一种光伏功率爬坡事件的预测方法及装置与流程

本发明涉及电力预测领域，尤其涉及一种光伏功率爬坡事件的预测方法及装置。

背景技术：

1、由于受到云层、风力和温度等天气因素的影响，光伏电站的输出功率会出现很强的波动性和间歇性。这种波动性和间歇性对电网的调度和安全稳定运行提出了巨大的挑战。

2、短期光伏功率变动事件，即所谓的“光伏功率爬坡事件”对配电网的影响尤为关键。短期的小气候变化(例如，云的移动)是引发光伏功率爬坡事件的主要原因，当瞬态云通过光伏板上空时，逆变器的输出将迅速下降，由此引发光伏输出功率陡降，触发光伏功率下爬坡事件。光伏功率爬坡事件的发生可能导致电网功率平衡的破坏，并引发系统频率波动，甚至造成严重的停电事故，造成重大经济损失。因此，提高对光伏功率爬坡事件的预测能力将有助于电网及时有效地制定调度与控制决策，维持电网稳定运行。

3、现有的光伏发电爬坡事件预测方法可以大致分为直接预测和间接预测两种。直接预测是直接把爬坡关联因素和爬坡事件建立映射关系。间接预测是先进行功率的预测，再在时间序列中进行爬坡事件的检测。但是，直接预测过于依赖历史数据的数量和质量，当历史数据较少时，将影响预测爬坡事件的准确性；间接预测因为引入了功率预测环节，易造成误差积累从而导致爬坡事件的误报。

技术实现思路

1、本发明提供了一种光伏功率爬坡事件的预测方法及装置，实现快速预测光伏电站中预测点的光伏爬坡事件，提高光伏爬坡事件预测准确性，避免出现光伏爬坡事件的误报。

2、为了解决上述技术问题，本发明实施例提供了一种光伏功率爬坡事件的预测方法，包括：

3、将光伏电站中当前预测点的原始数据进行皮尔逊相关系数特征选择，获取光伏相关气象参数；其中，原始数据包括若干个气象参数对应的气象数据和光伏功率数据；

4、将光伏相关气象参数对应的气象数据和光伏功率数据输入预先构建的lstm-bootstrap功率区间预测模型，得到当前预测点的预设的置信度对应的预测区间和预测功率；

5、计算相邻预测点在不同的置信度下不同的预测区间，并根据当前预测点的预测功率，将相邻预测点的不同的预测区间进行爬坡检测，得到满足爬坡事件的最大置信度，将最大置信度作为预测点的光伏功率爬坡事件的概率；其中，相邻预测点为光伏电站中当前预测点相邻的下一个预测点。

6、作为优选方案，将光伏电站的当前预测点的原始数据进行皮尔逊相关系数特征选择，获取光伏相关气象参数，具体为：

7、将光伏电站中当前预测点的原始数据进行归一化，得到各气象参数对应的归一化数据；其中，归一化数据包括光伏发电功率归一化数据和气象归一化数据；

8、根据各气象参数对应的归一化数据，计算各气象参数对应的皮尔逊相关系数；

9、基于各气象参数对应的皮尔逊相关系数，选择各气象参数中满足相关性条件的气象参数，得到光伏相关气象参数；其中，相关性条件为当前的气象参数对应的皮尔逊相关系数的绝对值大于预设相关性阈值。

10、作为优选方案，根据各气象参数对应的归一化数据，计算各气象参数对应的皮尔逊相关系数，具体为：

11、将各气象参数对应的光伏发电功率归一化数据和气象归一化数据进行皮尔逊相关性计算，计算各气象参数对应的皮尔逊相关系数，公式为：

12、

13、其中，r为当前的气象参数对应的皮尔逊相关系数，xi为当前的气象参数对应的第i个气象归一化的值，yi为当前的气象参数对应的第i个光伏发电功率归一化的值，为气象归一化数据的平均值和光伏发电功率归一化数据的平均值，n为归一化数据的数量。

14、作为优选方案，预先构建的lstm-bootstrap功率区间预测模型，具体为：

15、利用有放回地随机采样方法，将采样点对应的光伏相关气象参数的数据集合进行自助样本构建，得到若干组bootstrap采样集；

16、将每组bootstrap采样集输入构建的lstm功率预测模型，得到每组的功率预测值；其中，lstm功率预测模型通过利用光伏数据训练集训练lstm网络而得到；

17、计算每组的功率预测值与每组对应的真实光伏功率值的误差；

18、将得到的各组误差进行排序，得到有序误差序列；

19、根据当前预设的置信水平,计算有序误差序列的分位数,并将有序误差序列的分位数作为预测值上下限，得到采样点的当前预设的置信水平对应的预测区间。

20、作为优选方案，根据当前预测点的预测功率，将相邻预测点的不同的预测区间进行爬坡检测，得到满足爬坡事件的最大置信度，具体为：

21、将当前预测点的预测功率加上爬坡阈值得到上爬坡数值，将将当前预测点的预测功率减去爬坡阈值得到下爬坡数值，将上爬坡数值和下爬坡数值作为当前爬坡数值；

22、将相邻预测点的不同的置信度对应的预测区间由高到低排序，按照不同的预测区间排序顺序，依次判断当前爬坡数值是否在当前的预测区间内，直至找出当前爬坡数值所在的预测区间对应的最大的置信度，得到满足爬坡事件的最大置信度。

23、为了解决相同的技术问题，本发明实施例还提供了光伏功率爬坡事件的预测装置，包括：气象参数选择模块、功率及区间预测模块和爬坡检测模块；

24、其中，气象参数选择模块用于将光伏电站中当前预测点的原始数据进行皮尔逊相关系数特征选择，获取光伏相关气象参数；其中，原始数据包括若干个气象参数对应的气象数据和光伏功率数据；

25、功率及区间预测模块用于将光伏相关气象参数对应的气象数据和光伏功率数据输入预先构建的lstm-bootstrap功率区间预测模型，得到当前预测点的预设的置信度对应的预测区间和预测功率；

26、爬坡检测模块用于计算相邻预测点在不同的置信度下不同的预测区间，并根据当前预测点的预测功率，将相邻预测点的不同的预测区间进行爬坡检测，得到满足爬坡事件的最大置信度，将最大置信度作为预测点的光伏功率爬坡事件的概率；其中，相邻预测点为光伏电站中当前预测点相邻的下一个预测点。

27、作为优选方案，气象参数选择模块包括数据归一化单元、皮尔逊相关系数计算单元和光伏相关气象参数选择单元；

28、其中，数据归一化单元用于将光伏电站中当前预测点的原始数据进行归一化，得到各气象参数对应的归一化数据；其中，归一化数据包括光伏发电功率归一化数据和气象归一化数据；

29、皮尔逊相关系数计算单元用于根据各气象参数对应的归一化数据，计算各气象参数对应的皮尔逊相关系数；

30、光伏相关气象参数选择单元用于基于各气象参数对应的皮尔逊相关系数，选择各气象参数中满足相关性条件的气象参数，得到光伏相关气象参数；其中，相关性条件为当前的气象参数对应的皮尔逊相关系数的绝对值大于预设相关性阈值。

31、作为优选方案，功率及区间预测模块包括预先构建模型单元；

32、预先构建模型单元用于利用有放回地随机采样方法，将采样点对应的光伏相关气象参数的数据集合进行自助样本构建，得到若干组bootstrap采样集；将每组bootstrap采样集输入构建的lstm功率预测模型，得到每组的功率预测值；其中，lstm功率预测模型通过利用光伏数据训练集训练lstm网络而得到；计算每组的功率预测值与每组对应的真实光伏功率值的误差；将得到的各组误差进行排序，得到有序误差序列；根据当前预设的置信水平,计算有序误差序列的分位数,并将有序误差序列的分位数作为预测值上下限，得到采样点的当前预设的置信水平对应的预测区间。

33、为了解决相同的技术问题，本发明实施例还提供一种计算机设备，包括处理器和存储器，存储器用于存储计算机程序，计算机程序被处理器执行时实现光伏功率爬坡事件的预测方法。

34、为了解决相同的技术问题，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现光伏功率爬坡事件的预测方法。

35、实施本发明实施例，将光伏电站中当前预测点的原始数据进行皮尔逊相关系数特征选择，获取光伏相关气象参数；其中，原始数据包括若干个气象参数对应的气象数据和光伏功率数据；将光伏相关气象参数对应的气象数据和光伏功率数据输入预先构建的lstm-bootstrap功率区间预测模型，得到当前预测点的预设的置信度对应的预测区间和预测功率；计算相邻预测点在不同的置信度下不同的预测区间，并根据当前预测点的预测功率，将相邻预测点的不同的预测区间进行爬坡检测，得到满足爬坡事件的最大置信度，将最大置信度作为预测点的光伏功率爬坡事件的概率；其中，相邻预测点为光伏电站中当前预测点相邻的下一个预测点。通过预先构建的lstm-bootstrap功率区间预测模型获取预测点的置信度对应的预测区间和预测功率，结合相邻预测点的预测区间进行爬坡检测找出满足爬坡事件的最大置信度，以此判定爬坡发生概率，实现快速预测光伏电站中预测点的光伏爬坡事件，进一步提高光伏爬坡预测准确性提供了新的思路，利用lstm-bootstrap功率区间预测模型提高光伏爬坡事件预测准确性，避免出现光伏爬坡事件的误报。

36、本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。