基于模拟退火与循环卷积的分布式光伏预测方法与装置与流程

本发明属于新能源电力，特别是涉及到一种基于模拟退火与循环卷积神经网络的分布式光伏的出力预测方法与装置。

背景技术：

1、分布式光伏作为新型电力系统的重要组成部分，针对其出力预测的准确性提升是必要的研究方向。

2、目前分布式光伏的装机容量逐步增加，有些省份分布式光伏的装机容量甚至超过光伏总装机的50%以上，分布式光伏的预测准确性已经对电网的平衡，调度计划，午高峰的消纳等造成了比较大的影响。

3、由于分布式光伏分布范围较广，对数据的采集、传输造成一定程度的困难，因此分布式预测往往采用可样板站折算的方式进行预测。具体而言，即选择获取数据方便的站点，对其进行单站点的功率预测建模，再依据站点与区域整体的装机对应关系，或者发电量对应关系等方式进行整个区域内的功率预测折算。

4、光伏的发电能力受云的移动、高中低层云的厚度、辐照度、湿度、温度等气象要素的影响较大，针对样板站的模型建立，只能针对样板站单点的气象对光伏的影响进行刻画，样板站间的距离一般较远，因此采用样板站折算的建模方式难以刻画云的移动等气象要素对样板站与样板站之间的分布式光伏的影响，从而对整个区域的光伏预测精度造成负面的影响。

技术实现思路

1、本发明提出一种基于模拟退火与循环卷积的分布式光伏预测方法与装置，采用区域预测的方案，对分布式光伏区域进行整体的预测，达到提升分布式光伏预测精度的目的。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于模拟退火与循环卷积的分布式光伏预测方法，包括：

4、s1、以固定的间隔时长采集包括各分布式光伏站点的实测气象数据、光伏实际出力数据；并获取对应时间段的预测气象数据；

5、s2、建立预测气象订正模型，对各分布式光伏站点的预测气象数据进行模型订正，得到订正后的预测气象数据；

6、s3、基于各分布式光伏站点的坐标，采用k-means算法对其进行聚类；基于各分布式光伏站点的订正后的预测气象数据，采用层次聚类算法对其进行聚类；基于各分布式光伏站点的实测气象数据，采用knn聚类算法对其进行聚类；

7、s4、基于订正后的预测气象数据、光伏实际出力数据与s3得到的聚类结果，在每一类内利用循环卷积神经网络算法进行预测气象-光伏出力的模型建立，进行模型训练时，采用模拟退火算法进行超参数寻优，最后对每一类的模型的预测结果采用多元线性回归算法进行最终的预测,得到最终预测结果。

8、进一步的，步骤s2中，所述预测气象订正模型的建立，包括：使用分布式光伏站点的实测气象数据作为需要拟合的变量，预测气象数据作为输入变量，基于上述数据进行特征优化和超参数优化，建立预测气象订正模型。

9、进一步的，步骤s3中，基于各分布式光伏站点的坐标进行k-means聚类的具体步骤包括：采用k-means聚类，计算不同分布式光伏站点的坐标之间的距离，根据坐标之间的距离远近，将距离近的坐标聚成一类。

10、进一步的，步骤s3中，基于各分布式光伏站点的预测气象数据进行层次聚类的具体步骤包括：采用层次聚类，计算不同分布式光伏站点的预测气象数据序列之间的相似性，根据不同数据序列之间的相似性大小，将相似性较大的序列聚成一类。

11、进一步的，步骤s3中，基于各分布式光伏站点的实测气象数据进行knn聚类的具体步骤包括：采用knn聚类，计算不同分布式光伏站点的实测气象数据序列之间的相似性，根据不同数据序列之间的相似性大小，将相似性较大的序列聚成一类。

12、进一步的，步骤s4中，所述模型训练具体包括：

13、s401、以所述订正后的预测气象数据为循环卷积神经网络模型的输入，所述光伏实际出力数据作为循环卷积神经网络模型的需要逼近的目标；

14、s402、使用模拟退火算法对循环卷积神经网络模型进行超参数寻优；

15、s403、当循环卷积神经网络模型的输出与需要逼近的光伏实际出力数据足够接近时，完成超参数寻优，模型训练完成。

16、进一步的，步骤s4中，对每一类的模型的预测结果采用多元线性回归算法的过程包括：将每一类的模型的预测结果都设为自变量，表示为x0，x1，... xn；n为每一类的模型的预测结果的总数量，设最终的预测结果为因变量y，a0x0+a1x1...+anxn+an+1=y, a0至an+1为参数，使用最小二乘法计算a0至an+1，完成多元线性回归算法的建模。

17、本发明另一方面还提出了一种基于模拟退火与循环卷积的分布式光伏预测装置，包括：

18、采集模块：以固定的间隔时长采集包括各分布式光伏站点的实测气象数据、光伏实际出力数据；并获取对应时间段的预测气象数据；

19、订正模块：建立预测气象订正模型，对各分布式光伏站点的预测气象数据进行模型订正，得到订正后的预测气象数据；

20、聚类模块：基于各分布式光伏站点的坐标，采用k-means算法对其进行聚类；基于各分布式光伏站点的订正后的预测气象数据，采用层次聚类算法对其进行聚类；基于各分布式光伏站点的实测气象数据，采用knn聚类算法对其进行聚类；

21、预测模块：基于订正后的预测气象数据、光伏实际出力数据与聚类模块得到的聚类结果，在每一类内利用循环卷积神经网络算法进行预测气象-光伏出力的模型建立，进行模型训练时，采用模拟退火算法进行超参数寻优，最后对每一类的模型的预测结果采用多元线性回归算法进行最终的预测,得到最终预测结果。

22、进一步的，所述聚类模块包括：

23、k-means聚类单元，采用k-means聚类，计算不同分布式光伏站点的坐标之间的距离，根据坐标之间的距离远近，将距离近的坐标聚成一类；

24、层次聚类单元，采用层次聚类，计算不同分布式光伏站点的预测气象数据序列之间的相似性，根据不同数据序列之间的相似性大小，将相似性较大的序列聚成一类；

25、knn聚类单元，采用knn聚类，计算不同分布式光伏站点的实测气象数据序列之间的相似性，根据不同数据序列之间的相似性大小，将相似性较大的序列聚成一类。

26、进一步的，所述预测模块中，包括线性回归单元，对每一类的模型的预测结果采用多元线性回归算法的过程包括：将每一类的模型的预测结果都设为自变量，表示为x0，x1，... xn；n为每一类的模型的预测结果的总数量，设最终的预测结果为因变量y，a0x0+a1x1...+anxn+an+1=y, a0至an+1为参数，使用最小二乘法计算a0至an+1，完成多元线性回归算法的建模。

27、与现有技术相比，本发明具有如下的有益效果：

28、1、本发明通过不同方式的聚类进行区域聚类，并针对每种聚类方式分别进行光伏出力的预测，最后对每种聚类方式的预测结果进行多元线性回归，从而实现了整体区域的光伏出力预测，避免了采用样板法折算方式得到的预测结果无法刻画区域云层移动等问题，采用多种聚类方式进行建模提升了模型的泛化能力；

29、2. 本发明采用模拟退火算法对循环卷积神经网络进行权值调优，提升了光伏出力预测的预测速度以及提升了一定的预测精度。