本发明涉及技术光伏功率预测，具体为一种光伏功率超短期预测系统及方法。
背景技术：
1、伴随着经济的快速发展，能源需求越来越大，光伏发电具有绿色环保、可再生等优点，世界范围内光伏发电这种新的能源利用方式呈现出稳步增长，但光伏发电系统功率输出受到多种因素的影响，呈现高度的波动性，特别是大规模光伏并网时，电力系统的安全运行和电能质量将受到极大影响，因此，光伏功率预测对电网规划和稳定运行具有重大意义。
2、现有的技术中，对光伏功率超短期预测往往采用神经网络进行预测，即获取光伏站所在地的气象数据，对神经网络模型进行训练，然后根据训练好的神经网络模型输入当前时刻的气象数据，获取光伏的功率数据，在或者通过对不同天气下的光伏功率进行预测，但是现有技术中使用的神经网络预测模型过于简单，缺乏对自身进行优化的能力。
3、但是现有这些技术，都是基于整个光伏站进行预测，把光伏站的所有光伏板作为一个整体，但是每个光伏板都存在一定的差异，由于光伏站的光伏板众多，因此光伏板的差异也会进一步被放大，同时随着使用时间的增加，光伏板老化会进一步加剧光伏板之间的差异，因此现有的技术将对整体的光伏功率预测会产生一定的误差，因此，急需一种考虑光伏板之间的差异，且能对预测系统进行优化的光伏功率超短期预测系统。
4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明的目的在于提供一种光伏功率超短期预测系统及方法，以解决上述背景技术中提出的问题。
2、为实现上述目的，本发明提供如下技术方案：
3、一种光伏功率超短期预测系统及方法，具体步骤包括：
4、数据采集模块，所述数据采集模块用于采集待预测光伏站所在地的历史环境时序数据和历史光伏功率时序数据，根据在同一时刻下相同环境数据的光伏功率数据，统计每块光伏板多日的最大发电功率，并计算光伏板的平均最大发电功率，所述环境数据包括太阳辐射量、太阳高度角、温度值、湿度值和风速值，根据平均最大发电功率使用聚类算法对光伏板进行分类，选取其中一类为基准组，计算每组之间的发电率比；
5、模型构建模块，所述模型构建模块用于构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练，通过气象预报获取未来时刻t时的环境数据，输入至训练好的光伏功率超短期预测模型的输入端，获得未来t时的光伏功率超短期的预测值；
6、模型优化模块，所述模型优化模块用于建立优化模型，通过构建优化模型，设置优化模型参数，对预测模型的中心值和宽度值进行全局寻优，并将预测模型的输出的误差函数构造成适应度函数，根据适应度确定预测模型中心值和宽度值的最优值，提高模型预测精度；
7、功率预测模块，所述功率预测模块根据预测模型得到的基准组的光伏板未来时刻超短期预测功率，通过功率比计算其他组光伏板的光伏发电超短期预测功率，根据所有的光伏分组以及每一组中光伏板的数量，计算整个光伏站的光伏超短期的预测功率。
8、本实施例中，平均最大发电功率的计算公式为；
9、
10、其中，p为平均最大发电功率，pn，max，为第n天最大功率，d为采集最大功率的天数。
11、本实施例中，所述通过聚类算法对光伏板进行分类的具体逻辑为；
12、将每一块光伏板的最大发电功率作为一个数据节点，随机选择k个数据节点作为初始质心，k表示聚类后类别的个数，k为正整数，其中第i个初始质心表示为：ci[p(i)],p(i)表示第i个作为初始质心的数据节点的最大功率，i为正整数，且n＝1、2、…、k；
13、将每一块光伏板的发电功率作为数据节点的特征向量，对于每个光伏板的特征向量，计算它到每个初始质心的距离，并将其分配到最近的质心所代表的聚类，计算到初始质心的距离所依据的公式为：
14、
15、其中，d(i，j)表示第i个初始质心和第j个数据节点之间的距离，p(j)表示第j个数据节点对应的光伏板的最大功率；
16、对于每个聚类，每次聚类完成后，重新计算聚类内所有点的均值，并将这个均值作为新的质心的特征数据，第i个质心特征数据的更新公式为；
17、
18、其中，m表示分配给第i个质心的数据节点的数量，p(i)old表示分配给i个质心的数据节点对应的光伏板的最大功率，p(i)new表示更新后的质心的最大功率；
19、依据更新后的质心的特征向量，重新进行聚类，直至所有质心位置的变化小于阈值，则认为聚类稳定，结束聚类。
20、本实施例中，所选取其中一类为基准组，计算每组之间的发电率比的公式为；
21、
22、其中，αi为第i组的发电率比，psta基准组的最大功率，pi为聚类分组的第i组光伏板的最大功率。
23、本实施例中，所述基于模糊神经网络的光伏功率超短期预测模型由输入层、模糊层、计算层、输出层组成，具体逻辑为；
24、第一层为输入层，表示输入参数，此层有k个节点x1,x2,x3,…,xk代表k个与光伏发电相关影响因素，公式为；
25、xj＝(x1,x2,x3,…,xk)
26、其中，xj为输入的光伏站所在的环境参数；
27、第二层为模糊化层，该层用高斯函数作为隶属度函数，计算输入变量xj的隶属度，公式为；
28、
29、其中，为输入变量xj的隶属度，mji和σji分别为模糊集的中心值和宽度值，j＝1,2,3,…,k，i＝1,2,3,…,n，n为对输入进行模糊分级的个数；
30、第三层为模糊规则计算层，可以对模糊化后的参数进行规范化操作，公式为；
31、
32、其中，ωi为输入参数的隶属度连乘积；
33、第四层为输出层，该层完成中心平均反模糊化操作，输出结果，公式为；
34、
35、其中，yi为功率输出值，为模糊系统参数。
36、本实施例中，所述构建优化模型基于麻雀搜索优化算法，麻雀种群由发现者、加入者和一定数量的侦察者，具体优化逻辑为；
37、发现者的位置更新公式如下；
38、
39、其中，t为当前迭代次数，j为要优化的参数的维度，j＝1,2,…,d,d为被优化的参数的总数，xi,j为第i个麻雀在第j维中的位置信息；itermax为最大迭代次数；α为随机数，α∈(0,1)，r2和st为警报值和安全阈值；l为1×d维矩阵；q为符合正态分布的随机数；
40、追随者的位置更新公式如下；
41、
42、式中：xp为目前发现者的最优位置；xworst为目前全局最差位置；a为1×d的矩阵，其元素被随机赋值1或-1；
43、假设侦察者位置更新公式如下；
44、
45、其中，xbest为全局最优位置，β为迭代步长，fi为当前麻雀个体的适应度值，fg和fw为当前全局最优和最差适应度值，k为一个随机数，k∈[-1,1]，ε为常数，防止分母为0；
46、采用均方根误差来计算适应度，其计算公式如下；
47、
48、其中，n为样本个数，xi为光伏功率实际值，yi为光伏功率预测值。
49、本实施例中，根据预测模型得到的基准组光伏板超短期的预测功率，通过功率比计算其他组光伏板的光伏发电超短期预测功率的公式如下；
50、pi,pre,t＝αi*psta,pre,t
51、其中，αi为第i组光伏板的功率比，pi,pre,t第i组光伏板未来t时的预测功率，psta,pre,t为基准组光伏板未来t时的预测功率。
52、本实施例中，所述整个光伏站的光伏超短期的预测功率的计算公式如下；
53、
54、其中，pz,pre为光伏站的超短期t时预测功率，pi,pre,t第i组光伏板的超短期y时预测功率，li第i组光伏板的数量，i为第i组光伏板，k为光伏板的组数，i与k为正整数。
55、本发明另外还提供一种光伏功率超短期预测方法，所述光伏功率超短期预测方法由上述的光伏功率超短期预测系统执行，所述光伏功率超短期预测方法步骤包括：
56、步骤1：获取光伏站所在地的历史环境时序数据和历史光伏功率时序数据，并根据光伏板的最大光伏功率，通过聚类法对每个发电板进行分类，以其中一类为基准组，计算每组之间的发电率比；
57、步骤2：构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练；
58、步骤3：建立优化模型，设置优化模型参数，对预测模型的中心值和宽度值进行全局寻优，并将预测模型的输出的误差函数构造成适应度函数，根据适应度确定预测模型中心值和宽度值的最优值；
59、步骤4：获取未来时刻t时的环境数据，输入至训练好的光伏功率超短期预测模型的输入端，获得未来t时的光伏功率超短期的预测值；
60、步骤5：根据预测模型得到的基准组的光伏板未来时刻超短期预测功率，通过功率比计算其他组光伏板的光伏发电超短期预测功率，根据所有的光伏分组以及每一组中光伏板的数量，计算整个光伏站的光伏超短期的预测功率。
61、与现有技术相比，本发明的有益效果是；
62、本发明通过数据采集模块采集待预测光伏站所在地的历史环境时序数据和历史光伏功率时序数据，根据每块光伏板的最大平均发电功率，通过聚类算法对光伏板进行分类，模型构建模块构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练，并通过模型优化模块对预测模型的中心值和宽度值进行全局寻优，通过气象预报获取未来时刻的环境数据，输入至训练好的预测模型，获得未来时刻的光伏功率预测值，通过功率预测模块对整个光伏站的功率进行预测：
63、本发明根据每块光伏板的最大功率，按照光伏板的老化特征对光伏板进行分组，计算每一组光伏板之间的发电效率差异，然后根据每一组的光伏板的数量，以及每一组的光伏板的发电功率，对该组的发电总功率进行预测，本发明还通过优化模型对光伏功率超短期预测模型进行优化，进一步提高光伏功率超短期预测的准确性。
1.一种光伏功率超短期预测系统，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：平均最大发电功率的计算公式为；
3.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：所述通过聚类算法对光伏板进行分类的具体逻辑为；
4.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：所选取其中一类为基准组，计算每组之间的发电率比的公式为；
5.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：所述基于模糊神经网络的光伏功率超短期预测模型由输入层、模糊层、计算层、输出层组成，具体逻辑为；
6.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：所述构建优化模型基于麻雀搜索优化算法，麻雀种群由发现者、加入者和一定数量的侦察者，具体优化逻辑为；
7.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：根据预测模型得到的基准组光伏板超短期的预测功率，通过功率比计算其他组光伏板的光伏发电超短期预测功率的公式如下；
8.根据权利要求7所述的一种光伏功率超短期预测系统，其特征在于：所述整个光伏站的光伏超短期的预测功率的计算公式如下；
9.一种光伏功率超短期预测方法，其特征在于：所述光伏功率超短期预测方法由权利要求1-8任一项所述的光伏功率超短期预测系统执行，所述光伏功率超短期预测方法步骤包括；
