[发明专利]一种光伏日前功率预测方法、装置以及存储介质

说明书

本发明公开了一种光伏日前功率预测方法、装置以及存储介质，属于光伏功率预测技术领域。该方法包括根据预测时间从历史数据库中提取训练所需的样本数据；将经过预处理后的样本数据输入SVM算法以及BP神经网络算法进行训练，得到SVM模型以及BP神经网络模型；根据工程系数算法构建工程系数算法模型；将测试数据分别输入所述SVM模型、工程系数算法模型以及BP神经网络模型，获取对于的第一光伏功率预测值；根据所述SVM算法、BP神经网络算法以及工程系数算法，构建线性组合预测算法模型；将所述对应的光伏功率预测值输入所述组合预测算法模型，获得第二光伏功率预测值，使光伏日前功率预测精度大大提升。

技术领域

本发明属于光伏功率预测技术领域，具体地说，涉及一种光伏日前功率预测方法、装置以及存储介质。

背景技术

光伏功率预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对光伏功率发展做出预先估计和推测。光伏功率预测是电力系统规划、计划、用电、调度等部门的基础工作。高质量的光伏功率预测，可以有效的降低发电成本，保证电站优先完成基础计划的基础上成交更多的现货，提升电站发电效率，使企业在交易过程中收益最大化，实现国能日新的市场化目标。由于光伏功率除了受温度、天气状况等非线性因素影响之外，还具有自身的随机性，故光伏功率预测是一个十分复杂过程。

传统的电力系统光伏功率预测方法有单耗法、弹性系数法等。但随着国名经济的发展，这些预测方法的准确性已经得不到很好的保证。由于人工智能技术的迅猛发展，使灰色理论法神经网络法及模糊聚类法在光伏功率预测领域得到广泛应用。灰色理论法神经网络法及模糊聚类法较以前的方法更能处理光伏功率和影响因素之间的非线性关系，因而得到了较高的预测精度。现有技术通过利用神经网络的方法进行光伏功率预测，其中前向神经网络可以通过学习，从复杂的样本数据中拟合出输人输出之间高维、非线性的映射关系，从而进行较高精度的预测。此外，通过DLF波动性分析，可以对波动性较小的光伏功率直接根据系统负荷分配或者减少参与训练的算法数量，大大节省了计算时间。

中国专利公开号为CN109523084A，公开了一种基于主元分析和机器学习的风电功率超短期预测方法，涉及电力系统技术领域。该方法首先采集n组风电数据样本集，并对缺失值采用插值方式处理；然后将n组样本历史数据中对影响风电功率大小的影响因子矩阵进行主元分析，根据累计贡献率来确定变换后的主成分数据；然后将主成分数据和截止到t-1时刻的n组风电功率结合，作为机器学习神经网络模型的输入，再将t时刻的风电功率序列作为其目标输出，对该模型进行调参训练，保存训练后的最佳模型；最后对此模型输入预测样本即可得到风电功率的预测序列。

然而，灰色预测模型从理论上讲可以适用于任何非线性变化的光伏功率预测指标,但一旦数据的离散度大，预测精度就会大大降低，且该方法通常对较长时间间隔的预测不太准确。从而利用神经网络的方法进行光伏功率预测时，光伏功率受到多种因素的影响，存在复杂非线性现象，光伏功率曲线的变化形态同历史光伏功率曲线的变化形态差异较大，用前向神经网络无法对上述各种情况下的光伏功率进行较好精度的预测。且纯BP神经网络需要的训练数据量较大，实际生产中的数据量可能无法满足其训练要求。

发明内容

1、要解决的问题

针对现有光伏日前功率预测方法，由于处理的数据的离散度大，预测精度就会大大降低的问题。本发明提供一种光伏日前功率预测方法、装置以及存储介质，通过使用组合预测的方法，将工程系数法、BP神经网络算法，SVM算法的预测结果通过线性加权的方式组合起来，组合预测算法根据前一周负荷预测的残差，更新三种算法线性加权的权值，最大限度的保证了算法的精度。

2、技术方案

为解决上述问题，本发明采用如下的技术方案。

本发明第一方面提供一种光伏日前功率预测方法，包括：

根据预测时间从历史数据库中提取训练所需的样本数据，并对所述样本数据进行预处理；