基于功率转换模型与多层感知机的短期光伏功率预测方法

1.本发明涉及新能源出力预测技术领域，尤其是涉及一种基于功率转换模型与多层感知机的短期光伏功率预测方法。


背景技术：

2.化石燃料发电对环境的破坏日益严重，同时也面临能源危机，为寻求更高效、更清洁的发电能源，目前已经逐步从对化石燃料的依赖转变为对可再生能源的依赖。太阳能作为地球上最大的可再生能源，拥有极其稳定的来源与持续输出的能量，因此，利用太阳能发电是目前新能源发电技术研究的重点之一。然而，光伏出力受天气影响大，其固有的间歇性与波动性，对电力系统运行的安全性与可靠性都产生了巨大挑战，因此有必要对光伏发电进行精确建模与预测。
3.光伏功率预测常用的方法为统计方法，即根据历史光伏发电量值，不断优化模型参数，最终产生一个比较准确的短期功率预测结果。然而这种方法在气象不稳定的情况下，很难仅仅从历史光伏功率中捕捉到变化，导致无法获得准确的预测值，也就是说，传统的统计预测方式并没有考虑到天气因素对光伏出力的影响。针对这类问题，现有研究将天气因素作为神经网络的输入进行学习训练，但在非晴空天气条件下(比如多云天或阴天)运用较少，此外，由于太阳能不可能全部转换为电能输出，而依赖于统计方法的预测方式也无法体现光伏功率转换时存在的误差，导致预测结果与实际值之间存在较大偏差。


技术实现要素：

4.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功率转换模型与多层感知机的短期光伏功率预测方法，能够提高非晴空天气条件下的预测精度，同时确保预测值更加贴近于实际值。
5.本发明的目的可以通过以下技术方案来实现：一种基于功率转换模型与多层感知机的短期光伏功率预测方法，包括以下步骤：
6.s1、采集原始数据集，包括历史光伏板发电数据及对应的气象数据；
7.对原始数据集进行预处理，并按照天气类型划分原始数据；
8.s2、基于原始数据集中的气象数据，通过计算日内平均晴空指数与变化指数，进行天气变化性分析；
9.s3、建立考虑光伏板物理误差的光伏功率转换模型；
10.s4、基于多层感知机，并在模型复杂性、计算复杂性与过拟合性方面进行改进，以建立预测模型，用于预测得到不同天气类型下的阵列平面辐照度与环境温度；
11.s5、将阵列平面辐照度预测结果与环境温度预测结果输入光伏功率转换模型中，输出得到光伏功率值。
12.进一步地，所述步骤s1中气象数据包括但不限于全球水平辐照度、阵列平面辐照度、散射水平辐照度、风速、温度、湿度、云量。
13.进一步地，所述步骤s1中对原始数据集进行预处理具体是从历史光伏板发电数据及气象数据中筛选出白天设定时间段内的数据、以剔除黑夜时间段内的数据，并将筛选出的数据归一到[0,1]区间。
[0014]
进一步地，所述步骤s1中按照天气类型划分原始数据的具体过程为：
[0015]
根据晴空指数、云量与扩散水平辐照度分数，将原始数据中气象数据序列进行划分，得到晴空、多云、阴天天气类型占比，所述晴空指数具体为：
[0016][0017]
其中，ghim为全球水平辐照度测量值，ghi
cs
为晴空全球水平辐照度；
[0018]
所述扩散水平辐照度分数具体为：
[0019][0020]
其中，dhim为散射水平辐照度测量值。
[0021]
进一步地，所述步骤s2中日内平均晴空指数具体为：
[0022][0023]
其中，h为气象数据采集时间点总数量，k(t)为第t个时间点的晴空指数；
[0024]
所述变化指数表示晴空指数的变化性，具体为：
[0025][0026]
δk(t)＝k(t+1)-k(t)
[0027]
其中，为k平均值的差值，δk(t)为k在δt时间内的差值。
[0028]
进一步地，所述步骤s3中光伏功率转换模型具体为：
[0029][0030]
η
t
＝1+γ
mp
·
(t
c-t
stc
)
[0031][0032]
其中，a为光伏阵列面积，g
poa
为光伏阵列辐照度，η
t
为温度效率系数，η
stc
为标准测试状态下的效率系数，η
dirt
为环境污染系数，η
ref
为光伏阵列反射系数，γ
mp
为最大功率热系数，tc为工作温度，t
stc
为标准测试状态下的工作温度，t
amb
为环境温度，g
noct
为电池正常工作温度下的辐照度，t
c.noct
为电池正常工作温度，t
amb.noct
为电池正常工作温度下的环境温度。
[0033]
进一步地，所述步骤s4中多层感知机包含n层隐藏层、输出层以及反向传播时的损失函数，所述隐藏层表达式为：
[0034]hi
＝f(whxi+bh)i＝1,2,3,...,n
[0035][0036]
其中，f(
·
)为隐藏层激活函数，x为多层感知机的输入，具体为阵列平面辐照度或环境温度样本数据，wh为隐藏层权重值，bh为隐藏层偏置值；
[0037]
所述输出层表达式为：
[0038]
oi＝g(w
ohi
+bo)i＝1,2,3,...,n
[0039]
g(x)＝x
[0040]
其中，wo为输出层权重值，bo为隐藏层偏置值，g(
·
)为输出层激活函数；
[0041]
所述损失函数采用均方误差，表示为：
[0042][0043]
其中，m为输入阵列平面辐照度或环境温度的样本总数量，h(xi)为多层感知机的第i个阵列平面辐照度预测值或环境温度预测值，yi为第i个时间点的辐照度或环境温度实际值。
[0044]
进一步地，所述步骤s4中，具体是通过在反向传播过程中加入l2正则化，以改进模型复杂性与过拟合性；
[0045]
所述步骤s4中，具体是采用高斯分布随机初始化权重，以改进计算复杂性。
[0046]
进一步地，所述l2正则化是在原本的反向传播过程中加入了平滑成本函数的权重参数的平方和，并引入了一个新的超参数λ来控制误差，加入l2正则化的损失函数表达式为：
[0047][0048]
其中，wj为方程的第j个权重值。
[0049]
进一步地，所述采用高斯分布随机初始化权重的表达式为：
[0050][0051]
其中，μ为数学期望，σ2为方差。
[0052]
与现有技术相比，本发明具有以下优点：
[0053]
一、本发明提出一种结合光伏功率转换模型与多层感知机的短期光伏功率预测方案，一方面在建立光伏功率转换模型时充分考虑光伏板物理误差，另一方面在历史数据基础上进行天气变化性分析，并基于多层感知机模型建立预测模型，用于预测不同天气类型下的阵列平面辐照度与环境温度。由此通过先预测辐照度与环境温度，再利用光伏功率转换模型输出得到光伏功率值，不仅能够使得到的光伏功率值更加贴近实际值，同时能够有效提高在非晴空天气条件下的预测精度。
[0054]
二、本发明通过获取历史气象数据，并基于此进行天气类型划分，并通过计算日内平均晴空指数与变化指数，以进行天气变化性分析，从而能够准确获知天气变化性情况，有利于后续预测模型能够在多云天与阴天条件下进行准确地预测输出。
[0055]
三、本发明在构建光伏功率转换模型时，考虑了温度效率系数、标准测试状态下的效率系数、环境污染系数以及光伏阵列反射系数，由此充分全面地考虑到光伏板物理误差，使得光伏功率转换模型输出更加符合于实际。
[0056]
四、本发明在建立预测模型时，采用多层感知机，并在模型复杂性、计算复杂性与过拟合性方面进行改进，一方面在反向传播的过程中加入l2正则化以限制过拟合并控制模型复杂度；另一方面采用高斯分布随机初始化权重，以减少反向传播算法的计算复杂度并提高计算精度，能够确保预测模型的预测精度以及预测效率。
附图说明
[0057]
图1为本发明的方法流程示意图；
[0058]
图2为实施例的应用过程示意图；
[0059]
图3为实施例中的天气分类图；
[0060]
图4为实施例中的天气变化性图；
[0061]
图5为实施例中晴空天气辐照度预测结果图；
[0062]
图6为实施例中晴空天气温度预测结果图；
[0063]
图7为实施例中多云天气辐照度预测结果图；
[0064]
图8为实施例中多云天气温度预测结果图；
[0065]
图9为实施例中阴天天气辐照度预测结果图；
[0066]
图10为实施例中阴天天气温度预测结果图；
[0067]
图11为实施例中光伏功率转换模型得到的光伏功率值与实际功率值对比图。
具体实施方式
[0068]
下面结合附图和具体实施例对本发明进行详细说明。
[0069]
实施例
[0070]
如图1所示，一种基于功率转换模型与多层感知机的短期光伏功率预测方法，包括以下步骤：
[0071]
s1、采集原始数据集，包括历史光伏板发电数据及对应的气象数据；
[0072]
对原始数据集进行预处理，并按照天气类型划分原始数据；
[0073]
s2、基于原始数据集中的气象数据，通过计算日内平均晴空指数与变化指数，进行天气变化性分析；
[0074]
s3、建立考虑光伏板物理误差的光伏功率转换模型；
[0075]
s4、基于多层感知机，并在模型复杂性、计算复杂性与过拟合性方面进行改进，以建立预测模型，用于预测得到不同天气类型下的阵列平面辐照度与环境温度；
[0076]
s5、将阵列平面辐照度预测结果与环境温度预测结果输入光伏功率转换模型中，输出得到光伏功率值。
[0077]
为验证上述技术方案的有效性，本实施例应用上述技术方案，并进行了预测性能的评价试验，如图2所示，主要过程包括：
[0078]
步骤1：采集原始数据集，进行预处理，并以天气类型划分原始数据，天气分类结果如图3所示；
[0079]
其中，功率数据为光伏中心提供的历史光伏板发电数据，气象数据由气象检测站提供，气象数据包括全球水平辐照度、阵列平面辐照度、散射水平辐照度、风速、温度、湿度与云量等；气象数据与功率数据选择白天7时至18时的数据，剔除黑夜数据，并将数据归一到[0,1]区间，归一化公式为：
[0080][0081]
其中，x
min
为最小值，x
max
为最大值；
[0082]
天气分类方法为：根据晴空指数、云量与扩散水平辐照度分数，将原始数据集中气象数据序列进行划分，得到晴空、多云、阴天天气类型下的得到晴空、多云、阴天天气类型占比，如图2所示；晴空指数表达式为：
[0083][0084]
其中，ghim为全球水平辐照度测量值，ghi
cs
为晴空全球水平辐照度；
[0085]
扩散水平辐照度分数表达式为：
[0086][0087]
其中，dhim为散射水平辐照度测量值。
[0088]
步骤2：进行天气变化性分析，天气变化性分析结果如图4所示；
[0089]
具体方法为：采用日内平均晴空指数与变化指数这两个参数进行天气变换性分析，平均晴空指数表示所考虑区域内的日太阳辐射，其表达式为：
[0090][0091]
其中，h为气象数据采集时间点的总数量；
[0092]
变化指数表示晴空指数的变化性，其表达式为：
[0093][0094]
其中，为k平均值的差值，δk(t)为k在δt时间内的差值，其表达式为：δk(t)＝k(t+1)-k(t)。
[0095]
步骤3：对光伏功率转换模型进行建模：
[0096]
p
dc
＝ag
poa
η
t
η
stc
η
dirt
η
ref
[0097]
其中，a为光伏阵列面积，g
poa
为光伏阵列辐照度，η
t
为温度效率系数，η
stc
为标准测试状态下的效率系数，η
dirt
为环境污染系数，η
ref
为光伏阵列反射系数；温度系数的表达式为：
[0098]
η
t
＝1+γ
mp
·
(t
c-t
stc
)
[0099]
其中，γ
mp
为最大功率热系数，tc为工作温度，t
stc
为标准测试状态下的工作温度；工作温度关于环境温度与光伏阵列辐照度的表达式如下所示：
[0100][0101]
其中，t
amb
为环境温度，g
noct
为电池正常工作温度下的辐照度，t
c.noct
为电池正常工作温度，t
amb.noct
为电池正常工作温度下的环境温度；因此，光伏功率转换模型的表达式为：
[0102][0103]
步骤4：基于多层感知机建立预测模型，在模型复杂性、计算复杂性与过拟合性方面进行改进，并预测得到阵列平面辐照度与环境温度，在晴天、多云天、阴天与变化性天情况下的预测结果如图5～10所示；
[0104]
其中，多层感知机预测模型具有以下特点：
[0105]
(1)有n层隐藏层，其隐藏层表达式如下所示：
[0106]hi
＝f(whxi+bh)i＝1,2,3,...,n
[0107]
其中，f(
·
)为隐藏层激活函数，其表达式为x为多层感知机的输入(阵列平面辐照度或环境温度)，wh为隐藏层权重值，bh为隐藏层偏置值；
[0108]
(2)多层感知机的输出层表达式为：
[0109]
oi＝g(w
ohi
+bo)i＝1,2,3,...,n
[0110]
其中，wo为输出层权重值，bo为隐藏层偏置值，g(
·
)为输出层激活函数，其表达式为：g(x)＝x；
[0111]
(3)多层感知机进行反向传播时的损失函数为均方误差，表示为：
[0112][0113]
其中，m为输入阵列平面辐照度或环境温度的样本总数量，h(xi)为多层感知机的第i个阵列平面辐照度预测值或环境温度预测值，yi为第i个时间点的辐照度或环境温度实际值。
[0114]
预测模型改进为：
[0115]
(1)在反向传播的过程中加入l2正则化以限制过拟合并控制模型复杂度；l2正则化方法在原本的反向传播过程中加入了平滑成本函数的权重参数的平方和，并引入了一个新的超参数λ来控制误差；加入l2正则化的损失函数表达式为：
[0116][0117]
wj为方程的第j个权重值；
[0118]
(2)采用高斯分布随机初始化权重，减少反向传播算法的计算并提高计算精度，其表达式为：
[0119][0120]
μ为数学期望，σ2为方差。
[0121]
步骤5：将阵列平面辐照度预测结果与环境温度预测结果输入到光伏转换模型中，得到光伏出力结果(即光伏功率值)，该光伏功率值与实际值之间对比如图11所示，由图11可知，本方案预测得到光伏功率值与实际值之间偏差较小；
[0122]
步骤6：采用评价指标评价预测性能
[0123]
本实施例采用均方根误差、平均绝对误差和r2系数作为评价指标来评价模型的预测性能，计算表达式分别为：
[0124][0125][0126][0127]
其中，n为样本个数；为第t个时间点的功率预测值；y
t
为第t个时间点的实测功率，ya为历史光伏功率的平均值。
[0128]
本实施例中，得到三种天气情况下辐照度预测与环境温度预测指标如表1所示。
[0129]
表1
[0130][0131]
综上可知，本技术方案针对电力系统中对于短期光伏功率预测方法的实际需求，考虑现有数据驱动方法的不足，提出一种结合光伏功率转换模型与多层感知机的短期光伏功率预测方法。该方法与传统预测方法相比，首先采用基于多层感知机的改进预测模型来预测辐照度与环境温度，再通过光伏功率转换模型得到功率，考虑了光伏板物理误差，使得到的光伏功率值更贴近真实值，更符合实际应用，并提高了在多云天与阴天的预测精度。

技术特征：
1.一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，包括以下步骤：s1、采集原始数据集，包括历史光伏板发电数据及对应的气象数据；对原始数据集进行预处理，并按照天气类型划分原始数据；s2、基于原始数据集中的气象数据，通过计算日内平均晴空指数与变化指数，进行天气变化性分析；s3、建立考虑光伏板物理误差的光伏功率转换模型；s4、基于多层感知机，并在模型复杂性、计算复杂性与过拟合性方面进行改进，以建立预测模型，用于预测得到不同天气类型下的阵列平面辐照度与环境温度；s5、将阵列平面辐照度预测结果与环境温度预测结果输入光伏功率转换模型中，输出得到光伏功率值。2.根据权利要求1所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述步骤s1中气象数据包括但不限于全球水平辐照度、阵列平面辐照度、散射水平辐照度、风速、温度、湿度、云量。3.根据权利要求1所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述步骤s1中对原始数据集进行预处理具体是从历史光伏板发电数据及气象数据中筛选出白天设定时间段内的数据、以剔除黑夜时间段内的数据，并将筛选出的数据归一到[0,1]区间。4.根据权利要求2所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述步骤s1中按照天气类型划分原始数据的具体过程为：根据晴空指数、云量与扩散水平辐照度分数，将原始数据中气象数据序列进行划分，得到晴空、多云、阴天天气类型占比，所述晴空指数具体为：其中，ghi
m
为全球水平辐照度测量值，ghi
cs
为晴空全球水平辐照度；所述扩散水平辐照度分数具体为：其中，dhi
m
为散射水平辐照度测量值。5.根据权利要求4所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述步骤s2中日内平均晴空指数具体为：其中，h为气象数据采集时间点总数量，k(t)为第t个时间点的晴空指数；所述变化指数表示晴空指数的变化性，具体为：
δk(t)＝k(t+1)-k(t)其中，为k平均值的差值，δk(t)为k在δt时间内的差值。6.根据权利要求1所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述步骤s3中光伏功率转换模型具体为：η
t
＝1+γ
mp
·
(t
c-t
stc
)其中，a为光伏阵列面积，g
poa
为光伏阵列辐照度，η
t
为温度效率系数，η
stc
为标准测试状态下的效率系数，η
dirt
为环境污染系数，η
ref
为光伏阵列反射系数，γ
mp
为最大功率热系数，t
c
为工作温度，t
stc
为标准测试状态下的工作温度，t
amb
为环境温度，g
noct
为电池正常工作温度下的辐照度，t
c.noct
为电池正常工作温度，t
amb.noct
为电池正常工作温度下的环境温度。7.根据权利要求1所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述步骤s4中多层感知机包含n层隐藏层、输出层以及反向传播时的损失函数，所述隐藏层表达式为：h
i
＝f(w
h
x
i
+b
h
)i＝1,2,3,...,n其中，f(
·
)为隐藏层激活函数，x为多层感知机的输入，具体为阵列平面辐照度或环境温度样本数据，w
h
为隐藏层权重值，b
h
为隐藏层偏置值；所述输出层表达式为：o
i
＝g(w
o
h
i
+b
o
)i＝1,2,3,...,ng(x)＝x其中，w
o
为输出层权重值，b
o
为隐藏层偏置值，g(
·
)为输出层激活函数；所述损失函数采用均方误差，表示为：其中，m为输入阵列平面辐照度或环境温度的样本总数量，h(x
i
)为多层感知机的第i个阵列平面辐照度预测值或环境温度预测值，y
i
为第i个时间点的辐照度或环境温度实际值。8.根据权利要求7所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述步骤s4中，具体是通过在反向传播过程中加入l2正则化，以改进模型复杂性与过拟合性；
所述步骤s4中，具体是采用高斯分布随机初始化权重，以改进计算复杂性。9.根据权利要求8所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述l2正则化是在原本的反向传播过程中加入了平滑成本函数的权重参数的平方和，并引入了一个新的超参数λ来控制误差，加入l2正则化的损失函数表达式为：其中，w
j
为方程的第j个权重值。10.根据权利要求9所述的一种基于功率转换模型与多层感知机的短期光伏功率预测方法，其特征在于，所述采用高斯分布随机初始化权重的表达式为：其中，μ为数学期望，σ2为方差。

技术总结
本发明涉及一种基于功率转换模型与多层感知机的短期光伏功率预测方法，包括：采集原始数据集，包括历史光伏板发电数据及气象数据；对原始数据集进行预处理，并按照天气类型划分原始数据；通过计算日内平均晴空指数与变化指数，进行天气变化性分析；建立考虑光伏板物理误差的光伏功率转换模型；基于多层感知机，并在模型复杂性、计算复杂性与过拟合性方面进行改进，以建立预测模型，用于预测得到不同天气类型下的阵列平面辐照度与环境温度；将阵列平面辐照度与环境温度的预测结果输入光伏功率转换模型中，输出得到光伏功率值。与现有技术相比，本发明能够有效提高非晴空天气条件下的预测精度，同时确保预测值更加贴近于实际值。际值。际值。


技术研发人员：赵耀 高少炜 李东东 黄学勤 杨帆 林顺富
受保护的技术使用者：上海电力大学
技术研发日：2023.05.24
技术公布日：2023/8/24