[发明专利]一种分布式光伏负荷数据预测与修复方法

说明书

本发明为一种分布式光伏负荷数据预测与修复方法，首先利用皮尔逊积矩相关系数进行相似用户选取和历史相似日选取，之后进行BP神经网络模型，然后利用训练好的BP神经网络模型进行数据预测，最终将预测数据与实际数据进行比较。本发明的优点是：在待预测用户的周围用户中选择相似用户确保待预测用户和相似用户具有相同的光照条件，提高预测的准确度；利用发电效率选取历史相似日，无需考虑天气和光照因素，选取便捷高效，同时能确保预测的准确度。

技术领域

本发明涉及电力检测领域，尤其涉及一种分布式光伏负荷数据预测与修复方法。

背景技术

由于太阳能分布广泛、清洁、无污染，目前太阳能发电，尤其是光伏发电已经在个体用户中广泛使用，伴随着光伏发电的大规模普及和相关补助政策的推出，出现了部分用户恶意伪装发电骗取补贴、分布式光伏设备质量不达标及效率低下导致客户对光伏电费产生疑问等问题，而光伏发电的随机性和波动性较大，相关电网公司并不能准确的获取或预测实际发电数据，因此无法对一些光伏发电的异常数据进行修复和预测，严重影响了电网公司对于屋顶光伏发电的管理。

发明内容

本发明主要解决了无法对光伏发电异常数据进行修复和预测的问题，提供了一种利用某一用户的相邻用户和历史数据来预测该用户当前的发电数据的分布式光伏负荷数据预测与修复方法。

本发明解决其技术问题所采用的技术方案是,一种分布式光伏负荷数据预测与修复方法，包括以下步骤：

S1：选取与待预测用户光伏发电情况相近的相似用户；

S2：利用相似用户当前发电数据和历史发电数据的选取与当前发电情况相近的历史相似日；

S3：利用历史数据对模型进行训练；

S4：利用训练后的模型对待预测用户的当前发电数据进行预测；

S5：将预测的数据与待预测用户反馈的数据进行比较。

在待预测用户的相邻用户中选取发电效率与带预测用户相近的相似用户，再根据相似用户过去几天的发电效率和相似用户当前发电效率选取历史相似日，利用历史数据进行预测模型训练后，将带预测用户在在历史相似日的发电数据和相似用户的当前数据输入到模型中获取带预测用户的当日发电数据，在与实际采集的发电数据进行比较。

作为上述方案的一种优选方案，所述步骤S1，包括以下步骤：

S11：计算待预测用户和与待预测用户处于同一区域的相邻用户的发电效率，

S12：采用皮尔逊积矩相关系数计算待预测用户与每一个相邻用户的相似度；

S13：选取相似度最高的相邻用户作为待预测用户的相似用户。在相邻用户中进行选取确保待预测用户和选取处理的相似用户具有相同的光照条件。

作为上述方案的一种优选方案，所述步骤S2，包括以下步骤：

S21：获取相似用户的历史发电数据；

S22：计算相似用户当前发电效率和历史发电效率；

S23：采用皮尔逊积矩相关系数计算相似用户当前发电效率与相似用户历史发电效率的相似度；

S24：选取相似度最高的历史发电数据的日期作为历史相似日。

作为上述方案的一种优选方案，所述步骤S3，包括以下步骤：

S31：在历史数据中选取训练样本；