[發明專利]基于歷史數據集時間跨度優化的光伏發電功率預測方法及系統

有效

• 申請號: 202210547313.3
• 申請日: 2022-05-19
• 公開（公告）號: CN114819391B
• 公開（公告）日: 2022-12-06
• 發明（設計）人: 付青;楊航;朱坤
• 申請（專利權）人: 中山大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;H02J3/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉俊

1.一種基于歷史數據集時間跨度優化的光伏發電功率預測方法，其特征在于，所述方法包括以下步驟：

S1.確定用于光伏發電功率預測的歷史功率數據來源，從歷史功率數據來源中選定一定時間跨度下、具有若干數據樣本數的歷史數據集，并對歷史數據集進行預處理；

所述的預處理操作包括對歷史數據集中的數據進行數據清洗，以去除歷史數據集中的異常數據和干擾；

S2.基于已預處理的歷史數據集，利用光伏發電功率預測算法A進行光伏發電功率預測，并計算光伏發電功率預測結果的預測誤差指標；

S3.以P為歷史數據集的數據樣本數按時間跨度方向增加的間隔，將歷史數據集的數據樣本數增加P，利用光伏發電功率預測算法A進行光伏發電功率預測，并計算光伏發電功率預測結果的預測誤差指標；

S4.判斷歷史數據集的數據樣本數是否達到設置值，若是，執行步驟S5；否則，返回步驟S3；

S5.形成預測誤差指標隨歷史數據集的樣本數變化的趨勢曲線，確定趨勢曲線中的最低點，以最低點對應的時間跨度下樣本數目的歷史數據集進行光伏發電功率預測,并計算光伏發電功率預測結果的預測誤差指標；

S6.以P為歷史數據集的數據樣本數按時間跨度方向增加的間隔，將最低點對應的時間跨度下的歷史數據集的數據樣本數增加P，然后進行光伏發電功率預測，判斷預測誤差指標是否減小，若是，將歷史數據集的數據樣本數增加P，執行步驟S7；否則，以H為歷史數據集的數據樣本數按時間跨度方向減小的間隔，將歷史數據集的數據樣本數減少H，H≠P，執行步驟S7；

S7.判斷歷史數據集的數據樣本數是否達到設置值，若是，形成預測誤差指標隨歷史數據集的樣本數變化的趨勢曲線，確定趨勢曲線中的拐點，以拐點對應的時間跨度下樣本數目的歷史數據集進行光伏發電功率預測；否則，返回步驟S6。

2.根據權利要求1所述的基于歷史數據集時間跨度優化的光伏發電功率預測方法，其特征在于，在步驟S1中，從歷史功率數據來源中選定一定時間跨度下、具有若干數據樣本數的歷史數據集時，以歷史功率數據來源對應的時間跨度為基礎，自歷史功率來源中選取最新近時刻開始的時間跨度下、具有若干數據樣本數的數據集作為歷史數據集。

3.根據權利要求1所述的基于歷史數據集時間跨度優化的光伏發電功率預測方法，其特征在于，所述的預處理操作還包括聚類，在聚類時，以光伏發電系統的運行工況和運行環境為聚類基礎進行聚類。

4.根據權利要求3所述的基于歷史數據集時間跨度優化的光伏發電功率預測方法，其特征在于，在步驟S3及步驟S6中，將歷史數據集的數據樣本數增加P，利用光伏發電功率預測算法A進行光伏發電功率預測前，數據樣本數增加后的歷史數據數據集也進行預處理操作。

5.根據權利要求1～4任意一項所述的基于歷史數據集時間跨度優化的光伏發電功率預測方法，其特征在于，光伏發電功率預測算法A為長短期記憶網絡法LSTM或極限學習機ELM或非線性自回歸神經網絡NARX或支持向量回歸SVR。

6.根據權利要求5所述的基于歷史數據集時間跨度優化的光伏發電功率預測方法，其特征在于，所述預測誤差指標選用平均絕對百分比誤差MAPE，計算平均絕對百分比誤差MAPE的公式為：

其中，Y_t表示時間跨度中某一歷史數據集樣本t下的光伏發電功率實際值，表示時間跨度中某一歷史數據集樣本t下的光伏發電功率預測值，n表示趨勢曲線對應的時間跨度下歷史數據集中的總樣本數。

7.根據權利要求6所述的基于歷史數據集時間跨度優化的光伏發電功率預測方法，其特征在于，平均絕對百分比誤差MAPE越小，光伏發電功率預測結果越好，反之，光伏發電功率預測結果越差。

8.根據權利要求7所述的基于歷史數據集時間跨度優化的光伏發電功率預測方法，其特征在于，在步驟S5中，確定趨勢曲線中的最低點時，通過多項式擬合的方式將趨勢曲線擬合，然后獲得趨勢曲線的擬合表達式，根據擬合表達式確定趨勢曲線中的最低點。

9.一種基于歷史數據集時間跨度優化的光伏發電功率預測系統，其特征在于，所述系統包括：

數據預處理模塊，確定用于光伏發電功率預測的歷史功率數據來源，從歷史功率數據來源中選定一定時間跨度下、具有若干數據樣本數的歷史數據集，并對歷史數據集進行預處理；

所述的預處理操作包括對歷史數據集中的數據進行數據清洗，以去除歷史數據集中的異常數據和干擾；

初始預測模塊，基于已預處理的歷史數據集，利用光伏發電功率預測算法A進行光伏發電功率預測，并計算光伏發電功率預測結果的預測誤差指標；

變換預測模塊，以P為歷史數據集的數據樣本數按時間跨度方向增加的間隔，將歷史數據集的數據樣本數增加P，利用光伏發電功率預測算法A進行光伏發電功率預測，并計算光伏發電功率預測結果的預測誤差指標；

第一判斷模塊，用于判斷歷史數據集的數據樣本數是否達到設置值，若是，形成預測誤差指標隨歷史數據集的樣本數變化的趨勢曲線，確定趨勢曲線中的最低點，以最低點對應的時間跨度下樣本數目的歷史數據集進行光伏發電功率預測,并計算光伏發電功率預測結果的預測誤差指標；否則，在變換預測模塊中以P為歷史數據集的數據樣本數增減變換間隔，將歷史數據集的數據樣本數增加P，利用光伏發電功率預測算法A進行光伏發電功率預測，并計算光伏發電功率預測結果的預測誤差指標；

預測判斷模塊，以P為歷史數據集的數據樣本數按時間跨度方向增加的間隔，將最低點對應的時間跨度下的歷史數據集的數據樣本數增加P，然后進行光伏發電功率預測，判斷預測誤差指標是否減小，若是，將歷史數據集的數據樣本數增加P，輸入第二判斷模塊；否則，以H為歷史數據集的數據樣本數按時間跨度方向減小的間隔，將歷史數據集的數據樣本數減少H，H≠P，輸入第二判斷模塊；

第二判斷模塊，判斷歷史數據集的數據樣本數是否達到設置值，若是，形成預測誤差指標隨歷史數據集的樣本數變化的趨勢曲線，確定趨勢曲線中的拐點，以拐點對應的時間跨度下樣本數目的歷史數據集進行光伏發電功率預測；否則，返回預測判斷模塊。