本发明涉及光伏出力预测,具体涉及基于人工智能的光伏出力预测方法及系统。
背景技术:
1、由于分布式光伏的不可观、不可测、不可控等特性,引起的“超限”和 “盲调”等问题,使得电网的调峰难度进一步加大。为了支撑分布式光伏的合理消纳以及安全配电需求,需要对光伏出力情况进行合理的预测。
2、传统对光伏出力的预测通常采用历史发电数据作为依据,进行构建时间序列预测模型,对未来一段时间的光伏出力情况进行预测,而传统时间序列预测模型只考虑了时间序列信息,不能体现出分布式光伏出力设备在空间分布上的差异。同时,光伏发电的特点是受太阳辐射强度、天气条件和季节等因素影响,光伏出力存在较大的随机波动性,因此为预测工作的精确性带来了挑战。
技术实现思路
1、为了解决上述技术问题,本发明的目的在于提供基于人工智能的光伏出力预测方法及系统,所采用的技术方案具体如下:
2、第一方面,本发明实施例提供了基于人工智能的光伏出力预测方法,该方法包括以下步骤:
3、采集光伏发电区域的历史时序光伏发电量组成光伏出力序列,采集环境光照强度、环境温度及光伏发电区域的遥感图像;
4、获取分布式发电区域的光伏板空间分布阵列;根据光伏板空间分布阵列各位置处的光伏板数量、环境温度、光照强度获取各位置的光伏出力系数,作为光伏板空间分布阵列各位置的元素值;对光伏板空间分布阵列进行奇异值分解获取光伏板空间特征矩阵;根据各时刻的光伏板空间特征矩阵中各元素与邻域元素之间的差异构建各时刻的光伏出力空间稳定性矩阵各元素;
5、对于各时刻遥感图像,语义分割获取遥感图像中的云层块,根据云层块各位置与其最近边界点的距离得到云层块各位置的透射权重;根据云层块中各位置的透射权重以及所述距离获取云层块的加权透射指数;根据云层块的加权透射指数以及遥感图像中云层块各像素点的灰度值得到云层块的矫正加权透射指数;根据各时刻遥感图像中各云层块的面积以及矫正加权透射指数得到各时刻的云层矫正加权透射指数;根据各时刻的光伏出力空间稳定性矩阵及云层矫正加权透射指数得到各时刻的矫正光伏出力空间稳定性矩阵;将当前时刻与下一时刻的矫正光伏出力空间稳定性矩阵对应位置元素的差值绝对值作为当前时刻的光伏出力时空关联性矩阵的各元素;
6、将所述光伏出力序列及光伏出力时空关联系矩阵作为lstm时间序列预测模型的训练样本,训练完成的lstm时间序列预测模型输出光伏出力预测值。
7、进一步地,所述获取分布式发电区域的光伏板空间分布阵列,包括:
8、将分布式发电区域作为一个矩形区域,其中,所述矩形区域覆盖所有光伏板,将所述矩形区域划分为各正方形小区域,作为光伏板空间分布阵列的各位置。
9、进一步地,所述根据光伏板空间分布阵列各位置处的光伏板数量、环境温度、光照强度获取各位置的光伏出力系数,包括:
10、统计光伏空间分布阵列各位置的光伏板数量、环境温度以及光照强度,将所述光伏板数量、所述环境温度的倒数以及所述光照强度的乘积作为各位置的光伏出力系数;
11、将光伏板空间分布阵列中光伏板安置数量为零的位置的光伏出力系数记为0。
12、进一步地,所述根据各时刻的光伏板空间特征矩阵中各元素与邻域元素之间的差异构建各时刻的光伏出力空间稳定性矩阵各元素,包括:
13、对于各时刻的光伏板空间特征矩阵,获取光伏板空间特征矩阵中各元素的八邻域元素,获取各元素的所述八邻域元素的均值,计算光伏板空间特征矩阵中各元素与所述均值的差值绝对值,将所述差值绝对值的倒数作为各时刻的光伏出力空间稳定性矩阵的各元素。
14、进一步地,所述根据云层块各位置与其最近边界点的距离得到云层块各位置的透射权重包括:
15、对于云层块各位置,获取与各位置最近的边界点,将各位置与对应所述边界点之间的距离作为各位置的边界距离;以各位置为中心构建的m1*m1的大参考邻域和m2*m2的小参考邻域,其中m、m2分别为预设大、小参考邻域尺寸,m1>m2,在所述大参考邻域内设定与小参考邻域尺寸相同的滑动窗口,在所述大参考邻域内滑动,滑动窗口滑动次数记为;
16、计算各位置小参考邻域内所有位置的边界距离均值,记为第一均值,计算各位置大参考邻域中滑动窗口所有位置的边界距离均值,记为第二均值;计算所述第一均值与所述第二均值的差值绝对值的归一化值,将所有所述归一化值的均值作为各位置的透射权重。
17、进一步地,所述获取云层块的加权透射指数,包括:
18、获取云层块各位置的透射权重与所述边界距离的比值,将云层块中所有位置所述比值的均值作为云层块的加权透射指数。
19、进一步地,所述根据云层块的加权透射指数以及遥感图像中云层块各像素点的灰度值得到云层块的矫正加权透射指数,包括:
20、计算遥感图像中云层块所有像素点的灰度均值,将所述均值与云层块加权透射指数的乘积作为云层块的矫正加权透射指数。
21、进一步地,所述根据各时刻遥感图像中各云层块的面积以及矫正加权透射指数得到各时刻的云层矫正加权透射指数,具体包括:
22、对于各时刻的遥感图像,统计遥感图像中各云层块的面积,获取各云层块的面积与矫正加权透射指数的乘积,将遥感图像中所有云层块所述乘积的均值作为对应时刻的云层矫正加权透射指数。
23、进一步地,所述根据各时刻的光伏出力空间稳定性矩阵及云层矫正加权透射指数得到各时刻的矫正光伏出力空间稳定性矩阵,包括:
24、将各时刻云层矫正加权透射指数与光伏出力空间稳定性矩阵的乘积所得到的矩阵,确定为各时刻的矫正光伏出力空间稳定性矩阵。
25、第二方面,本发明实施例还提供了基于人工智能的光伏出力预测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
26、本发明至少具有如下有益效果:
27、本发明提出基于人工智能的光伏出力预测方法及系统,通过分析分布式光伏出力系统的历史输出信息,实现对分布式光伏出力设备进行预测。具体主要通过将分布式光伏出力设备在空间上进行划分,并获取空间关联关系,结合云层对太阳辐射的透过指数,得到光伏出力时空关联性矩阵序列,通过结合原始的光伏出力序列,不仅考虑到光伏出力设备在时间上变化的特征,还能从其光伏板分布位置的差异获取其空间分布特征,实现对光伏出力设备更精确的预测,提高光伏出力预测准确性。
1.基于人工智能的光伏出力预测方法,其特征在于,该方法包括以下步骤:
2.如权利要求1所述的基于人工智能的光伏出力预测方法,其特征在于,所述获取分布式发电区域的光伏板空间分布阵列,包括:
3.如权利要求2所述的基于人工智能的光伏出力预测方法,其特征在于,所述根据光伏板空间分布阵列各位置处的光伏板数量、环境温度、光照强度获取各位置的光伏出力系数,包括:
4.如权利要求1所述的基于人工智能的光伏出力预测方法,其特征在于,所述根据各时刻的光伏板空间特征矩阵中各元素与邻域元素之间的差异构建各时刻的光伏出力空间稳定性矩阵各元素,包括:
5.如权利要求1所述的基于人工智能的光伏出力预测方法,其特征在于,所述根据云层块各位置与其最近边界点的距离得到云层块各位置的透射权重包括:
6.如权利要求5所述的基于人工智能的光伏出力预测方法,其特征在于,所述获取云层块的加权透射指数,包括:
7.如权利要求1所述的基于人工智能的光伏出力预测方法,其特征在于,所述根据云层块的加权透射指数以及遥感图像中云层块各像素点的灰度值得到云层块的矫正加权透射指数,包括:
8.如权利要求1所述的基于人工智能的光伏出力预测方法,其特征在于,所述根据各时刻遥感图像中各云层块的面积以及矫正加权透射指数得到各时刻的云层矫正加权透射指数,具体包括:
9.如权利要求8所述的基于人工智能的光伏出力预测方法,其特征在于,所述根据各时刻的光伏出力空间稳定性矩阵及云层矫正加权透射指数得到各时刻的矫正光伏出力空间稳定性矩阵,包括:
10.基于人工智能的光伏出力预测系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。