融合机理模型和场站实测的光伏功率智能预测方法及系统

：本发明属于光伏功率预测，具体涉及一种融合机理模型和场站实测的光伏功率智能预测方法及系统。

背景技术

0、背景技术：

1、经调查，随着可再生能源在全球的快速发展，新能源在电力系统由补充性能源逐渐转化为支撑性能源，太阳能成为最理想的替代能源之一，而光伏发电技术对提高电力系统的稳定性至关重要，其发电功率的准确预测依赖于高精度的气象预报结果，对电力系统稳定以及安全的运行有着十分重要的作用。

2、传统的光伏发电预测包括简单物理模型预测法和复杂物理模型预测法，第一种方法利用卫星探测和气象观测数据，结合电力参数，实现光伏发电功率的预测；第二种方法结合光伏发电原理和数值天气预测模式，考虑多种天气因素，提高预测精确度。但是，传统光伏发电预测方法也存在一定的缺陷：在物理模型方法方面，精确性受限，该点体现在传统物理模型难以准确捕捉所有影响光伏发电的因素，依赖数据的质量；恶劣性体现在需要考虑诸多因素如光辐射度、风、天气状况等，在光伏发电预测中，每个气象要素的精确权重是不确定的，这对建立准确的光伏发电预测模型提出挑战。在历史数据方法方面，缺乏实时性，无法及时对当前的环境变化和天气情况进行有效反映以及忽略外部因素对光伏发电的影响。

3、现有技术虽然有利用了深度学习技术来发现深层特征进行功率预测，且取得了一定的效果。但深度学习技术若仅采用场站实测数据，仅考虑数据之间的联系，则抛开了传统的经典的气象动力约束条件；但若仅采用气象模式数据，则会因气象资料精度不达标而导致针对场站区域的光伏出力预测精度不达标。

技术实现思路

0、技术实现要素：

1、本发明的目的在于提供一种融合机理模型和场站实测的光伏功率智能预测方法及系统，通过收集并整理历史场站实测数据以及模式数据，利用模式数据对训练模型增加物理约束，通过场站实测数据提高训练模型的精度，最后融合输出结果，以达两种数据优势互补的目的，实现提升光伏发电功率预测准确度的效果。

2、本发明第一方面提供了一种融合机理模型和场站实测的光伏功率智能预测方法，包括以下步骤：

3、获取历史场站实测数据以及模式数据；

4、将历史场站实测数据拆分为稳定天气下历史场站实测数据和恶劣天气下历史场站实测数据，将模式数据拆分为稳定天气下模式数据和恶劣天气下模式数据；

5、对数据进行预处理；

6、训练模型，得到稳定天气实测模型、恶劣天气实测模型、稳定天气物理模型和恶劣天气物理模型；

7、获取气象模式预报数据，判断天气稳定度；其中

8、若天气稳定度符合稳定天气条件，则采用稳定天气实测模型、稳定天气物理模型分别进行预测，并反归一化得到第一光伏出力序列、第二光伏出力序列；通过变分法对第一光伏出力序列、第二光伏出力序列进行融合，得到光伏出力预测序列；以及

9、若天气稳定度符合恶劣天气条件，则采用恶劣天气实测模型、恶劣天气物理模型分别进行预测，并反归一化得到第三光伏出力序列、第四光伏出力序列；通过变分法对第三光伏出力序列、第四光伏出力序列进行融合，得到光伏出力预测序列。

10、本发明第二方面提供了一种融合机理模型和场站实测的光伏功率智能预测系统，包括：

11、数据获取模块，用于获取历史场站实测数据以及模式数据；

12、数据拆分模块，用于将历史场站实测数据拆分为稳定天气下历史场站实测数据和恶劣天气下历史场站实测数据，将模式数据拆分为稳定天气下模式数据和恶劣天气下模式数据；

13、数据预处理模块，用于对数据进行预处理；

14、模型训练模块，用于训练模型，得到稳定天气实测模型、恶劣天气实测模型、稳定天气物理模型和恶劣天气物理模型；

15、天气稳定度判断模块，用于获取气象模式预报数据，判断天气稳定度；

16、稳定天气条件预测模块，用于在天气稳定度符合稳定天气条件，则采用稳定天气实测模型、稳定天气物理模型分别进行预测，并反归一化得到第一光伏出力序列、第二光伏出力序列；通过变分法对第一光伏出力序列、第二光伏出力序列进行融合，得到光伏出力预测序列；

17、恶劣天气条件预测模块，用于在天气稳定度符合恶劣天气条件，则采用恶劣天气实测模型、恶劣天气物理模型分别进行预测，并反归一化得到第三光伏出力序列、第四光伏出力序列；通过变分法对第三光伏出力序列、第四光伏出力序列进行融合，得到光伏出力预测序列。

18、本发明第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现根据如上所述的融合机理模型和场站实测的光伏功率智能预测方法。

19、本发明第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现根据如上所述的融合机理模型和场站实测的光伏功率智能预测方法。

20、本发明具有如下有益效果：本发明的融合机理模型和场站实测的光伏功率智能预测方法通过收集并整理历史场站实测数据以及模式数据，利用模式数据对训练模型增加物理约束，通过场站实测数据提高训练模型的精度，最后融合输出结果，以达两种数据优势互补的目的，实现提升光伏发电功率预测准确度的效果；以及通过区分稳定和恶劣天气类型，在稳定天气条件下采用cnn+transformer模型，在恶劣天气条件下采用cnn+bilstm模型，进一步提升光伏发电功率预测准确度，并且节省计算资源，提高预测效率。

技术特征：

1.一种融合机理模型和场站实测的光伏功率智能预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的光伏功率智能预测方法，其特征在于，

3.如权利要求1所述的光伏功率智能预测方法，其特征在于，

4.如权利要求1所述的光伏功率智能预测方法，其特征在于，

5.如权利要求1所述的光伏功率智能预测方法，其特征在于，

6.如权利要求4所述的光伏功率智能预测方法，其特征在于，

7.如权利要求1所述的光伏功率智能预测方法，其特征在于，

8.一种融合机理模型和场站实测的光伏功率智能预测系统，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-7任一项所述的融合机理模型和场站实测的光伏功率智能预测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现根据权利要求1-7任一项所述的融合机理模型和场站实测的光伏功率智能预测方法。

技术总结本发明属于光伏功率预测技术领域，具体涉及一种融合机理模型和场站实测的光伏功率智能预测方法及系统。本发明的融合机理模型和场站实测的光伏功率智能预测方法通过收集并整理历史场站实测数据以及模式数据，利用模式数据对训练模型增加物理约束，通过场站实测数据提高训练模型的精度，最后融合输出结果，以达两种数据优势互补的目的，实现提升光伏发电功率预测准确度的效果；以及通过区分稳定和恶劣天气类型，在稳定天气条件下采用CNN+Transformer模型，在恶劣天气条件下采用CNN+BiLSTM模型，进一步提升光伏发电功率预测准确度，并且节省计算资源，提高预测效率。技术研发人员：戴宇辰,王元兵,潘雨轩,邢宇杰,巢洁,陈耀登受保护的技术使用者：南京信息工程大学技术研发日：技术公布日：2024/11/18