一种光伏发电量预测方法与流程

1.本发明涉及光伏发电技术领域，具体地说是一种光伏发电量预测方法。


背景技术：

2.光伏发电量预测最常见的方法即通过建立太阳辐射模型及光伏发电系统模型，对光伏发电系统输出功率进行仿真计算，进而求得发电量，如图2所示，但是此类方法未考虑环境因素对光伏电池出力的影响，这些建立物理模型直接计算得到光伏发电出力的方法依赖详细的电站地理信息和准确的气象数据，抗干扰能力差。
3.传统物理方法进行光伏发电量预测精度不高、抗环境干扰因素不强，光伏发电受太阳辐射、天气等环境因素影响发电波动很大，光伏接入并网后发电量的巨大波动将对电网造成冲击，提高电网保障的难度，由于光伏发电出力受气象等因素影响较大，具有较强的间歇性和波动性，这些特性使得高比例光伏接入后给电力系统造成巨大的冲击与挑战。


技术实现要素：

4.本发明的技术任务是针对以上不足之处，提供一种光伏发电量预测方法，对光伏发电量进行准确预测可以提高光伏电站运营效率，而且可以帮助调度部门调整运行方式，确保高比例光伏接入后电力系统的安全稳定与经济运行。
5.本发明解决其技术问题所采用的技术方案是：
6.一种光伏发电量预测方法，其特征在于，该方法将光伏发电量作为多个影响因素的函数，利用统计学方法将某一地区光伏发电量和影响因素的历史数据建立起函数模型，利用共轭梯度法求解待定参数；
7.利用kendall相关系数来描述各变量间的相关关系，并对其进行检验；
8.最后拟合模型，直到模型预测精度达到90％以上。
9.本方法基于共轭梯度法，通过光伏电站所在区域的环境监测数据和运行数据，建立光伏发电量与各种影响因素之间的函数模型，进行相关性检验，剔除相关性小的影响因素，利用共轭梯度法求取模型参数，利用计算机的计算，完成对光伏电站发电量的预测，可以提前预知发电量，提高电网运行稳定性的能力。对光伏发电量进行准确预测可以提高光伏电站运营效率，而且可以帮助调度部门调整运行方式，确保高比例光伏接入后电力系统的安全稳定与经济运行。
10.优选的，该方法的具体实现包括：
11.设光伏发电量y为因变量，影响光伏发电量的环境因素x1、x2、
…
xi、
…
xk为自变量，由所述因变量和自变量得出回归模型，并将观测数据代入该回归模型；
12.利用共轭梯度法估计计算得出所述回归模型中的参数值；
13.采集光伏电站当地的环境数据，如温度、风速、湿度、太阳辐射强度、能见度等，做为所述回归模型中的自变量xi，光伏发电量为因变量yi，将采集的数据利用kendall相关系数进行相关性检验，剔除相关性不强的数据；
14.将采集到的环境数据和光伏发电量数据分为两组，一组用来求解参数，记为a组，一组用来验证模型，记为b组；
15.将a组数据中判定相关的自变量xi和因变量yi数据带入所述回归模型，使用共轭梯度法求解参数值，得到初步的回归模型；
16.将b组数据带入所述初步的回归模型，若预测所得发电量yi与真实发电量之间满足误差率小于10％则认为所述初步的回归模型可以成立，输出参数；设b组共计h组数据，根据回归模型计算得到估计光伏发电量ys(s＝1，2，
…
，h)，对应的真实光伏发电量为输出参数需满足条件：
[0017][0018]
若大于10％，则重新检验数据相关性，求取参数值，直到满足误差要求为止。
[0019]
优选的，所述影响光伏发电量的环境因素包括温度、风速、湿度以及光照强度。
[0020]
优选的，所述设光伏发电量y为因变量，影响光伏发电量的环境因素x1、x2、
…
xi、
…
xk为自变量，由所述因变量和自变量得出回归模型，并将观测数据代入该回归模型，实现方式如下：
[0021]
由所述因变量和自变量，得到回归模型：
[0022]
y＝k0+k1x1+
…
+kkxk(2)
[0023]
其中，是k0常数项，ki(i＝0、1、
…
、k)为y对xi的回归系数，ε是随机误差项；对模型中的k+1个参数作出估计，将a组中的n组观测数据带入(2)式，用矩阵表示为：
[0024][0025]
即y＝xk+ε。
[0026]
优选的，采用共轭梯度法来求解参数值的过程为：
[0027]
设在第i组(i＝1，2，
…
，n)自变量x
i1
、x
i2
、
…
x
ii
、
…
x
ik
为真实数据时，因变量为在假设的参数值下，带入得到的因变量y＝yi，则目标函数为：
[0028][0029]
然后计算目标函数；如果不满足收敛条件，则对假设的参数值进行修正，在修正值下继续计算因变量值，计算目标函数，以此类推，直到满足收敛条件；其循环方式为：
[0030]kj+1
＝k
j-α
jdj
(5)
[0031]
式中：k
j+1
＝(k0，k1，
…
，kk)，αj为步长，dj为下降方向，此方向为：
[0032]
[0033]
式中为βj为共轭系数，可写成：
[0034][0035]
式中定义为：
[0036][0037]
是目标函数的梯度，其各项为：
[0038][0039]
其中，i＝1，2，
…
，n；j＝0，1，
…
，k。
[0040]
步长αj可通过优化函数j(k
j-α
jdj
)获得，即满足：
[0041][0042]
将上式一阶展开：
[0043][0044]
式中行向量表达式为：
[0045][0046]
由差分法近似计算，目标函数的收敛条件设定为：
[0047]
j＜nσ2(13)
[0048]
σ为一足够小正数。
[0049]
优选的，所述采集光伏电站当地的环境数据，做为回归模型中的自变量xi，光伏发电量为因变量yi，将采集的数据利用kendall相关系数进行相关性检验，剔除相关性不强的数据；具体过程为：
[0050]
将采集到的某自变量xi和因变量yi一一对应，按照xi从小到大排列为n对，即(x
i1
，y1)，(x
i2
，y2)，
…
，(x
in
，yn)，对任意m》l，(m、l＝1，2，
…
，n)建立函数ψ：
[0051]
ψ＝(x
im-x
il
)(y
m-y
l
)(14)
[0052]
若ψ》0则取值ψ＝1，若ψ《0则取值ψ＝-1，若ψ＝0则取值ψ＝0；将采集到的n组数据全部带入后得到n(n-1)/2个值，则记相关系数τ为：
[0053][0054]
则τ＝-1时代表自变量xi和因变量yi负相关，τ＝1时代表自变量xi和因变量yi正相关，τ＝0时代表自变量xi和因变量yi相互独立；给定显著性水平ρ以及对应的临界值c，若τ》c则认为自变量xi和因变量yi相关，反之则不相关，予以剔除。
[0055]
优选的，该方法的实现过程如下：
[0056]
s1：输入自变量xi、真实发电量
[0057]
s2：利用kendall相关系数检验相关性；
[0058]
s3：利用共轭梯度法迭代求解待定参数；
[0059]
s4：判断目标函数是否满足收敛条件，满足则执行步骤s5；否则继续使用共轭梯度法进行迭代求解，直至满足收敛条件为止；
[0060]
s5：利用验证组数据验证回归模型的准确性；
[0061]
s6：预测精度满足要求则输出参数值；否则执行步骤s7；
[0062]
s7：再次检验数据相关性，提高显著性水平和临界值，筛选数据，并返回步骤s3。
[0063]
本发明还要求保护一种光伏发电量预测系统，包括数据采集模块和数据处理模块，所述数据处理模块利用统计学方法进行光伏发电量预测；
[0064]
该系统通过上述的光伏发电量预测方法实现光伏发电量预测。
[0065]
通过统计学方法，根据输入太阳辐射、光伏发电出力等历史数据，通过曲线拟合、参数估计等方法，建立输入与输出的映射模型，实现对未来光伏发电出力预测的输出。这种方法不需要考虑光伏系统参数和复杂的光电转换模型，所以相比于物理方法，其具有建模简单等优势。同时能顾兼顾环境因素的影响，抗干扰能力强，对尚未建成运营的光伏电站也有指导作用。
[0066]
本发明还要求保护一种光伏发电量预测装置，包括：至少一个存储器和至少一个处理器；
[0067]
所述至少一个存储器，用于存储机器可读程序；
[0068]
所述至少一个处理器，用于调用所述机器可读程序，执行上述的光伏发电量预测方法。
[0069]
本发明还要求保护一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述的光伏发电量预测方法。
[0070]
本发明的一种光伏发电量预测方法与现有技术相比，具有以下有益效果：
[0071]
本方法利用统计学方法建立各类影响因素与光伏发电量之间的函数模型，避免了直接使用物理学原理方法预测光伏发电量对光伏发电原理的依赖，而且能够对新建光伏电站的发电量进行预测。同时，考虑了各种环境因素对光伏发电量的影响，避免了物理方法通过太阳辐射和光伏发电原理推算光伏发电量，对构建模型和太阳辐射数据的准确度要求高，且没有考虑环境因素影响，抗干扰能力差的缺点。
[0072]
本方法所使用的进行参数计算拟合模型的共轭梯度法，相比于常用的最小二乘法和最速下降法，具有收敛速度快的优点，可以减少计算量。
附图说明
[0073]
图1是本发明实施例提供的光伏发电量预测方法实现流程示图；
[0074]
图2是本发明背景技术中所描述的目前物理方法进行光伏发电量预测流程。
具体实施方式
[0075]
下面结合具体实施例对本发明作进一步说明。
[0076]
本发明实施例提供了一种光伏发电量预测方法，其特征在于，该方法将光伏发电量作为多个影响因素的函数，利用统计学方法将某一地区光伏发电量和影响因素的历史数
据建立起函数模型，利用共轭梯度法求解待定参数；
[0077]
利用kendall相关系数来描述各变量间的相关关系，并对其进行检验；
[0078]
最后拟合模型，直到模型预测精度达到90％以上。
[0079]
本方法基于共轭梯度法，通过光伏电站所在区域的环境监测数据和运行数据，建立光伏发电量与各种影响因素之间的函数模型，进行相关性检验，剔除相关性小的影响因素，利用共轭梯度法求取模型参数，利用计算机的计算，完成对光伏电站发电量的预测，可以提前预知发电量，提高电网运行稳定性的能力。对光伏发电量进行准确预测可以提高光伏电站运营效率，而且可以帮助调度部门调整运行方式，确保高比例光伏接入后电力系统的安全稳定与经济运行。
[0080]
该方法的具体实现包括：
[0081]
1、设光伏发电量y为因变量，自变量x1、x2、
…
xi、
…
xk为温度、风速、湿度以及天气类型等天气变量的模糊影响因子，由所述因变量和自变量，得到回归模型：
[0082]
y＝k0+k1x1+
…
+kkxk(2)
[0083]
其中，是k0常数项，ki(i＝0、1、
…
、k)为y对xi的回归系数，ε是随机误差项；对模型中的k+1个参数作出估计，把n次试验中获得的观测数据带入(2)式，用矩阵表示为：
[0084][0085]
即y＝xk+ε。
[0086]
2、利用共轭梯度法估计计算得出所述回归模型中的参数值。
[0087]
采用共轭梯度法来求解参数值的过程为：
[0088]
设在第i组(i＝1，2，
…
，n)自变量x
i1
、x
i2
、
…
x
ii
、
…
x
ik
为真实数据时，因变量为在假设的参数值下，带入得到的因变量y＝yi，则目标函数为：
[0089][0090]
然后计算目标函数；如果不满足收敛条件，则对假设的参数值进行修正，在修正值下继续计算因变量值，计算目标函数，以此类推，直到满足收敛条件；其循环方式为：
[0091]kj+1
＝k
j-α
jdj
(5)
[0092]
式中：k
j+1
＝(k0，k1，
…
，kk)，αj为步长，dj为下降方向，此方向为：
[0093][0094]
式中为βj为共轭系数，可写成：
[0095]
[0096]
式中定义为：
[0097][0098]
是目标函数的梯度，其各项为：
[0099][0100]
其中，i＝1，2，
…
，n；j＝0，1，
…
，k。
[0101]
步长αj可通过优化函数j(k
j-α
jdj
)获得，即满足：
[0102][0103]
将上式一阶展开：
[0104][0105]
式中行向量表达式为：
[0106][0107]
由差分法近似计算，目标函数的收敛条件设定为：
[0108]
j＜nσ2(13)
[0109]
σ为一足够小正数。
[0110]
3、采集光伏电站当地的环境数据，如温度、风速、湿度、太阳辐射强度、能见度等，做为所述回归模型中的自变量xi，光伏发电量为因变量yi，将采集的数据利用kendall相关系数进行相关性检验，剔除相关性不强的数据。具体过程为：
[0111]
将采集到的某自变量xi和因变量yi一一对应，按照xi从小到大排列为n对，即(x
i1
，y1)，(x
i2
，y2)，
…
，(x
in
，yn)，对任意m》l，(m、l＝1，2，
…
，n)建立函数ψ：
[0112]
ψ＝(x
im-x
il
)(y
m-y
l
)(14)
[0113]
若ψ》0则取值ψ＝1，若ψ《0则取值ψ＝-1，若ψ＝0则取值ψ＝0；将采集到的n组数据全部带入后得到n(n-1)/2个值，则记相关系数τ为：
[0114][0115]
则τ＝-1时代表自变量xi和因变量yi负相关，τ＝1时代表自变量xi和因变量yi正相关，τ＝0时代表自变量xi和因变量yi相互独立；给定显著性水平ρ以及对应的临界值c，若τ》c则认为自变量xi和因变量yi相关，反之则不相关，予以剔除。
[0116]
4、将采集到的环境数据和光伏发电量数据分为两组，一组用来求解参数，记为a组，一组用来验证模型，记为b组。
[0117]
5、将a组数据中判定相关的自变量xi和因变量yi数据带入所述回归模型，使用共轭梯度法求解参数值，得到初步的回归模型；
[0118]
6、将b组数据带入所述初步的回归模型，若预测所得发电量yi与真实发电量之间满足误差率小于10％则认为所述初步的回归模型可以成立，输出参数；设b组共计h组数
据，根据回归模型计算得到估计光伏发电量ys(s＝1，2，
…
，h)，对应的真实光伏发电量为输出参数需满足条件：
[0119][0120]
若大于10％，则重新检验数据相关性，求取参数值，直到满足误差要求为止。
[0121]
如图1所示，该方法的实现过程如下：
[0122]
s1：输入自变量xi、真实发电量
[0123]
s2：利用kendall相关系数检验相关性；
[0124]
s3：利用共轭梯度法迭代求解待定参数；
[0125]
s4：判断目标函数是否满足收敛条件，满足则执行步骤s5；否则继续使用共轭梯度法进行迭代求解，直至满足收敛条件为止；
[0126]
s5：利用验证组数据验证回归模型的准确性；
[0127]
s6：预测精度满足要求则输出参数值；否则执行步骤s7；
[0128]
s7：再次检验数据相关性，提高显著性水平和临界值，筛选数据，并返回步骤s3。
[0129]
本发明实施例还提供一种光伏发电量预测系统，包括数据采集模块和数据处理模块，所述数据处理模块利用统计学方法进行光伏发电量预测；
[0130]
该系统通过上述实施例所述的光伏发电量预测方法实现光伏发电量预测。
[0131]
本发明实施还提供一种光伏发电量预测装置，包括：至少一个存储器和至少一个处理器；
[0132]
所述至少一个存储器，用于存储机器可读程序；
[0133]
所述至少一个处理器，用于调用所述机器可读程序，执行上述实施例所述的光伏发电量预测方法。
[0134]
本发明实施例还提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述实施例中所述的基于kubernetes实现pod间leader选举的方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0135]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
[0136]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0137]
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
[0138]
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的cpu等来执行部分和全部实际操作，从而
实现上述实施例中任一实施例的功能。
[0139]
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

技术特征：
1.一种光伏发电量预测方法，其特征在于，该方法将光伏发电量作为多个影响因素的函数，利用统计学方法将某一地区光伏发电量和影响因素的历史数据建立起函数模型，利用共轭梯度法求解待定参数；利用kendall相关系数来描述各变量间的相关关系，并对其进行检验；最后拟合模型，直到模型预测精度达到90％以上。2.根据权利要求1所述的一种光伏发电量预测方法，其特征在于，该方法的具体实现包括：设光伏发电量y为因变量，影响光伏发电量的环境因素x1、x2、
…
x
i
、
…
x
k
为自变量，由所述因变量和自变量得出回归模型，并将观测数据代入该回归模型；利用共轭梯度法估计计算得出所述回归模型中的参数值；采集光伏电站当地的环境数据，做为所述回归模型中的自变量x
i
，光伏发电量为因变量y
i
，将采集的数据利用kendall相关系数进行相关性检验，剔除相关性不强的数据；将采集到的环境数据和光伏发电量数据分为两组，一组用来求解参数，记为a组，一组用来验证模型，记为b组；将a组数据中判定相关的自变量x
i
和因变量y
i
数据带入所述回归模型，使用共轭梯度法求解参数值，得到初步的回归模型；将b组数据带入所述初步的回归模型，若预测所得发电量y
i
与真实发电量之间满足误差率小于10％则认为所述初步的回归模型可以成立，输出参数；设b组共计h组数据，根据回归模型计算得到估计光伏发电量y
s
(s＝1，2，
…
，h)，对应的真实光伏发电量为输出参数需满足条件：若大于10％，则重新检验数据相关性，求取参数值，直到满足误差要求为止。3.根据权利要求2所述的一种光伏发电量预测方法，其特征在于，所述影响光伏发电量的环境因素包括温度、风速、湿度以及光照强度等。4.根据权利要求2或3所述的一种光伏发电量预测方法，其特征在于，所述设光伏发电量y为因变量，影响光伏发电量的环境因素x1、x2、
…
x
i
、
…
x
k
为自变量，由所述因变量和自变量得出回归模型，并将观测数据代入该回归模型，实现方式如下：由所述因变量和自变量，得到回归模型：y＝k0+k1x1+
…
+k
k
x
k
(2)其中，是k0常数项，k
i
(i＝0、1、
…
、k)为y对x
i
的回归系数，ε是随机误差项；对模型中的k+1个参数作出估计，将a组中的n组观测数据带入(2)式，用矩阵表示为：
即y＝xk+ε。5.根据权利要求2所述的一种光伏发电量预测方法，其特征在于，采用共轭梯度法来求解参数值的过程为：设在第i组(i＝1，2，
…
，n)自变量x
i1
、x
i2
、
…
x
ii
、
…
x
ik
为真实数据时，因变量为在假设的参数值下，带入得到的因变量y＝y
i
，则目标函数为：然后计算目标函数；如果不满足收敛条件，则对假设的参数值进行修正，在修正值下继续计算因变量值，计算目标函数，以此类推，直到满足收敛条件；其循环方式为：k
j+1
＝k
j-α
j
d
j
(5)式中：k
j+1
＝(k0，k1，
…
，k
k
)，α
j
为步长，d
j
为下降方向，此方向为：式中为β
j
为共轭系数，可写成：式中定义为：定义为：是目标函数的梯度，其各项为：其中，i＝1，2，
…
，n；j＝0，1，
…
，k。步长α
j
可通过优化函数j(k
j-α
j
d
j
)获得，即满足：将上式一阶展开：式中行向量表达式为：由差分法近似计算，目标函数的收敛条件设定为：j＜nσ2(13)σ为一足够小正数。6.根据权利要求2所述的一种光伏发电量预测方法，其特征在于，所述采集光伏电站当
地的环境数据，做为回归模型中的自变量x
i
，光伏发电量为因变量y
i
，将采集的数据利用kendall相关系数进行相关性检验，剔除相关性不强的数据；具体过程为：将采集到的某自变量x
i
和因变量y
i
一一对应，按照x
i
从小到大排列为n对，即(x
i1
，y1)，(x
i2
，y2)，
…
，(x
in
，y
n
)，对任意m>l，(m、l＝1，2，
…
，n)建立函数ψ：ψ＝(x
im-x
il
)(y
m-y
l
)(14)若ψ>0则取值ψ＝1，若ψ<0则取值ψ＝-1，若ψ＝0则取值ψ＝0；将采集到的n组数据全部带入后得到n(n-1)/2个值，则记相关系数τ为：则τ＝-1时代表自变量x
i
和因变量y
i
负相关，τ＝1时代表自变量x
i
和因变量y
i
正相关，τ＝0时代表自变量x
i
和因变量y
i
相互独立；给定显著性水平ρ以及对应的临界值c，若τ>c则认为自变量x
i
和因变量y
i
相关，反之则不相关，予以剔除。7.根据权利要求2所述的一种光伏发电量预测方法，其特征在于，该方法的实现过程如下：s1：输入自变量x
i
、真实发电量s2：利用kendall相关系数检验相关性；s3：利用共轭梯度法迭代求解待定参数；s4：判断目标函数是否满足收敛条件，满足则执行步骤s5；否则继续使用共轭梯度法进行迭代求解，直至满足收敛条件为止；s5：利用验证组数据验证回归模型的准确性；s6：预测精度满足要求则输出参数值；否则执行步骤s7；s7：再次检验数据相关性，提高显著性水平和临界值，筛选数据，并返回步骤s3。8.一种光伏发电量预测系统，其特征在于，包括数据采集模块和数据处理模块，所述数据处理模块利用统计学方法进行光伏发电量预测；该系统通过权利要求1-7任一项所述的光伏发电量预测方法实现光伏发电量预测。9.一种光伏发电量预测装置，其特征在于，包括：至少一个存储器和至少一个处理器；所述至少一个存储器，用于存储机器可读程序；所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1至7任一所述的方法。10.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1至7任一所述的方法。

技术总结
本发明公开了一种光伏发电量预测方法，属于光伏发电技术领域，该方法将光伏发电量作为多个影响因素的函数，利用统计学方法将某一地区光伏发电量和影响因素的历史数据建立起函数模型，利用共轭梯度法求解待定参数；利用kendall相关系数来描述各变量间的相关关系，并对其进行检验；最后拟合模型，直到模型预测精度达到90％以上。本发明对光伏发电量进行准确预测可以提高光伏电站运营效率，而且可以帮助调度部门调整运行方式，确保高比例光伏接入后电力系统的安全稳定与经济运行。后电力系统的安全稳定与经济运行。后电力系统的安全稳定与经济运行。


技术研发人员：高天宇 吴睿 郭晓磊 赵颖超 杨颖
受保护的技术使用者：山东浪潮数字能源科技有限公司
技术研发日：2023.03.24
技术公布日：2023/7/13