CN103390902A - 一种基于最小二乘法的光伏电站超短期功率预测方法 - Google Patents

一种基于最小二乘法的光伏电站超短期功率预测方法 Download PDF

Info

Publication number
CN103390902A
CN103390902A CN2013102193536A CN201310219353A CN103390902A CN 103390902 A CN103390902 A CN 103390902A CN 2013102193536 A CN2013102193536 A CN 2013102193536A CN 201310219353 A CN201310219353 A CN 201310219353A CN 103390902 A CN103390902 A CN 103390902A
Authority
CN
China
Prior art keywords
data
power
prediction
short term
photovoltaic plant
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.)
Granted
Application number
CN2013102193536A
Other languages
English (en)
Other versions
CN103390902B (zh
Inventor
车建峰
刘纯
冯双磊
王勃
黎建
卢静
张菲
赵艳青
姜文玲
武方圆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
STATE GRID YUNNAN ELECTRIC POWER Co Ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
STATE GRID YUNNAN ELECTRIC POWER Co Ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by STATE GRID YUNNAN ELECTRIC POWER Co Ltd, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI filed Critical STATE GRID YUNNAN ELECTRIC POWER Co Ltd
Priority to CN201310219353.6A priority Critical patent/CN103390902B/zh
Publication of CN103390902A publication Critical patent/CN103390902A/zh
Application granted granted Critical
Publication of CN103390902B publication Critical patent/CN103390902B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00—Integration of renewable energy sources in buildings
    • Y02B10/10—Photovoltaic [PV]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及一种基于最小二乘法的光伏电站超短期功率预测方法。该方法包括下述步骤：确定光伏电站所处位置在预测日的日出日落时间；将预测数据滚动输入到预测系统中；对滚动输入的实际功率数据中存在的异常数据进行筛选；采用最小二乘法对预测时刻未来四小时对应时刻的历史短期预测功率和历史实际功率进行参数拟合；确定未来四小时内的超短期预测功率值；将未来四小时内的超短期预测功率值所包含的时段在小于日出时间或大于日落时间的功率预测值置为零。本发明有效的利用短期预测数据的可靠性，在出力波动不大的情况下，具有良好的预测效果；该方法在国内部分省电力公司调度机构得到应用，经过验证，计算结果满足工程的实际需要。

Description

一种基于最小二乘法的光伏电站超短期功率预测方法
技术领域
本发明涉及光伏发配电技术领域，具体涉及一种基于最小二乘法的光伏电站超短期功率预测方法。
背景技术
太阳能光伏发电是利用太阳能电池的光伏效应将太阳辐射能直接转换为电能的一种发电形式。现阶段，太阳能的推广应用日益呈现方兴未艾的世界潮流，太阳能产业成为全球蓬勃兴起的新能源产业之一。开发利用清洁、安全、环保的太阳能成为人类社会缓解日益加剧的能源短缺的共同选择和治理严峻环境污染的有生力量。电网的稳定运行需要在供需双方之间保持一定的平衡，即根据用户的消耗变化，预先安排火电、水电等发电机组的开启和关停，从而相应地调整供应的总功率。由于光伏发电受天气的影响较大，且不能像火电及水电一样自由控制，所以光伏电站发电的输出功率具有剧烈变化及间歇性等特点。由此，光伏电站并入电网必将对电网的平衡产生巨大影响，存在的问题主要有：
1）调峰问题：随着天气的变化，光伏电站的输出功率剧烈变化，严重影响电网的调峰；
2）电网稳定问题：在电网发生大扰动时，光伏电站由于不具备低电压穿越能力，容易退出运行从而对电网带来二次冲击，影响电网的暂态稳定性；
所以对光伏电站输出功率进行有效的预测，把光伏电站输出功率纳入电网的发电计划，并参与实时调度，是保证电网稳定经济运行的重要措施之一，从而能够实现发电运行自动控制，实现多元电源联合调度。
太阳能光伏发电功率预测的研究起步较晚。德国、丹麦、日本、美国、法国和加拿大等国均进行过相关研究，主要是在全国范围设立太阳能资源监测点，收集太阳能资源数据，并建立光伏发电功率预测系统，预测全国范围光伏发电出力的时空分布。国内也有部分机构对此做了相关的研究，但是仍然属于起步阶段，光伏发电功率预测领域的很多技术难题还没有真正得到解决。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于最小二乘法的光伏电站超短期功率预测方法，利用最小二乘法获取与预测时刻未来四小时对应的历史同期短期预测功率与实际功率的曲线关系，拟合出校正参数；利用校正参数，对预测时刻未来四小时的短期预测功率数据进行校正，从而得到超短期功率预测结果。
本发明的目的是采用下述技术方案实现的：
本发明提供一种基于最小二乘法的光伏电站超短期功率预测方法，其改进之处在于，所述方法包括下述步骤：
A、确定光伏电站所处位置在预测日的日出日落时间；
B、将预测数据滚动输入到预测系统中；
C、对滚动输入到预测系统的实际功率数据中存在的异常数据进行筛选；
D、采用最小二乘法对预测时刻未来四小时对应时刻的历史短期预测功率和历史实际功率进行参数拟合；
E、确定未来四小时内的超短期预测功率值；
F、将未来四小时内的超短期预测功率值所包含的时段在小于日出时间或大于日落时间的功率预测值置为零。
其中，所述步骤A中，日出时间和日落时间分别用下述表达式表示：
R＝24×(180+z×15-α-K)/360         （1）；
D＝24×(1+(z×15-α)/180)-R         （2）；
其中：K＝cos-1(-tan(-23.4×cos(360×(t+9)/365))×tanβ)，R为日出时间，D为日落时间，z为时区，α为经度，β为纬度，t为日期序列数。
其中，所述步骤B中，所述预测数据包括：
<1>滚动输入包含预测时刻在内的前十天短期预测功率HisPre_P和实际功率Rel_P；
<2>滚动输入未来四小时的短期预测功率FutPre_P；
所述光伏电站功率预测系统包括：
1）预测系统数据库：用于存储来自数值天气预报处理模块的数值天气预报数据、预测结果数据和EMS系统接口模块产生的光伏电站实际功率数据；
2）数值天气预报处理模块：用于从数值天气预报服务商的服务器下载数值天气预报数据，经过处理后形成各预测光伏电站预测时段的数值天气预报数据送入预测系统数据库；
3）实时气象数据处理模块：由光伏电站端接收自动气象站数据，实时传送至预测系统数据库；
4）短期预测模块：从预测系统数据库中取出数值天气预报数据，由预测模型计算出次日的预测结果，并将预测结果送回预测系统数据库；
（5）超短期预测模块：从预测系统数据库中取出光伏电站实际功率数据和历史短期预测功率数据，由预测模型计算出未来4小时的输出功率，并将预测结果送回预测系统数据库；超短期预测模块每15分钟执行一次；
（6）EMS系统接口模块：将光伏电站的实际功率数据传送到系统数据库中；
（7）图形用户界面模块：与用户交互，用于完成数据及曲线显示，系统管理及维护。
其中，所述步骤C中，对于实际功率Rel_P数据序列，将存在下述情况的异常数据置为NaN，包括：
a、小于0的数据点；
b、在日出日落时间内连续1小时均值非零且标准差为零的数据序列；
c、连续24小时以上均值为零且标准差为零的数据序列。
其中，所述步骤D中，参数拟合包括下述步骤：
①在预测时刻，从实际功率Rel_P数据序列RPi中提取RPk，其中：i=1,2…，n，k＝n-96×m+1，n-96×m+2，……，n-96×m+16，m的初始值为1；RPk是指按照k的序号从RPi中提取的子集，共计16个数；
②对RPk进行完整性判断：若RPk为空或数据个数不足16个，则输出校正拟合参数η={1,0}，参数拟合结束；否则进入步骤③；
③对RPk进行异常判断，若存在以下情况则该数据存在异常：
1>RPk的数据中值为NaN的个数超过总数据长度的一半；
2>对RPk进行差分Δp＝diff(RPk)，Δp满足
Figure BDA00003299978300031
其中Δpj=RPn-96×m+j+1-RPn-96×m+j，j=1,2,…，15；Cap为光伏电站的装机容量；
④若RPk存在异常，则返回步骤①，并进行m=m+1操作，即m在原值的基础上加1；
若不存在异常，则从历史短期功率预测HisPre_P数据序列HPi中提取HPk；其中：i=1,2…，n，k＝n-96×m+1，n-96×m+2，……，n-96×m+16;HPk是指按照k的序号从HPi中提取的子集，共计16个数；
⑤采用最小二乘法对RPk和HPk进行参数拟合，得到拟合参数η＝{η1,η2}，并使
Figure BDA00003299978300041
使得
Figure BDA00003299978300042
和RPk二者对应数据差值的平方和最小，即令
Figure BDA00003299978300043
为最小，其中
Figure BDA00003299978300044
η1,η2代表拟合出来的参数，分别表示数值大小；
Figure BDA00003299978300045
表示根据拟合参数计算出来的RPk的估算值（最小二乘法的最终目的就是使二者的差值的平方和最小）。
其中，所述步骤E中，利用步骤D得到的拟合参数η，得到光伏电站未来四小时的超短期预测功率值为：Pre_final＝η1×FutPre_P+η2。
与现有技术比，本发明达到的有益效果是：
本发明所利用的光伏功率预测系统中包含的短期预测模块是以高精度的数值天气预报为输入，利用统计或者物理的方法计算光伏电站未来24小时的功率预测值，计算结果可靠，而且每日的预测结果均存储在预测数据库中，数据保存完整。本发明所提出的方法就是利用最小二乘法寻找与预测时刻未来四小时对应时刻的历史最近短期预测功率和实际功率的关系，故而得到拟合参数，利用拟合参数校正未来四小时的短期预测功率，最终得到未来四小时的超短期预测功率。本发明所提出的方法可以有效的利用短期预测数据的可靠性，在出力波动不大的情况下，具有良好的预测效果；本发明提出的方法已经在国内部分省电力公司调度机构得到应用，经过验证，计算结果满足工程的实际需要。
附图说明
图1是本发明提供的基于最小二乘法的光伏电站超短期功率预测方法的整体流程图；
图2是本发明提供的最小二乘法参数拟合的流程图；
图3是本发明提供的光伏电站预测系统的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
对本发明所用到的术语进行介绍：
1、光伏电站短期功率预测技术：
光伏电站短期功率预测主要为电网制定光伏发电调度计划提供依据，其时间参数要求为：
（1）每日14点前给出光伏电站次日0-24小时输出有功功率的预测值；
（2）时间分辨率为15分钟。
2、光伏电站超短期功率预测技术：
超短期功率预测主要为电网对光伏发电的实时调度提供依据，动态更新功率预测结果以提高预测精度，其参数要求为：
（1）滚动预测未来0-4小时光伏电站输出的有功功率，每15分钟更新一次；
（2）时间分辨率为15分钟。
3、最小二乘法：
最小二乘法是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法主要用于数据的曲线拟合。
本发明提供的基于最小二乘法的光伏电站超短期功率预测方法的整体流程图如图1所示，包括下述步骤：
A、确定光伏电站所处位置在预测日的日出日落时间：
确定经纬度处每日的日出和日落时间，分别用下述表达式表示：
R＝24×(180+z×15-α-K)/360        （1）；
D＝24×(1+(z×15-α)/180)-R        （2）；
其中：K＝cos-1(-tan(-23.4×cos(360×(t+9)/365))×tanβ)，R为日出时间，D为日落时间，z为时区，α为经度，β为纬度，t为日期序列数。
B、将预测数据滚动输入到预测系统中：
预测数据包括：
<1>滚动输入包含预测时刻在内的前十天短期预测功率HisPre_P和实际功率Rel_P，如2011年5月15日14时0分执行预测，则需要包含2011年5月5日14时0分至2011年5月15日14时0分共10天的数据，以15分钟为时间间隔。数据按时间先后排序，最后一个点为当前时刻的数据；
<2>滚动输入未来四小时的短期预测功率FutPre_P，如2011年5月15日14时0分执行预测，则需要包含2011年5月15日14时15分至18时0分的短期预测功率，以15分钟为时间间隔。数据按时间先后排序，最后一个点为未来第四小时对应时刻的数据。
所述光伏电站功率预测系统，其结构示意图如图3所示，包括：
（1）预测系统数据库：预测系统的数据中心，各软件模块均通过系统数据库完成数据的交互。系统数据库存储来自数值天气预报处理模块的数值天气预报数据、预测结果数据和EMS系统接口模块产生的光伏电站实际功率数据；
（2）数值天气预报处理模块：从数值天气预报服务商的服务器下载数值天气预报数据，经过处理后形成各预测光伏电站预测时段的数值天气预报数据送入预测系统数据库。
（3）实时气象数据处理模块：由各光伏电站端接收自动气象站数据，主要包括辐照强度、温度、风速等，经过处理，实时传送至预测系统数据库。
（4）短期预测模块：从系统数据库中取出数值天气预报数据，由预测模型计算出次日的预测结果，并将预测结果送回系统数据库。
（5）超短期预测模块：从预测系统数据库中取出光伏电站实际功率数据和历史短期预测功率数据，由预测模型计算出未来4小时的输出功率，并将预测结果送回预测系统数据库。超短期预测模块每15分钟执行一次。
（6）EMS系统接口模块：将光伏电站的实际功率数据传送到系统数据库中。
（7）图形用户界面模块：与用户交互，完成数据及曲线显示，系统管理及维护等功能。
C、对滚动输入到预测系统中实际功率数据中的异常数据进行筛选：
对于实际功率Rel_P数据序列，将存在下述情况的异常数据置为NaN，包括：
a、小于0的数据点；
b、在日出日落时间内连续1小时均值非零且标准差为零的数据序列；
c、连续24小时以上均值为零且标准差为零的数据序列。
D、采用最小二乘法对预测时刻未来四小时对应时刻的历史短期预测功率和历史实际功率进行参数拟合，其流程图如图2所示，包括下述步骤：
①在预测时刻，从实际功率Rel_P数据序列RPi中提取RPk，其中：i=1,2…，n，k＝n-96×m+1，n-96×m+2，……，n-96×m+16，m的初始值为1；RPk是指按照k的序号从RPi中提取的子集，共计16个数；
②对RPk进行完整性判断：若RPk为空或数据个数不足16个，则输出校正拟合参数η={1,0}，参数拟合结束；否则进入步骤③；
③对RPk进行异常判断，若存在以下情况则该数据存在异常：
1>RPk的数据中值为NaN的个数超过总数据长度的一半；
2>对RPk进行差分Δp＝diff(RPk)，Δp满足
Figure BDA00003299978300071
其中Δpj=RPn-96×m+j+1-RPn-96×m+j，j=1,2,…，15；Cap为光伏电站的装机容量；
④若RPk存在异常，则返回步骤①，并进行m=m+1操作，即m在原值的基础上加1；
若不存在异常，则从历史短期功率预测HisPre_P数据序列HPi中提取HPk；其中：i=1,2…，nk＝n-96×m+1，n-96×m+2，……，n-96×m+16;HPk是指按照k的序号从HPi中提取的子集，共计16个数；
⑤采用最小二乘法对RPk和HPk进行参数拟合，得到拟合参数η＝{η1,η2}，并使
Figure BDA00003299978300074
使得和RPk二者对应数据差值的平方和最小，即令
Figure BDA00003299978300076
为最小，其中
Figure BDA00003299978300072
η1,η2代表拟合出来的参数，分别表示数值大小；
Figure BDA00003299978300073
表示根据拟合参数计算出来的RPk的估算值（最小二乘法的最终目的就是使二者的差值的平方和最小）。
E、确定未来四小时内的超短期预测功率值：利用步骤D得到的拟合参数η，得到光伏电站未来四小时的超短期预测功率值为：Pre_final＝η1×FutPre_P+η2。
F、将未来四小时内的超短期预测功率值Pre_final所包含的时段在小于日出时间R或大于日落时间D的功率预测值置为零。
本发明利用最小二乘法获取与预测时刻未来四小时对应的历史同期短期预测功率与实际功率的曲线关系，拟合出校正参数；利用校正参数，对预测时刻未来四小时的短期预测功率数据进行校正，从而得到超短期功率预测结果。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于最小二乘法的光伏电站超短期功率预测方法，其特征在于，所述方法包括下述步骤：
A、确定光伏电站所处位置在预测日的日出日落时间；
B、将预测数据滚动输入到预测系统中；
C、对滚动输入到预测系统的实际功率数据中存在的异常数据进行筛选；
D、采用最小二乘法对预测时刻未来四小时对应时刻的历史短期预测功率和历史实际功率进行参数拟合；
E、确定未来四小时内的超短期预测功率值；
F、将未来四小时内的超短期预测功率值所包含的时段在小于日出时间或大于日落时间的功率预测值置为零。
2.如权利要求1所述的光伏电站超短期功率预测方法，其特征在于，所述步骤A中，日出时间和日落时间分别用下述表达式表示：
R＝24×(180+z×15-α-K)/360        （1）；
D＝24×(1+(z×15-α)/180)-R        （2）；
其中：K＝cos-1(-tan(-23.4×cos(360×(t+9)/365))×tanβ)，R为日出时间，D为日落时间，z为时区，α为经度，β为纬度，t为日期序列数。
3.如权利要求1所述的光伏电站超短期功率预测方法，其特征在于，所述步骤B中，所述预测数据包括：
<1>滚动输入包含预测时刻在内的前十天短期预测功率HisPre_P和实际功率Rel_P；
<2>滚动输入未来四小时的短期预测功率FutPre_P；
所述光伏电站功率预测系统包括：
1）预测系统数据库：用于存储来自数值天气预报处理模块的数值天气预报数据、预测结果数据和EMS系统接口模块产生的光伏电站实际功率数据；
2）数值天气预报处理模块：用于从数值天气预报服务商的服务器下载数值天气预报数据，经过处理后形成各预测光伏电站预测时段的数值天气预报数据送入预测系统数据库；
3）实时气象数据处理模块：由光伏电站端接收自动气象站数据，实时传送至预测系统数据库；
4）短期预测模块：从预测系统数据库中取出数值天气预报数据，由预测模型计算出次日的预测结果，并将预测结果送回预测系统数据库；
（5）超短期预测模块：从预测系统数据库中取出光伏电站实际功率数据和历史短期预测功率数据，由预测模型计算出未来4小时的输出功率，并将预测结果送回预测系统数据库；超短期预测模块每15分钟执行一次；
（6）EMS系统接口模块：将光伏电站的实际功率数据传送到系统数据库中；
（7）图形用户界面模块：与用户交互，用于完成数据及曲线显示，系统管理及维护。
4.如权利要求1所述的光伏电站超短期功率预测方法，其特征在于，所述步骤C中，对于实际功率Rel_P数据序列，将存在下述情况的异常数据置为NaN，包括：
a、小于0的数据点；
b、在日出日落时间内连续1小时均值非零且标准差为零的数据序列；
c、连续24小时以上均值为零且标准差为零的数据序列。
5.如权利要求1所述的光伏电站超短期功率预测方法，其特征在于，所述步骤D中，参数拟合包括下述步骤：
①在预测时刻，从实际功率Rel_P数据序列RPi中提取RPk，其中：i=1,2…，n，k＝n-96×m+1，n-96×m+2，……，n-96×m+16，m的初始值为1；RPk是指按照k的序号从RPi中提取的子集，共计16个数；
②对RPk进行完整性判断：若RPk为空或数据个数不足16个，则输出校正拟合参数η={1,0}，参数拟合结束；否则进入步骤③；
③对RPk进行异常判断，若存在以下情况则该数据存在异常：
1>RPk的数据中值为NaN的个数超过总数据长度的一半；
2>对RPk进行差分Δp＝diff(RPk)，Δp满足其中Δpj=RPn-96×m+j+1-RPn-96×m+j，j=1,2,…，15；Cap为光伏电站的装机容量；
④若RPk存在异常，则返回步骤①，并进行m=m+1操作，即m在原值的基础上加1；
若不存在异常，则从历史短期功率预测HisPre_P数据序列HPi中提取HPk；其中：i=1,2…，n，k＝n-96×m+1，n-96×m+2，……，n-96×m+16;HPk是指按照k的序号从HPi中提取的子集，共计16个数；
⑤采用最小二乘法对RPk和HPk进行参数拟合，得到拟合参数η＝{η1,η2}，并使
Figure FDA00003299978200032
使得
Figure FDA00003299978200033
和RPk二者对应数据差值的平方和最小，即令
Figure FDA00003299978200034
为最小，其中
Figure FDA00003299978200031
η1,η2代表拟合出来的参数，分别表示数值大小；
Figure FDA00003299978200035
表示根据拟合参数计算出来的RPk的估算值。
6.如权利要求1所述的光伏电站超短期功率预测方法，其特征在于，所述步骤E中，利用步骤D得到的拟合参数η，得到光伏电站未来四小时的超短期预测功率值为：Pre_final＝η1×FutPre_P+η2。
CN201310219353.6A 2013-06-04 2013-06-04 一种基于最小二乘法的光伏电站超短期功率预测方法 Active CN103390902B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310219353.6A CN103390902B (zh) 2013-06-04 2013-06-04 一种基于最小二乘法的光伏电站超短期功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310219353.6A CN103390902B (zh) 2013-06-04 2013-06-04 一种基于最小二乘法的光伏电站超短期功率预测方法

Publications (2)

Publication Number Publication Date
CN103390902A true CN103390902A (zh) 2013-11-13
CN103390902B CN103390902B (zh) 2015-04-29

Family

ID=49535097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310219353.6A Active CN103390902B (zh) 2013-06-04 2013-06-04 一种基于最小二乘法的光伏电站超短期功率预测方法

Country Status (1)

Country Link
CN (1) CN103390902B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617464A (zh) * 2013-12-10 2014-03-05 钱胜利 用于风功率的超短期预测的装置及预测方法
CN103984859A (zh) * 2014-05-12 2014-08-13 武汉东日科技有限公司 一种基于多元回归算法的太阳日照率计算的方法及系统
CN103984991A (zh) * 2014-05-12 2014-08-13 武汉东日科技有限公司 一种基于微气象数据的分布式太阳能辐射预测方法及系统
CN104239979A (zh) * 2014-10-09 2014-12-24 国电南瑞科技股份有限公司 一种风电场发电功率超短期预测方法
CN104268659A (zh) * 2014-10-09 2015-01-07 国电南瑞科技股份有限公司 一种光伏电站发电功率超短期预测方法
CN104850914A (zh) * 2015-05-29 2015-08-19 东南大学 一种基于特征建模的新能源发电量预测方法
CN105589998A (zh) * 2015-12-23 2016-05-18 华北电力大学 一种光伏输出功率超短期预测方法
CN105680461A (zh) * 2014-11-18 2016-06-15 国家电网公司 一种光伏电站与储能系统联合发电平滑出力方法
CN106095836A (zh) * 2016-06-01 2016-11-09 新奥泛能网络科技股份有限公司 一种动态参数自适应拟合方法及装置
CN106233555A (zh) * 2014-03-31 2016-12-14 天瑟咨询有限公司 发电系统分析装置以及方法
CN106548270A (zh) * 2016-09-30 2017-03-29 许昌许继软件技术有限公司 一种光伏电站功率异常数据辨识方法及装置
CN106656032A (zh) * 2016-08-29 2017-05-10 华北电力大学（保定） 针对雾霾积灰的光伏发电功率输出减少率估计方法
CN108268963A (zh) * 2016-12-30 2018-07-10 中国电力科学研究院 一种自修正检验的光伏功率短期预测方法
CN108475922A (zh) * 2015-12-15 2018-08-31 Abb瑞士股份有限公司 预测太阳能逆变器每日可产生电力的方法
CN109101659A (zh) * 2018-09-03 2018-12-28 贵州电网有限责任公司 一种小水电数据采集系统中功率数据异常的方法
CN112200464A (zh) * 2020-10-14 2021-01-08 国网山东省电力公司聊城供电公司 计及空间相关性的光伏电站出力数据的修正方法及系统
CN114236232A (zh) * 2021-12-16 2022-03-25 广州城市理工学院 一种考虑频率变化趋势的小水电频率预测方法
CN115065104A (zh) * 2022-08-15 2022-09-16 中通服建设有限公司 一种微电网多能源集成调度系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969207A (zh) * 2010-09-16 2011-02-09 国网电力科学研究院 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法
US20120221158A1 (en) * 2011-02-28 2012-08-30 General Electric Company System and method for load forecasting
CN102810861A (zh) * 2012-08-23 2012-12-05 海南汉能光伏有限公司 光伏发电系统发电量预测方法和系统
CN103001249A (zh) * 2012-11-15 2013-03-27 中国电力科学研究院 基于bp神经网络的风电场短期功率预测方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101969207A (zh) * 2010-09-16 2011-02-09 国网电力科学研究院 结合卫星遥感与气象遥测技术的光伏超短期功率预测方法
US20120221158A1 (en) * 2011-02-28 2012-08-30 General Electric Company System and method for load forecasting
CN102810861A (zh) * 2012-08-23 2012-12-05 海南汉能光伏有限公司 光伏发电系统发电量预测方法和系统
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
CN103001249A (zh) * 2012-11-15 2013-03-27 中国电力科学研究院 基于bp神经网络的风电场短期功率预测方法

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617464B (zh) * 2013-12-10 2016-08-17 北方大贤风电科技（北京）有限公司 用于风功率的超短期预测的装置及预测方法
CN103617464A (zh) * 2013-12-10 2014-03-05 钱胜利 用于风功率的超短期预测的装置及预测方法
CN106233555A (zh) * 2014-03-31 2016-12-14 天瑟咨询有限公司 发电系统分析装置以及方法
CN106233555B (zh) * 2014-03-31 2018-11-09 天瑟咨询有限公司 发电系统分析装置以及方法
CN103984859A (zh) * 2014-05-12 2014-08-13 武汉东日科技有限公司 一种基于多元回归算法的太阳日照率计算的方法及系统
CN103984991A (zh) * 2014-05-12 2014-08-13 武汉东日科技有限公司 一种基于微气象数据的分布式太阳能辐射预测方法及系统
CN103984859B (zh) * 2014-05-12 2017-04-12 武汉东日科技有限公司 一种基于多元回归算法确定太阳日照率的方法及系统
CN103984991B (zh) * 2014-05-12 2017-03-29 武汉东日科技有限公司 一种基于微气象数据的分布式太阳能辐射预测方法及系统
CN104268659A (zh) * 2014-10-09 2015-01-07 国电南瑞科技股份有限公司 一种光伏电站发电功率超短期预测方法
CN104239979A (zh) * 2014-10-09 2014-12-24 国电南瑞科技股份有限公司 一种风电场发电功率超短期预测方法
CN104268659B (zh) * 2014-10-09 2017-12-29 国电南瑞科技股份有限公司 一种光伏电站发电功率超短期预测方法
CN104239979B (zh) * 2014-10-09 2017-11-10 国电南瑞科技股份有限公司 一种风电场发电功率超短期预测方法
CN105680461A (zh) * 2014-11-18 2016-06-15 国家电网公司 一种光伏电站与储能系统联合发电平滑出力方法
CN105680461B (zh) * 2014-11-18 2017-12-15 国家电网公司 一种光伏电站与储能系统联合发电平滑出力方法
CN104850914A (zh) * 2015-05-29 2015-08-19 东南大学 一种基于特征建模的新能源发电量预测方法
CN104850914B (zh) * 2015-05-29 2018-07-17 东南大学 一种基于特征建模的新能源发电量预测方法
CN108475922A (zh) * 2015-12-15 2018-08-31 Abb瑞士股份有限公司 预测太阳能逆变器每日可产生电力的方法
CN105589998A (zh) * 2015-12-23 2016-05-18 华北电力大学 一种光伏输出功率超短期预测方法
CN106095836A (zh) * 2016-06-01 2016-11-09 新奥泛能网络科技股份有限公司 一种动态参数自适应拟合方法及装置
CN106656032A (zh) * 2016-08-29 2017-05-10 华北电力大学（保定） 针对雾霾积灰的光伏发电功率输出减少率估计方法
CN106656032B (zh) * 2016-08-29 2018-08-07 华北电力大学（保定） 针对雾霾积灰的光伏发电功率输出减少率估计方法
CN106548270A (zh) * 2016-09-30 2017-03-29 许昌许继软件技术有限公司 一种光伏电站功率异常数据辨识方法及装置
CN108268963A (zh) * 2016-12-30 2018-07-10 中国电力科学研究院 一种自修正检验的光伏功率短期预测方法
CN108268963B (zh) * 2016-12-30 2022-08-19 中国电力科学研究院 一种自修正检验的光伏功率短期预测方法
CN109101659A (zh) * 2018-09-03 2018-12-28 贵州电网有限责任公司 一种小水电数据采集系统中功率数据异常的方法
CN112200464A (zh) * 2020-10-14 2021-01-08 国网山东省电力公司聊城供电公司 计及空间相关性的光伏电站出力数据的修正方法及系统
CN112200464B (zh) * 2020-10-14 2023-04-28 国网山东省电力公司聊城供电公司 计及空间相关性的光伏电站出力数据的修正方法及系统
CN114236232A (zh) * 2021-12-16 2022-03-25 广州城市理工学院 一种考虑频率变化趋势的小水电频率预测方法
CN115065104A (zh) * 2022-08-15 2022-09-16 中通服建设有限公司 一种微电网多能源集成调度系统

Also Published As

Publication number Publication date
CN103390902B (zh) 2015-04-29

Similar Documents

Publication Publication Date Title
CN103390902B (zh) 一种基于最小二乘法的光伏电站超短期功率预测方法
Hajipour et al. Stochastic capacity expansion planning of remote microgrids with wind farms and energy storage
Cau et al. Energy management strategy based on short-term generation scheduling for a renewable microgrid using a hydrogen storage system
Hozouri et al. On the use of pumped storage for wind energy maximization in transmission-constrained power systems
Hart et al. The potential of intermittent renewables to meet electric power demand: Current methods and emerging analytical techniques
CN102427244B (zh) 大规模光伏风电信息接入系统
Darras et al. PV output power fluctuations smoothing: The MYRTE platform experience
CN102567809B (zh) 光伏电站发电输出功率预测系统
CN104915737A (zh) 基于风险控制含大规模风电的电力系统协调经济调度方法
Shufian et al. Modeling and analysis of cost-effective energy management for integrated microgrids
CN106384168A (zh) 针对特性各异电源的多目标协调优化调度模型
CN103904695B (zh) 一种基于mcs-pso的临近海岛多微网动态调度方法
CN102521670A (zh) 基于气象要素的光伏电站发电输出功率预测方法
CN104268659A (zh) 一种光伏电站发电功率超短期预测方法
CN103679282A (zh) 风电功率爬坡的预测方法
CN105391093A (zh) 小水电群并网运行优化调度方法
Elkholy et al. A resilient and intelligent multi-objective energy management for a hydrogen-battery hybrid energy storage system based on MFO technique
Bernal-Rubiano et al. Mathematical uncertainty cost functions for controllable photo-voltaic generators considering uniform distributions
Zamanidou et al. Day‐ahead scheduling of a hybrid renewable energy system based on generation forecasting using a deep‐learning approach
Yan et al. Practical flexibility analysis on europe power system with high penetration of variable renewable energy
Brenna et al. Ancillary services provided by BESS in a scenario characterized by an increasing penetration of unpredictable renewables
Brka Optimisation of stand-alone hydrogen-based renewable energy systems using intelligent techniques
Badulescu et al. Integration of photovoltaics in a sustainable irrigation system for agricultural purposes
Hovsapian Role of electrolyzers in grid services
Comaty et al. Ist das geplante Stromsystem der Schweiz für die Umsetzung der Energiestrategie 2050 aus technischer Sicht geeignet?

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