基于区域光伏集合预报的太阳辐射短期预报方法及系统与流程

本发明属于新能源，特别是涉及到一种基于区域光伏模式集合预报的太阳辐射短期预报方法及系统。

背景技术：

1、目前新能源场站装机量日益增长，其中集中式光伏与分布式光伏在未来具有可观的装机量需求。影响太阳能光伏功率预测的主要因素为太阳辐射相关的气象要素的预报上。太阳辐射数据的间歇性、波动性和随机性极大地影响着太阳辐射短期预测精度，从而对光伏出力和并网调度带来不确定性，对电网安全稳态运行产生深远影响。

2、面对太阳能这一清洁能源的自身特性，近年来，国内外逐渐发展了多种太阳辐照度短期预测方法，形成了nwp方法和机器学习这两种主流方向。nwp方法将大气基本运动方程代码化，从大气动力与热力角度解释了大气过程的发生发展。机器学习方法从太阳辐射的历史数据中学习内在规律并用于未来的预报中。但是这两种方法都有各自的局限性，nwp方法由于其初边值、参数化方案、时空分辨率存在误差导致其预报结果包含较大不确定性，机器学习方法受到模型选择、模型超参数设置、特征工程合理性等限制也存在不确定性。

3、减少nwp方法不确定性的方法之一是集合预报。集合预报通过扰动nwp的初值或参数化方案参数，形成一组对未来大气状况尽可能准确的描述的集合，能很大程度降低数值模式的不确定性。集合预报的集合成员越多，对未来太阳辐射的表征就越准确。但是集合预报需要的计算资源较多，通常只会采用较少数量的集合成员，极大影响太阳能光伏集合预报精度。同时，集合预报成员仅是模式通过一定初始场对当前时刻太阳辐射的预报，而没有额外考虑数值模式数据与实测数据的历史映射关系中存在的规律。

技术实现思路

1、本发明提出一种基于区域光伏集合预报的太阳辐射短期预报方法及系统，结合传统集合预报方法与相似集合方法，提高了太阳辐射预报精度。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于区域光伏集合预报的太阳辐射短期预报方法，包括：

4、s1、生产多源光伏模式集合预报下的太阳辐射短期数据集合；

5、s2、生产太阳辐射权重相似集合预报数据，构建最优辐照度预测矩阵；

6、s3、生产基于机器学习的多源气象区域模式辐照度预测数据；

7、s4、对权重相似集合预报数据和多源气象区域模式辐照度预测数据进行线性加权数据融合，得到最后的辐照度预测结果。

8、进一步的，步骤s1具体包括：

9、s11：获取多源气象数据；所述多源气象数据为m个不同气象源的气象数据；

10、s12：部署区域光伏模式集合预报系统；

11、s13：分别生产所述多个不同气象源在区域光伏模式集合预报下的网格化太阳辐射短期预报数据集；构成太阳辐射短期预报集合。

12、进一步的，步骤s2具体包括：

13、s21、根据步骤s1获取d天的太阳辐射短期预报集合；

14、s22、收集目标区域地面站点辐照仪观测的太阳向下辐照度的历史实测数据矩阵o,矩阵o的维度为(q,s)；其中目标区域内的地面站点数为s，q＝d*96；

15、s23、生成基于矩阵o的多源区域光伏模式集合预报分类结果；

16、s24、基于所述多源区域光伏模式集合预报分类结果构建最优辐照度预测矩阵。

17、更进一步的，步骤s23具体包括：

18、s231：基于目标区域地面站点辐照仪的观测点位提取步骤s21所述d天的太阳辐射短期预报集合中的多源驱动下的区域光伏模式数据矩阵st(st1,st2,...stm)，矩阵st的维度为(m,q,s,e,n)；其中，m表示气象源个数，n表示太阳辐射预报相关的气象变量个数，e表示集合预报成员个数，矩阵st中的地面向下短波辐射通量单独形成矩阵sw(sw1,sw,...,swm)；矩阵sw的维度为(m,q,s,e)；

19、s232：根据矩阵sw(sw1,sw2,...swm)分别计算目标区域内的多源驱动下的站点集合平均矩阵em(em1,em2,...emm)，矩阵em的维度为(m,q,s)；

20、s233：将站点集合平均矩阵em与所述历史实测数据矩阵o进行统计分析分别计算rmse和相关系数；针对每个站点计算rmse和相关系数；将目标区域内所有站点的rmse和相关系数取平均，最后得到矩阵rmse-em(rmse-em1,rmse-em2,...rmse-emm)和矩阵corr-em(corr-em1,corr-em2,...,corr-emm)；

21、s234：对矩阵rmse-em中的每个rmse结果取倒数并进行数据标准化得到矩阵rmser-em(rmser-em1,rmser-em2...,rmser-emm)；将矩阵rmser-em和矩阵corr-em对应位置元素相加得到矩阵stat-em(stat-em1，stat-em2,...,stat-emm)；对矩阵stat-em的元素进行由大至小排序；将m个气象源根据stat-em排序结果平均分为3类，第1类源、第2类源和第3类源的个数分别为int(m/3)、int(m/3)和m-2*int(m/3)，其中int表示向下取整；对第1类源、第2类源、第3类源的相似集合数分别赋为f1、f2和f3，f1>f2>f3。

22、再进一步的，步骤s24具体包括：

23、s241：计算欧式距离；取所述st的其中一数据源的其中一集合预报成员的其中一个站点数据，即消去了维度m、e、s，st特殊化为矩阵x，矩阵x的维度为(q,n)；对矩阵x中所有n个气象变量进行数据归一化处理，形成矩阵y；将矩阵y分为时间维度为历史时段的矩阵yi和时间维度为预报时刻的矩阵yt；

24、yi＝(yi,1,yi,2,...,yi,n)；

25、yt＝(yt,1,yt,2,...,yt,n)；

26、遍历历史时段计算欧式距离dis，

27、

28、将得到的欧式距离进行由小至大的排序；

29、s242：对太阳辐射短期预报集合的每个气象源驱动的每个集合预报成员下每个站点都进行s241步骤的操作得到距离序列s；

30、s243：分配多源相似集合成员数；对于分属第1类源、第2类源、第3类源的气象源分别取其前f1个时刻、前f2个时刻、前f3个时刻下的站点辐照度实测数据，即取属于第1类源的气象源的历史实测数据矩阵o的前f1个时刻下的站点辐照度实测数据，取属于第2类源的气象源的历史实测数据矩阵o的前f2个时刻下的站点辐照度实测数据，取属于第3类源的气象源的历史实测数据矩阵o的前f3个时刻下的站点辐照度实测数据，对各个气象源的太阳辐射短期预报集合进行步骤242操作，根据得到的距离序列矩阵s获得排序后目标区域内各站点在各预报时刻下e*(int(m/3)*f1+int(m/3)*f2+(m-2*int(m/3))*f3)个集合成员；其中，int表示向下取整；e为集合预报成员个数，m为气象源个数；

31、s244：根据步骤s243结果，对目标区域内每个站点进行集合平均，得到在权重相似集合方法下包含每个站点的最优辐照度预测矩阵f1；f1的维度为(s,1)。

32、再进一步的，步骤s3具体包括：

33、s31：准备训练数据；分别选取s231步骤中的矩阵st和s22步骤中的矩阵o作为模型特征列和实测数据；

34、s32：确定机器学习模型；

35、s33：模型训练与超参数优化；将训练数据分为q1和q2两段，q1包括训练集和验证集，q2为测试集；利用k折交叉验证法，将q1分为k组训练集和验证集，对每组训练集数据通过网格搜索进行超参数调优；训练得到预测模型；

36、s34：模型预测；对s33中训练好的预测模型传入对应特征得到辐照度预测矩阵f2，f2的维度为(s,1)。

37、更进一步的，步骤s4包括：将矩阵f1与矩阵f2进行线性加权数据融合得到最后的辐照度预测结果f3：

38、f3＝p1·f1+p2·f2；

39、其中p1和p2为权重系数，p1+p2＝1。

40、本发明另一方面还提出了一种基于区域光伏集合预报的太阳辐射短期预报系统，包括：

41、多源数据模块，生产多源光伏模式集合预报下的太阳辐射短期数据集合；

42、权重相似数据模块，生产太阳辐射权重相似集合预报数据，构建最优辐照度预测矩阵

43、机器学习数据模块，生产基于机器学习的多源气象区域模式辐照度预测数据；

44、预测结果模块：对权重相似集合预报数据和多源气象区域模式辐照度预测数据进行线性加权数据融合，得到最后的辐照度预测结果。

45、进一步的，多源数据模块具体包括：

46、气象数据单元：获取多源气象数据；所述多源气象数据为m个不同气象源的气象数据；

47、系统部署单元：部署区域光伏模式集合预报系统；

48、预报集合单元：分别生产所述多个不同气象源在区域光伏模式集合预报下的网格化太阳辐射短期预报数据集；构成太阳辐射短期预报集合。

49、进一步的，权重相似数据模块具体包括：

50、集合单元：根据步骤s1获取d天的太阳辐射短期预报集合；

51、实测数据单元：收集目标区域地面站点辐照仪观测的太阳向下辐照度的历史实测数据矩阵o,矩阵o的维度为(q,s)；其中目标区域内的地面站点数为s，q＝d*96；

52、分类单元：生成基于矩阵o的多源区域光伏模式集合预报分类结果；

53、预测矩阵单元：基于所述多源区域光伏模式集合预报分类结果构建最优辐照度预测矩阵。

54、与现有技术相比，本发明具有如下的有益效果：

55、本发明在不大量增加计算资源的情况下，将传统集合预报方法与相似集合方法结合，一方面增加了集合预报成员数量，另一方面在辐照度预测中考虑了太阳辐射集合预报与历史实测数据的误差规律(即结合了传统集合预报与机器学习算法的优势)，提高了太阳辐射预报精度。