一种基于多源数据的光伏出力预测方法、设备、存储介质

本发明涉及光伏出力预测，尤其是涉及一种基于多源数据的光伏出力预测方法、设备、存储介质。

背景技术：

1、光伏出力预测算法有多种，其中包括多元线性回归法、bp神经网络、支持向量机（svm）和灰色理论算法等。多元线性回归法通过将多个相关因素作为自变量。这种方法能降低建模难度，缩短建模时间。支持向量机（svm）是一种监督学习方法，用于分类和回归分析。svm试图找到一个超平面，以便将不同类别的数据分开。在光伏出力预测中，svm可用于预测光伏电站的出力。灰色系统理论是处理小样本、不完全信息的一种数学方法。它将部分已知信息明确化，通过生成、变换、挖掘这些已知信息，获得对事物运动的规律性认识。在光伏出力预测中，灰色理论算法可以处理数据量小、信息不完全的情况。

2、中国专利申请公开号cn114781723a公开了一种基于多模型融合的短期光伏出力预测方法，针对如何在高比例新能源接入下，实现更精确的光伏发电预测的问题，通过构造多种特征，融合树模型与神经网络模型的优势，为电力系统管理人员提供精准的短期光伏出力预测分析，以克服光伏的波动性与间歇性，提高新能源消纳的效果。

3、然而，上述申请并未充分考虑到在不同的光伏电站中，影响光伏出力的各种因素对光伏出力的影响程度动态变化的问题。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多源数据的光伏出力预测方法、设备、存储介质，在计及融合权重变化的前提下实现光伏出力预测，以解决或部分解决影响光伏出力的各种因素对光伏出力的影响程度动态变化的问题。

2、本发明的目的可以通过以下技术方案来实现：

3、本发明的一个方面，提供了一种基于多源数据的光伏出力预测方法，包括如下步骤：

4、获取目标光伏电站的实测多源数据，基于预先构建的预测模型，分别得到环境特征预测值、地理特征预测值和组件特征预测值，更新目标光伏电站的融合权重，融合得到最终的光伏出力预测值，

5、其中，所述融合权重的更新过程包括如下步骤：

6、基于所述实测多源数据，利用目标光伏电站的光伏板温度偏差计算环境特征权重值，利用预先构建的地理特征关联程度模型计算地理特征权重值，利用预先构建的组件本体特征关联程度模型，计算组件特征权重值；

7、获取基于经验的分配权重比例，实现权重值的权重分配，得到所述融合权重。

8、作为优选的技术方案，利用目标光伏电站的光伏板温度偏差计算环境特征权重值的过程包括如下步骤：

9、基于目标光伏电站的光伏板温度、环境温度、实际发电功率和理论发电功率，通过构建环境特征关联程度模型计算环境特征权重值。

10、作为优选的技术方案，所述的环境特征关联程度模型为：

11、，

12、其中，为环境特征权重值，、分别为环境温度、光伏板温度，单位为℃，、分别为实际发电功率、理论发电功率。

13、作为优选的技术方案，利用预先构建的地理特征关联程度模型计算地理特征权重值的过程包括如下步骤：

14、构建晴天模型；

15、基于所述实测多源数据中的地理特征参数，利用所述晴天模型计算理论上行直接和散射辐射作为光伏板理论辐照度；

16、基于所述实测多源数据中光伏板实测辐照度以及所述光伏板理论辐照度之间的偏差，利用预先构建的地理特征关联程度模型计算地理特征权重值。

17、作为优选的技术方案，所述的地理特征关联程度模型的构建过程包括：

18、基于所述光伏板的理论最大辐照度，以及历史的光伏出力对应的经纬度信息和时间信息，利用所述晴天模型计算光伏板理论辐照度；

19、以最小化光伏板实测辐照度与光伏板理论辐照度偏差为目标，实现地理特征关联程度模型的训练，其中，所述地理特征关联程度模型基于多层感知神经网络构建。

20、作为优选的技术方案，利用预先构建的组件本体特征关联程度模型，计算组件特征权重值的过程包括：

21、基于目标光伏电站的光伏板实测辐照度、电量实际转换效率和电量理论转换效率，采用下式计算组件特征权重值：

22、，

23、其中，为光伏板实测辐照度，单位为w/m2，为电量状态下对应的转换效率，为电量理论转换效率。

24、作为优选的技术方案，基于预先构建的预测模型，分别得到环境特征预测值、地理特征预测值和组件特征预测值的过程包括：

25、将所述实测多源数据中的环境特征参数输入预训练好的基于多层感知神经网络的环境特征预测模型中，得到环境特征预测值；

26、将所述实测多源数据中的地理特征参数输入预训练好的基于多层感知神经网络的地理特征预测模型中，得到地理特征预测值；

27、将所述实测多源数据中的组件特征参数输入预训练好的基于多层感知神经网络的组件特征预测模型中，得到组件特征预测值。

28、作为优选的技术方案，所述的环境特征参数包括环境温度、湿度、风速、风向、散射辐照度、直接辐照度和总辐照度；所述的地理特征参数包括经纬度和海拔；所述的组件特征参数包括电流和电压。

29、本发明的另一个方面，提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行前述基于多源数据的光伏出力预测方法的指令。

30、本发明的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行前述基于多源数据的光伏出力预测方法的指令。

31、与现有技术相比，本发明至少具有以下有益效果之一：

32、（1）充分考虑到影响光伏出力的各种因素对光伏出力的影响程度的动态变化，提高出力预测准确性：本发明首先基于实测多源数据分别计算用于量化数据敏感性的环境特征权重值、地理特征权重值和组件特征权重值，然和结合经验的分配权重比例，通过权重分配得到更新后的融合权重，最后利用不同的模型分别从环境特征、地理特征和组件特征三个维度进行预测，将预测的结果与更新后的融合权重加权，得到最终预测的光伏出力，通过动态更新融合权重能够更好的量化各种因素对光伏出力的影响程度，进而提高预测准确性。

33、（2）能够充分反映变量间的关系：本发明利用多层感知神经网络mlp预测光伏板辐照度，另外利用基于mlp的特征预测模型分别预测三类特征对应的光伏出力，基于mlp的网络或模型能够更好的反映变量间的关系。

34、（3）准确量化光伏出力的影响程度：本发明采用温度偏差方法计算光伏出力对环境参数的影响程度，采用晴天模型计算光伏出力对地理特征参数的相关程度，采用光电转换方法计算光伏出力对组件本体参数的相关程度，能够在准确量化光伏出力的影响程度的同时，减小计算量。

35、（4）mlp多层神经网络的结构简单，重新训练和维护的成本远低于深度神经网络。

技术特征：

1.一种基于多源数据的光伏出力预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于多源数据的光伏出力预测方法，其特征在于，利用目标光伏电站的光伏板温度偏差计算环境特征权重值的过程包括如下步骤：

3.根据权利要求2所述的一种基于多源数据的光伏出力预测方法，其特征在于，所述的环境特征关联程度模型为：

4.根据权利要求1所述的一种基于多源数据的光伏出力预测方法，其特征在于，利用预先构建的地理特征关联程度模型计算地理特征权重值的过程包括如下步骤：

5.根据权利要求4所述的一种基于多源数据的光伏出力预测方法，其特征在于，所述的地理特征关联程度模型的构建过程包括：

6.根据权利要求1所述的一种基于多源数据的光伏出力预测方法，其特征在于，利用预先构建的组件本体特征关联程度模型，计算组件特征权重值的过程包括：

7.根据权利要求1所述的一种基于多源数据的光伏出力预测方法，其特征在于，基于预先构建的预测模型，分别得到环境特征预测值、地理特征预测值和组件特征预测值的过程包括：

8.根据权利要求7所述的一种基于多源数据的光伏出力预测方法，其特征在于，所述的环境特征参数包括环境温度、湿度、风速、风向、散射辐照度、直接辐照度和总辐照度；所述的地理特征参数包括经纬度和海拔；所述的组件特征参数包括电流和电压。

9.一种电子设备，其特征在于，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于多源数据的光伏出力预测方法的指令。

10.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于多源数据的光伏出力预测方法的指令。

技术总结本发明涉及一种基于多源数据的光伏出力预测方法、设备、存储介质，本发明首先基于实测多源数据分别计算量化数据敏感性的环境特征权重值、地理特征权重值和组件特征权重值，然和结合经验的分配权重比例，通过权重分配得到更新后的融合权重，最后利用不同的模型分别从环境特征、地理特征和组件特征三个维度进行预测，将预测的结果与更新后的融合权重加权，得到最终预测的光伏出力，通过动态更新融合权重能够更好的量化各种因素对光伏出力的影响程度，进而提高预测准确性。与现有技术相比，本发明具有能够充分反映变量间的关系、准确量化光伏出力的影响程度等优点。技术研发人员：孟强,郑成航,傅骏伟,王豆,杨洋,李清毅,赵中阳,王珂琪,林扬舒,臧鹏发受保护的技术使用者：浙江大学技术研发日：技术公布日：2024/7/29