本技术提出了基于相似日训练集的低天气分辨率光伏预测方法及系统,属于光伏预测技术领域,包括:获取待预测日的天气预报数据;构造与待预测日的天气预报数据相似的最近相似日,获取该日的气象数据和光伏发电数据;重构出一个相似日训练集;对相似日训练集分解两种模态分量,对两种模态分量建立混合深度学习模型进行学习训练,预测时,使用相似日训练集最后设定天数的模态分量光伏出力加上待预测日的天气预报数据推理出两个模态对应的模态分量出力,将两者相加,得到趋势性光伏出力预测曲线;基于相似日训练集获得波动性预测曲线;对获得的波动性预测曲线及趋势性预测曲线进行加权平均,以得出最终的预测结果。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
化石燃料长期以来一直是全球经济增长的基石,但其过度使用已造成了严重的环境问题,迫使全球转向探索更加清洁、低碳和可持续的能源。在这些能源中,光伏发电由于其低成本、可持续性强和良好的环境效益等优点脱颖而出,在全球范围内实现了快速增长。全球光伏装机容量从2010年的400GW增加到2021年的843GW,预计到2030年将达到1700GW。
尽管光伏能源具有很多优势,但由于其高度依赖天气的特性使得其出力具有极强的非稳定性,给电网的安全稳定运行带来了巨大挑战。这一情况随着越来越多的分布式光伏系统接入电网而愈发严重。日前光伏出力的准确预测对于维护电网的安全性、稳定性和可靠性至关重要。与1小时预测相比,15分钟间隔预测提供了更细的粒度,更有利于改善电力系统的调度、能源管理计划及辅助光伏参与电力市场交易。然而,光伏发电对天气的频繁和快速变化高度敏感,这增加了光伏出力的不确定性和波动性,这一现象在小型分布式光伏发电场站尤为明显。此外,出于成本考虑,大量分布式场站并不具备高精度,细粒度天气信息的获取途径,能低成本获取的天气信息大多是一小时间隔的,这进一步加大了日前96点光伏出力预测的难度。
日前光伏出力预测本质上是一个时序预测问题,目前的现有方法一般是基于深度学习模型在划分训练集和验证集后进行训练和调参最终输出预测值,但是目前的方法在粗粒度天气条件下很难达到需要的效果,对于分布式光伏场站而言受到考核惩罚非常严重。
目前光伏出力预测存在的技术仅能解决天气条件采样粒度与需求的预测粒度相同时的情况,且预测精度并不够强,因此,需要解决如何在低天气分辨率下实现准确的日前96点光伏预测的问题。
实现思路