[0001] 本发明属于能源功率预测领域，尤其涉及一种光伏发电系统出力预测方法、系统、存储介质及设备。

[0002] 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。

[0003] 随着智能电网的发展，建设大规模的分布式光伏发电系统成为了一种充分消纳太阳能资源、缓解电网调峰压力的重要方案。分布式光伏发电系统是指采用光伏组件，将太阳能直接转换为电能的发电系统。分布式光伏发电系统一般布置在电力用户附近，往往直接与配电网相连，连同配电网一起向周边用户供电。相比较于集中式光伏电站，分布式光伏发电系统的装机规模与输出功率更小，地理位置更分散，例如，建在城市建筑物屋顶的光伏发电项目。

[0004] 同时，由于光伏发电具有波动性和间歇性，分布式光伏发电系统的并网运行增加了电力系统的调度难度，因此，对分布式光伏发电系统的出力进行准确预测将有利于调度部门合理规划常规能源发电厂与各分布式光伏发电系统之间的协调配合，提高电网运行的安全性和稳定性。

[0005] 在现有技术中，对于短期光伏出力的预测方法有诸如人工神经网络、支持向量机等方法，然而，现有技术存在的不足之处在于，使用单一的预测方法往往容易导致预测结果不稳定，预测精度不佳；另外，在天气情况变化较大时，这些方法存在预测准确性不足的情形。

[0030] 应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

[0031] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。

[0032] 在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

[0033] 实施例一本实施例公开了一种光伏发电系统出力预测方法，如图1所示，
包括以下步骤：
步骤一、获取不同光伏电站的历史出力数据和相关环境数据，所述相关环境数据包括日平均辐射度、组件温度、环境温度、相对湿度、天气类型，对相关环境数据进行归一化处理；然后采用综合灰色关联分析法计算相关环境参数之间的相关程度。

[0034] 其中，所述相关环境数据采用以下公式进行归一化处理：

[0035] 式中， 和 分别表示归一化前和归一化后j时刻的数据，j=1,2,3，···M；Pmin和Pmax为数据的最大值和最小值。

[0036] 对数据进行归一化处理后，不但能增强模型收敛速度，还可以提高预测的准确性。

[0037] 短期光伏预测所受影响因素众多，但相同地区天气等光伏数据在某些时刻具有相似性。因此，选取相似日采用灰色关联分析法，简化预测所需历史数据量，提高模型预测精度。具体包括：（1）将日平均辐射度、组件温度、环境温度、相对湿度、天气类型形成特征向量矩阵，并对向量特征矩阵进行标准化，得到标准向量矩阵，表示为：

[0038] 式中，R表示m*(n+1)维矩阵；m表示相似日子特征向量数；n表示粗略集样本数；表示待测日子特征向量； 表示第i个日粗糙集样本第k个特征向量。

[0039] （2）计算标准向量矩阵的差矩阵以及差矩阵的最大值和最小值；标准向量矩阵 由下式决定:

[0040] 式中， 表示第i个日粗糙集样本第k个标准子特征向量。

[0041] 根据下式求出标准向量矩阵的差矩阵 以及差矩阵 的最大值 和最小值 ：

[0042] 式中， 表示第i个日粗糙集样本的第k个标准子特征向量与待预测日的第k个标准子特征向量差。

[0043] （3）计算灰色关联系数和加权向量，根据灰色关联系数和加权向量计算加权关联度和余弦相似度。

[0044] 灰色关联系数按照以下公式计算：

[0045] 式中， 表示第i个日粗糙集样本第k个关联系数向量； 表示辨别系数。

[0046] 加权向量 按照以下公式计算：

[0047] 式中， 表示相关因素 与日平均功率向量y的协方差； 表示相关因素 方差； 表示日平均负荷向量y方差。

[0048] 加权关联度按照以下公式计算：

[0049] 余弦相似度定义为：

[0050] （4）将加权关联度和余弦相似度组成相似性综合指标。

[0051] 所述相似性综合指标通过以下公式计算：

[0052] 式中， 表示加权关联度， 表示余弦相似度， 表示经验权重系数，经验取值0.5。

[0053] 考虑到模糊灰色关联法略显单一，提出综合灰色关联理论，由加权关联度和余弦相似度组成相似性综合指标，代表总体相似度。 的值越接近1表示相似性越强。

[0054] 步骤二、利用皮尔逊相关系数计算不同光伏电站的光伏系统出力相关性，然后采用自适应白噪声的完备集成经验模态分解方法将关联性强的各站点光伏出力分解为多个模态分量，利用各分量表征各站点间的时空关联特征。其中关联性强的各站点光伏出力是指皮尔逊相关系数大于0.8。

[0055] 根据光伏电站出力曲线的相关性可以定量评估分布式光伏电站之间的时空关联性，时空关联性强的光伏站点历史出力与站点未来出力具有强相似性。为充分挖掘分布式光伏间时空关联性，从而实现对其精细化的表征，将经皮尔逊相关系数计算后关联性较强的各站点光伏出力采用自适应白噪声的完备集成经验模态分解方法分解为多个模态分量，利用各分量表征各站点间的时空关联特征，进而实现其有效、精细化的表征。

[0056] 原始光伏出力序列s(n)分解为：

[0057] 式中， 表示第k个模态分量， 表示最终余量序列。自适应白噪声的完备集成经验模态分解方法计算速度快，提高了重构精度。在对非平稳光伏出力序列分解为多个模态分量，可降低光伏出力波动对模型预测的影响，并利用各分量表征各站点间的时空关联特征。

[0058] 步骤三、将处理后的历史出力数据和相关环境数据作为样本集对改进贝叶斯‑长短期记忆神经网络模型进行训练和测试，得到基于时空关联特征的改进贝叶斯‑长短期记忆神经网络模型。

[0059] 贝叶斯神经网络结构能够基于光伏出力样本数据得到权重和偏置参数的后验概率分布，获得最优的参数结果。但实际应用中仍存在以下几点不足：1、传统BNN结构复杂，模型参数众多导致实际计算时难以实现。

[0060] 2、高维数据难以处理，采用BNN模型进行光伏出力预测时，模型的权重和偏置参数需要在高维的向量空间中进行积分运算，而实际操作中难以实现。

[0061] 3、计算复杂且耗费的时间成本高，难以满足电网实施调度及风险评估的光伏出力预测需求。

[0062] 为克服上述问题，对贝叶斯神经网络进行改进，改进方法为：在贝叶斯‑长短期记忆神经网络模型添加Dropout层来构建模型，贝叶斯‑长短期记忆神经网络模型中各个神经元都服从概率为p的伯努利二项分布，添加Dropout层后每个神经元被丢弃的概率为1‑p，使其不在对应轮次神经网络训练的前向传播过程中起作用。

[0063] 进一步地，添加Dropout层后的贝叶斯‑长短期记忆神经网络模型的网络计算公式包括：

[0064]

[0065]

[0066]

[0067] 式中，r表示Dropout层，Bernoulli(p)表示服从概率为p的伯努利分布，l为隐藏层索引值，w为权值参数，b为偏置参数，y和 分别表示输入和输出，z表示向量输入，f表示激活函数，i表示输入的第i个数据。

[0068] 步骤四、将待测相关环境数据输入基于时空关联特征的贝叶斯神经网络预测模型，得到出力预测结果。

[0069] 实施例二本实施例公开了一种光伏发电系统出力预测系统，包括：
数据获取模块，被配置为：获取不同光伏电站的历史出力数据和相关环境数据，所述相关环境数据包括日平均辐射度、组件温度、环境温度、相对湿度、天气类型，对相关环境数据进行归一化处理；然后采用综合灰色关联分析法计算相关环境参数之间的相关程度；
时空关联特征获取模块，被配置为：利用皮尔逊相关系数计算不同光伏电站的光伏系统出力相关性，然后采用自适应白噪声的完备集成经验模态分解方法将关联性强的各站点光伏出力分解为多个模态分量，利用各分量表征各站点间的时空关联特征；
模型建立模块，被配置为：将处理后的历史出力数据和相关环境数据作为样本集对改进贝叶斯‑长短期记忆神经网络模型进行训练和测试，得到基于时空关联特征的改进贝叶斯‑长短期记忆神经网络模型；
预测模块，被配置为：将待测相关环境数据输入基于时空关联特征的贝叶斯神经网络预测模型，得到出力预测结果。

[0070] 实施例三本实施例的目的是提供计算机可读存储介质。

[0071] 计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的光伏发电系统出力预测方法中的步骤。

[0072] 实施例四本实施例的目的是提供电子设备。

[0073] 电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的光伏发电系统出力预测方法中的步骤。

[0074] 以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

[0075] 本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

[0076] 上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。