本技术介绍了一种智能天气适应型短期光伏功率预测技术,该技术通过收集光伏板周边气象信息及光伏组件功率数据,进行数据预处理并划分训练与测试数据集,进而构建预测模型,以实现对光伏发电功率的精准预测,适应多变的天气条件。
背景技术
光伏发电系统的发电功率受到太阳辐射强度、环境温度、季节变化、云层覆盖程度等多种因素的影响,存在变化速度快、波动范围大等特性,使得光伏发电功率的预测难度大幅增加。
在现有的技术中,研究人员提出了多种光伏发电功率预测方法。胡生宏等(专利号:202311223922.4)利用PSO-LSTM提出了超短期光伏功率预测的光伏电站有功功率优化分配方法;张婕等(专利号:201210495015.0)利用带动量的BP神经网络根据气象历史数据对发电功率进行预测;梅飞等(专利号:201711103682.9)首先通过KFCM算法将气象特征库中的日特征数据聚类,再并建立了一个SVR子模型,通过相应的子模型对光伏电站的发电功率进行预测;李飞等(专利号:202211407351.5)考虑长期数据的影响,建立LSTM发电功率预测模型;凡金星等(凡金星,高纪凡,李永田.基于自适应粒子群算法的超短期光伏发电功率预测[J].节能,2024,43(05):43-46)为了解决光伏发电功率存在间歇性、不稳定性的问题,提出自适应聚类分析的优化算法来预测发电功率;陈君等(陈君,郭立颖,赵小会,等.基于MPBiLSTM的短期光伏发电功率预测[J/OL].计算机技术与发展,1-8[2024-07-15])利用变分模态分解对发电功率进行分解,再通过残差反转一维卷积以及双向长短期记忆网络建立预测模型对光伏发电功率进行预测。上述方法均达到了一定的预测效果。
但是,上述预测方法用于光伏发电功率短临期预测时,即对未来分钟级功率输出进行预测时,准确率大幅下降,特别是在天气发生变化,如晴雨天变化、雨雪天变化等,无法支撑光伏并网系统响应电网动暂态需求时的控制参数设计,不利于发挥光伏发电在新型电力系统发挥主力电源的作用。因而,如何能够结合部分气象数据,提高各类天气变化条件下短临期光伏发电功率预测的精度,成为了本领域技术人员竞相希望解决的问题。
实现思路