CN104268659B - 一种光伏电站发电功率超短期预测方法 - Google Patents
一种光伏电站发电功率超短期预测方法 Download PDFInfo
- Publication number
- CN104268659B CN104268659B CN201410524926.0A CN201410524926A CN104268659B CN 104268659 B CN104268659 B CN 104268659B CN 201410524926 A CN201410524926 A CN 201410524926A CN 104268659 B CN104268659 B CN 104268659B
- Authority
- CN
- China
- Prior art keywords
- power
- short
- data
- term
- photovoltaic power
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010248 power generation Methods 0.000 title claims abstract description 32
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏电站发电功率超短期预测方法,包括如下步骤:步骤1:获取光伏电站的历史实测功率数据和短期预测功率数据;步骤2:对所述光伏电站的历史实测功率数据和短期预测功率数据进行数据预处理;步骤3:根据预处理后的光伏电站的历史实测功率数据和短期预测功率数据,利用基于预测时间长度的光伏电站发电功率超短期预测模型得到不同的预测时间长度对应的光伏电站的超短期预测功率;步骤4:根据所获得的光伏电站的超短期预测功率确定光伏电站发电功率超短期预测模型的最佳预测时间长度;步骤5:采用基于最佳预测时间长度的光伏电站发电功率超短期预测模型进行光伏电站的超短期功率预测。提高光伏电站发电功率超短期预测精度。
Description
技术领域
本发明涉及一种光伏电站发电功率超短期预测方法,属于光伏发电功率预测技术领域。
背景技术
在当今全球化石能源日益紧缺、环境污染日益恶化等压力下,合理开发可再生能源,提高能源的利用率,是解决我国经济和社会快速发展过程中日益凸显的能源需求增长与能源紧缺、能源利用与环境保护之间矛盾的必然选择。太阳能作为一种可再生绿色清洁能源,逐渐受到各国青睐,光伏发电得到快速发展。但由于光伏发电天然具有的间歇性、波动性和周期性等特点,光伏发电并网给整个电网的安全稳定经济运行造成了巨大的影响。因此开展光伏电站发电功率预测技术的研究至关重要,对光伏电站发电功率进行较为准确的预测,一方面有助于电力调度部门提前了解光伏电站发电功率变化,优化调整电网实时调度计划,统筹安排常规能源和光伏发电的协调配合;另一方面有助于电力系统减少旋转备用容量,降低运行成本。
根据分类标准的不同,光伏电站发电功率预测有多种分类方法。按照预测时间尺度的不同,可分为短期预测(预测未来0~72小时或更长时间)、超短期预测(预测未来0~4小时);按照预测模型对象的不同,可分为基于辐照度预测的间接法、基于功率预测的直接法;按照预测模型原理的不同,可分为统计方法、物理方法、统计与物理相结合的方法。
光伏电站发电功率超短期预测是指对光伏电站未来0~4小时的发电功率进行预测,现有的光伏电站发电功率超短期预测多采用单一数据源、单种预测方法对光伏电站未来0~4小时的发电功率进行预测。也有采用多种预测方法组合预测,但都是将多种预测方法串联,依次对单一数据源进行处理。在实际工程应用中,一旦出现输入数据源暂时中断的情况,就会导致该时刻的预测失败,影响光伏电站发电功率超短期预测精度。由于光伏电站发电功率超短期预测结果直接影响着电网实时调度计划的优化调整,因此亟需开展光伏电站发电功率超短期预测技术的研究,降低光伏发电并网对整个电网的不利影响,提高电力系统中的光伏装机比例。
发明内容
针对上述问题,本发明提供一种光伏电站发电功率超短期预测方法,提高光伏电站发电功率超短期预测精度,为电力调度部门依据光伏电站发电功率超短期预测结果提前了解光伏电站发电功率变化,优化调整电网实时调度计划,统筹安排常规能源和光伏发电的协调配合,减少电力系统旋转备用容量,降低运行成本。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种光伏电站发电功率超短期预测方法,其特征在于,包括如下步骤:
步骤1:获取光伏电站的历史实测功率数据和短期预测功率数据;
步骤2:对所述光伏电站的历史实测功率数据和短期预测功率数据进行剔除无效数据的预处理;
步骤3:根据预处理后的光伏电站的历史实测功率数据和短期预测功率数据,利用基于预测时间长度的光伏电站发电功率超短期预测模型得到不同的预测时间长度对应的光伏电站的超短期预测功率;
步骤4:根据所获得的光伏电站的超短期预测功率确定光伏电站发电功率超短期预测模型的最佳预测时间长度;
步骤5:采用基于最佳预测时间长度的光伏电站发电功率超短期预测模型进行光伏电站的超短期功率预测。
光伏电站发电功率超短期预测主要采用数理统计法,对光伏电站所在地环境气象站的历史观测数据和周边气象台站的历史观测数据进行分析,根据实际需要选择逐步回归法、时间序列法、BP神经网络法等方法进行光伏发电预测建模试验,最后选取预测效果最好的一种光伏发电预测模型。
与现有技术相比,本发明的有益效果在于:
1.本发明通过比较不同预测时间长度的光伏电站发电功率超短期预测模型得到的光伏电站超短期预测功率结果,建立基于最佳预测时间长度的光伏电站发电功率超短期预测模型,有效提高了光伏电站发电功率超短期预测的精度。
2.本发明通过对光伏电站光伏发电过程中的超短期功率进行预测,能够为电力调度部门依据光伏电站发电功率超短期预测结果提前了解光伏电站发电功率变化,优化调整电网实时调度计划,统筹安排常规能源和光伏发电的协调配合,减少电力系统旋转备用容量,降低运行成本。
3.本发明采用光伏电站实测功率和短期预测功率作为光伏电站发电功率超短期预测的输入数据源,并对其进行去除无效数据的预处理,利用基于预测时间长度的光伏电站发电功率超短期预测模型得到不同的预测时间长度对应的光伏电站的超短期预测功率,以此建立基于最佳预测时间长度的光伏电站发电功率超短期预测模型,滚动实现发电功率超短期预测,有效提高光伏电站发电功率超短期预测精度,规避数据异常对预测精度的影响,为实现光伏电站发电功率超短期预测提供基础和保障。
本发明的有益效果是:提高光伏电站发电功率超短期预测精度,为电力调度部门依据光伏电站发电功率超短期预测结果提前了解光伏电站发电功率变化,优化调整电网实时调度计划,统筹安排常规能源和光伏发电的协调配合,减少电力系统旋转备用容量,降低运行成本。
附图说明
图1是本发明一种光伏电站发电功率超短期预测方法的总体流程图;
图2是本发明步骤3的流程图;
图3是本发明实施例中光伏电站的超短期预测第1个点的功率与实测功率的对比曲线图;
图4是本发明实施例中光伏电站的超短期预测第16个点的功率与实测功率的对比曲线图。
具体实施方式
下面结合附图和具体的实施例对本发明技术方案作进一步的详细描述,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
一种光伏电站发电功率超短期预测方法,其总体流程图如图1所示,包括如下步骤:
步骤1:获取光伏电站的历史实测功率数据和短期预测功率数据;
步骤2:对所述光伏电站的历史实测功率数据和短期预测功率数据进行去除无效数据的预处理;
步骤3:根据预处理后的光伏电站的历史实测功率数据和短期预测功率数据,利用基于预测时间长度的光伏电站发电功率超短期预测模型得到不同的预测时间长度对应的光伏电站的超短期预测功率,优选,不同的预测时间长度包括:4h、5h、6h、7h、8h、9h、10h、11h、12h。
步骤4:根据所获得的光伏电站的超短期预测功率确定光伏电站发电功率超短期预测模型的最佳预测时间长度;
步骤5:采用基于最佳预测时间长度的光伏电站发电功率超短期预测模型进行光伏电站的超短期功率预测。
优选,各个步骤的具体内容如下:
步骤1具体包括如下步骤:
步骤1.1:从发报时刻ti开始向前依次获取光伏电站ti-1T、ti-2T、…、ti-mT时刻对应的实测功率数据F1、F2、…、Fm,记历史实测功率数据集合Fs={F1,F2,…,Fm};
步骤1.2:从发报时刻ti开始向前依次获取光伏电站ti-1T、ti-2T、…、ti-mT时刻对应的短期预测功率数据P1、P2、…、Pm,记过去时刻短期预测功率数据集合Ps={P1,P2,…,Pm};
步骤1.3:从发报时刻ti开始向后依次获取光伏电站ti+1T、ti+2T、…、ti+kT时刻对应的短期预测功率数据P1+、P2+、…、Pk+,记未来时刻短期预测功率数据集合Pj+={P1+,P2+,…,Pk+};
即短期预测功率数据包括Ps和Pj+,其可以通过现有技术获得。其中,i、m、k均为正整数,T为时间分辨率,优选,T是15min或5min,k≥4*60/T。
步骤2具体包括如下步骤:
步骤2.1:对历史实测功率数据集合Fs按以下算法进行数据预处理:
(1)若光伏电站某一时刻的实测功率数据Fs超过光伏电站的装机容量Cap,则令光伏电站该时刻的实测功率数据以装机容量代替,即若Fs>Cap,则令Fs=Cap,其中,s∈[1,m],Cap为光伏电站装机容量。
(2)若光伏电站某一时刻的实测功率数据Fs为负数且大于一个设定的负数γ,则令Fs以零代替,即若γ<Fs<0,则令Fs=0。
(3)若光伏电站某一时刻的实测功率数据Fs小于γ,则认为该时刻的实测功率数据无效,置该时刻的实测功率数据为无效标志数据。
其他情形下,即0≤Fs≤Cap时,Fs是有效数值,其值不改变。
经步骤2.1处理后得到新的集合F′s={F′1,F′2,…,F′m}。
步骤2.2:对过去时刻短期预测功率数据集合Ps按以下算法进行数据预处理:
(1)若光伏电站某一时刻的短期预测功率数据Ps超过光伏电站的装机容量Cap,则令光伏电站该时刻的短期预测功率数据以装机容量代替,即若Ps>Cap,则令Ps=Cap。
(2)若光伏电站某一时刻的短期预测功率数据为负数,则认为光伏电站该时刻的短期预测功率数据无效,置该时刻的短期预测功率数据为无效标志数据。
其他情形下,即0≤Ps≤Cap时,Ps是有效数值,其值不改变。
经步骤2.2处理后得到新的集合P′s={P′1,P′2,…,P′m}。
步骤2.3:对未来时刻短期预测功率数据集合Pj+按以下算法进行数据预处理:
(1)若光伏电站某一时刻的短期预测功率数据超过光伏电站的装机容量Cap,则令光伏电站该时刻的短期预测功率数据以装机容量代替,即若Pj+>Cap,则令Pj+=Cap,其中,j∈[1,k]。
(2)若光伏电站某一时刻的短期预测功率数据为负数,则令光伏电站该时刻的短期预测功率数据等于前一时刻的短期预测功率数据代替,即若Pj+<0,则令Pj+=P(j-1)+。
其他情形下,即0≤Pj+≤Cap时,Pj+是有效数值,其值不改变。
经步骤2.3处理后得到新的集合P′J+={P′1+,P′2+,…,P′k+}。
步骤3具体包括如图2所示的步骤:
步骤3.1:从F′s和P′s集合中选取离发报时刻ti最近的同一时刻数据均有效的实测功率数据和短期预测功率数据,作为计算预报时刻超短期预测功率的基准时刻tb数据,基准时刻实测功率与短期预测功率的差值采用下述公式计算:
δ(ti)=Pb-Fb
其中,δ(ti)为发报时刻ti所选取的基准时刻光伏电站的实测功率与短期预测功率的差值,Pb为基准时刻的光伏电站的短期预测功率数据,Fb为基准时刻的光伏电站的实测功率数据。
步骤3.2:设预测时间长度为ρ(单位为小时),则预报时刻tj的权重系数采用下述公式计算:
其中,为相对于发报时刻ti的第j个预报时刻tj的权重系数,j为正整数,j∈[i+1,i+k],预测时间长度ρ为正整数,ρ≥4,因为超短期光伏发电功率预测应能够预测未来0~4h的光伏发电功率。
步骤3.3:根据预处理后的短期预测功率数据P′j+,基于预测时间长度ρ建立预报时刻tj的光伏电站发电功率超短期预测模型为:
式中,为光伏电站相对于发报时刻ti的第j个预报时刻的超短期预测功率。
步骤3.4:采用基于预测时间长度的光伏电站发电功率超短期预测模型得到每一种预测时间长度的超短期ρ*60/T个点的预测功率。
步骤4具体包括如下步骤:
步骤4.1:针对每一种预测时间长度,分别计算一段评估时间(不包括光伏电站出力为零的晚间时段)内其光伏电站发电功率超短期预测每个点的均方根误差。
所述光伏电站发电功率超短期预测第j个点的均方根误差采用下述公式计算:
其中,RMSEj表示每次发报时刻第j个点的均方根误差,n*60/T为评估时间段(不包括光伏电站出力为零的晚间时段)内点的个数,n为小时数,Fi+j为相对于发报时刻ti的第i+j个点的光伏电站的实测功率。
步骤4.2:分别对每一种预测时间长度的光伏电站发电功率超短期预测前4个小时共4*60/T个点的均方根误差累加求和,当T取15min时,分别对每一种预测时间长度的光伏电站发电功率超短期预测前4个小时共16个点的均方根误差累加求和,即
其中,表示预测时间长度为ρ时,光伏电站发电功率超短期预测前4个小时共16个点的均方根误差之和。
步骤4.3:选择均方根误差之和最小时对应的预测时间长度为最佳预测时间长度。
选择均方根误差之和最小时对应的预测时间长度为最佳预测时间长度,即比较每一种预测时间长度的光伏电站发电功率超短期预测前4个小时共16个点的均方根误差之和选择最小时对应的预测时间长度作为光伏电站发电功率超短期预测模型的最佳预测时间长度,从而得到基于最佳预测时间长度的光伏电站发电功率超短期预测模型。
步骤5:采用得到的基于最佳预测时间长度的光伏电站发电功率超短期预测模型进行光伏电站的超短期功率预测。
下面以具体实施例对本发明作进一步说明。
依据以上具体实施方式,本发明在西藏地区某光伏电站的实际应用案例如下:该光伏电站装机容量Cap为10.0MW,采集2014年5月20日至6月18日共30天的实测功率数据及对应时刻的短期预测功率数据15分钟的平均值作为样本数据,取每日早7:30至晚19:30之间的数据作为有效数据,共1470个;经步骤2数据预处理后剔除无效标志数据,得到新的有效数据,共1421个;从新的有效数据中选择后22天共1078个数据作为选择最佳预测时间长度的训练样本集。给定预测时间长度ρ∈[4,12],通过步骤4得到最佳预测时间长度ρ为9h,其光伏电站发电功率超短期预测16个点的均方根误差及均方根误差之和如表1所示。
表1 最佳预测时间长度ρ为9h时超短期预测16个点的均方根误差及均方根误差
最佳预测时间长度确定后,以6月19日的有效实测功率数据及对应时刻的有效短期预测功率数据作为验证数据,每15分钟预测一次,每次预测光伏电站未来4小时16个点的超短期功率。图3为本发明优选实施例的光伏电站2014年6月19日的超短期预测第1个点的功率与实测功率的对比曲线图,图4为本发明优选实施例的光伏电站2014年6月19日的超短期预测第16个点的功率与实测功率的对比曲线图。由表1和图3及图4可见,预测模型具有良好的预测精度。方便电力调度部门依据光伏电站发电功率超短期预测结果提前了解光伏电站发电功率变化,优化调整电网实时调度计划,统筹安排常规能源和光伏发电的协调配合,减少电力系统旋转备用容量,降低运行成本。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或者等效流程变换,或者直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种光伏电站发电功率超短期预测方法,其特征在于,包括如下步骤:
步骤1:获取光伏电站的历史实测功率数据和短期预测功率数据;
步骤2:对所述光伏电站的历史实测功率数据和短期预测功率数据进行剔除无效数据的预处理;
步骤3:根据预处理后的光伏电站的历史实测功率数据和短期预测功率数据,利用基于预测时间长度的光伏电站发电功率超短期预测模型得到不同的预测时间长度对应的光伏电站的超短期预测功率,预测时间长度为ρ,ρ≥4小时;
步骤4:根据所获得的光伏电站的超短期预测功率确定光伏电站发电功率超短期预测模型的最佳预测时间长度;
步骤5:采用基于最佳预测时间长度的光伏电站发电功率超短期预测模型进行光伏电站的超短期功率预测;
步骤1具体包括如下步骤:
步骤1.1:从发报时刻ti开始向前依次获取光伏电站ti-1T、ti-2T、…、ti-mT时刻对应的实测功率数据F1、F2、…、Fm,记历史实测功率数据集合Fs={F1,F2,…,Fm};
步骤1.2:从发报时刻ti开始向前依次获取光伏电站ti-1T、ti-2T、…、ti-mT时刻对应的短期预测功率数据P1、P2、…、Pm,记过去时刻短期预测功率数据集合Ps={P1,P2,…,Pm};
步骤1.3:从发报时刻ti开始向后依次获取光伏电站ti+1T、ti+2T、…、ti+kT时刻对应的短期预测功率数据P1+、P2+、…、Pk+,记未来时刻短期预测功率数据集合Pj+={P1+,P2+,…,Pk+};
其中,i、m、k均为正整数,T为时间分辨率,k≥4*60/T;
步骤2具体包括如下步骤:
步骤2.1:对历史实测功率数据集合Fs按以下算法进行数据预处理:
(1)若光伏电站某一时刻的实测功率数据Fs超过光伏电站的装机容量Cap,则令某一时刻的实测功率数据Fs=Cap;其中,s∈[1,m],Cap为光伏电站装机容量;
(2)若光伏电站某一时刻的实测功率数据Fs为负数且大于一个设定的负数γ,则令某一时刻的实测功率数据Fs=0;
(3)若光伏电站某一时刻的实测功率数据Fs小于γ,则认为该时刻的实测功率数据无效,置该时刻的实测功率数据为无效标志数据;
经步骤2.1处理后得到新的集合F′s={F′1,F′2,…,F′m};
步骤2.2:对过去时刻短期预测功率数据集合Ps按以下算法进行数据预处理:
(1)若光伏电站某一时刻的短期预测功率数据Ps超过光伏电站的装机容量Cap,则令某一时刻的短期预测功率数据Ps=Cap;
(2)若光伏电站某一时刻的短期预测功率数据为负数,则认为光伏电站该时刻的短期预测功率数据无效,置该时刻的短期预测功率数据为无效标志数据;
经步骤2.2处理后得到新的集合P′s={P′1,P′2,…,P′m};
步骤2.3:对未来时刻短期预测功率数据集合Pj+按以下算法进行数据预处理:
(1)若光伏电站某一时刻的短期预测功率数据超过光伏电站的装机容量Cap,则令某一时刻的短期预测功率数据Pj+=Cap,其中,j∈[1,k];
(2)若光伏电站某一时刻的短期预测功率数据为负数,则令光伏电站该时刻的短期预测功率数据等于前一时刻的短期预测功率数据,即令某一时刻的短期预测功率数据Pj+=P(j-1)+;
经步骤2.3处理后得到新的集合P′J+={P′1+,P′2+,…,P′k+};
步骤3具体包括如下步骤:
步骤3.1:从F′s和P′s集合中选取离发报时刻ti最近的同一时刻数据均有效的实测功率数据和短期预测功率数据,作为计算预报时刻超短期预测功率的基准时刻tb数据,得到发报时刻ti所选取的基准时刻光伏电站的实测功率与短期预测功率的差值δ(ti);
步骤3.2:设预测时间长度为ρ,ρ≥4,则预报时刻tj的权重系数采用下述公式计算:
<mrow>
<msubsup>
<mi>&lambda;</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&rho;</mi>
<mfrac>
<mn>60</mn>
<mi>T</mi>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>b</mi>
</msub>
</mrow>
<mi>T</mi>
</mfrac>
</mrow>
<mrow>
<mi>&rho;</mi>
<mfrac>
<mn>60</mn>
<mi>T</mi>
</mfrac>
</mrow>
</mfrac>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>t</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>t</mi>
<mi>b</mi>
</msub>
</mrow>
<mrow>
<mn>60</mn>
<mi>&rho;</mi>
</mrow>
</mfrac>
</mrow>
其中,为相对于发报时刻ti的第j个预报时刻tj的权重系数,j为正整数,j∈[i+1,i+k];
步骤3.3:基于预测时间长度ρ建立预报时刻tj的光伏电站发电功率超短期预测模型为:
<mrow>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>J</mi>
<mo>+</mo>
</mrow>
<mo>&prime;</mo>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mi>&delta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中,为光伏电站相对于发报时刻ti的第j个预报时刻的超短期预测功率;
步骤3.4:采用基于预测时间长度的光伏电站发电功率超短期预测模型得到每一种预测时间长度的超短期ρ*60/T个点的预测功率;
步骤4具体包括如下步骤:
步骤4.1:针对每一种预测时间长度,分别计算一段评估时间内其光伏电站发电功率超短期预测每个点的均方根误差;
步骤4.2:分别对每一种预测时间长度的光伏电站发电功率超短期预测前4个小时共4*60/T个点的均方根误差累加求和;
步骤4.3:选择均方根误差之和最小时对应的预测时间长度为最佳预测时间长度。
2.根据权利要求1所述的一种光伏电站发电功率超短期预测方法,其特征在于,在步骤3中,不同的预测时间长度包括:4h、5h、6h、7h、8h、9h、10h、11h、12h。
3.根据权利要求1所述的一种光伏电站发电功率超短期预测方法,其特征在于:
所述光伏电站发电功率超短期预测第j个点的均方根误差采用下述公式计算:
<mrow>
<msup>
<mi>RMSE</mi>
<mi>j</mi>
</msup>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mfrac>
<mn>60</mn>
<mi>T</mi>
</mfrac>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>n</mi>
<mfrac>
<mn>60</mn>
<mi>T</mi>
</mfrac>
<mi>C</mi>
<mi>a</mi>
<mi>p</mi>
</mrow>
</mfrac>
</msqrt>
</mrow>
其中,RMSEj表示每次发报时刻第j个点的均方根误差,n*60/T为评估时间段内点的个数,n为小时数,Fi+j为相对于发报时刻ti的第i+j个点的光伏电站的实测功率。
4.根据权利要求2-3任意一项所述的一种光伏电站发电功率超短期预测方法,其特征在于,所述T是15min或5min。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410524926.0A CN104268659B (zh) | 2014-10-09 | 2014-10-09 | 一种光伏电站发电功率超短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410524926.0A CN104268659B (zh) | 2014-10-09 | 2014-10-09 | 一种光伏电站发电功率超短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268659A CN104268659A (zh) | 2015-01-07 |
CN104268659B true CN104268659B (zh) | 2017-12-29 |
Family
ID=52160179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410524926.0A Active CN104268659B (zh) | 2014-10-09 | 2014-10-09 | 一种光伏电站发电功率超短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268659B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184404B (zh) * | 2015-08-31 | 2018-12-18 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
EP3182545A1 (en) * | 2015-12-15 | 2017-06-21 | ABB Schweiz AG | Method for forecasting the power daily generable by a solar inverter |
CN105760970A (zh) * | 2016-03-21 | 2016-07-13 | 重庆灵狐科技股份有限公司 | 空气质量指数的预测方法 |
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 |
CN107403015B (zh) * | 2017-08-07 | 2020-12-29 | 南京金水尚阳信息技术有限公司 | 一种基于时间序列相似性的短期光功率预测方法 |
CN108960522A (zh) * | 2018-07-16 | 2018-12-07 | 浙江电腾云光伏科技有限公司 | 一种光伏发电量预测分析方法 |
CN110265996B (zh) * | 2019-02-26 | 2023-04-07 | 国网吉林省电力有限公司 | 一种适于光伏/风电功率预测的时间特征尺度建模方法 |
CN112132364B (zh) * | 2020-11-02 | 2023-02-21 | 西安热工研究院有限公司 | 一种受云层影响的光伏电站功率预测方法、介质及设备 |
CN113378459B (zh) * | 2021-06-02 | 2022-09-02 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070119285A (ko) * | 2006-06-15 | 2007-12-20 | 한국에너지기술연구원 | 풍속패턴 분류를 통한 풍력발전 예보방법 |
CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
CN103390902A (zh) * | 2013-06-04 | 2013-11-13 | 国家电网公司 | 一种基于最小二乘法的光伏电站超短期功率预测方法 |
CN103473607A (zh) * | 2013-08-29 | 2013-12-25 | 南京南瑞集团公司 | 一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法 |
-
2014
- 2014-10-09 CN CN201410524926.0A patent/CN104268659B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20070119285A (ko) * | 2006-06-15 | 2007-12-20 | 한국에너지기술연구원 | 풍속패턴 분류를 통한 풍력발전 예보방법 |
CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
CN103390902A (zh) * | 2013-06-04 | 2013-11-13 | 国家电网公司 | 一种基于最小二乘法的光伏电站超短期功率预测方法 |
CN103473607A (zh) * | 2013-08-29 | 2013-12-25 | 南京南瑞集团公司 | 一种按轨迹特征离线优化和实时匹配外推模型的风电超短期预测方法 |
Non-Patent Citations (1)
Title |
---|
基于实测数据分析的大型风电场风电功率预测研究;刘玉;《黑龙江电力》;20110228;第11-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104268659A (zh) | 2015-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268659B (zh) | 一种光伏电站发电功率超短期预测方法 | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
CN103020487B (zh) | 一种光伏电站辐照度预测值修正方法 | |
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 | |
CN104361406B (zh) | 一种光伏电站可利用太阳能发电量预测方法 | |
Sun et al. | Research on ultra-short-term wind power prediction considering source relevance | |
CN103208029B (zh) | 基于净空模型的光伏电站超短期功率预测方法 | |
CN105787594B (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
CN110880789A (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN105678396A (zh) | 光伏电站超短时功率预测装置 | |
Wang et al. | Short-term wind speed forecasting combined time series method and arch model | |
CN110648249A (zh) | 年度电力平衡测算方法、装置及设备 | |
CN103810542A (zh) | 风电场风功率预测系统及实现方法 | |
CN105046349B (zh) | 一种计及尾流效应的风电功率预测方法 | |
CN116128167B (zh) | 一种基于云计算实时监测的分布式光伏发电分析方法 | |
CN111784030B (zh) | 一种基于空间相关性的分布式光伏功率预测方法及装置 | |
CN104036356A (zh) | 一种利用分形算法对电网未来运行状态进行预测的方法 | |
CN107422180A (zh) | 一种基于云监控的光伏电站的功率预测系统 | |
CN104239979B (zh) | 一种风电场发电功率超短期预测方法 | |
CN111178609A (zh) | 一种基于归一化拟合的区域光伏月发电量预测方法 | |
CN114336762A (zh) | 风光发电及电网负荷波动日前调度储能配置优化方法 | |
CN106712105B (zh) | 一种新能源接纳空间离散概率序列计算方法 | |
Van Sark et al. | Update of the Dutch PV specific yield for determination of PV contribution to renewable energy production: 25% more energy | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
CN106503828B (zh) | 一种光伏输出功率超短期混沌预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |