技术领域
[0001] 本
发明总体说来涉及光伏发电领域，更具体地讲，涉及一种预测光伏发电功率的方法及装置。
背景技术
[0002] 鉴于化石
燃料消费对生态环境所造成的负面影响，近些年
可再生能源备受关注，新型的清洁能源取代传统能源是大势所趋。随着光伏发电技术的快速发展，光伏发电已得到广泛应用。但由于光伏发电的输出功率具有随机性、间歇性和不可控性，因此存在无法对光
电能源进行最有效的利用的问题。这使得对光伏发电功率的预测就显得尤为重要。
[0003] 在
现有技术中，预测光伏发电功率的方法通常将时间和天气参数作为输入参数，但这种方法存在的问题是：难以获得理想时间长度(例如，一整年内)的连续历史天气数据作为预测训练样本，而导致基于历史数据的预测不准确。
发明内容
[0004] 本发明的示例性
实施例在于提供一种预测光伏发电功率的方法及装置，其能够更准确地预测光伏发电功率。
[0005] 根据本发明的示例性实施例，提供一种预测光伏发电功率的方法，包括：(A)获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报；(B)将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率
预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
[0006] 可选地，时段对应的数值天气预报包括以下项之中的至少一项：时段对应的气温、时段对应的短波
辐射、时段对应的地面气压。
[0007] 可选地，所述输入参数是通过相关性分析、灵敏度分析以及Garson
算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。
[0008] 可选地，步骤(B)包括：将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别利用不同类型的
人工神经网络基于训练集建立的。
[0009] 可选地，所述不同类型的人工神经网络包括：前向神经网络、
模式识别神经网络、函数拟合神经网络、径向基神经网络。
[0010] 可选地，步骤(B)包括：将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。
[0011] 可选地，所述不同的训练算法包括：L-M算法、贝叶斯正则化算法、量化共轭梯度算法。
[0012] 可选地，所述人工神经网络具有4层网络，且每个
隐藏层具有10个神经元。
[0013] 根据本发明的另一示例性实施例，提供一种预测光伏发电功率的装置，包括：参数值获取程序模
块，获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报；预测程序模块，将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
[0014] 可选地，时段对应的数值天气预报包括以下项之中的至少一项：时段对应的气温、时段对应的短波辐射、时段对应的地面气压。
[0015] 可选地，所述输入参数是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。
[0016] 可选地，预测程序模块将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的。
[0017] 可选地，所述不同类型的人工神经网络包括：前向神经网络、模式识别神经网络、函数拟合神经网络、径向基神经网络。
[0018] 可选地，预测程序模块将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。
[0019] 可选地，所述不同的训练算法包括：L-M算法、贝叶斯正则化算法、量化共轭梯度算法。
[0020] 可选地，所述人工神经网络具有4层网络，且每个隐藏层具有10个神经元。
[0021] 根据本发明的另一示例性实施例，提供一种计算机可读存储介质，存储有
计算机程序，所述计算机程序被配置为使计算机的处理器执行上述预测光伏发电功率的方法。
[0022] 根据本发明的另一示例性实施例，提供一种计算机，所述计算机包括上述计算机可读存储介质。
[0023] 在根据本发明示例性实施例的预测光伏发电功率的方法及装置中，将时间参数替换为对应的一年中的哪一天以及一天中的哪一小时作为输入参数，此外，还可基于多个预测模型来预测光伏发电功率，多个预测模型可以是分别基于不同类型的人工神经网络训练得到的，或者是分别通过不同的训练算法训练得到的，从而提高光伏发电功率预测的准确性。
[0024] 将在接下来的描述中部分阐述本发明总体构思另外的方面和/或优点，还有一部分通过描述将是清楚的，或者可以经过本发明总体构思的实施而得知。
附图说明
[0025] 通过下面结合示例性地示出实施例的附图进行的描述，本发明示例性实施例的上述和其他目的和特点将会变得更加清楚，其中：
[0026] 图1示出根据本发明示例性实施例的预测光伏发电功率的方法的
流程图；
[0027] 图2示出根据本发明示例性实施例的使用不同输入参数的预测效果的示例；
[0028] 图3示出根据本发明示例性实施例的各参数对光伏发电功率预测的重要性的示例；
[0029] 图4示出根据本发明示例性实施例的不同的神经网络大小对光伏发电功率预测的影响的示例；
[0030] 图5示出根据本发明示例性实施例的预测光伏发电功率的装置的
框图。
具体实施方式
[0031] 现将详细参照本发明的实施例，所述实施例的示例在附图中示出，其中，相同的标号始终指的是相同的部件。以下将通过参照附图来说明所述实施例，以便解释本发明。
[0032] 图1示出根据本发明示例性实施例的预测光伏发电功率的方法的流程图。
[0033] 参照图1，在步骤S10，获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天(day of year，DOY)、时段对应于一天中的第Y小时(hour of day，HOD)、时段对应的数值天气预报(NWP)。
[0034] 作为示例，时段对应的数值天气预报可包括以下项之中的至少一项：时段对应的气温(Air Temperature，TEMP)、时段对应的短波辐射(Short-wavelength radiation，SWR)、时段对应的地面气压(Surface Pressure，SP)。
[0035] 在步骤S20，将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
[0036] 这里，训练集使用的是每一历史时段与输入参数对应的值(即，预测的天气数据)，而非实际测量的历史天气数据，以保证训练的数据和用于预测的输入数据的来源相似，从而进一步提高预测的准确度。
[0037] 作为示例，每一历史时段的实际光伏发电功率值可从微
电网的SCADA系统获取。
[0038] 作为示例，可使用人工神经网络来建立发电功率预测模型。
[0039] 作为示例，上述输入参数可以是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。换言之，从多个参数中确定用于光伏发电功率预测的最佳的输入参数的组合。
[0040] 这里，所述多个参数可包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的气温、时段对应的短波辐射、时段对应的地面气压、时段对应的
风速(Wind speed，WS)、时段对应的湿度(Humidity，H)、时段对应的高
云量(High cloud amount，HCC)、时段对应的中云量(Middle cloud amount，MCC)、时段对应的低云量(Low cloud amount，LCC)。
[0041] 具体说来，作为示例，可利用相关性分析基于训练集来确定对光伏发电功率影响最大的输入参数。相关系数r可指示两个变量A和B之间的线性关系的强度和方向：
[0042]
[0043] 其中，是A的平均值，是B的平均值，m和n分别指示矩阵的第m行和第n列。
[0044] 作为示例，可利用Garson算法对发电功率预测模型所使用的人工神经网络的
输入层-隐藏层的连接权重和隐藏层-
输出层的连接权重的乘积的绝对值求和，以确定输入参数对光伏发电功率预测影响的相对重要性。
[0045]
[0046] 其中，Rij指示与输入参数对应的输入变量xi相对于输出神经元j的相对重要性，H指示隐藏层中神经元的数量，Wik指示输入神经元i和隐藏神经元k之间的连接权重。
[0047] 作为示例，关于灵敏度分析，可通过观察与每个输入参数对应的输入变量受到一些改变时对应的均方误差MSE的增大情况来对输入参数进行排序。例如，可对每个输入变量进行以下改变之中的至少一项：
[0048] (A)恒定行替换-每行被零方差行替换，或者所有的值被设置为原始行的平均值；
[0049] (B)置换-每行被该行的值的随机排列替换；
[0050] (C)扰动-向每个输入变量添加少量白噪声；
[0051] (D)曲线方法-将每个输入变量沿等间隔的最小值和最大值之间的比例进行演变。
[0052] 考虑到多种因素(例如，可能难以使用一整年的连续历史天气数据进行训练、
训练数据对应的时间与测试数据对应的时间不同等)，可将时间参数转换为以某个间隔重复的其他参数。因此，在根据本发明的示例性实施例中，选择DOY和HOD作为输入参数，而非选择时间参数作为输入参数。并且，根据基于上述分析方法的测试结果，也证明DOY和HOD作为输入参数对光伏发电功率预测的影响更大。
[0053] 图2示出根据本发明示例性实施例的使用不同输入参数的预测效果的示例。如图2所示，横坐标指示预测时段，纵坐标指示光伏发电功率，可以看出，当以时间为输入参数时，预测的光伏发电功率在一天内变化较小；单独使用HOD作为输入参数时，预测效果相较于使用时间参数时的预测效果要好，但是针对不同日期预测的光伏发电功率几乎相同，无法反应不同日期之间的光伏发电功率的不同。而同时使用HOD和DOY作为输入参数时，预测效果最好，最接近于实际光伏发电功率。
[0054] 考虑到光伏发电功率与不同天气参数和时间参数之间关系的复杂性，相关性分析不能作为确定用于光伏发电功率预测的输入参数的最佳方法。而通过不同敏感度分析方式分析光伏发电功率与不同天气参数和时间参数之间的关系时，分析结果缺乏一致性。因此，根据本发明的示例性实施例，结合相关性分析、灵敏度分析以及Garson算法三者来从多个参数中确定对光伏发电功率预测影响最大的参数。表1示出针对各个参数，分别通过相关性分析、灵敏度分析以及Garson算法分别计算的各参数对光伏发电功率的重要度。
[0055] 表1
[0056]
[0057] 作为示例，可分别通过以上三种方法来分别计算各参数对光伏发电功率的重要度，并将通过每一方法计算的各重要度分别除以通过该方法计算得到的最大重要度，以得到转换值，然后针对每一参数，计算通过三种方法得到的该参数对光伏发电功率的重要度的转换值的平均值。如图3所示，可将通过上述方式计算得到的平均值高于预定
阈值(例如，0.25)的参数(即，DOY、HOD、TEMP、SP、SWR)作为用于预测光伏发电功率的输入参数。
[0058] 从表2可以看出，使用根据上述示例性实施例确定的参数相较于使用表1中的所有参数、和仅使用SWR作为输入参数，预测准确度更高。
[0059] 表2
[0060]输入参数 R2 MAE MSE
所有参数 0.888 7.079 137.114
确定的参数 0.895 3.378 22.565
SWR 0.796 3.780 51.729
[0061] 人工神经网络使用较多的神经元和/或隐藏层有助于提高人工神经网络的性能，但如果使用过多的神经元和/或隐藏层，可能会造成过度拟合，从而影响预测
精度。作为示例，根据本发明示例性实施例的发电功率预测模型所使用的人工神经网络可具有4层网络，且每个隐藏层可具有10个神经元。从图4可以看出，当发电功率预测模型所使用的人工神经网络具有该结构时，预测效果最好。
[0062] 作为示例，在步骤S20，可将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的。例如，可对不同的发电功率预测模型的输出进行平均(加权等)，以将得到的结果作为预测时段的光伏发电功率值。
[0063] 作为示例，所述不同类型的人工神经网络可包括：前向神经网络(Feed-forward neural network)、模式识别神经网络(Pattern recognition neural network)、函数拟合神经网络(Function fitting neural network)、径向基神经网络(Radial basis neural network)。
[0064] 作为另一示例，在步骤S20，可将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。例如，可对不同的发电功率预测模型的输出进行平均(加权等)，以将得到的结果作为预测时段的光伏发电功率值。
[0065] 作为示例，所述不同的训练算法可包括：L-M(Levenberg-Marquardt)算法、贝叶斯正则化(Bayesian Regularization)算法、量化共轭梯度(Scaled Conjugate Gradient)算法。
[0066] 图5示出根据本发明示例性实施例的预测光伏发电功率的装置的框图。如图5所示，根据本发明示例性实施例的预测光伏发电功率的装置包括：参数值获取程序模块10和预测程序模块20。
[0067] 参数值获取程序模块10用于获取预测时段与输入参数对应的值，其中，所述输入参数包括：时段对应于一年中的第X天、时段对应于一天中的第Y小时、时段对应的数值天气预报。
[0068] 作为示例，时段对应的数值天气预报可包括以下项之中的至少一项：时段对应的气温、时段对应的短波辐射、时段对应的地面气压。
[0069] 作为示例，所述输入参数可以是通过相关性分析、灵敏度分析以及Garson算法三者联合从多个参数中确定的对光伏发电功率预测影响最大的参数。
[0070] 预测程序模块20用于将获取的与输入参数对应的值输入到基于训练集训练得到的发电功率预测模型，以获取预测时段的光伏发电功率值，其中，所述训练集包括：多个历史时段之中的每一历史时段与输入参数对应的值以及所述每一历史时段的实际光伏发电功率值。
[0071] 作为示例，预测程序模块20可将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别利用不同类型的人工神经网络基于训练集建立的。
[0072] 作为优选示例，所述不同类型的人工神经网络可包括：前向神经网络、模式识别神经网络、函数拟合神经网络、径向基神经网络。
[0073] 作为另一示例，预测程序模块20可将获取的与输入参数对应的值分别输入到不同的发电功率预测模型，并基于不同的发电功率预测模型预测的结果来确定预测时段的光伏发电功率值，其中，不同的发电功率预测模型是分别使用不同的训练算法基于训练集来训练同一类型的人工神经网络分别得到的。
[0074] 作为优选示例，所述不同的训练算法可包括：L-M算法、贝叶斯正则化算法、量化共轭梯度算法。
[0075] 作为示例，根据本发明示例性实施例的发电功率预测模型所使用的人工神经网络可具有4层网络，且每个隐藏层可具有10个神经元。
[0076] 应该理解，根据本发明示例性实施例的预测光伏发电功率的装置的具体实现方式可参照结合图1描述的相关具体实现方式来实现，在此不再赘述。
[0077] 作为示例，根据本发明示例性实施例的计算机可读存储介质存储有计算机程序，所述计算机程序可被配置为使计算机的处理器执行如结合图1描述的任一预测光伏发电功率的方法。
[0078] 作为示例，根据本发明示例性实施例的计算机可包括上述计算机可读存储介质。
[0079] 根据本发明示例性实施例的预测光伏发电功率的方法及装置，将时间参数替换为对应的一年中的哪一天以及一天中的哪一小时作为输入参数、基于多个预测模型来预测光伏发电功率，多个预测模型可以是分别基于不同类型的人工神经网络训练得到的，或者是分别通过不同的训练算法训练得到的，来有效提高光伏发电功率预测的准确性。
[0080] 此外，应该理解，根据本发明示例性实施例的预测光伏发电功率的装置中的各个程序模块可被实现
硬件组件和/或
软件组件。本领域技术人员根据限定的各个程序模块所执行的处理，可以例如使用现场可编程
门阵列(FPGA)或专用集成
电路(ASIC)来实现各个程序模块。
[0081] 此外，根据本发明示例性实施例的预测光伏发电功率的方法可以被实现为计算机可读记录介质中的计算机代码。本领域技术人员可以根据对上述方法的描述来实现所述计算机代码。当所述计算机代码在计算机中被执行时实现本发明的上述方法。
[0082] 虽然已表示和描述了本发明的一些示例性实施例，但本领域技术人员应该理解，在不脱离由
权利要求及其等同物限定其范围的本发明的原理和精神的情况下，可以对这些实施例进行
修改。
