一种基于知识与数据融合驱动的光伏出力预测方法

专利主权项内容

1.一种基于知识与数据融合驱动的光伏出力预测方法，其特征在于，包括以下步骤：步骤1：获取历史气象数据以及历史光伏发电功率数据并进行数据预处理，通过k-means算法聚类将历史气象数据划分为晴天、阴天、雨天三个不同的天气类型；步骤2：通过光伏电站现场数据采集，获取不同光伏组件倾角、方位角地理位置信息以及短路电流、开路电压、额定温度性能参数；步骤3：通过光伏组件光谱检测仪现场测试，获取不同的光伏组件在不同大气质量信息条件下的光谱响应函数，并与参考大气质量条件下的组件光谱响应函数对比，建立不同光伏组件在不同空气质量条件下的光谱响应修正函数；步骤4，采用光谱检测仪现场测试得到的不同入射角对应的光伏板透射率，建立不同光伏组件在不同太阳光入射角下的入射角-透射率修正函数；步骤5，针对大型光伏电站的光伏组件在不同位置接收辐照度的差异，采用辐照度检测仪测量不同地理位置的辐照度变化，并通过数据拟合建立在不同位置情况下的辐照度地理位置修正函数；步骤6：根据步骤2得到的光伏组件地理位置信息及光伏组件性能参数建立光伏组件吸收有效辐照度的知识模型，通过机理和经验知识分析将光伏组件吸收的辐照度分为直接辐照度、散射辐照度及地面反射辐照度三部分，由光伏组件倾角、所处位置经纬度、地面反射率物理参数计算得到有效辐照度；根据步骤3得到的光谱响应修正函数、步骤4得到的入射角-透射率修正函数和步骤5得到的地理位置修正函数对光伏板吸收的有效辐照度进行修正，经过修正得到所述光伏组件有效辐照度知识模型；步骤7：将步骤1中得到的气象数据和步骤2得到的光伏组件地理位置信息及光伏组件性能参数代入到步骤6建立的光伏组件吸收有效辐照度的知识模型中，计算每日的有效辐照度；步骤8：根据步骤1划分的不同天气类型，分别训练CNN-LSTM神经网络模型，得到对应不同天气类型的光伏功率预测模型；步骤9：根据步骤8建立的针对不同天气类型的预测模型，判断未来预测时段所属的天气类型，将预测时段的有效辐照度数据以及光伏组件历史功率数据代入对应的预测模型中，预测光伏功率；步骤10：将步骤9中预测的光伏功率与实际功率数据对比，采用现场运行数据对光伏电站功率预测模型进行实时修正。。 （macrodatas.cn）