CN105760895A - 一种光伏出力波动类型的划分方法 - Google Patents

Abstract

本发明提供一种光伏出力波动类型的划分方法，所述方法包括：I、历史数据的收集与处理；II、根据反应光伏出力特性的特征指标确定特征向量；III、用自组织特征映射神经网络进行聚类分析；IV、划分光伏出力波动类型。本发明可作为前期基础应用在光伏发电中长期出力时间序列建模中，为含大规模新能源的时序生产模拟仿真、年度新能源消纳能力分析等需要的光伏仿真模拟数据的生成提供前期技术手段。

Description

一种光伏出力波动类型的划分方法

技术领域

本发明属于新能源发电技术领域，具体讲涉及一种光伏出力波动类型的划分方法。

背景技术

在能源消费快速增长和人们对气候环境日益关注的背景下，为推动经济社会的可持续发展，必须大力发展太阳能、风能等新能源。近年来光伏发电增长迅速，从补充能源向替代能源过渡。然而大规模光伏发电并网会使得系统发电的不确定性增加，给电网的调峰和调频带来一定影响。而准确的光伏电站长期出力建模能够为电网的调度计划与运行方式安排提供依据。

光伏出力与天气状态密切相关，模拟光伏出力时间序列也按天气类型分别建模，但由于部分光伏电站目前没有气象预报业务，无法准确获得每日的天气类型，或者部分历史数据对应的天气类型信息由于传输错误、通信故障、服务中断等原因造成缺失，导致了光伏出力建模的不准确。而不同的天气类型对应着不同光伏出力波动类型，基于此，需要提供一种光伏出力波动类型的划分方法，为光伏发电中长期出力时间序列建模提供前期支撑。

发明内容

针对上述问题，本发明提出了一种光伏出力波动类型的划分方法。

一种光伏出力波动类型的划分方法，其特征在于，所述方法包括：

I、历史数据的收集与处理；

II、根据反应光伏出力特性的特征指标确定特征向量；

III、用自组织特征映射神经网络进行聚类分析；

IV、划分光伏出力波动类型。

进一步的，所述步骤I包括

将搜集整理的光伏电站一年的光伏出力逐日历史数据分解为净空理论出力和相对出力的乘积。

进一步的，所述步骤II的特征指标包括平均值、一阶差分绝对值的平均值、标准差、一阶差分绝对值的标准差和一阶差分绝对值的最大值。

进一步的，按下式计算所述特征指标：

$d_1=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{z}_i---\left(1\right)$

$\begin{array}{cc}{d}_2=\frac{1}{n-1}\underset{i=1}{\overset{n-1}{\Σ}}|z_{i+1}-z_i|& i=1,2,...,n-1\end{array}---\left(2\right)$

$d_3=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(z_i-d_1)}^2}---\left(3\right)$

$d_4=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{({z_i}^{\′}-{\stackrel{\‾}{z}}_i^{\′})}^2}---\left(4\right)$

d₅＝max|z_i+1-z_i|i＝1,2,…,n-1(5)

其中，d₁为光伏电站各天的平均相对出力，d₂为各天相对出力矩阵一阶差分绝对值的平均值，d₃为光伏电站各天相对出力的标准差，d₄为各天相对出力矩阵一阶差分绝对值的标准差，d₅为各天相对出力矩阵一阶差分绝对值的最大值，反映了天气变化的程度；z_i为i时刻的相对出力，z_i′＝|z_i+1-z_i|,i＝1,2,…n-1；为z_i′的平均值。

进一步的，所述步骤II中的特征向量d如下式所示：d＝[d₁,d₂,d₃,d₄,d₅]。

进一步的，所述步骤IV的光伏出力波动类型包括：晴、多云、阴天和变化天气。

与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

本发明提出了一种光伏出力波动类型的划分方法，可作为前期基础应用在光伏发电中长期出力时间序列建模中，为含大规模新能源的时序生产模拟仿真、年度新能源消纳能力分析等需要的光伏仿真模拟数据的生成提供前期技术手段。

附图说明

图1为本发明实施例中光伏处理波动类型的划分方法流程图。

具体实施方式

下面将结合本发明技术流程图以及实施案例示意图，对本发明实施例中的技术方案进行清楚、完整地描述。

本发明涉及一种基于自组织特征映射(Self-OrganizingMap,SOM)聚类的天气类型划分方法，具体实施步骤如下：

1、搜集并整理光伏电站一年的光伏出力逐日历史数据，并将其分解为净空理论出力和相对出力的乘积。

2、提取能够反映光伏出力波动特性的特征指标如式(1)—式(5)所示：

$d_1=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{z}_i---\left(1\right)$

$\begin{array}{cc}{d}_2=\frac{1}{n-1}\underset{i=1}{\overset{n-1}{\Σ}}|z_{i+1}-z_i|& i=1,2,...,n-1\end{array}---\left(2\right)$

$d_3=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(z_i-d_1)}^2}---\left(3\right)$

$d_4=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{({z_i}^{\′}-{\stackrel{\‾}{z}}_i^{\′})}^2}---\left(4\right)$

d₅＝max|z_i+1-z_i|i＝1,2,…,n-1(5)

式中，d₁为光伏电站各天的平均相对出力，d₂为各天相对出力矩阵一阶差分绝对值的平均值，d₃为光伏电站各天相对出力的标准差，d₄为各天相对出力矩阵一阶差分绝对值的标准差，d₅为各天相对出力矩阵一阶差分绝对值的最大值，反映了天气变化的程度。z_i为i时刻的相对出力，z_i′＝|z_i+1-z_i|,i＝1,2,…n-1；为z_i′的平均值。

3、利用5个特征指标构成的特征向量d＝[d₁,d₂,d₃,d₄,d₅]，采用自组织特征映射神经网络聚类算法对各日的相对出力进行聚类分析，可实现光伏出力波动类型的划分，光伏出力波动类型包括晴，多云，阴天，变化天气4种。

4、输出得到光伏出力波动类型划分结果。

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)

1.一种光伏出力波动类型的划分方法，其特征在于，所述方法包括：

I、历史数据的收集与处理；

II、根据反应光伏出力特性的特征指标确定特征向量；

III、用自组织特征映射神经网络进行聚类分析；

IV、划分光伏出力波动类型。

2.如权利要求1所述一种光伏出力波动类型的划分方法，其特征在于，所述步骤I包括

将搜集整理的光伏电站一年的光伏出力逐日历史数据分解为净空理论出力和相对出力的乘积。

3.如权利要求1所述一种光伏出力波动类型的划分方法，其特征在于，所述步骤II的特征指标包括平均值、一阶差分绝对值的平均值、标准差、一阶差分绝对值的标准差和一阶差分绝对值的最大值。

4.如权利要求3所述一种光伏出力波动类型的划分方法，其特征在于，按下式计算所述特征指标：

$d_1=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{z}_i---\left(1\right)$

$d_2=\frac{1}{n-1}\underset{i=1}{\overset{n-1}{\Σ}}|z_{i+1}-z_i|,i=1,2,...,n-1---\left(2\right)$

$d_3=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(z_i-d_1)}^2}---\left(3\right)$

$d_4=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{({z_i}^{\′}-{\stackrel{\‾}{z_i}}^{\′})}^2}---\left(4\right)$

d₅＝max|z_i+1-z_i|i＝1,2,…,n-1(5)

其中，d₁为光伏电站各天的平均相对出力，d₂为各天相对出力矩阵一阶差分绝对值的平均值，d₃为光伏电站各天相对出力的标准差，d₄为各天相对出力矩阵一阶差分绝对值的标准差，d₅为各天相对出力矩阵一阶差分绝对值的最大值，反映了天气变化的程度；z_i为i时刻的相对出力，z_i′＝|z_i+1-z_i|,i＝1,2,…n-1；为z_i′的平均值。

5.如权利要求4所述一种光伏出力波动类型的划分方法，其特征在于，所述步骤II中的特征向量d如下式所示：d＝[d₁,d₂,d₃,d₄,d₅]。

6.如权利要求1所述一种光伏出力波动类型的划分方法，其特征在于，所述步骤IV的光伏出力波动类型包括：晴、多云、阴天和变化天气。