一种分布式光伏发电量的中长期预测方法及设备与流程

文档序号:37162000发布日期:2024-03-01 11:57阅读:22来源:国知局
一种分布式光伏发电量的中长期预测方法及设备与流程

本发明涉及分布式光伏发电预测领域,尤其是涉及一种分布式光伏发电量的中长期预测方法及设备。


背景技术:

1、随着太阳能、风能、生物质能等新兴能源技术的迅猛发展,分布式光伏电站发电量的准确预测变得至关重要。准确预测分布式光伏电站发电量,有助于优化分布式光伏电站的经济运行和确保电网的安全可靠运行。

2、目前,现有技术在进行光伏发电量预测时,是根据历史光伏发电数据来预测相应时段的光伏发电量,考虑指标单一,导致预测准确性较低。


技术实现思路

1、有鉴于此,本发明提供了一种分布式光伏发电量的中长期预测方法及设备,以解决考虑指标单一,导致预测准确性较低的问题。

2、第一方面,本发明提供了一种分布式光伏发电量的中长期预测方法,所述方法包括:

3、获取分布式光伏发电区域在历史时段内的发电量时间序列以及多个气象特征数据;

4、对所述发电量时间序列进行混沌相空间重构,生成相应的高维向量空间;

5、使用主成分分析对每个所述气象特征数据进行降维处理,得到每个所述气象特征数据对应的主成分数据;

6、将所述高维向量空间以及每个所述主成分数据,输入至训练好的光伏发电量预测模型中进行发电量预测,得到所述分布式光伏发电区域在目标时段内的发电量预测序列;其中,所述目标时段与所述历史时段对应;

7、其中,所述光伏发电量预测模型为根据样本高维向量空间以及样本主成分数据对预训练的神经网络模型进行训练得到。

8、可选的,所述多个气象特征数据中包括第一气象特征数据,所述第一气象特征数据中包括m个数据值,m大于1;所述使用主成分分析对每个所述气象特征数据进行降维处理,得到每个所述气象特征数据对应的主成分数据,包括:

9、根据所述第一气象特征数据中的所述m个数据值,确定两两所述数据值间的线性相关系数;

10、利用两两所述数据值间的线性相关系数,构建相应的协方差矩阵;其中,所述协方差矩阵为m×m方阵;

11、对所述协方差矩阵进行特征值分解,得到m个分解数据,每个所述分解数据包括相对应的特征值以及特征向量;

12、根据所述第一气象特征数据和所述m个分解数据,确定所述第一气象特征数据对应的第一主成分数据;其中,所述第一主成分数据中的数据维度小于m。

13、可选的,所述根据所述第一气象特征数据中的所述m个数据值,确定两两所述数据值间的线性相关系数,包括:

14、利用第一公式以及所述m个数据值,确定两两所述数据值间的线性相关系数;其中,所述第一公式为:

15、

16、其中,i、j为所述数据值在所述第一气象特征数据中的序号,k为所述第一气象特征数据在所述多个气象特征数据中的序号,n为所述气象特征数据的总数,xki为所述第一气象特征数据中第i个数据值,xkj为所述第一气象特征数据中第j个数据值,为所述多个气象特征数据中第i个变量的均值,为所述多个气象特征数据中第j个变量的均值,rij为所述第一气象特征数据中第i个数据值与第j个数据值间的线性相关系数。

17、可选的,所述根据所述第一气象特征数据和所述m个分解数据,确定所述第一气象特征数据对应的第一主成分数据,包括:

18、按照从大至小的次序,对所述m个分解数据中的所述特征值进行排序,得到相应的特征值序列;

19、计算所述特征值序列中每个所述特征值对应的累计比例;其中,所述特征值对应的累计比例为第一比例与第二比例之和,所述第一比例为当前特征值与特征总值的比例,所述特征总值为所述特征值序列中每个所述特征值之和,所述第二比例为前一特征值对应的累计比例,所述前一特征值为所述特征值序列中所述当前特征值的前一位特征值,所述特征值序列中第一个所述特征值对应的累计比例为所述第一个特征值与所述特征总值的比例;

20、从所述每个所述特征值对应的累计比例中确定出不小于预设阈值的第一累计比例,并确定与所述第一累计比例对应的第一特征值;其中,所述预设阈值小于1;

21、根据所述第一累计比例、所述第一特征值、所述特征值序列以及所述第一气象特征数据,确定所述第一主成分数据。

22、可选的,所述根据所述第一累计比例、所述第一特征值、所述特征值序列以及所述第一气象特征数据,确定所述第一主成分数据,包括:

23、在所述特征值序列中,将排序在所述第一特征值之前的所有所述特征值确定为目标特征值;

24、将所述目标特征值对应的所述特征向量以及所述第一特征值对应的所述特征向量确定为主成分;其中,所述主成分中包括p个所述特征向量,p为所述第一特征值在所述特征值序列中的排列次序,p小于m;

25、根据所述第一气象特征数据以及所述主成分,确定所述第一主成分数据。

26、可选的,所述根据所述第一气象特征数据以及所述主成分,确定所述第一主成分数据,包括:

27、对所述主成分中的每个所述特征向量进行归一化,得到相应的p个归一化特征向量;

28、将每个所述归一化特征向量与所述第一气象特征数据进行内积运算,得到p个主成分分量;

29、将所述p个主成分分量确定为所述第一主成分数据;其中,所述第一主成分数据的数据维度为p。

30、可选的,当所述第一气象特征数据为{x1,x2,…,xm}时,所述第一主成分数据为:

31、

32、

33、cov(fi,fj)=0,var(f1)>var(f2)>var(f3)>…>var(fp);

34、其中,fi为所述第一主成分数据中第i个主成分分量,aij为所述归一化特征向量中的数据,aw1、aw2、aw3…awm构成所述归一化特征向量;cov(fi,fj)=0表示fi与fj相互独立,var(fi)为fi的方差。

35、可选的,所述多个气象特征数据中包括第一气象特征数据,所述第一气象特征数据与第一气象指标对应,所述第一气象指标为所述分布式光伏发电区域中的一个气象指标;获取所述多个气象特征数据,包括:

36、获取所述第一气象指标在所述历史时段内的指标值时间序列;

37、在所述指标值时间序列中进行特征提取,得到所述第一气象特征数据。

38、第二方面,本发明还提供了一种分布式光伏发电量的中长期预测装置,所述装置包括:

39、第一获取模块,用于获取分布式光伏发电区域在历史时段内的发电量时间序列以及多个气象特征数据;

40、重构模块,用于对所述发电量时间序列进行混沌相空间重构,生成相应的高维向量空间;

41、降维模块,用于使用主成分分析对每个所述气象特征数据进行降维处理,得到每个所述气象特征数据对应的主成分数据;

42、输入模块,用于将所述高维向量空间以及每个所述主成分数据,输入至训练好的光伏发电量预测模型中进行发电量预测;其中,所述光伏发电量预测模型为根据样本高维向量空间以及样本主成分数据对预训练的神经网络模型进行训练得到;

43、第一得到模块,用于得到所述分布式光伏发电区域在目标时段内的发电量预测序列;其中,所述目标时段与所述历史时段对应。

44、第三方面,本发明还提供了一种计算机设备,包括:

45、存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行上述第一方面或其对应的任一实施方式的分布式光伏发电量的中长期预测方法。

46、本发明提供的分布式光伏发电量的中长期预测方法及设备,可以获取分布式光伏发电区域在历史时段内的发电量时间序列以及多个气象特征数据;对发电量时间序列进行混沌相空间重构,生成相应的高维向量空间;使用主成分分析对每个气象特征数据进行降维处理,得到每个气象特征数据对应的主成分数据;将高维向量空间以及每个主成分数据,输入至训练好的光伏发电量预测模型中进行发电量预测,得到分布式光伏发电区域在目标时段内的发电量预测序列;其中,目标时段与历史时段对应,光伏发电量预测模型为根据样本高维向量空间以及样本主成分数据对预训练的神经网络模型进行训练得到。本实施例对发电量时间序列进行混沌相空间重构而得到相应的高维向量空间,引入气象特征数据,并使用主成分分析对气象特征数据进行降维,提取主成分数据,利用高维向量空间和主成分数据进行发电量预测,可以有效提高中长期发电量预测的准确性。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1