一种光伏发电量预测方法及装置与流程

1.本发明涉及光伏发电技术领域，尤其涉及一种光伏发电量预测方法及装置。


背景技术：

2.随着国家对新能源产业发展的支持，光伏发电在整个供电构成中占的比重 逐步增大，围绕光伏发电产生了许多新技术，其中就包括光伏发电量预测。光 伏发电量预测是对未来一段时间内的发电量进行预估，它是能量管理系统中的 重要部分，准确预测未来一段时间内的发电量对于合理安排发电计划，节省用 电费用以及发电成本都有重要意义。
3.现有使用的光伏发电量预测系统大多以气象因素中的太阳辐照度作为重要 的输入特征，但是就目前而言我国辐照度观测站点很少，现有的数值天气预报 中也没有这一要素的预报，而且通过辐照度采集设备采集辐照度后预测辐照度 再预测发电量的方式成本较大，尤其是对于一些小型电站而言，并且中国天气 网提供的各地区的历史辐照度价格也很昂贵，因此，光伏发电量预测系统在实 际应用中必须考虑去掉辐照度这一因素，然而在没有辐照度时预测模型的精度 就会显著降低。
4.因此，如何在没有辐照度的情况下提高预测模型的精度是光伏发电量预测 领域迫切需要解决的问题。


技术实现要素：

5.为解决背景技术中存在的技术问题，本发明提出一种光伏发电量预测方法 及装置。
6.本发明提出的一种光伏发电量预测方法，包括：
7.获取光伏发电站在预设时间段内每个时刻的历史气象数据和历史发电量数 据；
8.对所述历史气象数据和历史发电量数据进行预处理，得到气象特征数据和 发电量特征数据；
9.根据所述气象特征数据、发电量特征数据和历史发电量数据构建数据集；
10.对所述数据集按照预设比例抽样得到训练子集和测试子集；
11.预先构建预测模型，并根据所述训练子集训练所述预测模型得到过程预测 模型；
12.根据所述测试子集和过程预测模型，得到最终预测结果；
13.对所述最终预测结果进行指标评价。
14.进一步地，所述对所述历史气象数据和历史发电量数据进行预处理，得到 气象特征数据和发电量特征数据，具体包括：
15.根据xgboost算法，计算所述每个时刻的历史气象数据中各个天气因素特 征对所述每个时刻的历史发电量数据的重要性得分，根据所述重要性得分确定 影响所述历史发电量数据的天气因素特征，并将所述天气因素特征作为气象特 征数据；
16.根据所述每个时刻的历史发电量数据，提取每个时刻在其前n天中相同时 刻的历史发电量数据，分别计算每个时刻对应的前n天中相同时刻的历史发电 量数据的平均值，
并将该平均值作为每个时刻的发电量特征数据；
17.其中，n为大于零的正整数。
18.进一步地，所述预先构建预测模型，并根据所述训练子集训练所述预测模 型得到过程预测模型，具体包括：
19.预先构建xgboost模型和bls模型；
20.根据所述训练子集中的气象特征数据、发电量特征数据和历史发电量数据 训练所述xgboost模型，得到过程xgboost模型；
21.根据所述训练子集中的气象特征数据和发电量特征数据以及过程xgboost 模型，得到过程预测发电量；
22.根据所述过程预测发电量、气象特征数据和历史发电量数据构建新训练子 集；
23.根据所述新训练子集训练所述bls模型，得到过程bls模型。
24.进一步地，所述根据所述测试子集和过程预测模型，得到最终预测结果， 包括：
25.根据所述测试子集中的气象特征数据和发电量特征数据以及过程xgboost 模型，得到目标预测发电量；
26.根据所述测试子集中的气象特征数据、目标预测发电量和过程bls模型， 得到最终预测结果。
27.进一步地，所述对所述最终预测结果进行指标评价，具体包括：
28.将所述最终预测结果与测试子集中的历史发电量数据进行误差计算，误差 计算采用均方根误差rmse和平均绝对误差mae作为评价指标。
29.进一步地，所述历史气象数据包括温度、湿度、大气压、风速、天气状况、 降雨量。
30.本发明还提出了一种光伏发电量预测系统，包括：数据处理模块、数据划 分模块、预测模块、训练模块和指标评价模块；
31.数据处理模块用于获取光伏发电站在预设时间段内每个时刻的历史气象数 据和历史发电量数据并对其进行预处理得到气象特征数据和发电量特征数据， 并根据气象特征数据、发电量特征数据和历史发电量数据构建数据集；
32.数据划分模块用于对所述数据集按照预设比例抽样得到训练子集和测试子 集；
33.训练模块用于根据所述训练子集训练预先构建的预测模型得到过程预测模 型；
34.预测模块用于根据所述测试子集和所述过程预测模型得到最终预测结果；
35.指标评价模块用于对所述最终预测结果进行指标评价；
36.进一步地，所述预测模型为xgboost-bls模型。
37.本发明还提出了一种光伏发电量预测设备，包括：
38.存储器，用于存储计算机程序；
39.处理器，用于执行所述计算机程序时实现如上述任一项所述光伏发电量预 测方法的步骤。
40.本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质上存 储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述光伏 发电量预测方法的步骤。
41.本发明提出了一种光伏发电量预测方法及装置，在不考虑辐照度这一因素 的情况下，根据历史发电量数据构造每个时刻的发电量特征数据，根据历史气 象数据和历史发
电量数据得到气象特征数据，并根据气象特征数据、发电量特 征数据和历史发电量数据训练预先构建的预测模型得到过程预测模型，并根据 气象特征数据、发电量特征数据和过程预测模型得到最终预测结果，不依赖辐 照度并且在各种天气类型下能够适应快速预测光伏发电量，并且有效提高了预 测精度。
附图说明
42.图1为本发明提出的一种光伏发电量预测方法的流程示意图。
43.图2为本发明方法实施例中采用本发明方法的模型预测曲线对比图一。
44.图3为本发明方法实施例中采用本发明方法的模型预测曲线对比图二。
45.图4为本发明方法实施例中采用本发明方法的模型预测曲线对比图三。
46.图5为本发明方法实施例中采用本发明方法的模型预测曲线对比图四。
47.图6为本发明方法实施例中采用本发明方法的模型预测曲线对比图五。
48.图7为本发明方法实施例中采用本发明方法的模型预测曲线对比图六。
具体实施方式
49.本发明的核心思想之一在于，提出一种光伏发电量预测方法，在该方法中， 在不考虑辐照度这一因素的情况下，根据历史发电量数据构造每个时刻的发电 量特征数据，根据历史气象数据和历史发电量数据得到气象特征数据，并根据 气象特征数据、发电量特征数据和历史发电量数据训练预先构建的预测模型得 到过程预测模型，并根据气象特征数据、发电量特征数据和过程预测模型得到 最终预测结果，有效提高了预测模型的预测精度。
50.下面结合附图和具体实施例对本发明提出的一种光伏发电量预测方法进行 详细说明，如图1所示，该方法包括以下步骤s1-s7。
51.本实施例以国内某光伏电站为例，获取其2020年全年的历史发电量数据以 及其所在地的历史气象数据。
52.s1、获取光伏发电站在预设时间段内每个时刻的历史气象数据和历史发电 量数据。
53.其中，气象数据包括温度、湿度、大气压、风速、天气状况、降雨量。
54.当然，本发明中的气象数据不包括辐照度这一因素。
55.其中，预测时间段为2020年全年。
56.s2、对所述历史气象数据和历史发电量数据进行预处理，得到气象特征数 据和发电量特征数据。
57.其中，根据xgboost算法，计算所述每个时刻的历史气象数据中各个天气 因素特征对所述每个时刻的历史发电量数据的重要性得分，根据所述重要性得 分确定影响所述历史发电量数据的天气因素特征，并将所述天气因素特征作为 气象特征数据；其中，重要性得分如表1所示。
58.表1
[0059][0060]
从表1中可以看出，对历史发电量数据的重要程度的特征排序为温度、湿 度和大气压，其他因素影响较小，另外天气状况虽然重要性比较低，但是这项 特征能够对未来预报中的天气类型进行识别，因此，基于重要性得分，本实施 例确定温度、湿度、大气压和天气状况作为气象特征数据。
[0061]
其中，根据所述每个时刻的历史发电量数据，提取每个时刻在其前n天中 相同时刻的历史发电量数据，分别计算每个时刻对应的前n天中相同时刻的历 史发电量数据的平均值，并将该平均值作为每个时刻的发电量特征数据；其中， n为大于零的正整数。如此设置，考虑到了实际在线运行时云端的计算能力和 网络延迟等因素，降低了计算误差。
[0062]
在本实施例中，根据所述每个时刻的历史发电量数据，提取每个时刻在其 前4天中相同时刻的历史发电量数据。
[0063]
当然，针对不同的光伏发电站，前n天的确定需要根据实际进行计算。
[0064]
s3、根据所述气象特征数据、发电量特征数据和历史发电量数据构建数据 集。
[0065]
其中，每个时刻均对应一个气象特征数据、一个发电量特征数据和一个历 史发电量数据，气象特征数据和发电量特征数据作为后续预测模型的输入特征， 历史发电量数据作为后续模型的输出特征，因此，每个输入特征对应一个输出 特征。
[0066]
s4、对所述数据集按照预设比例抽样得到训练子集和测试子集。
[0067]
其中，数据集抽样的预设比例为：训练集》测试集。
[0068]
优选地，将所述数据集中气象特征数据、与气象特征数据对应的发电量特 征数据以及与气象特征数据对应的历史发电量数据的百分之九十划分为训练子 集，其余百分之十为测试子集。
[0069]
s5、预先构建预测模型，并根据所述训练子集训练所述预测模型得到过程 预测模型。
[0070]
其中，预测模型为xgboost模型、xgboost-lstm模型或xgboost-bls模 型。
[0071]
其中，当预测模型为xgboost-bls模型时，预先构建xgboost模型和bls 模型；
[0072]
根据所述训练子集中的气象特征数据、发电量特征数据和历史发电量数据 训练所述xgboost模型，得到过程xgboost模型；
[0073]
根据所述训练子集中的气象特征数据和发电量特征数据以及过程xgboost 模型，得到过程预测发电量；
[0074]
根据所述过程预测发电量、气象特征数据和历史发电量数据构建新训练子 集；
[0075]
根据所述新训练子集训练所述bls模型，得到过程bls模型。
[0076]
s6、根据所述测试子集和过程预测模型得到最终预测结果。
[0077]
其中，当预测模型为xgboost-bls模型时，根据所述测试子集中的气象特 征数据和发电量特征数据以及过程xgboost模型，得到目标预测发电量；
[0078]
根据所述测试子集中的气象特征数据、目标预测发电量和过程bls模型， 得到最终预测结果。
[0079]
s7、对所述最终预测结果进行指标评价。
[0080]
其中，将所述最终预测结果与测试子集中的历史发电量数据进行误差计算， 误差计算采用均方根误差rmse和平均绝对误差mae作为评价指标。
[0081]
其中，均方根误差rmse和平均绝对误差mae的数学描述公式如下：
[0082][0083][0084]
式中，p
mi
为i时刻的历史发电量数据，p
pi
为i时刻的最终预测结果，n表示 预测时刻个数。
[0085]
参照表2，进一步得，所述根据所述每个时刻的历史发电量数据，提取每个 时刻在其前4天中相同时刻的历史发电量数据，具体包括：
[0086]
根据所述每个时刻的历史发电量数据，提取每个时刻在其前5天中相同时 刻的历史发电量数据，分别计算每个时刻对应的前1天至前5天中相同时刻的 历史发电量数据的平均值，并根据xgboost算法分别计算前一天至前5天相同 时刻的平均值对历史发电量数据的重要性得分；
[0087]
分别计算前1天至前5天中相同时刻的历史发电量数据的平均值与历史发 电量数据的均方误差；
[0088]
根据重要性得分和均方误差，确定提取每个时刻在其前4天中相同时刻的 历史发电量数据。
[0089]
表2
[0090][0091]
参照图2-图7，本发明提出的基于xgboost模型、xgboost-lstm模型和 xgboost-bls模型的三种光伏发电量预测方法，对相同的待预测日进行预测， 并对最终预测结果进行指标评价。
[0092]
其中，待预测日为7月12日、11月25日、11月29日、11月30日、12 月28日和12月31日作为，每个待预测日包括24个待预测时刻。
[0093]
其中，11月30日和12月31日的天气状况为晴天，7月12日和11月29 日的天气状况为阴天和多云，11月25日和12月28日的天气状况为雨雪天。
[0094]
其中，三种模型的参数设置如表3所示。
[0095]
表3
[0096][0097]
基于以上模型参数，本发明提出的基于xgboost模型、xgboost-lstm模 型和xgboost-bls模型的三种光伏发电量预测方法在晴天下的发电量预测曲线 对比图如图2和图3所示，评价指标如表4所示。
[0098]
表4
[0099][0100]
基于以上模型参数，本发明提出的基于xgboost模型、xgboost-lstm模 型和xgboost-bls模型的三种光伏发电量预测方法在阴和多云天气状况下的发 电量预测曲线对比图如图4和图5所示，评价指标如表5所示。
[0101]
表5
[0102][0103]
基于以上模型参数，本发明提出的基于xgboost模型、xgboost-lstm模 型和xgboost-bls模型的三种光伏发电量预测方法在雨雪天气状况下的发电量 预测曲线对比图如图6和图7所示，评价指标如表6所示。
[0104]
表6
[0105][0106]
从表4-6和图2-7可以看出，在缺少辐照度数据的情况下，本发明通过构造 每个时刻的发电量特征数据并将发电量特征数据和气象特征数据输入预测模型 进行预测，有效提高了预测模型的预测精度；而且，本发明提出基于 xgboost-bls模型的光伏发电量预测方法在三种天气类型下的预测结果的预测 精度更优于单独使用xgboost模型时的预测精度，而且在运算速度和预测精度 方面也更强于xgboost-lstm模型，充分表明了本发明所提
出的基于 xgboost-bls模型的光伏发电量预测方法更适合在线预测。
[0107]
本发明还提出了一种光伏发电量预测系统，包括：数据处理模块、数据划 分模块、预测模块、训练模块和指标评价模块；
[0108]
数据处理模块用于获取光伏发电站在预设时间段内每个时刻的历史气象数 据和历史发电量数据并对其进行预处理得到气象特征数据和发电量特征数据， 并根据气象特征数据、发电量特征数据和历史发电量数据构建数据集；
[0109]
数据划分模块用于对所述数据集按照预设比例抽样得到训练子集和测试子 集；
[0110]
训练模块用于根据所述训练子集训练预先构建的预测模型得到过程预测模 型；
[0111]
预测模块用于根据所述测试子集和所述过程预测模型得到最终预测结果；
[0112]
指标评价模块用于对所述最终预测结果进行指标评价。
[0113]
优选地，所述预测模型为基于xgboost-bls模型。
[0114]
本发明还提出了一种光伏发电量预测设备，包括：
[0115]
存储器，用于存储计算机程序；
[0116]
处理器，用于执行所述计算机程序时实现如上述任一项所述光伏发电量预 测方法的步骤。
[0117]
本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质上存 储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述光伏 发电量预测方法的步骤。
[0118]
以上所述，仅为本发明较佳的具体实施方式，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，根据本 发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护 范围之内。