CN105760895B - 一种光伏出力波动类型的划分方法 - Google Patents

一种光伏出力波动类型的划分方法 Download PDF

Info

Publication number
CN105760895B
CN105760895B CN201610159094.6A CN201610159094A CN105760895B CN 105760895 B CN105760895 B CN 105760895B CN 201610159094 A CN201610159094 A CN 201610159094A CN 105760895 B CN105760895 B CN 105760895B
Authority
CN
China
Prior art keywords
photovoltaic
output
day
relative
photovoltaic output
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
Application number
CN201610159094.6A
Other languages
English (en)
Other versions
CN105760895A (zh
Inventor
李驰
刘纯
黄越辉
王跃峰
张楠
礼晓飞
高云峰
马烁
许晓艳
杨硕
许彦平
潘霄锋
李丽
王江元
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 Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
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 Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN201610159094.6A priority Critical patent/CN105760895B/zh
Publication of CN105760895A publication Critical patent/CN105760895A/zh
Application granted granted Critical
Publication of CN105760895B publication Critical patent/CN105760895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Water Supply & Treatment (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Photovoltaic Devices (AREA)

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：
Figure BDA0000945019420000021
Figure BDA0000945019420000022
Figure BDA0000945019420000023
Figure BDA0000945019420000024
d5＝max|zi+1-zi| 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；zi为i时刻的相对出力，zi′＝|zi+1-zi|,i＝1,2,…n-1；
Figure BDA0000945019420000025
为zi′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-Organizing Map,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：
Figure BDA0000945019420000031
Figure BDA0000945019420000032
Figure BDA0000945019420000033
Figure BDA0000945019420000034
d5＝max|zi+1-zi| 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。zi为i时刻的相对出力，zi′＝|zi+1-zi|,i＝1,2,…n-1；
Figure BDA0000945019420000035
为zi′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 (3)

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d；
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；
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；
按下式计算所述特征指标：
Figure FDA0002915890130000011
Figure FDA0002915890130000012
Figure FDA0002915890130000013
Figure FDA0002915890130000014
d5＝max|zi+1-zi|，i＝1,2,…,n-1
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；zi为i时刻的相对出力，zi'＝|zi+1-zi|,i＝1,2,…n-1；
Figure FDA0002915890130000015
为zi'的平均值；
所述步骤II中的特征向量d如下式所示：d＝[d1,d2,d3,d4,d5]。
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IV的光伏出力波动类型包括：晴、多云、阴天和变化天气。
CN201610159094.6A 2016-03-18 2016-03-18 一种光伏出力波动类型的划分方法 Active CN105760895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610159094.6A CN105760895B (zh) 2016-03-18 2016-03-18 一种光伏出力波动类型的划分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610159094.6A CN105760895B (zh) 2016-03-18 2016-03-18 一种光伏出力波动类型的划分方法

Publications (2)

Publication Number Publication Date
CN105760895A CN105760895A (zh) 2016-07-13
CN105760895B true CN105760895B (zh) 2021-04-30

Family

ID=56345478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610159094.6A Active CN105760895B (zh) 2016-03-18 2016-03-18 一种光伏出力波动类型的划分方法

Country Status (1)

Country Link
CN (1) CN105760895B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153845A (zh) * 2017-05-25 2017-09-12 华北电力大学 一种基于机器学习的自适应并网光伏系统的孤岛检测法
CN110032670B (zh) * 2019-04-17 2022-11-29 腾讯科技（深圳）有限公司 时序数据的异常检测方法、装置、设备及存储介质
CN116565899B (zh) * 2023-07-11 2023-09-05 苏州精控能源科技有限公司 储能系统平抑电网波动控制方法及系统、电子设备、介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4202890B2 (ja) * 2003-10-30 2008-12-24 株式会社東芝 気象予測システム及び電力需要予測システムと気象予測方法及び電力需要予測方法
CN104701880B (zh) * 2015-02-17 2017-01-18 国家电网公司 一种基于调峰约束的电网接纳光伏最大容量的计算方法
CN105184465B (zh) * 2015-08-25 2021-10-12 中国电力科学研究院 一种基于净空模型的光伏电站出力分解方法

Also Published As

Publication number Publication date
CN105760895A (zh) 2016-07-13

Similar Documents

Publication Publication Date Title
Hong et al. Optimal sizing of hybrid wind/PV/diesel generation in a stand-alone power system using Markov-based genetic algorithm
CN110705789A (zh) 一种光伏电站短期功率预测方法
CN106022538B (zh) 基于k均值聚类改进广义天气的光伏发电预测方法
CN114792156B (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN105389634A (zh) 一种组合式短期风电功率预测系统及方法
KR102405282B1 (ko) 예측 모델을 이용한 태양광 발전량 예측 방법
CN103942736B (zh) 一种风电场多机等值建模方法
Zhen et al. An ultra-short-term wind speed forecasting model based on time scale recognition and dynamic adaptive modeling
CN103955521B (zh) 一种风电场机群划分方法
CN104077632A (zh) 一种基于深度神经网络的风电场功率预测方法
CN105760895B (zh) 一种光伏出力波动类型的划分方法
CN111832812A (zh) 一种基于深度学习的风电功率短期预测方法
Engelhorn et al. How to estimate wind-turbine infeed with incomplete stock data: A general framework with an application to turbine-specific market values in Germany
CN102479347A (zh) 基于数据驱动的风电场短期风速预测方法和系统
CN112070311A (zh) 基于相似日聚类和气象因子赋权的日前光功率预测方法
CN116526469A (zh) 一种水风光互补系统长期随机动态调度方法
CN110852492A (zh) 一种基于马氏距离找相似的光伏功率超短期预测方法
CN105844350B (zh) 一种基于协方差优选组合模型的短期风功率预测系统
CN105939014A (zh) 一种风电场站相关性指标获取方法
CN116885703B (zh) 一种高维多元气象数据融合的短期风光功率预测方法
CN115544895B (zh) 光伏电站年出力保证率模型优化方法
CN116307111A (zh) 一种基于k均值聚类和随机森林算法的无功负荷预测方法
CN115456265A (zh) 一种分布式光伏用户发电功率短期预测方法及装置
CN108233373B (zh) 考虑天气场景的分布式光伏接入配电网的概率谐波分析方法
Cho et al. Application of Parallel ANN-PSO to Hourly Solar PV Estimation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant