一种基于细粒度的光伏出力预测方法及终端.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115936193A(43)申请公布日2023.04.07(21)申请号202211467399.5G06Q50/06(2012.01)(22)申请日2022.11.22G06F16/2455(2019.01)(71)申请人国网福建省电力有限公司地址350003福建省福州市鼓楼区五四路257号申请人国网福建省电力有限公司超高压分公司(72)发明人王江储朱齐唐海城张翔黄剑锋许鸿鹏兰太寿陆嘉李玫(74)专利代理机构福州市博深专利事务所(普通合伙)35214专利代理师张明(51)Int.Cl.G06Q10/04(2023.01)权利要求书2页说明书8页附图1页(54)发明名称一种基于细粒度的光伏出力预测方法及终端(57)摘要本发明公开了一种基于细粒度的光伏出力预测方法及终端，采集气象站和光伏电站的站内监测数据，构建包含气象监测数据和光伏电站运行工况的粗粒度数据库；基于时窗滑动平均的细粒度特征构造，构建细粒度数据库；之后，分别建立粗、细粒度预测模型，根据粗粒度预测模型输出的第一光伏出力值和细粒度预测模型输出的光伏出力误差，得到预测光伏出力值。因此，通过构造光伏出力影响量的细粒度特征，能够提升预测模型的输入数据的信息密度，以提高光伏出力的预测精准性。CN115936193ACN115936193A权利要求书1/2页1.一种基于细粒度的光伏出力预测方法，其特征在于，包括步骤：获取气象站和光伏电站的监测数据，根据所述监测数据构建粗粒度数据库；对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库；将所述粗粒度数据库中的数据划分为训练集、验证集和测试集，并构建粗粒度预测模型，计算得到第一光伏出力值；将所述细粒度数据库中的数据划分为训练集、验证集和测试集，并构建细粒度预测模型，计算得到光伏出力误差；结合所述第一光伏出力值和所述光伏出力误差得到预测光伏出力值。2.根据权利要求1所述的一种基于细粒度的光伏出力预测方法，其特征在于，对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库包括：T所述粗粒度数据库为X＝[X1,X2,…,XN]，所述粗粒度数据库中的样本为Xi＝[xi1，xi2,…,xim]，式中xik表示样本Xi在第k个参数的数值；预设时窗大小w，计算所述粗粒度数据库中的样本参数的细粒度时窗趋势性特征值：xik.Trend＝(Xik+Xik+1+...Xik+w)/w；根据所述细粒度时窗趋势性特征值得到细粒度数据库XTrend：TXTrend＝[X1.Trend,X2.Trend,…,XN.Trend]，Xi.Trend＝[xi1.Trend，xi2.Trend,…,xim.Trend]。3.根据权利要求1所述的一种基于细粒度的光伏出力预测方法，其特征在于，所述构建粗粒度预测模型包括：将所述粗粒度数据库中的温湿度、太阳能数据以及风力数据作为第一输入数据，将光伏电站的瞬时光伏出力功率作为第一输出参数；使用梯度提升树拟合所述第一输入数据和所述第一输出参数，构建得到粗粒度预测模型。4.根据权利要求3所述的一种基于细粒度的光伏出力预测方法，其特征在于，所述构建细粒度预测模型包括：将所述细粒度数据库中的温湿度、太阳能数据以及风力数据的细粒度时窗内趋势性特征值作为第二输入数据，将粗粒度预测模型的光伏出力误差作为第二输出参数；使用梯度提升树拟合所述第二输入数据和所述第二输出参数，构建得到细粒度预测模型。5.根据权利要求4所述的一种基于细粒度的光伏出力预测方法，其特征在于，使用梯度提升树拟合所述输入数据和输出参数，构建预测模型包括：对训练集中的输入数据和输出参数进行组合，得到训练样本集；使用均方根误差作为损失函数，计算使损失函数最小的回归树模型参数，并基于所述损失函数、所述回归树模型参数和所述训练样本集建立初始预测模型；计算所述初始预测模型及其损失函数的负梯度，形成训练样本的残差集并拟合对应的树模型，基于所述树模型对所述初始预测模型进行迭代更新；在满足迭代结束条件后输出梯度提升树模型，得到预测模型。6.一种基于细粒度的光伏出力预测终端，其特征在于，包括：数据采集模块，用于获取气象站和光伏电站的监测数据，根据所述监测数据构建粗粒2CN115936193A权利要求书2/2页度数据库；细粒度构造模块，用于对所述粗粒度数据库进行基于时窗的滑动处理，得到时窗趋势性特征并构建细粒度数据库；粗粒度模型构造模块，用于将所述粗粒度数据库中的数据划分为训练集、验证集和测试集，并构建粗粒度预测模型，计算得到第一光伏出力值；细粒度结果校正模块，用于将所述细粒度数据库中的数据划分为训练集、验证集和测试集，并构建细粒度预测模型，计算得到光伏出力误差；预测模块，用于结合所述