本技术涉及一种利用历史光伏发电数据进行局地分时天气分类和预测的方法。该方法首先将光伏发电数据按时间段划分,构建波动特征向量,进而利用这些向量对光伏发电波动进行分类。通过机器学习模型,结合天气数据,实现对光伏发电波动的精确预测,优化能源管理和调度。
背景技术
光伏出力受天气影响具有强随机性,同时,光伏发电的大规模并网会给电力系统的安全稳定运行带来挑战。因此,为避免光伏并网对电力系统造成的危害,对光伏发电功率进行准确的预测至关重要。
由于不同天气状况下光伏出力波动模式不同,因此当前许多功率预测方法在预测之前往往会对历史光伏出力数据根据天气条件进行相似日分类,然后根据不同的天气类型分别构建预测模型,预测时按预测日天气类型选用相应的模型进行预测。以上预测过程至少面临两个问题:一是如何标注历史光伏数据对应的天气类型,即划分相似日;二是如何确定待预测日或预测时段的天气类型。
目前光伏发电预测中历史相似日的划分依据主要有以下两类:第一类直接利用公共天气预报系统;第二类可称为气象因子聚类法,即通过无监督学习实现对历史气象参数的聚类,以此获得历史相似日类型。但这些方法均需要通过气象部门提供气象信息来选择相似日。事实上,一方面,气象部分提供的气象信息往往只覆盖按行政区划分的省或市等大区域,对光伏电站而言空间分辨率远远不足;另一方面,气象部门提供的天气预报往往以一天为单位给出一种天气类型,该时间分辨率也无法满足光伏出力短期预测模型对天气类型准确性的要求。此外,公共天气预报也常有预报不准确的情况。
除了历史样本的相似日天气类型外,预测日天气类型的有效划分也是提高光伏出力预测精度的另一个关键因素。与历史样本日类型确定一样,在确定待预测日或预测时段的天气类型时,最直接的方法也是使用天气预报结果。如前所述,对光伏电站而言,公共天气预报存在时空分辨率不足的缺陷,因此直接使用天气预报来确定预测日的天气类型往往会导致预测精度降低。
实现思路