本發(fā)明涉及新能源發(fā)電預測，尤其涉及一種高溫天氣下的區(qū)域光伏出力預測方法、裝置、設備以及存儲介質。

背景技術：

1、近年來光伏發(fā)電裝機容量快速增長，光伏發(fā)電在全國年發(fā)電總量中的占比越來越高。但是，由于受到復雜多變的氣象因素影響，光伏發(fā)電輸出功率具有隨機性、波動性和間歇性等特點。特別是在高溫天氣下，光伏場站的出力會在短時間內發(fā)生波動，導致電力系統(tǒng)難以在實時過程中保持電源和負載的平衡，使電網面臨巨大挑戰(zhàn)。因此，精準預測高溫天氣下的光伏電站功率預測顯得尤為重要，預測高溫天氣下光伏輸出功率可為電力調度部門提供可靠的決策依據，提高電網對太陽能等新能源的消納能力，保證電力系統(tǒng)穩(wěn)定運行。近年來，雖然針對區(qū)域功率預測問題已有大量的相關研究，但是對于高溫天氣下的區(qū)域光伏功率預測開展較少，缺少針對高溫天氣下的區(qū)域光伏功率預測手段。

技術實現(xiàn)思路

1、本發(fā)明提供了一種高溫天氣下的區(qū)域光伏出力預測方法、裝置、設備以及存儲介質，以解決現(xiàn)有技術缺少針對高溫天氣下的區(qū)域光伏功率預測手段的技術問題。

2、為了解決上述技術問題，本發(fā)明實施例提供了一種高溫天氣下的區(qū)域光伏出力預測方法，包括：

3、對目標電站區(qū)域內的各光伏電站進行聚類，將目標電站區(qū)域劃分為若干匯聚區(qū)域，并在每一匯聚區(qū)域中選取一光伏電站作為代表電站；

4、獲取各代表電站的氣象預報數據，并根據所述氣象預報數據得到各代表電站在未來時刻的高溫情況；其中，所述高溫情況為：代表電站在各未來時刻下是否為高溫天氣；

5、將各代表電站的氣象預報數據和高溫情況輸入預設的對應代表電站的功率預測模型，以使所述功率預測模型根據所述氣象預報數據和高溫情況，對代表電站在未來高溫天氣下的光伏發(fā)電功率進行預測，輸出對應的代表電站在未來高溫天氣下的預測光伏發(fā)電功率；

6、根據各代表電站在未來高溫天氣下的預測光伏發(fā)電功率，計算得到各匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電功率，繼而將所有匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電功率的和，作為目標電站區(qū)域在未來高溫天氣下的總預測光伏發(fā)電功率。

7、作為優(yōu)選方案，所述對目標電站區(qū)域內的各光伏電站進行聚類，將目標電站區(qū)域劃分為若干匯聚區(qū)域，包括：

8、獲取目標電站區(qū)域內的各光伏電站的歷史光伏發(fā)電功率；

9、根據預設的肘部法則確定目標電站區(qū)域內的聚類個數，并隨機將與所述聚類個數相同數量的光伏電站作為質心；

10、根據各光伏電站的歷史光伏發(fā)電功率，計算每一光伏電站到各質心的歐氏距離，繼而將各光伏電站分配到與最小歐氏距離對應的質心所在的簇，并將每個簇的質心更新為簇內所有光伏電站的平均值，直至所有光伏電站的簇分配結果不再改變，得到與所述聚類個數相同數量的簇，將每個簇作為匯聚區(qū)域。

11、作為優(yōu)選方案，所述歐氏距離的計算公式為：

12、

13、x＝{x1,x2，...，xm}；

14、y＝{y1，y2，...，ym}；

15、其中，x表示光伏電站的歷史光伏發(fā)電功率時間序列，y表示作為質心的光伏電站的歷史光伏發(fā)電功率時間序列，xi表示第i時刻光伏電站的歷史光伏發(fā)電功率值，yi表示第i時刻作為質心的光伏電站的歷史光伏發(fā)電功率值，m表示時間序列長度。

16、作為優(yōu)選方案，所述在每一匯聚區(qū)域中選取一光伏電站作為代表電站，包括：

17、根據各光伏電站的歷史光伏發(fā)電功率，計算得到每一匯聚區(qū)域的總歷史光伏發(fā)電功率；

18、對于每一匯聚區(qū)域，計算匯聚區(qū)域內各光伏電站的歷史光伏發(fā)電功率與匯聚區(qū)域的總歷史光伏發(fā)電功率之間的皮爾遜相關系數，將與匯聚區(qū)域的總歷史光伏發(fā)電功率之間的皮爾遜相關系數最大的光伏電站，作為匯聚區(qū)域的代表電站。

19、作為優(yōu)選方案，所述功率預測模型的生成，包括：

20、獲取各代表電站的歷史光伏發(fā)電功率以及歷史氣象預報數據，并根據所述歷史氣象預報數據得到各代表電站在歷史時刻的歷史高溫情況；

21、根據所述歷史光伏發(fā)電功率、歷史氣象預報數據以及歷史高溫情況，生成對應的模型訓練集；

22、對預設的gridsearchcv庫進行網格搜索，得到對應的最優(yōu)模型參數；

23、根據所述模型訓練集、所述最優(yōu)模型參數以及預設的lightgbm算法，將所述最優(yōu)模型參數作為預設的lightgbm回歸模型的模型參數，以各代表電站的歷史氣象預報數據和歷史高溫情況為輸入，以對應代表電站的歷史光伏發(fā)電功率為輸出，對所述lightgbm回歸模型進行訓練，得到對應的功率預測模型。

24、作為優(yōu)選方案，所述對預設的gridsearchcv庫進行網格搜索，得到對應的最優(yōu)模型參數，包括：

25、定義一參數空間；

26、生成所述參數空間對應的所有超參數組合；

27、將所述模型訓練集按照預設的比例進行劃分，劃分為新的訓練集和驗證集，對于每一超參數組合，根據超參數組合和所述訓練集，對lightgbm回歸模型進行訓練，并根據所述驗證集計算超參數組合下的負均方誤差，選取負均方誤差最大的超參數組合作為對應的最優(yōu)模型參數。

28、作為優(yōu)選方案，所述根據各代表電站在未來高溫天氣下的預測光伏發(fā)電功率，計算得到各匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電功率，包括：

29、將各代表電站在未來高溫天氣下的預測光伏發(fā)電功率輸入預設的匯聚區(qū)域功率計算模型，以使所述匯聚區(qū)域功率計算模型根據各代表電站在未來高溫天氣下的預測光伏發(fā)電功率，對匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電功率進行計算，輸出各匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電功率。

30、在上述實施例的基礎上，本發(fā)明另一實施例提供了一種高溫天氣下的區(qū)域光伏出力預測裝置，包括：目標電站區(qū)域聚類模塊、氣象預報數據獲取模塊、代表電站光伏發(fā)電功率預測模塊以及總預測光伏發(fā)電功率計算模塊；

31、所述目標電站區(qū)域聚類模塊，用于對目標電站區(qū)域內的各光伏電站進行聚類，將目標電站區(qū)域劃分為若干匯聚區(qū)域，并在每一匯聚區(qū)域中選取一光伏電站作為代表電站；

32、所述氣象預報數據獲取模塊，用于獲取各代表電站的氣象預報數據，并根據所述氣象預報數據得到各代表電站在未來時刻的高溫情況；其中，所述高溫情況為：代表電站在各未來時刻下是否為高溫天氣；

33、所述代表電站光伏發(fā)電功率預測模塊，用于將各代表電站的氣象預報數據和高溫情況輸入預設的對應代表電站的功率預測模型，以使所述功率預測模型根據所述氣象預報數據和高溫情況，對代表電站在未來高溫天氣下的光伏發(fā)電功率進行預測，輸出對應的代表電站在未來高溫天氣下的預測光伏發(fā)電功率；

34、所述總預測光伏發(fā)電功率計算模塊，用于根據各代表電站在未來高溫天氣下的預測光伏發(fā)電功率，計算得到各匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電，繼而將所有匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電功率的和，作為目標電站區(qū)域在未來高溫天氣下的總預測光伏發(fā)電功率。

35、在上述實施例的基礎上，本發(fā)明又一實施例提供了一種電子設備，所述設備包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述發(fā)明實施例所述的高溫天氣下的區(qū)域光伏出力預測方法。

36、在上述實施例的基礎上，本發(fā)明又一實施例提供了一種存儲介質，所述存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述存儲介質所在設備執(zhí)行上述發(fā)明實施例所述的高溫天氣下的區(qū)域光伏出力預測方法。

37、相比于現(xiàn)有技術，本發(fā)明實施例具有如下有益效果：

38、本發(fā)明提供了一種高溫天氣下的區(qū)域光伏出力預測方法，對目標電站區(qū)域內的各光伏電站進行聚類，將目標電站區(qū)域劃分為若干匯聚區(qū)域，并在每一匯聚區(qū)域中選取一光伏電站作為代表電站；獲取各代表電站的氣象預報數據，并根據所述氣象預報數據得到各代表電站在未來時刻的高溫情況；將各代表電站的氣象預報數據和高溫情況輸入預設的對應代表電站的功率預測模型，以使所述功率預測模型根據所述氣象預報數據和高溫情況，對代表電站在未來高溫天氣下的光伏發(fā)電功率進行預測，輸出對應的代表電站在未來高溫天氣下的預測光伏發(fā)電功率；根據各代表電站在未來高溫天氣下的預測光伏發(fā)電功率，計算得到各匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電功率，繼而將所有匯聚區(qū)域在未來高溫天氣下的預測光伏發(fā)電功率的和，作為目標電站區(qū)域在未來高溫天氣下的總預測光伏發(fā)電功率。通過本發(fā)明，可以對高溫天氣下的區(qū)域光伏功率進行預測，進而提高區(qū)域光伏功率預測的準確性。