本发明属于功率预测领域，具体涉及一种光伏的超短期功率预测方法。
背景技术：
1、光伏功率预测一般采用物理模型和数据驱动模型两种方法。物理模型基于光伏电池特性、太阳辐射及气象因素，通过数学公式进行预测。这些方法虽然在某些情况下可以提供准确的预测，但需要大量传感器数据，增加了成本和复杂性。数据驱动模型则依赖于历史光伏发电数据和相关气象数据，通过机器学习和深度学习算法，建立复杂的数据模式来预测未来的功率输出。这些方法能够更有效地处理复杂数据，提高预测准确性。然而，这些方法在考虑云层移动和遮挡对太阳辐射影响时存在不足。
技术实现思路
1、为了解决上述现有技术中的不足，本发明的目的在于提供一种光伏的超短期功率预测方法，以解决背景技术中提到的问题。
2、本一种光伏的超短期功率预测方法解决其技术问题所采用的技术方案为：
3、提供了一种光伏的超短期功率预测方法，包括：
4、步骤1、对风云四号a星l2级数据的提取及插值处理；
5、步骤2、将处理好的风云四号a星l2级数据作图，光流法处理其生成的图像；
6、步骤3、使用光流法得到像素点的运动情况；
7、步骤4、对像素点的运动情况和像素点的值综合计算，得到下一时刻可能的天气情况；
8、步骤5、根据当前时刻天气情况和下一时刻天气情况对数值预报辐射值进行修正，并与真实辐射值进行余弦相似度计算，得到更贴近真实辐射值数据的数值预报辐射值数据；
9、步骤6、将修正后的数值预报辐射值数据与基本预测数据一同送入设计的预测模型中进行功率预测。
10、进一步的，所述的步骤1包括在风云卫星遥感数据网获取风云四号a星l2级数据(clm产品)，选择中国区域、4000m分辨率数据使用，其格式为nc文件，通过python代码将nc文件提取为csv文件。
11、进一步的，所述的步骤2包括对第一步生成的csv文件使用python代码进行作图，得到每个单位时间的天气情况图像。
12、进一步的，所述的步骤3包括使用基于farneback的光流算法推算出每个像素点在下一帧的运动信息，并记录在csv文件中。
13、进一步的，所述的步骤4包括调整坐标方向x轴向右为正，y轴向下为正；
14、将2500个x轴速度和2500个y轴速度组成t时刻速度天气矩阵s_matrix[x_speed,y_speed,v]及坐标天气矩阵v_matrix[x,y,v]；
15、计算t+1时刻坐标天气矩阵w_matrix[x,y,w]，w_matrix[x,y,w]＝s_matrix[x_speed,y_speed,v]+v_matrix[x,y,v]；
16、分别抽取并保存处在[24,24]、[24,25]、[25,24]、[25,25]四个坐标的v，w矩阵的天气情况v，w组成天气列表v_list[v1,v2,v3,v4]，w_list[w1,w2,w3,w4]以作使用；其中v_list[v1,v2,v3,v4]是t时刻的天气情况，w_list[w1,w2,w3,w4]是t+1时刻的天气情况；
17、由于每帧图像之间的时间间隔是一样的，t+1时刻的坐标可以很方便地计算得出；公式如下：
18、x＝x0+vx
19、y＝y0+vy，
20、其中，天气列表w_list[w1,w2,w3,w4]即为该像素点(该地点)下一时刻可能的天气情况。
21、进一步的，所述的步骤5，通过计算两个向量的夹角余弦值，得到余弦相似度，余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似,余弦相似度计算公式如下：
22、
23、v_list[v1,v2,v3,v4]和w_list[w1,w2,w3,w4]作为输入x，真实值减去数值预报辐射值的差值d作为输出y，送入线性回归模型进行训练和预测，将测试集数据送入训练好的模型预测，得到差值；由于数值预报辐射值差距过大，要分类进行修正，且辐射值不可能有负数，故数值预报辐射值大于400时，该值加上0.3差值作为新的数值预报辐射值；数值预报辐射值小于400时，该值减去0.2差值作为新值；在测试集上，修正前数值预报辐射值与真实值的余弦相似度为89.34％，修正后数值预报辐射值与真实值的余弦相似度为89.39％；此时的提升是在特征上，有0.05％，将其反应到功率的预测上则是一个很大的提升。
24、进一步的，所述的步骤6中，根据国家电网关于超短期功率预测的有关规定和方法，对于其功率预测的准确率，通过计算日均方根误差(rmse)来确定；日均方根误差的计算公式如下：
25、
26、acc＝(1-rrmse)*100％；
27、其中，ppi为实际功率，pmi为预测功率，cap为装机容量。
28、与现有技术相比，本发明的有益效果为：
29、1、本发明示例的一种光伏的超短期功率预测方法，解决了在光伏超短期预测任务中对云层移动和遮挡考虑不足的问题。
30、2、本发明示例的一种光伏的超短期功率预测方法，解决了光伏超短期功率预测时的精度问题，提高了预测精度。
1.一种光伏的超短期功率预测方法，其特征是，包括：
2.根据权利要求1所述的一种光伏的超短期功率预测方法，其特征是，所述的步骤1包括在风云卫星遥感数据网获取风云四号a星l2级数据(clm产品)，选择中国区域、4000m分辨率数据使用，其格式为nc文件，通过python代码将nc文件提取为csv文件。
3.根据权利要求2所述的一种光伏的超短期功率预测方法，其特征是，所述的步骤2包括对第一步生成的csv文件使用python代码进行作图，得到每个单位时间的天气情况图像。
4.根据权利要求3所述的一种光伏的超短期功率预测方法，其特征是，所述的步骤3包括使用基于farneback的光流算法推算出每个像素点在下一帧的运动信息，并记录在csv文件中。
5.根据权利要求4所述的一种光伏的超短期功率预测方法，其特征是，所述的步骤4包括调整坐标方向x轴向右为正，y轴向下为正；
6.根据权利要求5所述的一种光伏的超短期功率预测方法，其特征是，所述的步骤5，通过计算两个向量的夹角余弦值，得到余弦相似度，余弦值越接近1，就表明夹角越接近0度，也就是两个向量越相似,余弦相似度计算公式如下：
7.根据权利要求6所述的一种光伏的超短期功率预测方法，其特征是，所述的步骤6中，根据国家电网关于超短期功率预测的有关规定和方法，对于其功率预测的准确率，通过计算日均方根误差(rmse)来确定；日均方根误差的计算公式如下：
