CN105590027A - 光伏功率异常数据的识别方法 - Google Patents

Abstract

本发明提供一种光伏功率异常数据的识别方法，包括：利用光伏电站辐照度和光伏功率实测数据，拟合辐照度-光伏功率Copula函数参数；根据Copula函数描述辐照度和光伏功率这两个随机变量的相关关系建立概率功率曲线；通过辐照度-光伏功率散点图，总结异常数据点特征建立异常数据判别准则；基于Copula函数和异常数据判别准则，识别筛选异常数据，建立新数据集；以及若有异常数据被识别，在剔除异常数据后重复以上步骤，对新数据集继续进行识别；若无，则直接利用判别准则和概率功率曲线，识别原始数据集中异常数据。本方法适用于各类光伏电站光伏功率异常数据识别，具有普遍性，且可解决原始数据异常数据比例高的问题。

Description

光伏功率异常数据的识别方法

技术领域

本发明属于电力系统新能源发电领域。尤其涉及一种在光伏功率数据含有高比例异常数据的条件下，光伏功率异常数据的识别方法。

背景技术

准确可信的光伏功率时间序列数据是光伏发电性能分析、功率预测等工作的基础。然而很多光伏电站现场采集的功率数据质量较差，极大阻碍了这些数据的信息挖掘和深化应用。产生光伏功率异常数据的原因众多，如通信故障、设备异常、人为限电等，其中人为限电导致的光伏功率数据异常问题在我国尤为严重。高比例的光伏功率异常数据会对光伏功率和光资源波动性研究、光伏功率与辐照度、温度等因素之间真实规律的提取造成不利影响，直接利用现场数据会降低光伏功率预测模型的精度和有效性，也会对光伏电站的运行管理、电网的运营调度产生不利影响。因此需要进行光伏功率高比例异常数据识别。

进行光伏功率异常数据识别的难点在于准确把握光伏功率数据的强随机性、分散性等特性及我国光伏数据含高比例异常数据的实际情况。现有方法多依赖对组件状态的检测，如根据组件温度和工作电压关系筛选异常数据，需要对工作电压进行检测，但是现阶段我国缺少光伏组件层级的数据，且在光伏发电性能分析和光伏功率预测中更关注场站层面的异常数据。

然而，现有方法不能完全适应我国光伏实际情况；对光伏功率分布的某个概率密度函数假定，如利用3-sigma原则进行异常数据识别，按这类假定，各个辐照度区间内光伏功率的分布规律是相互独立的，但是实际上若辐照度和光伏功率是两个具有关联性的随机变量，各个辐照度区间内的功率分布规律也不是独立的，若进行独立处理不符合实际规律，使得在实际应用中对异常数据的识别能力有限；简单异常识别规则的制定，采用规则识别的方法，一方面过分依赖于经验规律，另一方面未考虑光伏功率与主要影响因素的相关关系，使得在实际应用中识别效果欠佳；较少针对高比例异常数据问题，限电、设备故障等因素导致光伏功率数据含异常数据比例高，在实际应用中，高比例异常数据会导致统计分析结果偏离真实情况，使得异常数据误识别率高。

发明内容

综上所述，确有必要提供一种能够适应我国数据以光伏场站级数据类型为主、异常数据比例高特点的异常数据识别方法。

一种光伏功率异常数据的识别方法，包括以下步骤：利用光伏电站辐照度和光伏功率实测数据，拟合辐照度-光伏功率Copula函数参数；根据Copula函数描述辐照度和光伏功率这两个随机变量的相关关系建立概率功率曲线；通过辐照度-光伏功率散点图，总结异常数据点特征建立异常数据判别准则；基于Copula函数和异常数据判别准则，识别筛选异常数据，建立新数据集；以及若有异常数据被识别，在剔除异常数据后重复以上步骤，对新数据集继续进行识别；若无，则直接利用判别准则和概率功率曲线，识别原始数据集中异常数据。

相对于现有技术，本发明将辐照度和光伏功率作为两个随机变量，利用Copula函数描述两随机变量的相关关系，建立概率功率曲线，根据实测数据的观察建立异常数据判别准则，并针对异常数据比例高的特点，通过反复进行减少原数据集中异常数据对辐照度-功率之间真实规律发现的干扰。该方法易于操作、具有普适性，不需要复杂的优化计算，切合我国光伏数据以场站级数据为主、异常数据比例高等实际特点。

附图说明

图1为本发明提供的光伏功率异常数据的识别方法的流程图。

图2为本发明提供的光伏功率异常数据的识别方法的流程框图。

图3为甘肃某光伏电站辐照度-功率散点及异常数据类型示意图。

具体实施方式

下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。

请参阅图1及图2，本发明提供的光伏功率异常数据的识别方法包括以下步骤：

步骤S10，利用光伏电站辐照度和光伏功率实测数据，拟合辐照度-光伏功率Copula函数参数；

步骤S20，根据Copula函数描述辐照度和光伏功率这两个随机变量的相关关系建立概率功率曲线；

步骤S30，通过辐照度-光伏功率散点图，总结异常数据点特征建立异常数据判别准则；

步骤S40，基于Copula函数和异常数据判别准则，识别筛选异常数据，建立新数据集；以及

步骤S50，若有异常数据被识别，在剔除异常数据后跳转至步骤S10，对新数据集继续进行识别；若无，则直接利用判别准则和概率功率曲线，识别原始数据集中异常数据。

在步骤S10中，所述辐照度-光伏功率Copula函数参数可通过以下步骤得到：

步骤S11，获取光伏电站辐照度和功率实测数据，进行数据归一化操作，筛选已标记的错误数据；

步骤S12，利用统计分析得到光伏功率P的累积概率分布函数和辐照度R的累积概率分布函数；

步骤S13，结合辐照度-光伏功率散点图的观察，确定选取的Copula函数类型；

步骤S14，利用和，得到唯一的Copula函数C连接R和R，，拟合Copula函数参数。

在步骤S11中，已标记的错误数据指的是在数据采集过程中已被系统识别并标记为错误数据的数据。

在步骤S12中，常用的Copula函数有ClaytonCopula，GaussianCopula，FrankCopula函数等。

可以理解，上述所述的辐照度-光伏功率Copula函数参数的获取方法仅仅为具体的实施例及表达方式，还可以根据实际需要进行选择。

在步骤S20中，所述概率功率曲线可通过以下方法计算：

步骤S21，给定辐照度累计概率分布取值，确定光伏功率累计概率分布的条件概率分布函数。

步骤S22，设功率曲线的置信概率为，即有的数据落于概率区间内，的数据落于区间外。

步骤S23，设置信区间的不对称系数为，计算置信区间上下边界的分位概率，，表示数据点高于上边界的概率为，低于下边界的概率为。

步骤S24，利用光伏功率累计概率分布的条件概率分布函数计算，对应的分位数，。

步骤S25，通过光伏功率累积概率分布函数求逆计算不同辐照度r取值下光伏功率的上下边界取值和，形成概率功率曲线中的上下两条曲线。

在步骤S21中，光伏功率累计概率分布的条件概率分布函数可通过以下公式计算：

(1)；

其中，

在步骤S22中，可通过以下公式计算：

(2)

在步骤S23中，由于光伏功率异常数据的分布不一定均匀，因此设置信区间的不对称系数为，，可通过以下公式计算：

(3)

(4)

当时，置信概率区间对称，当时，置信概率区间向上偏移。

在步骤S24中，分位数，可通过以下公式计算：

(5)

(6)。

可以理解，上述概率功率曲线的获得仅为具体的实施例或表达方式，还可以根据Copula函数描述辐照度和光伏功率这两个随机变量的相关关系及实际需要进行选择，只要能够得出概率功率的分布即可。

在步骤S30中，所述异常数据判别准则可通过观察辐照度-光伏功率散点图，总结异常数据点特征获得，以我国甘肃省某光伏电站实测数据为例，请参阅图3，图3是我国甘肃某光伏电站辐照度-实测功率散点图及异常数据类型示意图，对应的异常数据判别准则如下：

表1光伏功率异常数据判别准则

其中，和是时刻t的总辐照度和光伏功率，和是对应的概率功率曲线上下边界，单位持续时间为T，、、是整数，是允许误差，和分别是需要设定的参数。

在步骤S40中，只有在概率功率曲线以外，且满足异常数据判别准则的数据点才被识别为异常数据。

在步骤S50中，若步骤S40中有异常数据被识别，则在剔除识别的异常数据点后跳转至步骤S10，对新数据集进行步骤S10-S50操作；若步骤S40中无异常数据被识别，则直接利用判别准则和最终形成的概率功率曲线对原始数据集进行异常数据识别。

本发明提供的光伏功率异常数据的识别方法，通过将辐照度和光伏功率作为两个随机变量，利用Copula函数描述两随机变量的相关关系，建立概率功率曲线，根据实测数据的观察建立异常数据判别准则，并针对异常数据比例高的特点，通过反复进行Copula函数参数拟合、概率功率曲线建立、异常数据识别、新数据集建立的操作减少原数据集中异常数据对辐照度-功率之间真实规律发现的干扰。该方法易于操作、具有普适性，不需要复杂的优化计算，切合我国光伏数据以场站级数据为主、异常数据比例高等实际特点。

另外，本领域技术人员还可在本发明精神内作其它变化，当然这些依据本发明精神所作的变化，都应包含在本发明所要求保护的范围内。

Claims (9)

1.一种光伏功率异常数据的识别方法，包括以下步骤：

利用光伏电站辐照度和光伏功率实测数据，拟合辐照度-光伏功率Copula函数参数；

根据Copula函数描述辐照度和光伏功率这两个随机变量的相关关系建立概率功率曲线；

通过辐照度-光伏功率散点图，总结异常数据点特征建立异常数据判别准则；

基于Copula函数和异常数据判别准则，识别筛选异常数据，建立新数据集；以及

若有异常数据被识别，在剔除异常数据后重复以上步骤，对新数据集继续进行识别；若无，则直接利用判别准则和概率功率曲线，识别原始数据集中异常数据。

2.如权利要求1所述的光伏功率异常数据的识别方法，其特征在于，所述Copula函数参数通过以下步骤获得：

获取光伏电站辐照度和功率实测数据，进行数据归一化操作，筛选已标记的错误数据；

利用统计分析得到光伏功率P的累积概率分布函数和辐照度R的累积概率分布函数；

结合辐照度-光伏功率散点图的观察，确定选取的Copula函数类型；

利用和，得到唯一的Copula函数C连接光伏功率P和辐照度R，，拟合Copula函数参数。

3.如权利要求2所述的光伏功率异常数据的识别方法，其特征在于，所述Copula函数为ClaytonCopula，GaussianCopula，FrankCopula函数中的一种。

4.如权利要求2所述的光伏功率异常数据的识别方法，其特征在于，概率功率曲线获取方法，包括以下步骤：

给定辐照度累计概率分布取值，确定光伏功率累计概率分布的条件概率分布函数；

设功率曲线的置信概率为，即有的数据落于概率区间内，的数据落于区间外；

设置信区间的不对称系数为，计算置信区间上下边界的分位概率，，其中表示数据点高于上边界的概率，表示数据点低于下边界的概率；

利用光伏功率累计概率分布的条件概率分布函数计算，对应的分位数，；

通过光伏功率累积概率分布函数求逆计算不同辐照度r取值下光伏功率的上下边界取值和，形成概率功率曲线中的上下两条曲线。

5.如权利要求4所述的光伏功率异常数据的识别方法，其特征在于，光伏功率累计概率分布的条件概率分布函数通过下式获取：

。

6.如权利要求4所述的光伏功率异常数据的识别方法，其特征在于，所述的通过下式获取：

。

7.如权利要求4所述的光伏功率异常数据的识别方法，其特征在于，，通过下式获取：

；

。

8.如权利要求4所述的光伏功率异常数据的识别方法，其特征在于，分位数，通过下式获取：

；

。

9.如权利要求1所述的光伏功率异常数据的识别方法，其特征在于，在概率功率曲线以外，且满足异常数据判别准则的数据点被识别为异常数据。