本發(fā)明涉及發(fā)電功率預(yù)測(cè)，具體涉及一種光伏儲(chǔ)能發(fā)電功率預(yù)測(cè)方法。

背景技術(shù)：

1、現(xiàn)有光伏發(fā)電功率預(yù)測(cè)方法中，主要通過數(shù)值化天氣預(yù)報(bào)建立氣象因子向量，通過向量計(jì)算等方法，獲取相似日太陽輻照分布或相似日光伏功率出力。但是，數(shù)值化天氣預(yù)報(bào)數(shù)據(jù)并不能刻畫較小時(shí)間尺度上的環(huán)境變化情況，由于云層運(yùn)動(dòng)而引起的太陽輻照變化可能造成數(shù)秒內(nèi)出現(xiàn)劇烈功率波動(dòng)，而常規(guī)的太陽輻照預(yù)測(cè)技術(shù)很難刻畫這種短時(shí)間內(nèi)的太陽輻照變化，導(dǎo)致光伏發(fā)電功率預(yù)測(cè)精準(zhǔn)度較低。

2、采用基于深度學(xué)習(xí)的光伏發(fā)電功率預(yù)測(cè)方法可以作為解決上述問題的一種途徑，然而這類方法存在難以設(shè)置合適模型超參數(shù)的問題，造成模型的預(yù)測(cè)能力、泛化能力較差，同時(shí)模型訓(xùn)練效率較低。

技術(shù)實(shí)現(xiàn)思路

1、(一)解決的技術(shù)問題

2、針對(duì)現(xiàn)有技術(shù)所存在的上述缺點(diǎn)，本發(fā)明提供了一種光伏儲(chǔ)能發(fā)電功率預(yù)測(cè)方法，能夠有效克服現(xiàn)有技術(shù)所存在的因未考慮云層運(yùn)動(dòng)而導(dǎo)致短時(shí)間內(nèi)光伏發(fā)電功率預(yù)測(cè)精準(zhǔn)度較低，以及難以設(shè)置合適模型超參數(shù)的缺陷。

3、(二)技術(shù)方案

4、為實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：

5、一種光伏儲(chǔ)能發(fā)電功率預(yù)測(cè)方法，構(gòu)建發(fā)電功率預(yù)測(cè)模型，采用小生境菌群優(yōu)化算法對(duì)發(fā)電功率預(yù)測(cè)模型的超參數(shù)進(jìn)行優(yōu)化，并對(duì)優(yōu)化后的發(fā)電功率預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的發(fā)電功率預(yù)測(cè)模型；

6、實(shí)時(shí)采集光伏儲(chǔ)能電站上方的天空?qǐng)D像及環(huán)境溫度，根據(jù)天空?qǐng)D像計(jì)算光伏儲(chǔ)能電站上方的云層移動(dòng)速度和方向，估計(jì)得到云層實(shí)時(shí)位置信息，同時(shí)計(jì)算得到對(duì)應(yīng)的太陽實(shí)時(shí)位置信息，將云層實(shí)時(shí)位置信息、太陽實(shí)時(shí)位置信息和實(shí)時(shí)環(huán)境溫度輸入訓(xùn)練好的發(fā)電功率預(yù)測(cè)模型，得到發(fā)電功率預(yù)測(cè)結(jié)果。

7、優(yōu)選地，所述采用小生境菌群優(yōu)化算法對(duì)發(fā)電功率預(yù)測(cè)模型的超參數(shù)進(jìn)行優(yōu)化，包括：

8、s11、在搜索空間中隨機(jī)生成一定數(shù)量的細(xì)菌個(gè)體，每個(gè)細(xì)菌個(gè)體具有自己的初始位置和初始速度矢量，這些細(xì)菌個(gè)體共同構(gòu)成初始菌群；

9、s12、獲取發(fā)電功率預(yù)測(cè)模型的初始超參數(shù)，將初始超參數(shù)作為初始菌群中細(xì)菌個(gè)體的初始位置，并對(duì)小生境菌群優(yōu)化算法進(jìn)行參數(shù)初始化；

10、s13、計(jì)算細(xì)菌個(gè)體之間的距離，根據(jù)細(xì)菌個(gè)體之間的距離和預(yù)設(shè)小生境半徑，將初始菌群劃分為多個(gè)小生境群體；

11、s14、進(jìn)行局部?jī)?yōu)化；

12、s15、進(jìn)行全局優(yōu)化；

13、s16、判斷是否滿足迭代終止條件，若不滿足迭代終止條件，則返回s14，否則將當(dāng)前全局最優(yōu)解作為優(yōu)化后的發(fā)電功率預(yù)測(cè)模型的超參數(shù)；

14、其中，發(fā)電功率預(yù)測(cè)模型基于bp神經(jīng)網(wǎng)絡(luò)構(gòu)建。

15、優(yōu)選地，s14中進(jìn)行局部?jī)?yōu)化，包括：

16、s141、在每個(gè)小生境群體中，對(duì)每個(gè)細(xì)菌個(gè)體進(jìn)行位置更新，并計(jì)算每個(gè)細(xì)菌個(gè)體的適應(yīng)度值；

17、s142、通過修改原始成本函數(shù)并引入懲罰函數(shù)，使得細(xì)菌個(gè)體在搜索過程中嘗試吸引周圍鄰居個(gè)體聚集至適應(yīng)度值較高的區(qū)域，以鼓勵(lì)細(xì)菌個(gè)體向局部最優(yōu)解靠攏；

18、s143、重復(fù)s141和s142，達(dá)到預(yù)設(shè)次數(shù)后，在每個(gè)小生境群體中，按照適應(yīng)度值進(jìn)行排序，并選擇適應(yīng)度值較高的細(xì)菌個(gè)體進(jìn)行繁殖，同時(shí)淘汰適應(yīng)度值較低的細(xì)菌個(gè)體。

19、優(yōu)選地，s141中在每個(gè)小生境群體中，對(duì)每個(gè)細(xì)菌個(gè)體進(jìn)行位置更新，包括：

20、采用下式對(duì)細(xì)菌個(gè)體進(jìn)行位置更新：

21、

22、其中，為細(xì)菌個(gè)體i在第t次迭代時(shí)的位置，為細(xì)菌個(gè)體i在第t+1次迭代時(shí)的位置，為細(xì)菌個(gè)體i在第t次迭代時(shí)的速度，為細(xì)菌個(gè)體i在第t次迭代時(shí)的游動(dòng)方向；

23、采用下式對(duì)細(xì)菌個(gè)體進(jìn)行速度更新：

24、

25、其中，為細(xì)菌個(gè)體i在第t+1次迭代時(shí)的速度，εv為游動(dòng)過程中的速度變異率，χf(t)為第t次迭代時(shí)細(xì)菌個(gè)體周圍鄰居個(gè)體適應(yīng)度值的差異；

26、采用下式對(duì)細(xì)菌個(gè)體進(jìn)行游動(dòng)方向更新：

27、

28、其中，為細(xì)菌個(gè)體i在第t+1次迭代時(shí)的游動(dòng)方向，εd為游動(dòng)過程中的方向變異率，r為隨機(jī)數(shù)，r∈[0,1]，r為在細(xì)菌個(gè)體i的鄰域內(nèi)隨機(jī)選擇的一個(gè)鄰居個(gè)體。

29、優(yōu)選地，s15中進(jìn)行全局優(yōu)化，包括：

30、s151、在每個(gè)小生境群體完成繁殖后，利用適應(yīng)度值共享機(jī)制對(duì)每個(gè)細(xì)菌個(gè)體的適應(yīng)度值進(jìn)行調(diào)整，以限制個(gè)別細(xì)菌個(gè)體的大量增加，維護(hù)群體多樣性，形成小生境進(jìn)化環(huán)境；

31、s152、在每個(gè)小生境群體中，利用懲罰函數(shù)對(duì)適應(yīng)度值最低的細(xì)菌個(gè)體進(jìn)行懲罰，以避免陷入局部最優(yōu)解。

32、優(yōu)選地，s151中在每個(gè)小生境群體完成繁殖后，利用適應(yīng)度值共享機(jī)制對(duì)每個(gè)細(xì)菌個(gè)體的適應(yīng)度值進(jìn)行調(diào)整，包括：

33、s1511、確定共享函數(shù)s(d)：

34、

35、其中，d為小生境群體中細(xì)菌個(gè)體之間的距離，σ為預(yù)設(shè)小生境半徑；

36、s1512、計(jì)算共享度：

37、

38、其中，si為細(xì)菌個(gè)體i的共享度，dij為細(xì)菌個(gè)體i與細(xì)菌個(gè)體j之間的距離，n為細(xì)菌個(gè)體i所在小生境群體的細(xì)菌個(gè)體數(shù)量；

39、s1513、調(diào)整細(xì)菌個(gè)體的適應(yīng)度值：

40、

41、其中，fi為細(xì)菌個(gè)體i的原始適應(yīng)度值，fi’為細(xì)菌個(gè)體i的調(diào)整后適應(yīng)度值。

42、優(yōu)選地，所述對(duì)優(yōu)化后的發(fā)電功率預(yù)測(cè)模型進(jìn)行模型訓(xùn)練，得到訓(xùn)練好的發(fā)電功率預(yù)測(cè)模型，包括：

43、s21、按照預(yù)設(shè)比例將歷史數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

44、s22、設(shè)定發(fā)電功率預(yù)測(cè)模型的損失函數(shù)和優(yōu)化器，將訓(xùn)練集輸入發(fā)電功率預(yù)測(cè)模型進(jìn)行模型訓(xùn)練；

45、s23、基于損失函數(shù)計(jì)算損失值，優(yōu)化器根據(jù)損失值和網(wǎng)絡(luò)梯度信息更新模型參數(shù)；

46、s24、若損失值小于預(yù)設(shè)閾值，則模型訓(xùn)練結(jié)束，當(dāng)前發(fā)電功率預(yù)測(cè)模型即為訓(xùn)練好的發(fā)電功率預(yù)測(cè)模型，否則返回s22，繼續(xù)利用訓(xùn)練集進(jìn)行模型訓(xùn)練；

47、s25、將驗(yàn)證集輸入訓(xùn)練好的發(fā)電功率預(yù)測(cè)模型，通過觀察驗(yàn)證集上的性能來評(píng)估模型的泛化能力，并調(diào)優(yōu)模型的超參數(shù)和結(jié)構(gòu)；

48、s26、將測(cè)試集輸入調(diào)優(yōu)后的發(fā)電功率預(yù)測(cè)模型，進(jìn)行模型性能評(píng)估。

49、優(yōu)選地，s21中按照預(yù)設(shè)比例將歷史數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集之前，包括：

50、s211、收集預(yù)設(shè)歷史時(shí)間段內(nèi)光伏儲(chǔ)能電站上方的歷史天空?qǐng)D像、歷史環(huán)境溫度，以及對(duì)應(yīng)的歷史發(fā)電功率；

51、s212、根據(jù)歷史天空?qǐng)D像計(jì)算光伏儲(chǔ)能電站上方的云層移動(dòng)速度和方向，估計(jì)得到云層位置信息，同時(shí)計(jì)算得到對(duì)應(yīng)的太陽位置信息；

52、s213、利用歷史發(fā)電功率對(duì)相應(yīng)的云層位置信息、太陽位置信息和歷史環(huán)境溫度設(shè)置標(biāo)簽，形成歷史數(shù)據(jù)集。

53、優(yōu)選地，所述根據(jù)天空?qǐng)D像計(jì)算光伏儲(chǔ)能電站上方的云層移動(dòng)速度和方向，估計(jì)得到云層實(shí)時(shí)位置信息，包括：

54、s31、對(duì)天空?qǐng)D像進(jìn)行畸變矯正后，通過特征金字塔進(jìn)行縮放處理；

55、s32、對(duì)預(yù)處理后的天空?qǐng)D像進(jìn)行特征點(diǎn)檢測(cè)，并與前一時(shí)刻的天空?qǐng)D像進(jìn)行特征點(diǎn)匹配，剔除掉誤匹配的特征點(diǎn)，得到多組特征點(diǎn)對(duì)；

56、s33、計(jì)算一組特征點(diǎn)對(duì)投影在同一天空?qǐng)D像中的移動(dòng)像素?cái)?shù)量作為云層移動(dòng)距離，并基于圖像采樣頻率計(jì)算云層移動(dòng)速度，同時(shí)將一組特征點(diǎn)連線所成角度作為云層移動(dòng)方向；

57、s34、對(duì)所有特征點(diǎn)對(duì)計(jì)算得到的云層移動(dòng)速度和方向進(jìn)行平均處理，最終得到光伏儲(chǔ)能電站上方的云層移動(dòng)速度和方向，并估計(jì)得到云層實(shí)時(shí)位置信息。

58、優(yōu)選地，所述計(jì)算得到對(duì)應(yīng)的太陽實(shí)時(shí)位置信息，包括：

59、采用下式計(jì)算太陽實(shí)時(shí)位置信息：

60、

61、其中，h為太陽高度角，a為太陽方位角，為觀測(cè)地緯度，δ為太陽赤緯，α為太陽時(shí)角。

62、(三)有益效果

63、與現(xiàn)有技術(shù)相比，本發(fā)明所提供的一種光伏儲(chǔ)能發(fā)電功率預(yù)測(cè)方法，具有以下有益效果：

64、1)構(gòu)建發(fā)電功率預(yù)測(cè)模型，采用小生境菌群優(yōu)化算法對(duì)發(fā)電功率預(yù)測(cè)模型的超參數(shù)進(jìn)行優(yōu)化，能夠快速找到與光伏發(fā)電功率預(yù)測(cè)目標(biāo)相適配的模型超參數(shù)，使得模型具備更好的預(yù)測(cè)能力和泛化能力，同時(shí)能夠提高模型訓(xùn)練效率；

65、2)實(shí)時(shí)采集光伏儲(chǔ)能電站上方的天空?qǐng)D像及環(huán)境溫度，根據(jù)天空?qǐng)D像計(jì)算光伏儲(chǔ)能電站上方的云層移動(dòng)速度和方向，估計(jì)得到云層實(shí)時(shí)位置信息，同時(shí)計(jì)算得到對(duì)應(yīng)的太陽實(shí)時(shí)位置信息，云層實(shí)時(shí)位置信息和太陽實(shí)時(shí)位置信息能夠?qū)崟r(shí)反映云層運(yùn)動(dòng)對(duì)于太陽輻照變化的直接影響，使得發(fā)電功率預(yù)測(cè)模型能夠更好地學(xué)習(xí)云層運(yùn)動(dòng)帶來的短時(shí)間內(nèi)的太陽輻照變化與光伏發(fā)電功率之間的關(guān)系，結(jié)合實(shí)時(shí)環(huán)境溫度實(shí)現(xiàn)對(duì)短時(shí)間內(nèi)光伏發(fā)電功率的精準(zhǔn)預(yù)測(cè)。