CN106447098A - 一种光伏超短期功率预测方法及装置 - Google Patents
一种光伏超短期功率预测方法及装置 Download PDFInfo
- Publication number
- CN106447098A CN106447098A CN201610841210.2A CN201610841210A CN106447098A CN 106447098 A CN106447098 A CN 106447098A CN 201610841210 A CN201610841210 A CN 201610841210A CN 106447098 A CN106447098 A CN 106447098A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- prediction
- day
- period
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010248 power generation Methods 0.000 claims abstract description 11
- 238000013277 forecasting method Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 239000000843 powder Substances 0.000 claims description 8
- 239000012141 concentrate Substances 0.000 claims description 5
- 241000222065 Lycoperdon Species 0.000 claims description 3
- 241000768494 Polymorphum Species 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000003203 everyday effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009987 spinning 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
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种光伏超短期功率预测方法及装置,该方法首先根据超短期预测所需样本数据的预测时段,获取光伏电站每天该时段的历史数据,提取历史数据中的发电功率,通过相关公式或算法得到预测时段的发电功率相似日的样本集;然后,提取预测时段天气预报数据的天气属性中的辐照度作为特征向量,通过相关公式或算法得到天气属性特征相似日的样本集;其次,选取两个相似日样本集的交集部分作为超短期功率预测的样本数据集,对样本数据集中的数据进行加权平均,得到最优样本数据集;最后,对最优样本数据集中的数据进行处理计算,得到功率预测值。本发明从众多影响功率的天气属性中选取最具影响力的辐照度来对功率进行预测,计算简单,误差较小。
Description
技术领域
本发明属于新能源发电技术领域,具体涉及一种光伏超短期功率预测方法及装置。
背景技术
近年来,在各国政府的大力支持下,新能源发电技术得到了快速发展,尤其是具有清洁环保、无污染、分布广泛、可再生等优点的光伏发电。然而,随着光伏发电大规模的接入电网,光伏出力的随机性、间歇性和波动性给电网的稳定运行带来了前所未有的压力,不但影响电能质量,加剧电网的调峰运行负担,而且也给电网的调度工作带来很大的困难。
为了应对大规模光伏发电接入对电网稳定性的影响,我国各高校及电力企业相继开展了对光伏发电功率预测的研究工作。开发实用的光伏发电功率超短期预测系统,可以有效减少旋转备用容量、提高电网安全经济运行水平。
申请号为201510442117.X的中国专利文件,公开了一种基于加权FCM聚类算法的光伏电站输出功率预测方法,从现有光伏电站运行数据库中选取与待测气象数据样本相匹配的8个天气资料样本和与其对应的光伏电站输出功率作为参考样本,通过知识评价,筛选出典型数据矩阵,然后与待测气象数据样本组合,经过归一化处理,形成最终的标准样本矩阵,作为算法的输入变量,然后通过属性加权的FCM聚类算法迭代后,得到该待测气象数据样本所对应的输出功率。该方法选取8个天气属性参数来对光伏电站输出功率进行预测,需要参考的天气属性多,计算量大。
发明内容
本发明目的是提出一种光伏超短期功率预测方法,以解决现有技术中对光伏发电超短期功率进行预测算法复杂的问题。
为解决上述技术问题,本发明提供一种光伏超短期功率预测方法,方法方案一,包括如下步骤:
S1.确定超短期预测所需样本数据的预测时段,获取光伏电站每天该时段的历史数据,所述历史数据包括光伏电站发电输出功率和天气预报数据;
S2.提取历史数据中的发电输出功率,通过相关公式或算法得到预测时段的发电功率相似日的样本集;
S3.提取预测时段天气预报数据的天气属性中的辐照度作为特征向量,通过相关公式或算法得到天气属性特征相似日的样本集;
S4.选取发电功率相似日样本集与天气属性特征相似日样本集的交集部分作为超短期功率预测的样本数据集,对样本数据集中的数据进行加权平均,得到最优样本数据集,即Ti时段的第k点的最优值公式为:
其中,Ti为预测时段,x(k)代表Ti时段的第k点的最优值,xj(k)表示第j个相似数据集第k点的数值,n代表相似数据集个数,θj表示第j个相似数据集的特征相似度;
S5.对最优样本数据集中的数据进行处理计算,得到功率预测值。
方法方案二,在方法方案一的基础上,还包括对所述历史数据进行异常处理;需要进行异常处理的历史数据包括:当太阳辐照度为零时,光伏发电输出功率不为零时的数据;以及当太阳辐照度或光伏发电输出功率变化全为零或有激增现象时的数据。
方法方案三,在方法方案一或者方法方案二的基础上,还包括通过K-means聚类算法对每天该预测时段的历史数据进行聚类,得到预测时段的发电功率相似日的样本集的步骤,包括如下步骤:
Q1.采用K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类:
其中,Pai为历史数据,Pci为聚类中心;
Q2.采用WCBCR聚类评价指标对聚类效果进行评价:
其中,K为聚类数目,WL为第L类聚类中心坐标,ΩL为第L类样本集,WP和WQ分别代表不同类别的聚类中心,d代表变量间的欧式距离;WCBCR值越小说明聚类效果越好。
方法方案四,在方法方案一或者方法方案二的基础上,还包括由灰色关联系数法得到预测时段与历史日的预测时段的关联系数,并得到特征相似度,特征相似度大于特征相似度阈值时得到天气属性特征相似日的样本集的步骤;所述灰色关联系数法表达式为:
其中,ξj(k)表示第j个相似历史日的气象特征向量xj(k)与预测日的气象特征向量x(k)在第k个特征分量的关联系数,ρ∈[0,1]为分辨系数;气象特征向量分量为1,ρ的取值为0.5,所述特征相似度θj的表达式为:
θj=1-ξj(k)
θj即为上述加权平均算法的权值。
方法方案五,在方法方案一或者方法方案二的基础上,还包括对最优样本集X=[x(1),x(2),…,x(n)]中的数据进行局部加权处理,利用加权处理后的数据值计算出回归系数,带入到回归方程得到超短期功率预测值的步骤:
所述局部加权处理中所采用的损失函数为:
其中,λ为回归系数,hλ(x(i))为第i个样本特征数据对应的预测值,y(i)为第i个样本特征数据对应的实际值,ω(i)为局部加权因子,其表达式为:
其中,x(i)为最优样本数据集中预测样本特征数据,x(k)为新预测的样本特征数据,τ控制ω(i)的变化速率;
令损失函数最小,即
求出λ:
λ=(XTωX)-1XTωY
其中,X=[x(1),x(2),…,x(n)],Y=[y(1),y(2),…,y(n)];
将λ带入回归方程:
hλ(x(k))=λx(k)
得到新预测的样本数据对应的预测值。
本发明还提供一种光伏超短期功率预测装置,装置方案一:包括如下模块:
S1.用于确定超短期预测所需样本数据的预测时段,获取光伏电站每天该时段的历史数据的模块,所述历史数据包括光伏电站发电输出功率和天气预报数据;
S2.用于提取历史数据中的发电输出功率,通过相关公式或算法得到预测时段的发电功率相似日的样本集的模块;
S3.用于提取预测时段天气预报数据的天气属性中的辐照度作为特征向量,通过相关公式或算法得到天气属性特征相似日的样本集的模块;
S4.用于选取发电功率相似日样本集与天气属性特征相似日样本集的交集部分作为超短期功率预测的样本数据集,对样本数据集中的数据进行加权平均,得到最优样本数据集的模块,即Ti时段的第k点的最优值公式为:
其中,Ti为预测时段,x(k)代表Ti时段的第k点的最优值,xj(k)表示第j个相似数据集第k点的数值,n代表相似数据集个数,θj表示第j个相似数据集的特征相似度;
S5.用于对最优样本数据集中的数据进行处理计算,得到功率预测值的模块。
装置方案二,在装置方案一的基础上,还包括用于对所述历史数据进行异常处理的模块;需要进行异常处理的历史数据包括:当太阳辐照度为零时,光伏发电输出功率不为零时的数据;以及当太阳辐照度或光伏发电输出功率变化全为零或有激增现象时的数据。
装置方案三,在装置方案一或者装置方案二的基础上,还包括用于通过K-means聚类算法对每天该预测时段的历史数据进行聚类,得到预测时段的发电功率相似日的样本集的模块,包括如下模块:
Q1.用于采用K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类的模块:
其中,Pai为历史数据,Pci为聚类中心;
Q2.用于采用WCBCR聚类评价指标对聚类效果进行评价的模块:
其中,K为聚类数目,WL为第L类聚类中心坐标,ΩL为第L类样本集,WP和WQ分别代表不同类别的聚类中心,d代表变量间的欧式距离;WCBCR值越小说明聚类效果越好。
装置方案四,在装置方案一或者装置方案二的基础上,还包括由灰色关联系数法得到预测时段与历史日的预测时段的关联系数,并得到特征相似度,特征相似度大于特征相似度阈值时得到天气属性特征相似日的样本集的模块;所述灰色关联系数法表达式为:
其中,ξj(k)表示第j个相似历史日的气象特征向量xj(k)与预测日的气象特征向量x(k)在第k个特征分量的关联系数,ρ∈[0,1]为分辨系数;气象特征向量分量为1,ρ的取值为0.5,所述特征相似度θj的表达式为:
θj=1-ξj(k)
θj即为上述加权平均算法的权值。
装置方案五,在装置方案一或者装置方案二的基础上,还包括对最优样本集X=[x(1),x(2),…,x(n)]中的数据进行局部加权处理,利用加权处理后的数据值计算出回归系数,带入到回归方程得到超短期功率预测值的模块:
所述局部加权处理中所采用的损失函数为:
其中,λ为回归系数,hλ(x(i))为第i个样本特征数据对应的预测值,y(i)为第i个样本特征数据对应的实际值,ω(i)为局部加权因子,其表达式为:
其中,x(i)为最优样本数据集中预测样本特征数据,x(k)为新预测的样本特征数据,τ控制ω(i)的变化速率;
令损失函数最小,即
求出λ:
λ=(XTωX)-1XTωY
其中,X=[x(1),x(2),…,x(n)],Y=[y(1),y(2),…,y(n)];
将λ带入回归方程:
hλ(x(k))=λx(k)
得到新预测的样本数据对应的预测值。
本发明的有益效果是:获取预测时段多天的历史数据,包括提取历史数据中的发电输出功率,通过相关公式或算法得到预测时段的发电功率相似日的样本集;还包括提取预测时段天气预报数据的天气属性中最具影响力的辐照度作为特征向量,通过相关公式或算法得到天气属性特征相似日的样本集;然后将这两个相似日样本集的交集采用加权平均算法得到最优样本数据集;最后对最优样本数据集中的数据进行处理计算,得到超短期预测功率。本发明从众多影响功率的天气属性中选取最具影响力的辐照度来对功率进行预测,计算简单,误差较小,适用于工程实践。
附图说明
图1是本发明的光伏超短期功率预测方法的流程图。
具体实施方式
下面结合附图说明,对本发明进行进一步地详细说明。
如图1所示为本发明的方法流程图,具体地:
1)确定超短期预测所需样本数据的时段Ti,根据配置获取光伏电站之前N天每天该时段的历史数据,数据包括光伏电站发电功率和天气预报数据。其中,需要对异常历史数据进行删除处理。异常数据包括:当太阳当太阳辐照度为零时,光伏发电输出功率不为零时的数据;以及当太阳辐照度或光伏发电输出功率变化全为零或有激增现象时的数据。
2)提取历史数据中的光伏发电输出功率,利用K-means聚类算法对每日该预测时段的历史数据进行聚类,得到预测时段的发电功率相似日的样本集,具体地:
a)采用K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类:
其中,Pai为历史数据,Pci为聚类数据;
b)利用WCBCR聚类评价指标对聚类效果进行评价:
其中,K为聚类数据,WL为第L类聚类中心坐标,ΩL为第L类样本集,WP和WQ分别代表不同类别的聚类中心,d代表变量间的欧式距离;WCBCR值越小说明聚类效果越好,当其达到最小值时,此时的K就是历史数据的最终曲线形状相似日集聚类数,确定出最终发电功率相似日的样本集。
在本实施例中,采用K-means聚类算法对每日该预测时段的历史数据进行聚类。作为其他实施方式,也可使用其他聚类算法,以实现对每日该预测时段的历史数据进行聚类来获得发电功率相似日样本集的目的。
3)选取预测时段天气预报数据的辐照度作为特征向量,由灰色关联系数法得到预测时段与历史日的预测时段的关联系数,并得到特征相似度,特征相似度大于特征相似度阈值时得到天气属性特征相似日的样本集,即辐照度相似日的样本集。灰色关联系数法的表达式为:
其中,ξj(k)表示第j个相似历史日的气象特征向量xj(k)与预测日的气象特征向量x(k)在第k个特征分量的关联系数,ρ∈[0,1]为分辨系数;
因为在本实施例中,只选取了辐照度,故气象特征向量分量k的个数为1,当ρ的取值为0.5时,特征相似度θj的表达式为:
θj=1-ξj(k)
通过上述公式可以计算出每个历史日与预测日的相似度θj。在具体实施过程中可以为θj设定一个特征相似度阈值,在本实施例中阈值设置为0.85,将相似度大于该阈值的历史日添加到特征相似日样本集里面,最终可以得到基于相似度指标的辐照度特征相似日样本集。当然,阈值设置的具体值可根据实际情况进行调节。
在本实施例中,采用灰色关联系数法来获得预测时段的天气属性特征相似日的样本集。作为其他实施方式,也可使用其他验证相关程度的公式或算法,以实现获得每日该预测时段的天气属性特征相似日的样本集的目的。
4)选取发电功率相似日样本集与辐照度特征相似日样本集的交集部分作为超短期功率预测的样本数据集,对样本数据集中的数据进行加权平均处理来得到最优样本数据集,即Ti时段的第k点的最优值公式为:
其中,x(k)代表Ti时段的第k点的最优值,xj(k)表示第j个相似数据集第k点的数值,θj表示第j个相似数据集的特征相似度,n代表相似数据集个数;得到最优样本数据集。
用上述公式得到最优样本数据集X:
X=[x(1),x(2),…,x(k)]
5)对最优样本集X=[x(1),x(2),…,x(n)]中的数据进行局部加权处理,利用加权处理后的数据值计算出回归系数,带入到回归方程得到超短期功率预测值。
所述局部加权处理中所采用的损失函数为:
其中,λ为回归系数,hλ(x(i))为第i个样本特征数据对应的预测值,y(i)为第i个样本特征数据对应的实际值,ω(i)为局部加权因子,其表达式为:
其中,x(i)为最优样本数据集中预测样本特征数据,x(k)为新预测的样本特征数据,τ控制ω(i)的变化速率,从公式可以看出,x(i)离x(k)越远局部加权因子ω(i)的值就越小;
令损失函数最小,即
求出λ:
λ=(XTωX)-1XTωY
其中,X=[x(1),x(2),…,x(n)],Y=[y(1),y(2),…,y(n)];
将λ带入回归方程:
hλ(x(k))=λx(k)
得到新预测的样本数据对应的预测值。
在本实施例中,只选择了众多天气预报数据中的辐照度作为特征向量,由灰色关联系数法得到预测时段与历史日的预测时段的关联系数,并得到特征相似度,特征相似度大于特征相似度阈值时得到天气属性特征相似日的样本集,即辐照度相似日的样本集。作为其他实施方式,除了辐照度,可增加天气属性的其他属性的特征向量,例如:水平面辐射量、倾斜面辐射量、环境温度、空气湿度、大气压力、风速等。可由验证相关程度的公式或算法来获得每个天气属性的特征向量,并得到每个天气属性的特征相似度,特征相似度大于对应的特征相似度阈值时得到每个天气属性特征相似日的样本集,再将每个天气属性特征相似日的样本集做一个交集,获得天气属性特征相似日的样本集。在后续对发电功率相似日样本集与天气属性相似日样本集的交集的样本数据集中的数据进行加权平均处理时,对于权值可以选择其中某一个天气属性的特征相似度即可,例如选取对功率预测影响最大的辐照度或者环境温度。
本发明还提供一种光伏超短期功率预测装置,包括如下模块:
用于确定超短期预测所需样本数据的预测时段,获取光伏电站每天该时段的历史数据的模块,所述历史数据包括光伏电站发电输出功率和天气预报数据;
用于提取历史数据中的发电输出功率,通过相关公式或算法得到预测时段的发电功率相似日的样本集的模块;
用于提取预测时段天气预报数据的天气属性中的辐照度作为特征向量,通过相关公式或算法得到天气属性特征相似日的样本集的模块;
用于选取发电功率相似日样本集与天气属性特征相似日样本集的交集部分作为超短期功率预测的样本数据集,对样本数据集中的数据进行加权平均,得到最优样本数据集的模块,即Ti时段的第k点的最优值公式为:
其中,Ti为预测时段,x(k)代表Ti时段的第k点的最优值,xj(k)表示第j个相似数据集第k点的数值,n代表相似数据集个数,θj表示第j个相似数据集的特征相似度;
用于对最优样本数据集中的数据进行处理计算,得到功率预测值的模块。
上述光伏超短期功率预测装置,实际上是基于本发明方法流程的一种计算机解决方案,即一种软件构架,上述各模块即为与方法流程相对应的各处理进程或程序。由于对上述方法的介绍已经足够清楚完整,故不再对该装置进行详细描述。
以上实施例仅用于帮助理解本发明的核心思想,不能以此限制本发明,对于本领域的技术人员,凡是依据本发明的思想,对本发明进行修改或者等同替换,在具体实施方式及应用范围上所做的任何改动,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光伏超短期功率预测方法,其特征在于,包括如下步骤:
S1.确定超短期预测所需样本数据的预测时段,获取光伏电站每天该时段的历史数据,所述历史数据包括光伏电站发电输出功率和天气预报数据;
S2.提取历史数据中的发电输出功率,通过相关公式或算法得到预测时段的发电功率相似日的样本集;
S3.提取预测时段天气预报数据的天气属性中的辐照度作为特征向量,通过相关公式或算法得到天气属性特征相似日的样本集;
S4.选取发电功率相似日样本集与天气属性特征相似日样本集的交集部分作为超短期功率预测的样本数据集,对样本数据集中的数据进行加权平均,得到最优样本数据集,即Ti时段的第k点的最优值公式为:
其中,Ti为预测时段,x(k)代表Ti时段的第k点的最优值,xj(k)表示第j个相似数据集第k点的数值,n代表相似数据集个数,θj表示第j个相似数据集的特征相似度;
S5.对最优样本数据集中的数据进行处理计算,得到功率预测值。
2.根据权利要求1所述的光伏超短期功率预测方法,其特征在于,还包括对所述历史数据进行异常处理;需要进行异常处理的历史数据包括:当太阳辐照度为零时,光伏发电输出功率不为零时的数据;以及当太阳辐照度或光伏发电输出功率变化全为零或有激增现象时的数据。
3.根据权利要求1或2所述的光伏超短期功率预测方法,其特征在于,还包括通过K-means聚类算法对每天该预测时段的历史数据进行聚类,得到预测时段的发电功率相似日的样本集的步骤,包括如下步骤:
Q1.采用K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类:
其中,Pai为历史数据,Pci为聚类中心;
Q2.采用WCBCR聚类评价指标对聚类效果进行评价:
其中,K为聚类数目,WL为第L类聚类中心坐标,ΩL为第L类样本集,WP和WQ分别代表不同类别的聚类中心,d代表变量间的欧式距离。
4.根据权利要求1或2所述的光伏超短期功率预测方法,其特征在于,还包括由灰色关联系数法得到预测时段与历史日的预测时段的关联系数,并得到特征相似度,特征相似度大于特征相似度阈值时得到天气属性特征相似日的样本集的步骤;所述灰色关联系数法表达式为:
其中,ξj(k)表示第j个相似历史日的气象特征向量xj(k)与预测日的气象特征向量x(k)在第k个特征分量的关联系数,ρ∈[0,1]为分辨系数;气象特征向量分量为1,ρ的取值为0.5,所述特征相似度θj的表达式为:
θj=1-ξj(k)
θj即为上述加权平均算法的权值。
5.根据权利要求1或2所述的光伏超短期功率预测方法,其特征在于,还包括对最优样本集X=[x(1),x(2),…,x(n)]中的数据进行局部加权处理,利用加权处理后的数据值计算出回归系数,带入到回归方程得到超短期功率预测值的步骤:
所述局部加权处理中所采用的损失函数为:
其中,λ为回归系数,hλ(x(i))为第i个样本特征数据对应的预测值,y(i)为第i个样本特征数据对应的实际值,ω(i)为局部加权因子,其表达式为:
其中,x(i)为最优样本数据集中预测样本特征数据,x(k)为新预测的样本特征数据,τ控制ω(i)的变化速率;
令损失函数最小,即
求出λ:
λ=(XTωX)-1XTωY
其中,X=[x(1),x(2),…,x(n)],Y=[y(1),y(2),…,y(n)];
将λ带入回归方程:
hλ(x(k))=λx(k)
得到新预测的样本数据对应的预测值。
6.一种光伏超短期功率预测装置,其特征在于,包括如下模块:
S1.用于确定超短期预测所需样本数据的预测时段,获取光伏电站每天该时段的历史数据的模块,所述历史数据包括光伏电站发电输出功率和天气预报数据;
S2.用于提取历史数据中的发电输出功率,通过相关公式或算法得到预测时段的发电功率相似日的样本集的模块;
S3.用于提取预测时段天气预报数据的天气属性中的辐照度作为特征向量,通过相关公式或算法得到天气属性特征相似日的样本集的模块;
S4.用于选取发电功率相似日样本集与天气属性特征相似日样本集的交集部分作为超短期功率预测的样本数据集,对样本数据集中的数据进行加权平均,得到最优样本数据集的模块,即Ti时段的第k点的最优值公式为:
其中,Ti为预测时段,x(k)代表Ti时段的第k点的最优值,xj(k)表示第j个相似数据集第k点的数值,n代表相似数据集个数,θj表示第j个相似数据集的特征相似度;
S5.用于对最优样本数据集中的数据进行处理计算,得到功率预测值的模块。
7.根据权利要求6所述的光伏超短期功率预测装置,其特征在于,还包括用于对所述历史数据进行异常处理的模块;需要进行异常处理的历史数据包括:当太阳辐照度为零时,光伏发电输出功率不为零时的数据;以及当太阳辐照度或光伏发电输出功率变化全为零或有激增现象时的数据。
8.根据权利要求6或7所述的光伏超短期功率预测装置,其特征在于,还包括用于通过K-means聚类算法对每天该预测时段的历史数据进行聚类,得到预测时段的发电功率相似日的样本集的模块,包括如下模块:
Q1.用于采用K-means聚类算法根据历史数据对聚类中心欧式距离最小值原则进行聚类的模块:
其中,Pai为历史数据,Pci为聚类中心;
Q2.用于采用WCBCR聚类评价指标对聚类效果进行评价的模块:
其中,K为聚类数目,WL为第L类聚类中心坐标,ΩL为第L类样本集,WP和WQ分别代表不同类别的聚类中心,d代表变量间的欧式距离。
9.根据权利要求6或7所述的光伏超短期功率预测装置,其特征在于,还包括由灰色关联系数法得到预测时段与历史日的预测时段的关联系数,并得到特征相似度,特征相似度大于特征相似度阈值时得到天气属性特征相似日的样本集的模块;所述灰色关联系数法表达式为:
其中,ξj(k)表示第j个相似历史日的气象特征向量xj(k)与预测日的气象特征向量x(k)在第k个特征分量的关联系数,ρ∈[0,1]为分辨系数;气象特征向量分量为1,ρ的取值为0.5,所述特征相似度θj的表达式为:
θj=1-ξj(k)
θj即为上述加权平均算法的权值。
10.根据权利要求6或7所述的光伏超短期功率预测装置,其特征在于,还包括对最优样本集X=[x(1),x(2),…,x(n)]中的数据进行局部加权处理,利用加权处理后的数据值计算出回归系数,带入到回归方程得到超短期功率预测值的模块:
所述局部加权处理中所采用的损失函数为:
其中,λ为回归系数,hλ(x(i))为第i个样本特征数据对应的预测值,y(i)为第i个样本特征数据对应的实际值,ω(i)为局部加权因子,其表达式为:
其中,x(i)为最优样本数据集中预测样本特征数据,x(k)为新预测的样本特征数据,τ控制ω(i)的变化速率;
令损失函数最小,即
求出λ:
λ=(XTωX)-1XTωY
其中,X=[x(1),x(2),…,x(n)],Y=[y(1),y(2),…,y(n)];
将λ带入回归方程:
hλ(x(k))=λx(k)
得到新预测的样本数据对应的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610841210.2A CN106447098B (zh) | 2016-09-22 | 2016-09-22 | 一种光伏超短期功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610841210.2A CN106447098B (zh) | 2016-09-22 | 2016-09-22 | 一种光伏超短期功率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106447098A true CN106447098A (zh) | 2017-02-22 |
CN106447098B CN106447098B (zh) | 2020-05-19 |
Family
ID=58166353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610841210.2A Active CN106447098B (zh) | 2016-09-22 | 2016-09-22 | 一种光伏超短期功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447098B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045659A (zh) * | 2017-05-03 | 2017-08-15 | 北京天诚同创电气有限公司 | 预测光伏发电功率的方法及装置 |
CN107358323A (zh) * | 2017-07-13 | 2017-11-17 | 上海交通大学 | 一种短期光伏发电的功率预测方法 |
CN107368933A (zh) * | 2017-08-29 | 2017-11-21 | 集美大学 | 一种基于适配度及相关系数拟合的光伏功率预测方法 |
CN107403015A (zh) * | 2017-08-07 | 2017-11-28 | 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 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109034464A (zh) * | 2018-07-11 | 2018-12-18 | 南京联迪信息系统股份有限公司 | 一种短期光伏发电系统功率预测及结果校核的方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN109615120A (zh) * | 2018-11-26 | 2019-04-12 | 国网天津市电力公司 | 一种分布式光伏发电出力预测方法 |
CN109816165A (zh) * | 2019-01-16 | 2019-05-28 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
CN109919382A (zh) * | 2019-03-08 | 2019-06-21 | 中国电力科学研究院有限公司 | 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统 |
CN109961190A (zh) * | 2019-03-29 | 2019-07-02 | 北京鑫泰绿能科技有限公司 | 一种基于学习日拟合度聚类的光伏电站日前功率预测方法 |
CN110705789A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种光伏电站短期功率预测方法 |
CN110751333A (zh) * | 2019-10-21 | 2020-02-04 | 南京信息工程大学 | 一种分布式太阳能光伏发电量预测系统 |
CN114819391A (zh) * | 2022-05-19 | 2022-07-29 | 中山大学 | 基于历史数据集时间跨度优化的光伏发电功率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102360430A (zh) * | 2011-09-28 | 2012-02-22 | 哈尔滨工业大学 | 一种基于支持向量机和误差估计的供热负荷区间预报方法 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
-
2016
- 2016-09-22 CN CN201610841210.2A patent/CN106447098B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102360430A (zh) * | 2011-09-28 | 2012-02-22 | 哈尔滨工业大学 | 一种基于支持向量机和误差估计的供热负荷区间预报方法 |
CN104463349A (zh) * | 2014-11-11 | 2015-03-25 | 河海大学 | 一种基于多时段综合相似日的光伏发电功率预测方法 |
CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045659A (zh) * | 2017-05-03 | 2017-08-15 | 北京天诚同创电气有限公司 | 预测光伏发电功率的方法及装置 |
CN107358323A (zh) * | 2017-07-13 | 2017-11-17 | 上海交通大学 | 一种短期光伏发电的功率预测方法 |
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 |
CN107403015A (zh) * | 2017-08-07 | 2017-11-28 | 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 |
CN107368933A (zh) * | 2017-08-29 | 2017-11-21 | 集美大学 | 一种基于适配度及相关系数拟合的光伏功率预测方法 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN108564192B (zh) * | 2017-12-29 | 2021-06-08 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN109034464A (zh) * | 2018-07-11 | 2018-12-18 | 南京联迪信息系统股份有限公司 | 一种短期光伏发电系统功率预测及结果校核的方法 |
CN109002915A (zh) * | 2018-07-13 | 2018-12-14 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109002915B (zh) * | 2018-07-13 | 2022-03-18 | 福州大学 | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN109615120A (zh) * | 2018-11-26 | 2019-04-12 | 国网天津市电力公司 | 一种分布式光伏发电出力预测方法 |
CN109615120B (zh) * | 2018-11-26 | 2022-04-19 | 国网天津市电力公司 | 一种分布式光伏发电出力预测方法 |
CN109816165A (zh) * | 2019-01-16 | 2019-05-28 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
CN109816165B (zh) * | 2019-01-16 | 2020-09-25 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
CN109919382A (zh) * | 2019-03-08 | 2019-06-21 | 中国电力科学研究院有限公司 | 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统 |
CN109919382B (zh) * | 2019-03-08 | 2021-06-04 | 中国电力科学研究院有限公司 | 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统 |
CN109961190A (zh) * | 2019-03-29 | 2019-07-02 | 北京鑫泰绿能科技有限公司 | 一种基于学习日拟合度聚类的光伏电站日前功率预测方法 |
CN110705789A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种光伏电站短期功率预测方法 |
CN110751333A (zh) * | 2019-10-21 | 2020-02-04 | 南京信息工程大学 | 一种分布式太阳能光伏发电量预测系统 |
CN114819391A (zh) * | 2022-05-19 | 2022-07-29 | 中山大学 | 基于历史数据集时间跨度优化的光伏发电功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106447098B (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106447098A (zh) | 一种光伏超短期功率预测方法及装置 | |
CN104573879B (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
Semero et al. | A PSO-ANFIS based hybrid approach for short term PV power prediction in microgrids | |
CN110852902A (zh) | 一种基于bas-bp的光伏发电功率预测方法 | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN109165774A (zh) | 一种短期光伏功率预测方法 | |
CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
CN106548270A (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
CN105512775A (zh) | 一种光伏发电系统的功率预测方法 | |
CN109034464A (zh) | 一种短期光伏发电系统功率预测及结果校核的方法 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN103996079A (zh) | 一种基于条件概率的风电功率加权预测方法 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
He et al. | A power forecasting approach for PV plant based on irradiance index and LSTM | |
Huang et al. | Parameter identification for photovoltaic models using an improved learning search algorithm | |
CN110070227A (zh) | 一种适于并网光伏发电的迁移神经网络功率预测方法 | |
CN109902743A (zh) | 一种风电机组输出功率预测方法 |
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 |