买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开一种基于相关性的光伏出力预测方法，该方法首先用传统方法对历史光伏功率数据和天气数据充足的参考光伏电站的目标日期的出力进行预测，并在历史光伏功率数据和天气数据基础上计算参考光伏电站的无遮挡因子，并依据无遮挡因子的均值和平均绝对偏差建立指标，划分天气类型，聚类天气，进而以Copula函数构建各类天气下参考光伏电站与目标光伏电站的相关性模型；然后根据参考光伏电站的目标日期的出力预测数据，计算对应的无遮挡因子，判断所属天气类型。通过该天气类型的相关性模型得到目标光伏电站出力的无遮挡因子，根据公式计算得到目标光伏电站的实际出力情况，最终实现基于参考光伏电站出力预测数据的目标光伏电站出力预测。

主权项：1.一种基于相关性的光伏出力预测方法，其特征在于，该方法包括下述步骤：步骤一：利用预测模型对与目标光伏电站同地区的参考光伏电站的目标日期的光伏出力进行预测，具体包括下述步骤：步骤1.1：数据预处理收集参考光伏电站的历史光伏功率数据以及温度、辐照度数据并进行数据预处理，通过去除异常值并填充缺失值来清洗数据，获得三种原始数据，然后采用0-1标准化对上述三种原始数据进行归一化处理，最后对完整数据按固定时间间隔进行采样，将无效数据剔除，得到包括三种时序数据的数据集；步骤1.2：划分数据集采用固定大小的滑动窗口对数据集中的三种时序数据进行切片处理，将相同采样时刻点的三种时序数据切片进行组合，作为一条训练数据；对获得的若干条训练数据，将其中的不少于60％作为训练集，不少于20％作为验证集，剩余作为测试集；步骤1.3：预测模型的构建与训练所述预测模型由输入层、Bi-LSTM网络和输出层组成；其中，输入层接收输入数据；Bi-LSTM网络结合了双向模型和LSTM的门控机制，由两个独立的LSTM网络构成；正向LSTM网络处理从第一个时间步到最后一个时间步的数据序列，提取前向特征，反向LSTM网络处理从最后一个时间步到第一个时间步的数据序列，提取后向特征；然后将一个时间步的前向和后向特征进行拼接，形成的输出向量作为该时间步的最终输出；输出层是一个全连接层，用于将Bi-LSTM网络的输出转换为预测值，即光伏功率的预测值；一条训练数据中的温度、辐照度的时序数据切片为预测模型的输入，历史光伏功率作为预测模型输出的参考值；采用随机赋值法初始化预测模型的网络参数，设置学习率为0.005，批次大小为64，最大训练轮数为200；选择RMSE为损失函数，采用Adam优化器；将训练集中的一个批次的训练数据输入到预测模型中，计算预测模型对该批次训练数据输出的预测值与参考值之间的RMSE值，根据RMSE值利用Adam优化器反向更新一次预测模型的网络参数，完成一个批次的训练；将上次批次训练完成时的网络参数作为下一个批次训练时的初始参数，不断重复，直至训练完训练集中的最后一个批次的训练数据，完成一个轮次的训练；每完成一个轮次的训练，将验证集中的训练数据依次输入到预测模型中，计算完成该轮训练的预测模型对验证集的训练损失值；将上一个轮次训练完成时的网络参数作为下一个轮次训练时的初始参数，不断重复，直至验证集的训练损失值连续若干个轮次不再下降或者训练轮次达到最大值，预测模型的训练完成；将测试集中的训练数据依次输入到完成训练的预测模型中，计算预测模型输出的预测值与参考值之间的MAE、MAPE，当MAE小于10且MAPE小于5，这该完成训练的预测模型测试为最优预测模型；否则，调整学习率、批次大小、最大训练轮数，重复预测模型的训练和测试过程，直至得到最优预测模型；步骤1.4参考光伏电站的目标日期的光伏出力Prj的预测将参考光伏电站的目标日期的温度、辐照度数据，首先根据步骤1.1中的方法进行数据预处理，然后采用步骤1.2中相同大小的滑动窗口按采样时刻点顺序进行数据切片处理，得到两种数据的时序数据切片，任意两个时序数据切片中的采样时刻点不重复；将上述两种数据的相同采样时刻点的时序数据切片依次输入到步骤1.3中的最优预测模型中，得到预测模型输出的预测值；对预测值进行反归一化处理，即得参考光伏电站的目标日期的对应采样时刻点的光伏出力的预测值；步骤二：定义光伏出力的无遮挡因子光伏板采样时刻点t的实际出力Pt可以利用式2计算得到； 式中：Pstc为标准测试条件下光伏板的出力；αT为光伏板的功率温度系数；It为采样时刻点t的实际辐照度；Tt为采样时刻点t的光伏板的实际温度；将式2转化，分离光伏出力中的随机因素，定义不考虑遮挡情况及温度影响的光伏电站出力Ptm，即无遮挡出力； 式中：Itm为不考虑任何遮挡的情况下，辐照度能达到的最大值，该值仅与所在地区的经纬度、海拔高度以及时间有关；因此Ptm中仅包含光伏发电出力中的确定性部分；定义光伏出力的无遮挡因子为： 式中，ε为无遮挡修正系数，用于修正理论遮挡因子与实际观测值之间差异，通过经验估计法确定，基于大量历史数据的统计分析，直接计算光伏实际出力与理论出力的比值，从而得出修正系数ε；以无遮挡因子来表征各采样时刻点的无遮挡情况，即光伏出力的随机性部分；由式2至式4可知： 由式3与式5可见，Ptm确定了光伏出力理论上可以达到的最大值，而实际的光伏出力则会被各种随机性因素削弱，无遮挡因子ηt，描述了在光伏出力理论最大值的基础上，阴影、云层遮挡、天气变化以及温度对光伏出力的削弱效应，其物理意义是光伏电站实际出力与确定性出力的比值，因此其值一定不大于1；步骤三：根据参考光伏电站的历史数据进行天气类型分类获取步骤一中的参考光伏电站的历史数据，该历史数据包括采样时刻点t的实际辐照度It、光伏板的功率温度系数αT、采样时刻点t的光伏板的实际温度Tt，结合标准辐照度和标准温度，根据公式5，得到每个采样时刻点的无遮挡因子；然后计算各天无遮挡因子的均值X和平均绝对偏差MAE； m为每天采样时刻点的总数，xj为某天的采样时刻点j的无遮挡因子的值；用无遮挡因子的均值X表征该天的晴朗程度、平均绝对偏差MAE表征该天的天气波动剧烈程度，将天气分为三大类：晴朗程度较高且无剧烈波动的晴天、晴朗程度较低且无剧烈波动的阴天、晴朗程度不固定且波动剧烈的恶劣天气；对计算出的各天的无遮挡因子的均值和平均绝对偏差MAE分别进行归一化处理，设第h天的天气特征向量为Th，Th＝xh，mh，其中，xh为第h天的无遮挡因子的均值的归一化后的值，mh为第h天的无遮挡因子的平均绝对偏差MAE的归一化后的值；根据每天的天气特征向量，利用K-means聚类算法以欧氏距离作为相似度指标进行聚类，其目标函数如式8所示； 式中：K为聚类类别数，K＝3，即晴天、阴天、恶劣天气三类；N为历史数据总的天数，Nk为第k类的聚类中的样本数量；xk、mk为第k类的聚类中心的天气特征向量的特征值；xik、mik为第k类的第i个样本的天气特征向量的特征值；聚类以S最小为迭代目标；最后一次聚类得到的K个群类即为所求的K个天气类别数据组，根据每个群类内的样本对应的X和MAE值，确定该群类对应的天气类别；步骤四：获取目标光伏电站的与步骤三中的参考光伏电站的同时间段的相同的历史数据，并计算目标光伏电站对应时间段每天的每个采样时刻点的无遮挡因子；并按步骤三中划分出的参考光伏电站的K个天气类别数据组所对应的日期，将目标光伏电站对应时间段每天的每个采样时刻点的无遮挡因子按相同的日期构成划分成K个数据集；分别在每个天气类别下，利用Copula函数建立目标光伏电站的对应时间每天的每个采样时刻点的无遮挡因子与参考光伏电站的对应时间每天的每个采样时刻点的无遮挡因子之间的相关性模型；步骤五：根据步骤一中利用利用预测模型预测出的目标日期的光伏出力，利用公式4计算出参考光伏电站目标日期预测的无遮挡因子，并根据一天的无遮挡因子的均值和平均绝对偏差，得到该天所属天气类别；步骤六：根据步骤五获得的参考光伏电站目标日期的天气类别，和该参考光伏电站目标日期预测的无遮挡因子，结合步骤四中的对应天气类别的相关性模型，计算目标光伏电站的目标日期预测的每个采样时刻点的无遮挡因子；然后根据公式11，计算得到目标光伏电站的该目标日期的每个采样时刻点预测的实际出力情况； 上式中，为目标光伏电站的目标日期的采样时刻点t预测的实际出力，为目标光伏电站的目标日期预测的采样时刻点t的无遮挡因子，为光伏发电出力中的确定性部分，只与目标光伏电站所在地区的经纬度、海拔高度以及时间有关。

全文数据：

权利要求：

百度查询： 河北工业大学 一种基于相关性的光伏出力预测方法