[发明专利]一种基于图像特征提取的光伏发电功率日前预测方法

说明书

本发明涉及一种基于图像特征提取的光伏发电功率日前预测方法。本发明首先采集光伏发电各影响因素的历史数据，包括温度、晴空指数、PM指数、发电功率、湿度、风速等；构建以各影响因素为行的列矩阵，以矩阵元素作为图片像素点得到若干幅二维图像；对图像按行进行归一化处理，设置卷积核维数和个数、移动步幅和填充维数，将光伏发电功率按精确度划分为若干档，对档位进行类别标示；基于卷积神经网络原理提取图像特征，建立预测模型，实现光伏发电功率日前预测。本发明所提供的光伏发电功率的预测方法，将在提高预测精度的同时提高预测速度，减少光伏发电功率波动对电网的影响，对光伏发电的推广应用具有重要意义。

技术领域

本发明属于光伏新能源领域，涉及一种基于图像特征提取的光伏发电功率日前预测新方法。

背景技术

太阳能是应用于大规模发电的最有前途的可再生能源之一，但由于其间歇性和可变性，输出功率呈现出间断性和随机性等特征。一方面，大规模的并网运行会对传统电网的安全和系统的可靠性造成较大影响；另一方面，当区域负荷供电由微电网承担时，由于微电网一般容量较小，太阳能发电功率比例即使较小也可能会对微电网的稳定运行带来一系列问题。为确保现代电力系统的可靠运行，实现经济调度，需对光伏发电系统短期功率进行精确预测。

光伏发电预测技术在原理上经历了物理模型和统计模型两个阶段。基于物理模型的预测方法一方面涉及物理模型参数，需要由电池厂商提供或利用大规模运算辨识；另一方面在预测时还需要由气象部门提供的数值天气预报数据，因此实际应用存在明显的局限性。基于统计模型的预测方法以大量历史数据为基础，利用光伏发电与天气条件之间的相关性或光伏发电时间序列自身特征，可通过智能分析算法实现预测。统计模型包括回归模型和神经网络模型两类。回归模型采用预先选定的数学模型结构，当模型与光伏数据特征不符时，预测精度难以保证；传统神经网络一般需要大量的训练样本，且训练过程中神经元突触系数更新需要较长的收敛时间，因此一般只能满足光伏发电的离线预测需求。

发明内容

本发明考虑到：(1)光伏发电受诸多因素影响，呈现非平稳、不确定、间歇性等特点，这些影响因素包括太阳辐射、大气温度、大气湿度、大气质量、风速、太阳高度角、历史发电功率等，各因素影响程度不同，既有独立也有相互耦合，传统回归预测方法难以将上述因素全面考虑到。(2)传统的神经网络预测模型可以通过训练达到预设收敛条件，但因其全连接结构，随着输入量即考虑的光伏发电影响因素的增加，网络参数将呈指数增加，将大大降低训练速度，而在忽略某些实际影响因素即减少输入量的情况下，虽然训练速度能有效提高，但其预测精度必然大打折扣。(3)在光伏发电领域，表征光伏发电影响因素的高维数据具有类似图像的矩阵特征，可运用图像处理的方法中进行特征提取。(4)传统光伏发电预测方法，不管是回归模型还是全连接神经网络模型，一般都需根据不同的天气类型建立不同的预测模型，预测模型既缺乏鲁棒性，同时也极易受天气预报误差影响。

本发明提出一种基于图像特征提取的光伏发电日前预测方法，包括以下步骤：

步骤(1)采集光伏发电各影响因素的历史数据，包括太阳辐射、大气温度、大气湿度、大气质量、风速、历史发电功率等。

步骤(2)构建以以上影响因素为行的列矩阵，每个列矩阵对应预测日的一个时间点，以矩阵元素作为图片像素点得到若干个图像。

步骤(3)取步骤(2)所得的预测日相关图像相本，对其进行归一化处理。

步骤(4)取执行步骤(3)后的第一小时样本，设置卷积神经网络参数，包括卷积核维数和个数、移动步幅，填充维数、池化层滤波器维数、神经网络结构、训练深度、反向传播算法等。

步骤(5)根据步骤(2)所获得二维图像对应的光伏发电功率设置输出量类别标签。

步骤(6)对以上步骤中构成的网络进行训练得到分时预测模型。

步骤(7)分别向分时预测模型输入用于预测的影响因素数据，实现对预测日的分时预测。