CN103390202B - 一种基于相似数据选取的光伏电站输出功率预测方法 - Google Patents
一种基于相似数据选取的光伏电站输出功率预测方法 Download PDFInfo
- Publication number
- CN103390202B CN103390202B CN201310303922.5A CN201310303922A CN103390202B CN 103390202 B CN103390202 B CN 103390202B CN 201310303922 A CN201310303922 A CN 201310303922A CN 103390202 B CN103390202 B CN 103390202B
- Authority
- CN
- China
- Prior art keywords
- clock
- observation
- value
- sky
- irradiation intensity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于相似数据选取的光伏电站输出功率预测方法,属于光伏发电技术领域。该方法包括以下步骤:步骤1:采集历史天的辐照强度值、温度值和实际光伏输出功率值,以及气象预报中预测天辐照强度值和温度值;步骤2:确定每天6点到18点各整点辐照强度对应的权值w1(i),确定每天6点到18点各整点温度对应的权值w2(i);步骤3:进行相似天的选取;步骤4:根据所选相似天与预测天的相关程度,确定功率预测时各相似天功率所占权重;步骤5:计算得到预测天进行光伏输出功率预测值,并对预测结果进行评估;本发明较好的挖掘了预测天和历史数据的相关性,易于实现,提高了光伏输出功率预测的准确性。
Description
技术领域
本发明涉及一种基于相似数据选取的光伏电站输出功率预测方法,属于光伏发电技术领域。
背景技术
光伏发电作为清洁能源,既能满足经济社会发展对能源的需求,又能减少化石燃料的污染,因此光伏发电日益得到大力发展,光伏并网发电已成光伏发电的主流趋势。但是由于光伏发电受天气的影响大,且不能像火电和水电可以自由控制,所以光伏电站的输出功率具有剧烈变化及间歇性等特点。大规模光伏电站并入电网必将对电网的调度和稳定性产生严峻挑战.光伏并网对电网的影响主要表现为对电网调峰影响和对电网稳定的影响。随着天气的变化,光伏输出功率变化剧烈,严重影响电网调峰;在电网发生大的扰动时,如果光伏电站不具备低电压穿越能力,容易退出运行对电网造成二次冲击,影响电网的暂态稳定性。所以对并网光伏电站输出功率进行准确预测,有助于电网制定合理的发电计划,对光伏电站进行实时调度。
目前对光伏功率预测从预测方法上可以分为物理方法和统计方法两类。物理方法将气象预测数据作为输入,采用物理方程进行预测;统计方法对历史数据进行统计分析,找出其内在规律并用于预测。常用的统计预测方法有时间序列法、人工神经网络法(ArtificialNeuralNetwork,简称ANN)、支持向量机法(SupportVectorMachine,简称SVM)等。但是目前使用统计方法的光伏输出功率预测,对相似历史数据挖掘力度不够,预测精度很难提高,同时还可能会面临网络结构稳定性问题,网络学习算法复杂实时性难以保证问题。
有鉴于此,本发明人积极研究,发明一种基于相似数据选取的光伏电站输出功率预测方法,选出与待预测日相似的历史天,充分利用相似天光伏输出功率的相关性,实现光伏输出功率的准确预测,更好满足工程实现需要。
发明内容
本发明针对目前使用统计方法的光伏输出功率预测对相似历史数据挖掘力度不够以及预测精度很难提高的不足,提出了一种基于相似数据选取的光伏电站输出功率预测方法。
一种基于相似数据选取的光伏电站输出功率预测方法,该方法包括以下步骤:
步骤1:采集历史天的辐照强度值、温度值和实际光伏输出功率值,以及气象预报中预测天辐照强度值和温度值;
(1)采集与预测天临近的过去N天的历史数据每天6点到18点各整点的辐照强度值,组成一组辐照强度向量:
I1n[I1n(1),I1n(2),…I1n(12),I1n(13)],(n=1…N);
其中,N为设定值;
则预测天临近的过去N天中的第n天6点到18点各整点的辐照强度值表示为I1n(i),i=1,2,......,13;
(2)采集与预测天临近的过去N天的历史数据每天6点到18点各整点的温度值,组成一组温度向量:
I2n[I2n(1),I2n(2),…I2n(12),I2n(13)],(n=1…N);
则预测天临近的过去N天中的第n天6点到18点各整点的温度值表示为I2n(i),i=1,2,......,13;
(3)采集与预测天临近N天的实际光伏输出功率,第n天实际光伏输出功率向量为Pn(n=1…N),每隔15分钟采集一次,每天采集96个点,则第n天每个采集时刻的功率值表示为Pn(j),j=1,2,......,96;
(4)从气象预报中提取预测天6点到18点各整点辐照强度值,组成一组预测天辐照强度向量:
I1o[I1o(1),I1o(2),…I1o(12),I1o(13)];
预测天6点到18点各整点辐照强度值表示为I1o(i),i=1,2,......,13,并定义预测天辐照强度误差系数为ε1,即代表天气预报给出的辐照强度的可信程度;
(5)从气象预报中提取预测天6点到18点各整点温度值,组成一组预测天温度向量:
I2o[I2o(1),I2o(2),…I2o(12),I2o(13)];
预测天6点到18点各整点温度值表示为I2o(i),i=1,2,......,13,并定义预测天温度误差系数为ε2,即代表天气预报中给出的温度的可信程度;
步骤2:基于光伏输出功率值与辐照强度变化的关系,确定每天6点到18点各整点辐照强度对应的权值w1(i),基于光伏输出功率值与温度变化的关系,确定每天6点到18点各整点温度对应的权值w2(i);
步骤3:利用与预测天临近的过去N天的辐照强度向量I1n、与预测天临近的过去N天的温度向量I2n、预测天辐照强度向量I1o、预测天温度向量I2o、预测天辐照强度误差系数ε1和预测天温度误差系数ε2,以及各整点辐照强度对应的权值w1(i)和各整点温度对应的权值w2(i)进行相似天的选取;
(1)求取预测天辐照强度向量I1o和预测天临近的N个历史天辐照强度向量I1n(n=1…N)的差值绝对值向量,得到每个历史天6点到18点各整点所对应的辐照强度差值绝对值向量:
δ1n=abs[I1o(1)-I1n(1),I1o(2)-I1n(2),…I1o(12)-I1n(12),I1o(13)-I1n(13)];
其中,δ1n代表第n个历史天辐照强度差值绝对值向量;abs[......]代表对预测天辐照强度向量I1o和与预测天临近的N个历史天中的第n天的辐照强度向量I1n的差值取绝对值;则预测天临近的N个历史天中第n天6点到18点各整点所对应的辐照强度差值绝对值表示为:δ1n(i),i=1,2,......,13;
(2)求取预测天温度向量I2o和预测天临近的N个历史天温度向量I2n(n=1…N)的差值绝对值向量,得到每个历史天所对应的温度差值绝对值向量:
δ2n=abs[I2o(1)-I2n(1),I2o(2)-I2n(2),…I2o(12)-I2n(12),I2o(13)-I2n(13)];
其中,δ2n代表第n个历史天温度差值绝对值向量;abs[......]代表对预测天温度向量I2o和预测天临近的N个历史天温度向量I2n的差值取绝对值;则预测天临近的N个历史天中第n天6点到18点各整点所对应的温度差值绝对值表示为:δ2n(i),i=1,2,......,13;
(3)利用各整点辐照强度对应的权值w1(i)、各整点温度对应的权值w2(i),每个历史天6点到18点各整点所对应的辐照强度差值绝对值δ1n(i)和每个历史天6点到18点各整点所对应的温度差值绝对值δ2n(i),计算得到第n个历史天6点到18点各整点所对应的差值绝对值修正值:
an(i)=δ1n(i)×w1(i)×ε1×50%+δ2n(i)×w2(i)×ε2×50%,i=1…13;
再计算第n个历史天的各整点差值绝对值修正值的和:
(4)将Sn(n=1…N)从小到大排序,取排好序列的前三个Sn的值对应的天作为预测天的相似天;
步骤4:根据所选相似天与预测天的相关程度,确定功率预测时各相似天功率所占权重;
(1)假设所选相似天各整点差值绝对值修正值的和分别为Sa、Sb、Sc,Sa<Sb<Sc;构造向量 其中 p3=1;
(2)计算构造向量p各元素的和
(3)计算各相似天的权重向量
其中,
其中,p1、p2和p3是差值绝对值修正和Sa、Sb和Sc相对应的构造向量值;r1、r2和r3代表与差值绝对值修正和Sa、Sb和Sc相对应的权重值;
步骤5:计算得到预测天进行光伏输出功率预测值,并对预测结果进行评估;
(1)预测光伏输出功率值的计算公式为:
Pf=r1P1+r2P2+r3P3;
其中,Pf表示预测光伏输出功率值;P1为选出的最相似天的功率,P2为选出的次相似天的功率,P3为选出的第3个相似天的功率;
(2)计算预测值的均方根误差:
其中,ej=Pf(j)-Pn(j);
其中,ej代表每一个预测时刻预测功率与实际功率的差值,用Pf(j)表示第j个的预测光伏输出功率值,P总表示总装机的容量;rmse表示预测值的均方根误差。本发明的有益效果:本发明提出的光伏功率预测方法是先根据预测天的气象预报信息,应用权值法选出历史数据中预测天的辐照强度相似天,然后根据相似天输出功率的相关性,计算相似天输出功率的加权和作为预测功率。本发明适合于光伏电站发电功率的预测,较好的挖掘了预测天和历史数据的相关性,易于工程实现,提高了光伏输出功率预测的准确性。
附图说明
图1为本发明的整体流程图;
图2为11月3日辐照强度和温度随时间变化的规律,其中图(a)为辐照强度随时间变化的规律,图(b)为温度随时间变化的规律。
具体实施方式
下面结合附图对本发明的实施方式作进一步说明:
如图1所示,采用本发明的方法对某光伏电站2012年11月10号光伏输出功率进行预测,该方法包括以下步骤:
步骤1:采集历史天的辐照强度值、温度值和实际光伏输出功率值,以及气象预报中预测天辐照强度值和温度值;
(1)采集与预测天临近的过去N天的历史数据每天6点到18点各整点的辐照强度值,组成一组辐照强度向量:
I1n[I1n(1),I1n(2),…I1n(12),I1n(13)],(n=1…N);
其中,N为设定值;
则预测天临近的过去N天中的第n天6点到18点各整点的辐照强度值表示为I1n(i),i=1,2,......,13;
该实施例中,令N=15,确定历史天为10月26日到11月9日,根据历史辐照强度数据,可得I1为13×15的矩阵如下:
其中2012年11月3号对应的变量,如附图2(a)所示:
I19=[00342123444504924974783732451000]′。
(2)采集与预测天临近的过去N天的历史数据每天6点到18点各整点的温度值,组成一组温度向量:
I2n[I2n(1),I2n(2),…I2n(12),I2n(13)],(n=1…N);
则预测天临近的过去N天中的第n天6点到18点各整点的温度值表示为I2n(i),i=1,2,......,13;
该实施例中,令N=15,确定历史天为10月26日到11月9日,根据历史温度数据,可得I2为13×15的矩阵如下:
其中2012年11月3号对应的温度变量,如附图2(b)所示:
I29=[-2-2-3012234430-1]'。
(3)采集与预测天临近N天的实际光伏输出功率,第n天实际光伏输出功率向量为Pn(n=1…N),每隔15分钟采集一次,每天采集96个点,则第n天每个采集时刻的功率值表示为Pn(j),j=1,2,......,96;
本实施例中N=15,因此P为96×15的矩阵,此处仅给出该矩阵中第9行11月3号的输出功率的96个点的值为:
P9=[0,…0,5.3,229.1,1667.8,5685.6,10982.2,13412.0,16342.8,17909.4,20968.0,23728.2,26381.8,28491.9,30047.9,31753.0,33138.4,34545.2,35195.3,35557.6,34875.6,35717.5,35898.6,35259.2,35110.0,35717.5,35632.2,33724.6,34864.9,32648.2,32339.2,31497.2,29504.4,27309.0,25188.2,23493.7,21181.1,18644.7,15831.2,12484.9,8541.7,4556.0,1220.2,0,…0]'
其中,j=1…30和j=72…96对应采集点的输出功率都为0。
(4)从气象预报中提取预测天6点到18点各整点辐照强度值,组成一组预测天辐照强度向量:
I1o[I1o(1),I1o(2),…I1o(12),I1o(13)];
预测天6点到18点各整点辐照强度值表示为I1o(i),i=1,2,......,13,并定义预测天辐照强度误差系数为ε1,即代表天气预报给出的辐照强度的可信程度;
I1o=[0025199354442463479449382220770]',预测天辐照强度误差为ε1=0.9。
(5)从气象预报中提取预测天6点到18点各整点温度值,组成一组预测天温度向量:
I2o[I2o(1),I2o(2),…I2o(12),I2o(13)];
预测天6点到18点各整点温度值表示为I2o(i),i=1,2,......,13,并定义预测天温度误差系数为ε2,即代表天气预报中给出的温度的可信程度;
该实施例中,预测天11月10日6点到18点各整点温度值表示为I2o=[-3-3-1023235530-1]',预测天温度误差为ε2=0.95。
步骤2:基于光伏输出功率值与辐照强度变化的关系,确定每天6点到18点各整点辐照强度对应的权值w1(i),基于光伏输出功率值与温度变化的关系,确定每天6点到18点各整点温度对应的权值w2(i);
每天6点到9点间和16点到18点间辐照强度较小,光伏输出功率较小,10点到15点间,辐照强度很大,光伏输出功率变化也较大。经过对多日历史数据分析,发现每天光伏功率输出都满足上述关系。由此,确定每天6点到18点各整点辐照强度对应的权值如下:
w1=[0.001,0.001,0.028,0.06,0.09,0.13,0.15,0.15,0.15,0.15,0.05,0.039,0.001]';
经过对多日历史数据分析,每天6点到9点间和16点到18点光伏输出功率较小,10点到15点间,光伏输出功率较大,因此中午时段各整点温度对应的权重给予较大权重。由此,确定每天6点到18点各整点温度对应的权值如下:
w2=[0.01,0.015,0.02,0.05,0.09,0.13,0.15,0.15,0.15,0.145,0.05,0.03,0.01]';
步骤3:利用与预测天临近的过去N天的辐照强度向量I1n、与预测天临近的过去N天的温度向量I2n、预测天辐照强度向量I1o、预测天温度向量I2o、预测天辐照强度误差系数ε1和预测天温度误差系数ε2,以及各整点辐照强度对应的权值w1(i)和各整点温度对应的权值w2(i)进行相似天的选取;
(1)求取预测天辐照强度向量I1o和预测天临近的N个历史天辐照强度向量I1n(n=1…N)的差值绝对值向量,得到每个历史天6点到18点各整点所对应的辐照强度差值绝对值向量:
δ1n=abs[I1o(1)-I1n(1),I1o(2)-I1n(2),…I1o(12)-I1n(12),I1o(13)-I1n(13)];其中,δ1n代表第n个历史天辐照强度差值绝对值向量;abs[......]代表对预测天辐照强度向量I1o和与预测天临近的N个历史天中的第n天的辐照强度向量I1n的差值取绝对值;则预测天临近的N个历史天中第n天6点到18点各整点所对应的辐照强度差值绝对值表示为:δ1n(i),i=1,2,......,13;
根据上述步骤依次求出该实施例中的故该实施例中δ1为13×15的矩阵,其中示意给出第9列对应的历史天11月3号的辐照强度差值绝对值向量
δ19=[00913108291829925230]'
(2)求取预测天温度向量I2o和预测天临近的N个历史天温度向量I2n(n=1…N)的差值绝对值向量,得到每个历史天所对应的温度差值绝对值向量:
δ2n=abs[I2o(1)-I2n(1),I2o(2)-I2n(2),…I2o(12)-I2n(12),I2o(13)-I2n(13)];
其中,δ2n代表第n个历史天温度差值绝对值向量;abs[......]代表对预测天温度向量I2o和预测天临近的N个历史天温度向量I2n的差值取绝对值;则预测天临近的N个历史天中第n天6点到18点各整点所对应的温度差值绝对值表示为:δ2n(i),i=1,2,......,13;
根据上述步骤依次求出该实施例中的故该实施例中δ2为13×15的矩阵,其中示意给出第9列对应的历史天11月3号的温度差值绝对值向量
δ29=[1120110011000]'
(3)利用各整点辐照强度对应的权值w1(i)、各整点温度对应的权值w2(i),每个历史天6点到18点各整点所对应的辐照强度差值绝对值δ1n(i)和每个历史天6点到18点各整点所对应的温度差值绝对值δ2n(i),计算得到第n个历史天6点到18点各整点所对应的差值绝对值修正值:
an(i)=δ1n(i)×w1(i)×ε1×50%+δ2n(i)×w2(i)×ε2×50%,i=1…13;
再计算第n个历史天的各整点差值绝对值修正值的和:
根据前面给出的各个相应参数值,可计算求出每个历史天的an,如该实施例中第9个历史天11月3日6点到18点各整点差值绝对值修正值组成的修正向量an=[0.0050.0070.1320.3510.4480.5301.9581.2152.0280.6760.5620.4040]'
再计算第n个历史天的各整点差值绝对值修正值的和:
该实施例中计算得到历史天10月26日到11月9日对应的Sn为:
Sn=[15.321.537.121.033.717.339.252.28.37.39.548.061.323.8110.3]
其中第9个历史天的各整点差值绝对值修正值的和S9=8.3。
(4)将Sn(n=1…N)从小到大排序,取排好序列的前三个Sn的值对应的天作为预测天的相似天;
该实施例中,根据Sn的数值,排序结果如表1,由表1可知,所选出的11月10日的相似天为11月4日、11月3日、11月5日(相似程度由高到低)。
表1Sn及其对应历史天排序表
步骤4:根据所选相似天与预测天相关程度,确定功率预测时各相似天功率所占权重;
(1)假设所选相似天各整点差值绝对值修正值的和分别为Sa、Sb、Sc,Sa<Sb<Sc;构造向量
该实施例中所选相似天分别为11月4日、11月3日、11月5日,这三天各整点差值绝对值修正向量的和分别为Sa=7.3、Sb=8.3、Sc=9.5,Sa<Sb<Sc;差值绝对值修正和向量为S=(Sa,Sb,Sc)=(7.3,8.3,9.5);构造向量
(2)计算构造向量p各元素的和
该实施例中p1=1.30,p2=1.14,p3=1,
(3)计算各相似天的权重向量
其中,
其中,p1、p2和p3是差值绝对值修正和Sa、Sb和Sc相对应的构造向量值;r1、r2和r3代表与差值绝对值修正和Sa、Sb和Sc相对应的权重值;
该实施例中计算得:
步骤5:计算得到预测天进行光伏输出功率预测值,并对预测结果进行评估;
(1)预测光伏输出功率值的计算公式为:
Pf=r1P1+r2P2+r3P3;
其中,Pf表示预测光伏输出功率值;P1为选出的最相似天的功率,P2为选出的次相似天的功率,P3为选出的第3个相似天的功率。
该实施例中11月4日为第一相似天,11月3日为第二相似天,11月5日为第三相似天,将其相应的光伏输出功率96点的功率输出值,乘以每天对应的权重,再将三天加权后的值相加,经计算可得2012年11月10日的光伏输出功率预测值
Pf=r1P1+r2P2+r3P3=0.38P1+0.33P2+0.29P3
最终计算得
Pf=[0,…,225.4,1621.3,4067.9,8001.3,12249.8,14999.5,17607.8,19682.4,22076.1,24264.2,26304.4,28064.4,29412.7,30801.7,31841.3,32917.3,33519.7,33997.6,33937,34428.3,34606.2,,34345,34119.5,34164.7,33832.3,32755.0,32619.6,31241.0,30224.2,29265.8,27738.4,25961.3,23961.4,22180.3,19786.5,17218.6,14427.2,11136.8,7332.2,3794.2,989.4,0…,0]'
其中,j=1…30和j=72…96对应采集点的输出功率都为0。
(2)计算预测值的均方根误差:
其中,ej=Pf(j)-Pn(j);
其中,ej代表每一个预测时刻预测功率与实际功率的差值,用Pf(j)表示第j个的预测光伏输出功率值,P总表示总装机的容量;rmse表示预测值的均方根误差。
该实施例中太阳能电站的总装机容量P总=40000KW,2012年11月10号预测功率:
Pf=[0,…,225.4,1621.3,4067.9,8001.3,12249.8,14999.5,17607.8,19682.4,22076.1,24264.2,26304.4,28064.4,29412.7,30801.7,31841.3,32917.3,33519.7,33997.6,33937,34428.3,34606.2,,34345,34119.5,34164.7,33832.3,32755.0,32619.6,31241.0,30224.2,29265.8,27738.4,25961.3,23961.4,22180.3,19786.5,17218.6,14427.2,11136.8,7332.2,3794.2,989.4,0…,0]'
其中,j=1…30和j=72…96对应采集点的输出功率都为0。
2012年11月10号的真实功率:
Pn=[0,…,0,37.3,1007.1,2360.6,7294.8,10246.9,13710.4,18133.1,21799.2,23941.3,25710.4,27362.3,28619.8,30186.4,31252.1,31859.5,32701.4933372.9,34289.4,34768.9,34342.7,34012.3,33745.9,34033.6,33575.3,32360.4,31646.4,30239.6,28822.2,27873.8,26083.4,24079.8,21841.8,19412.0,17813.4,12186.4,3266.4,6975.1,5323.2,2456.4,463.5,0…0]'
其中,j=1…31和j=72…96对应采集点的输出功率都为0。
2012年11月10号功率预测值的均方根误差
由2012年11月10号功率预测值的均方根误差4.71%,可见本发明方案,提高了光伏输出功率预测的准确性,且评估效率很高。
Claims (1)
1.一种基于相似数据选取的光伏电站输出功率预测方法,其特征在于,该方法包括以下步骤:
步骤1:采集历史天的辐照强度值、温度值和实际光伏输出功率值,以及气象预报中预测天辐照强度值和温度值;
(1)采集与预测天临近的过去N天的历史数据每天6点到18点各整点的辐照强度值,组成一组辐照强度向量:
I1n[I1n(1),I1n(2),…I1n(12),I1n(13)],(n=1…N);
其中,N为设定值;
则预测天临近的过去N天中的第n天6点到18点各整点的辐照强度值表示为I1n(i),i=1,2,......,13;
(2)采集与预测天临近的过去N天的历史数据每天6点到18点各整点的温度值,组成一组温度向量:
I2n[I2n(1),I2n(2),…I2n(12),I2n(13)],(n=1…N);
则预测天临近的过去N天中的第n天6点到18点各整点的温度值表示为I2n(i),i=1,2,......,13;
(3)采集与预测天临近N天的实际光伏输出功率,第n天实际光伏输出功率向量为Pn(n=1…N),每隔15分钟采集一次,每天采集96个点,则第n天每个采集时刻的功率值表示为Pn(j),j=1,2,......,96;
(4)从气象预报中提取预测天6点到18点各整点辐照强度值,组成一组预测天辐照强度向量:
I1o[I1o(1),I1o(2),…I1o(12),I1o(13)];
预测天6点到18点各整点辐照强度值表示为I1o(i),i=1,2,......,13,并定义预测天辐照强度误差系数为ε1,即代表天气预报给出的辐照强度的可信程度;
(5)从气象预报中提取预测天6点到18点各整点温度值,组成一组预测天温度向量:
I2o[I2o(1),I2o(2),…I2o(12),I2o(13)];
预测天6点到18点各整点温度值表示为I2o(i),i=1,2,......,13,并定义预测天温度误差系数为ε2,即代表天气预报中给出的温度的可信程度;
步骤2:基于光伏输出功率值与辐照强度变化的关系,确定每天6点到18点各整点辐照强度对应的权值
w1=[0.001,0.001,0.028,0.06,0.09,0.13,0.15,0.15,0.15,0.15,0.05,0.039,0.001]',i=1,2,......,13;
基于光伏输出功率值与温度变化的关系,确定每天6点到18点各整点温度对应的权值
w2=[0.01,0.015,0.02,0.05,0.09,0.13,0.15,0.15,0.15,0.145,0.05,0.03,0.01]',i=1,2,......,13;
步骤3:利用与预测天临近的过去N天的辐照强度向量I1n、与预测天临近的过去N天的温度向量I2n、预测天辐照强度向量I1o、预测天温度向量I2o、预测天辐照强度误差系数ε1和预测天温度误差系数ε2,以及各整点辐照强度对应的权值w1(i)和各整点温度对应的权值w2(i)进行相似天的选取;
(1)求取预测天辐照强度向量I1o和预测天临近的N个历史天辐照强度向量I1n(n=1…N)的差值绝对值向量,得到每个历史天6点到18点各整点所对应的辐照强度差值绝对值向量:
δ1n=abs[I1o(1)-I1n(1),I1o(2)-I1n(2),…I1o(12)-I1n(12),I1o(13)-I1n(13)];
其中,δ1n代表第n个历史天辐照强度差值绝对值向量;abs[......]代表对预测天辐照强度向量I1o和与预测天临近的N个历史天中的第n天的辐照强度向量I1n的差值取绝对值;则预测天临近的N个历史天中第n天6点到18点各整点所对应的辐照强度差值绝对值表示为:δ1n(i),i=1,2,......,13;
(2)求取预测天温度向量I2o和预测天临近的N个历史天温度向量I2n(n=1…N)的差值绝对值向量,得到每个历史天6点到18点各整点所对应的温度差值绝对值向量:
δ2n=abs[I2o(1)-I2n(1),I2o(2)-I2n(2),…I2o(12)-I2n(12),I2o(13)-I2n(13)];
其中,δ2n代表第n个历史天温度差值绝对值向量;abs[......]代表对预测天温度向量I2o和预测天临近的N个历史天温度向量I2n的差值取绝对值;则预测天临近的N个历史天中第n天6点到18点各整点所对应的温度差值绝对值表示为:δ2n(i),i=1,2,......,13;
(3)利用各整点辐照强度对应的权值w1(i)、各整点温度对应的权值w2(i),每个历史天6点到18点各整点所对应的辐照强度差值绝对值δ1n(i)和每个历史天6点到18点各整点所对应的温度差值绝对值δ2n(i),计算得到第n个历史天6点到18点各整点所对应的差值绝对值修正值:
an(i)=δ1n(i)×w1(i)×ε1×50%+δ2n(i)×w2(i)×ε2×50%,i=1…13;
再计算第n个历史天的各整点差值绝对值修正值的和:
(4)将Sn(n=1…N)从小到大排序,取排好序列的前三个Sn的值对应的天作为预测天的相似天;
步骤4:根据所选相似天与预测天的相关程度,确定功率预测时各相似天功率所占权重;
(1)假设所选相似天各整点差值绝对值修正值的和分别为Sa、Sb、Sc,Sa<Sb<Sc;构造向量 其中
(2)计算构造向量p各元素的和
(3)计算各相似天的权重向量
其中,
其中,p1、p2和p3是差值绝对值修正和Sa、Sb和Sc相对应的构造向量值;r1、r2和r3代表与差值绝对值修正和Sa、Sb和Sc相对应的权重值;
步骤5:计算得到预测天进行光伏输出功率预测值,并对预测结果进行评估;
(1)预测光伏输出功率值的计算公式为:
Pf=r1P1+r2P2+r3P3;
其中,Pf表示预测光伏输出功率值;P1为选出的最相似天的功率,P2为选出的次相似天的功率,P3为选出的第3个相似天的功率;
(2)计算预测值的均方根误差:
其中,ej=Pf(j)-Pn(j);
其中,ej代表每一个预测时刻预测功率与实际功率的差值,用Pf(j)表示第j个的预测光伏输出功率值,P总表示总装机的容量;rmse表示预测值的均方根误差,Pn(j)表示第n天第j个预测时刻的光伏实际输出功率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310303922.5A CN103390202B (zh) | 2013-07-18 | 2013-07-18 | 一种基于相似数据选取的光伏电站输出功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310303922.5A CN103390202B (zh) | 2013-07-18 | 2013-07-18 | 一种基于相似数据选取的光伏电站输出功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103390202A CN103390202A (zh) | 2013-11-13 |
CN103390202B true CN103390202B (zh) | 2016-01-20 |
Family
ID=49534467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310303922.5A Expired - Fee Related CN103390202B (zh) | 2013-07-18 | 2013-07-18 | 一种基于相似数据选取的光伏电站输出功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103390202B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679288B (zh) * | 2013-12-04 | 2017-04-12 | 华北电力大学 | 一种径流式小水电集群发电功率短期预测方法及预测系统 |
CN104156777B (zh) * | 2014-05-08 | 2017-02-15 | 南方电网科学研究院有限责任公司 | 一种基于城市天气预报的低成本光伏发电功率预测方法 |
CN104732296A (zh) * | 2015-04-01 | 2015-06-24 | 贵州电力试验研究院 | 一种分布式光伏输出功率短期预测模型建模方法 |
CN105184399B (zh) * | 2015-08-27 | 2018-12-04 | 许继集团有限公司 | 一种光伏电站功率预测方法 |
CN105701556A (zh) * | 2015-11-05 | 2016-06-22 | 衢州职业技术学院 | 一种光伏电站超短时功率预测修正方法 |
CN106022538B (zh) * | 2016-05-31 | 2020-04-07 | 中国矿业大学 | 基于k均值聚类改进广义天气的光伏发电预测方法 |
CN106788244B (zh) * | 2016-11-18 | 2018-10-19 | 中国电子科技集团公司第四十一研究所 | 一种获得光伏组件全天气象条件下功率值的方法 |
CN109282499B (zh) * | 2017-07-21 | 2021-09-07 | 青岛经济技术开发区海尔热水器有限公司 | 一种热水器预测用户用水行为的方法及热水器 |
CN108573327B (zh) * | 2018-04-26 | 2022-03-29 | 南京邮电大学 | 基于天气数据的无线传感网节点太阳能收集功率预测算法 |
CN109298695B (zh) * | 2018-10-23 | 2020-11-24 | 长安大学 | 一种选择性激光熔化工艺过程能耗预测及节能控制方法 |
CN109284874B (zh) * | 2018-10-26 | 2021-08-17 | 昆明电力交易中心有限责任公司 | 光伏电站的日发电量预测方法、装置、设备及存储介质 |
CN109543295B (zh) * | 2018-11-21 | 2023-08-25 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
CN109345046B (zh) * | 2018-12-05 | 2020-07-07 | 国能日新科技股份有限公司 | 光伏功率的预测方法及装置 |
CN109884896B (zh) * | 2019-03-12 | 2022-02-11 | 河海大学常州校区 | 一种基于相似日辐照预测的光伏跟踪系统优化跟踪方法 |
CN110580549B (zh) * | 2019-09-02 | 2020-06-02 | 山东大学 | 一种考虑天气的区域短期能源功率预测方法及系统 |
JP7400411B2 (ja) * | 2019-11-29 | 2023-12-19 | 中国電力株式会社 | 太陽光発電量予測装置、太陽光発電量予測装置の制御方法及びプログラム |
CN112463851B (zh) * | 2020-11-25 | 2021-07-27 | 山东省气候中心 | 一种日光温室内逐日气温预报订正方法、终端设备及存储介质 |
CN115529002B (zh) * | 2022-11-28 | 2023-04-07 | 天津海融科技有限公司 | 一种多种天气条件下的光伏发电功率预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999786A (zh) * | 2012-10-17 | 2013-03-27 | 浙江埃菲生能源科技有限公司 | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 |
CN103020487A (zh) * | 2013-01-20 | 2013-04-03 | 华北电力大学(保定) | 一种光伏电站辐照度预测值修正方法 |
CN103116711A (zh) * | 2013-03-11 | 2013-05-22 | 华北电力大学(保定) | 基于辐照度特征参数的天气类型辨识方法 |
-
2013
- 2013-07-18 CN CN201310303922.5A patent/CN103390202B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999786A (zh) * | 2012-10-17 | 2013-03-27 | 浙江埃菲生能源科技有限公司 | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 |
CN103020487A (zh) * | 2013-01-20 | 2013-04-03 | 华北电力大学(保定) | 一种光伏电站辐照度预测值修正方法 |
CN103116711A (zh) * | 2013-03-11 | 2013-05-22 | 华北电力大学(保定) | 基于辐照度特征参数的天气类型辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103390202A (zh) | 2013-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103390202B (zh) | 一种基于相似数据选取的光伏电站输出功率预测方法 | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
Rana et al. | 2D-interval forecasts for solar power production | |
Wang et al. | Reliability value of distributed solar+ storage systems amidst rare weather events | |
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
Alanazi et al. | Long-term solar generation forecasting | |
Monfared et al. | Fuzzy predictor with additive learning for very short-term PV power generation | |
Li et al. | Photovoltaic power forecasting: models and methods | |
Yang et al. | Photovoltaic power forecasting with a rough set combination method | |
Natarajan et al. | Survey on renewable energy forecasting using different techniques | |
CN104346659A (zh) | 应用于高倍聚光光伏发电系统的短期发电量预测方法 | |
Hossain et al. | Short-term photovoltaic power forecasting using an LSTM neural network | |
Roseline et al. | Neural Network modelling for prediction of energy in hybrid renewable energy systems | |
Chen et al. | Probabilistic Prediction of Photovoltaic Power Using Bayesian Neural Network-LSTM Model | |
Zhang et al. | Real-time prediction of solar radiation based on online sequential extreme learning machine | |
Abd Hamid et al. | Factors affecting mini hydro power production efficiency: A case study in Malaysia | |
Liu et al. | A comparative analysis of lstm and bilstm network-based methods in pv power prediction | |
Xiyun et al. | A combination method in photovoltaic power forecasting based on the correlation coefficient | |
Nguyen et al. | A machine learning-based approach for the prediction of electricity consumption | |
Liu et al. | Quantitative research on impact of ambient temperature and module temperature on short-term photovoltaic power forecasting | |
Roy et al. | Day-ahead Solar Power Generation Forecasting using LSTM and Random Forest Methods for North Eastern Region of India | |
Shi et al. | Short-term photovoltaic power forecast based on long short-term memory network | |
Jeyakumar et al. | Short-term wind power forecasting using a Markov model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20160718 |
|
CF01 | Termination of patent right due to non-payment of annual fee |