[发明专利]一种基于多源数据融合的光伏功率组合预测方法及系统

说明书

本发明公开了一种基于多源数据融合的光伏功率组合预测方法及系统，包括：获取历史发电功率序列数据以及待预测日外部气象数据；将所述数据分别输入到训练好的卷积神经网络子预测模型、长短期记忆网络子预测模型和极端梯度增强树子预测模型进行光伏功率预测；根据待预测日当日的云量指标进行天气类型的归类，进而确定每一个子预测模型的预测权重；基于所述权重将上述子预测模型的预测结果进行融合，得到最终的光伏功率预测结果。本发明将各种不同的架构的数据信息进行了综合，充分分析了历史功率数据、气象数据以及卫星云图数据的特点，然后融合出统一的，比单一数据更好、更丰富的信息。

技术领域

本发明涉及光伏功率组合预测技术领域，尤其涉及一种基于多源数据融合的光伏功率组合预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着全球变暖与能源危机的矛盾日益加剧，可持续清洁能源在过去几年得到了迅速发展。太阳能是取之不尽用之不竭的能源，被认为是传统能源最受欢迎的替代品。因此，近年来光伏发电并网的比例不断增加。据统计，光伏总装机容量已超过400GW。但太阳能的间歇性和波动性特征给电力系统带来了很大的危险，很大程度上阻碍了光伏场站的大规模部署。为了保证电力系统的安全稳定，光伏功率预测方法和系统逐步成为电力系统不可或缺的一部分。精准的光伏功率预测可以促进需求响应方案的实施，同时还能够提高电能质量。

按照时间尺度划分，光伏功率预测技术可以分为短期预测(应能预测次日零时起至未来72小时的光伏发电站输出功率，时间分辨率为15分钟)、超短期预测(应能预测未来15分钟至4小时的光伏发电站输出功率，时间分辨率为15分钟)以及分钟级预测(预测时间尺度为0-2小时，时间间隔不大于5分钟)。光伏发电功率超短期预测需要提供未来4小时以内光伏发电功率数据，与短期预测相比，由于被预测时段更短更接近预测时刻，并且会作为电网实时调度的依据，因而对其预测精度，尤其是非晴朗天气状态下功率快速波动的追踪预测能力要求更高。

目前在光伏发电功率超短期预测中常用的模型算法主要包括：统计法、物理法以及云图法。统计法主要包括时间序列分析、自回归分析等统计学方法，同时近年来热门的人工神经网络以及支持向量机等方法也可归于统计法的范畴。物理方法主要基于数值天气预报(NWP)数据，借助分析手段探寻气象因子与光伏功率之间的相关性，并建立它们之间的映射关系。云图中含有云运动状态以及分布情况等大量信息，因此近年来将云图作为辅助信息进行光伏预测的方法不断涌现。然而受天气状态变化影响，辐照度与功率数据的超短期波动特性多种多样，各预测算法也均具有自身的局限性，目前还很难找到一种在任何天气状态下都适用的算法理论。

发明内容

为了解决上述问题，本发明提出了一种基于多源数据融合的光伏功率组合预测方法及系统，充分融合历史功率数据、气象数据以及卫星云图数据的特点，能够实现光伏功率的超短期预测。

在一些实施方式中，采用如下技术方案：

一种基于多源数据融合的光伏功率组合预测方法，包括：

获取历史发电功率序列数据以及待预测日外部气象数据；

将所述数据分别输入到训练好的卷积神经网络子预测模型、长短期记忆网络子预测模型和极端梯度增强树子预测模型进行光伏功率预测；

根据待预测日当日的云量指标进行天气类型的归类，进而确定每一个子预测模型的预测权重；

基于所述权重将上述子预测模型的预测结果进行融合，得到最终的光伏功率预测结果。

在另一些实施方式中，采用如下技术方案：

一种基于多源数据融合的光伏功率组合预测系统，包括：

数据获取模块，用于获取历史发电功率序列数据以及待预测日外部气象数据；