本发明涉及分布式光伏发电功率预测系统，尤其涉及分布式光伏发电功率智能预测系统及方法。
背景技术：
1、分布式光伏发电的随机性和环境依赖性较强，导致其输出功率波动较大。光伏发电系统接入电网后，其波动性会显著影响电力系统的稳定性，为了保障电力系统的安全运行，常常需要采取弃光措施，从而造成了大量能源浪费，因此，准确的光伏发电功率预测对于提升电力系统的稳定性和减少能源浪费至关重要。
2、光伏发电功率受天气影响大、随机波动性强，现有光伏发电功率的预测系统，多偏重lstm等神经网络模型建模训练，对天气类型变化及光伏发电历史数据处理应用不足，导致光伏发电功率预测误差大，精度低。
3、申请号为202410281575.9的专利文献公开一种光伏设备发电功率预测方法及系统，该方案利用重构后的太阳辐射强度模型预测辐射强度，得到最终的辐射强度结果；根据最终的辐射强度结果预测光伏发电功率。考虑了盐雾对光伏发电功率的影响，提高光伏发电功率预测的准确性。但其方案同时存在对对天气类型变化及光伏发电历史数据的应用不足的问题。
技术实现思路
1、针对上述存在的问题，本发明的目的在于提供分布式光伏发电功率智能预测系统及方法，解决对天气类型变化及光伏发电历史数据的应用不足的问题，提高光伏发电功率预测的准确率。
2、本发明实施例提供分布式光伏发电功率智能预测系统及方法。
3、第一方面：一种分布式光伏发电功率智能预测系统，包括：
4、天气分类模块，基于历史环境因素数据，对天气类型进行广义划分；
5、数据处理模块，依据光伏历史发电数据，进行数据归一化处理，降低噪声干扰；
6、ipso-lstm模块，使用训练好的天气类型ipso-lstm模型，依据预测日所属天气类型，利用归一化处理的发电数据，进行分布式光伏发电功率智能预测。
7、第二方面：一基于上述系统的预测方法，步骤包括：
8、s1、收集光伏发电环境因素历史数据，选择影响因素，依据影响因素对天气类型进行广义划分；
9、s2、收集光伏发电历史数据，进行历史发电数据归一化处理；
10、s3、依据天气类型广义划分，构建不同的天气类型的ipso-lstm模型，并进行训练；
11、s4、依据预测日所属天气类型，选定所属天气类型的ipso-lstm模型；
12、s5、依据预测日所属天气类型，选取对应的归一化处理后的历史发电数据；
13、s6、依据选定的天气类型ipso-lstm模型，利用选取的归一化处理后的发电数据，进行预测日发电功率预测。
14、进一步地，所述s1中选择影响因素时，使用皮尔逊相关系数，公式为：
15、(1)
16、其中， y为光伏发电功率； α为相关气象变量因素； t为皮尔逊相关系数。
17、进一步地，所述s1中依据影响因素对天气类型进行广义划分时，基于k-means++聚类进行广义天气分类，步骤包括：
18、s11、选择所需数量的簇中心，公式为：
19、(2)
20、(3)
21、其中， x为数据集， t为当前已经选择的簇中心个数， μ i为第 i个簇中心， d(x)为数据集中每个点与最近一个已经被选为簇中心的点的距离； p(x)为计算了所有点x的距离 d(x)后，每个点 x被选为下一个簇中心的概率。
22、s12、分配每个点到最近的簇 c j；
23、s13、依据每个簇 c j的均值更新簇中心，直到簇中心不再发生变化或变化小于预设阈值；
24、(4)
25、其中，| c j|为簇 c j中样本的数量。
26、进一步地，所述s2中进行历史发电数据归一化处理时，采用iceemdan算法，对历史发电数据多层模态分解，得到各层不同的模态分量和残差分量，捕捉历史发电数据细节和特征，降低噪声干扰。
27、进一步地，所述ipso-lstm模型中lstm模型的状态更新公式为：
28、（5）
29、其中，为sigmoid函数， tanh()为双曲正切函数， i t 为输入门， f t 为遗忘门， o t 为输出门， x t ，h t ，c t分别表示lstm在当前时间步t的输入、输出和细胞状态， x t-1 ，h t-1 ，c t-1分别表示lstm在时间步t-1的输入、输出和细胞状态， w xi 、w hi 、w ci 、b i 、w xf 、w hf 、w cf 、b f 、w xc 、w hc 、 b c 、w xo 、w ho 、w co和 b o是模型参数。
30、进一步地，所述lstm模型的网络参数采用ipso算法优化，构建ipso-lstm模型。
31、第三方面：一种电子设备，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计算机程序，所述处理器执行所述程序时实现如第二方面所提供的方法的步骤。
32、第四方面：一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第二方面所提供的方法的步骤。
33、本发明的有益效果：
34、本发明针对光伏发电功率受天气类型影响大、历史发电数据随机波动性强的问题，基于历史辐照度数据，采用k-means++聚类算法对广义天气类型进行划分，再通过iceemdan算法将光伏发电数据分解为若干不同频率的模态分量和残差分量，降低原始发电数据的非平稳性，在不同天气类型下，构建不同的ipso-lstm预测模型并进行训练，相较于常规短期光伏发电功率预测模型，具有更高的预测精度。
1.一种分布式光伏发电功率智能预测系统，其特征在于，包括：
2.基于权利要求1所述系统的预测方法，其特征在于，包括步骤：
3.根据权利要求2所述的预测方法，其特征在于，所述s1中选择影响因素时，使用皮尔逊相关系数，公式为：
4.根据权利要求3所述的预测方法，其特征在于，所述s1中依据影响因素对天气类型进行广义划分时，基于k-means++聚类进行广义天气分类，步骤包括：
5.根据权利要求2所述的预测方法，其特征在于，所述s2中进行历史发电数据归一化处理时，采用iceemdan算法，对历史发电数据多层模态分解，得到各层不同的模态分量和残差分量，捕捉历史发电数据细节和特征，降低噪声干扰。
6.根据权利要求5所述的预测方法，其特征在于，所述ipso-lstm模型中lstm模型的状态更新公式为：
7.根据权利要求6所述的预测方法，其特征在于，所述lstm模型的网络参数采用ipso算法优化，构建ipso-lstm模型。
8.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求2至7中任一项测试方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求2至7中任一项测试方法的步骤。
