过k步变成ej的概率为

式中：为样本从ei到ej的转移次数；ni为状态出现的总次数，则k步状态概率转移矩阵为

状态概率转移矩阵是一个n阶方阵，具有两个特点：

矩阵各元素非负性；即矩阵每行之和为1。

用状态概率转移公式计算第k步的状态向量

v(k)＝v(0)p^(k)(5)

其中，v(0)是初始状态向量。

请参阅图2，图2为本发明实施例提供的光伏出力预测装置的一种结构示意图，该结构示意图中的各模块的工作过程参照图1对应的实施例中方法的执行过程，该装置包括：

第一建立单元210，用于建立待预测时刻的esn预测模型；

获取单元220，用于获取最近预设时间段内的最高气温、平均气温、获取历史时刻的光伏出力值，所述历史时刻的时刻值与所述待预测时刻的时刻值相同；

第一确定单元230，用于确定所述待预测时刻的点指数和所述待预测时刻所在预测日的日指数；

计算单元240，用于将所述最高气温、所述平均气温、所述历史时刻的光伏出力值、所述点指数和所述日指数作为所述esn预测模型的输入，以得到所述待预测时刻的光伏出力值。

本发明实施例提供的技术方案，通过建立esn预测模型、将气温、类型指数、历史光伏出力值作为esn网络的输入，预测一天中预测时刻的光伏出力值，解决了采用神经网络模型时样本数据少导致的预测不准确的问题。

在本发明的另一实施例中，还包括：

第二确定单元，用于预先确定所述预测日的天气类型；

第三确定单元，用于根据所述最近预设时间段内的光伏出力曲线和所述天气类型，确定所述日指数和所述点指数。

在本发明的另一实施例中，在所述最近预设时间段内，光伏出力值最小的天气类型对应的日指数设为1，光伏出力值最大的天气类型对应的点指数设未1。

在本发明的另一实施例中，还包括：

第二建立单元从6:00至19:00，对所述预测日分别建立14个esn预测模型；

相应地，所述第一建立单元具体用于：

将6:00至19:00中的任一整点时刻作为所述预设时刻。

在本发明的另一实施例中，还包括：

修正单元，用于通过马尔科夫链预测模型对所述待预测时刻的光伏出力值进行修正。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

对于装置或系统实施例而言，由于其基本相应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置或系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，在没有超过本发明的精神和范围内，可以通过其他的方式实现。当前的实施例只是一种示范性的例子，不应该作为限制，所给出的具体内容不应该限制本发明的目的。例如，所述单元或子单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或多个子单元结合一起。另外，多个单元可以或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

另外，所描述系统，装置和方法以及不同实施例的示意图，在不超出本发明的范围内，可以与其它系统，模块，技术或方法结合或集成。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。