CN106815655A - 基于模糊规则的光伏出力2d区间预测方法 - Google Patents
基于模糊规则的光伏出力2d区间预测方法 Download PDFInfo
- Publication number
- CN106815655A CN106815655A CN201611216178.5A CN201611216178A CN106815655A CN 106815655 A CN106815655 A CN 106815655A CN 201611216178 A CN201611216178 A CN 201611216178A CN 106815655 A CN106815655 A CN 106815655A
- Authority
- CN
- China
- Prior art keywords
- prediction
- interval
- max
- data
- formula
- 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 41
- 230000002045 lasting effect Effects 0.000 claims abstract description 21
- 230000005855 radiation Effects 0.000 claims abstract description 19
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000002688 persistence Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于模糊规则的光伏出力2D区间预测方法,包括如下步骤:步骤1:输入待预测光伏发电系统的本地电气和气象数据,以及互联网气象数据;步骤2:对输入数据中的各类型数据进行预处理;步骤3:得到待预测日的晴空倾斜面总辐射强度并以此修正功率晴空模型的功率数据;步骤4:建立持久2D区间预测模型;步骤5:构造2D区间预测的输入向量,建立支持向量回归机2D区间预测模型;步骤6:建立第一重模糊规则,利用建立的模糊隶属度函数修改持久2D区间预测模型和支持向量回归机2D区间预测模型的组合系数;步骤7:建立第二重模糊规则,并根据规则对2D区间预测结果进行偏差调整。本发明预测2D区间实际有效、结果可信度高。
Description
技术领域
本发明涉及一种基于模糊规则的光伏出力2D区间预测方法,主要包括一种光伏出力持久2D区间预测模型,支持向量回归机2D区间预测模型和利用双重模糊策略的优化方法。
背景技术
分布式光伏发电技术有巨大的商业价值,在未来电力系统中将发挥重大作用。由于光伏出力具有随机性、间歇性和波动性,不能由电力系统轻易地接纳,预测技术是有效的解决途径之一,但目前的预测方法大都集中在点功率的预测上。由于光伏出力影响因素复杂,目前国内服务于光伏的气象预报系统尚不完善,预测精度受限,往往难以达到可应用的要求。2D区间预测可以很好地解决这个问题。2D区间预测是预测一个合理的区间值,包含一个上界和下界。2D区间预测得到反映更多变化信息的预测区间,这有助于评估未来时段的不确定性,提高实际应用价值,因此实现有效的2D区间预测模型非常必要。
发明内容
为了克服现有技术中无法实现准确有效的2D区间预测方法的缺点,本发明提供一种预测2D区间实际有效、结果可信度高的基于模糊规则的光伏出力2D区间预测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于模糊规则的光伏出力2D区间预测方法,包括如下步骤:
步骤1:输入待预测光伏发电系统的本地电气和气象数据,以及互联网气象数据;
步骤2:对输入数据中的各类型数据进行预处理,包括进行脏数据处理、数据扩充处理和数据规范化处理;
步骤3:基于所述光伏系统的时间序列、地理经度纬度和光伏组件倾斜角数据,利用REST模型计算理论直射辐射强度和散射辐射强度,并利用历史数据对其进行修正,进而得到待预测日的晴空倾斜面总辐射强度并以此修正功率晴空模型的功率数据;
步骤4:利用相应计算的晴空指数和晴空功率数据,建立持久2D区间预测模型;
步骤5:构造2D区间预测的输入向量,利用构造的输入向量建立支持向量回归机2D区间预测模型;
步骤6:建立第一重模糊规则,利用建立的模糊隶属度函数修改持久2D区间预测模型和支持向量回归机2D区间预测模型的组合系数;
步骤7:建立第二重模糊规则,并根据规则对2D区间预测结果进行偏差调整。
进一步,所述步骤4中,建立持久2D区间预测模型的计算过程如下:
4.1)计算t-h+1到t间隔的晴空指数序列,h是预测的时间尺度,t是指预测初始时刻,公式如下:
式中kI是晴空指数序列,Pi为预测时间t-h+1到t间隔内的历史数据序列,为与之对应的晴空功率序列;
4.2)计算t-h+1到t间隔的晴空指数最大值和最小值,公式如下:
kmax=max(k1,…kh)
kmin=min(k1,…kh)
式中max为求最大值函数,min为求最小值函数;
4.3)计算t+1至t+h时间间隔内晴空功率的最大值和最小值,计算公式如下:
式中中为计算出的t+1至t+h时间间隔的晴空功率数据序列;
4.4)计算t+1至t+h时间间隔的功率最大最小值,得到的Pmax,t+1,Pmin,t+1即为持久模型预测2D区间的上界和下界,
更进一步,所述步骤5中,建立支持向量回归机2D区间预测模型过程如下:
5.1)首先利用晴空指数计算输出功率的变异度,计算的时间间隔是t-h+1到t,
进一步计算光伏系统本地的直射辐射度GDNI、散射辐射度GDHI、水平总辐射度G、倾斜面总辐射强度Gt、输出功率P、组件温度T、实地风速Ws2在t-h+1至t时间间隔内的最大值和最小值,计算气象数据的环境温度Ta、环境湿度RH、大气压p、空气可见度Cl、风速Ws、天气类型A、天顶角余弦值cos(θ)、时角ω、修正后的理论倾斜面总辐射度晴空功率Pi cl在t+1至t+h时间间隔内的最大值和最小值;
5.2)利用支持向量回归机建立2D区间预测模型,以上述计算的数据作为输入向量和实际输出功率的上界和下界作为目标输出,分别建立2D区间的上界预测模型和下界预测模型。
更进一步,所述步骤6中,建立第一重模糊规则,以此建立模糊回归方程其过程如下:
6.1)首先建立上界和下界的模糊回归方程,公式如下:
Pmax1,t+h=p1xmax+(1-p1)ymax
Pmin1,t+h=p2xmin+(1-p2)ymin
式中xmax、xmin为持久2D区间预测模型预测的上界和下界,ymax、ymin支持向量回归机2D区间预测模型预测的上界和下界。p1、p2分别为上界和下界的回归系数;
6.2)计算t-h+1到t内的预测偏差,计算公式如下:
E1=(Pmax,预测-Pmax,实际)/Pmax,实际
E2=(Pmin,预测-Pmin,实际)/Pmin,实际
式中Pmax,预测、Pmax,实际、Pmin,预测、Pmin,实际分别为t-h+1到t时间间隔的预测上界、实际上界和预测下界、实际下界,E2和E1分别为下界相对偏差和上界相对偏差;
6.3)利用步骤4和步骤5的预测数据进行专家知识分析,建立历史预测相对偏差、天气类型和持久2D区间预测模型预测精度之间的模糊规则;
6.4)利用柯西分布建立合适的隶属度函数,上界相关隶属度函数公式如下:
式中,α、a1、k2、α2、α2′、k3、α3、α3′、a3为经验系数;
下界相关隶属度函数公式如下:
式中α4、b1、k4、b2、α5、α5′、k5、α6、α6′、b3为经验系数;
6.5)利用隶属度函数得到回归方程的预测结果。
更进一步,所述步骤7中,建立第二重模糊规则,根据规则调整2D区间的偏差过程如下:
7.1)分别建立上下界偏差调整方程,公式如下:
ΔS1=u0(Pmax1,晴空-Pmax1,预测)/Pmin1,晴空
ΔS2=u1Pmin1,预测
式中ΔS1、ΔS2分别为上下界修正偏差,u0、u1分别为上界和下界的隶属度值;
7.2)利用步骤4和步骤5的预测数据进行统计分析,建立基于统计的偏差修正模糊隶属度曲线;
7.3)根据模糊隶属度调整步骤6得到的2D预测上界和下界,公式如下:
Pmin,final=Pmin1,t+h-ΔS2
Pmax,final=Pmax1,t+h+ΔS1。
本发明基于模糊规则的光伏出力2D区间预测方法,包括一种光伏出力持久算法2D区间预测模型、支持向量回归机2D区间预测模型、基于专家知识的模糊回归优化策略和基于统计规律的模糊隶属度曲线偏差修正优化方法,通过对预测结果进行模糊化处理,制定模糊规则,实现2D区间预测结果更加符合实际需求。
本发明提供的光伏2D区间预测方法得到一个合理、可信度较高的区间,包括一个上界和下界。利用基于模糊的预测方法,实现在天气较好情况下2D区间尽可能的窄,天气差的情况下尽可能涵盖变化范围。本发明能够提供更多更有用的信息来帮助人们做出合理的预测和决策,可以应用于平衡供电与负载等操作控制,以及对能量存贮进行动态控制。
本发明的有益效果主要表现在:
1.建立持久2D区间预测模型和支持向量回归机2D区间预测模型;
2.利用专家知识判断建立模糊回归方程,根据天气类型和前次预测偏差修改持久2D区间预测模型和支持向量回归机2D区间预测模型的组合系数;
3.根据误差统计得到的规律,在第一阶段预测结束后,利用计算的变异度数据作为依据,建立补救模糊规则,对第一阶段的预测结果进行修正;
4.通过预测光伏出力未来一定时间间隔内的2D区间,可用于指导电网内负载的平衡与能源存储动态管理,以确保电力系统以最经济方法可靠运作。
附图说明
图1是本发明2D区间的计算流程图。
图2是本发明预测2D区间上界第一重模糊规则隶属度图。
图3是本发明预测2D区间下界第一重模糊规则隶属度图。
图4是本发明预测2D区间偏差修正模糊规则隶属度图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图4,一种基于模糊规则的光伏出力2D区间预测方法,包括以下步骤:
步骤1:输入待预测光伏发电系统的本地电气和气象数据,以及互联网气象数据,本地相关数据具体包括光伏系统本地的直射辐射度GDNI、散射辐射度GDHI、水平总辐射度G、倾斜面总辐射强度Gt、输出功率P、组件温度T和实地风速Ws2。互联网公共数据为气象数据包括:环境温度Ta、环境湿度RH、大气压p、空气可见度Cl、风速Ws和天气类型A;
步骤2:对输入数据中的各类型数据进行预处理,包括进行脏数据处理、数据扩充处理和数据规范化处理,
2.1)首先检查数据是否缺失,根据事先选定的样本大小,检查各类型数据数量是否与计算的数量相符。对于缺失和畸变的数据,可用前值代替法或线性插补法补全。
2.2)记录的气象数据时间间隔较大,采用分段线性插值法扩充数据。在两个数据点之间空缺的数据采用线性填补的方法。
2.3)对所有用于预测的数据规范化处理,公式如下:
X′(i)=(X(i)-Xmin(i))/(Xmax(i)-Xmin(i))
其中,X′(i)为归一化后的值,X(i)、Xmax(i)、Xmin(i)分别为样本实际值、样本最大值和样本最小值。
步骤3:基于所述光伏系统的时间序列、地理经度纬度和光伏组件倾斜角数据,利用REST模型计算晴天的直射辐射强度和散射辐射强度,并利用历史数据对其进行偏移修正,进而得到待预测日的晴空倾斜面总辐射强度并以此修正功率晴空模型的功率数据,具体计算过程如下;
3.1)首先计算理论直射辐射度GDNI,0、理论散射辐射度GDHI,0、天顶角余弦值cos(θ)和时角ω;
3.2)利用记录的晴空天气历史数据,拟合实际直射辐射度和理论直射辐射度,以及实际散射辐射度和理论散射辐射度,拟合公式如下:
GDNI,1=k1GDNI,0+a
GDHI,1=k2GDHI,0+b
其中k1、a、k2和b是拟合得到的常数;
3.3)计算修正后的理论倾斜面总辐射度,计算公式如下:
其中Z为倾斜面入射角;
3.4)选择出离预测日最近的晴朗天,并对该天的功率数据进行相应的调整,计算出待预测日的晴空输出功率序列,在单次计算中需要得到t-h+1到t+h间隔内的数据,h是预测的时间尺度,t是指预测初始时刻;
式中Pi cl为待预测t+1到t+h时间间隔内的晴空功率序列,为与Pi cl对应的理论倾斜面总辐射度,为记录的离预测日最邻近的晴朗天气的功率序列,为与对应的理论倾斜面总辐射度。
步骤4:利用相应计算的晴空指数和晴空功率数据,建立持久2D区间预测模型,计算过程如下:
4.1)计算t-h+1到t间隔的晴空指数序列,h是预测的时间尺度,t是指预测初始时刻,公式如下:
式中kI是晴空指数序列,Pi为预测时间t-h+1到t间隔内的历史数据序列,为与之对应的晴空功率数据;
4.2)计算t-h+1到t间隔的晴空指数最大值和最小值,公式如下:
kmax=max(k1,…kh)
kmin=min(k1,…kh)
式中max为求最大值函数,min为求最小值函数;
4.3)计算t+1至t+h时间间隔内晴空功率的最大值和最小值,计算公式如下:
式中中为计算出的t+1至t+h时间间隔的晴空功率数据序列;
4.4)计算t+1至t+h时间间隔的功率最大最小值,得到的Pmax,t+1,Pmin,t+1即为持久模型预测2D区间的上界和下界,
得到的Pmax,t+1,Pmin,t+1即为持久模型预测2D区间的上界和下界。
步骤5:构造2D区间预测的输入向量,利用构造的输入向量建立支持向量回归机2D区间预测模型,过程如下;
5.1)首先利用晴空指数计算,输出功率的变异度。计算的时间间隔是t-h+1到t,
5.2)计算GDNI、GDHI、G、Gt、P、T、Ws2在t-h+1至t时间间隔内的最大值和最小值,计算Ta、RH、p、Cl、Ws、A、cos(θ)、ω、Pi cl在t+1至t+h时间间隔内的最大值和最小值;
5.3)利用支持向量回归机建立2D区间预测模型,以上述计算的数据作为输入和实际输出功率的上界和下界作为目标输出,分别建立上界预测模型和下界预测模型;
步骤6:建立第一重模糊规则,以此修改持久2D区间预测模型和支持向量回归机2D区间预测模型的组合系数,过程如下:
6.1)首先建立2D区间上界和下界的模糊回归方程,公式如下:
Pmax1,t+h=p1xmax+(1-p1)ymax
Pmin1,t+h=p2xmin+(1-p2)ymin
式中xmax、xmin为持久2D区间预测模型预测的上界和下界,ymax、ymin支持向量回归机2D区间预测模型预测的上界和下界。p1、p2分别为上界和下界的回归系数;
6.2)计算t-h+1到t内的预测偏差,计算公式如下:
E1=(Pmax,预测-Pmax,实际)/Pmax,实际
E2=(Pmin,预测-Pmin,实际)/Pmin,实际
式中Pmax,预测、Pmax,实际、Pmin,预测、Pmin,实际分别为t-h+1到t时间间隔的预测上界、实际上界和预测下界、实际下界,E2和E1分别为下界相对偏差和上界相对偏差;
6.3)利用步骤4和步骤5的预测数据进行专家知识分析,建立历史预测相对偏差、天气类型和持久2D区间预测模型预测精度之间的模糊规则;
6.4)利用柯西分布建立合适的隶属度函数,上界相关隶属度函数公式如下:
式中,α、a1、k2、α2、α2′、k3、α3、α3′、a3为经验系数;
下界相关隶属度函数公式如下:
式中α4、b1、k4、b2、α5、α5′、k5、α6、α6′、b3为经验系数;
6.5)利用隶属度函数计算模糊回归方程的预测结果。
步骤7:建立第二重模糊规则,根据规则调整2D区间的偏差,过程如下:
7.1)分别建立上下界偏差调整方程,公式如下:
ΔS1=u0(Pmax1,晴空-Pmax1,预测)/Pmin1,晴空
ΔS2=u1Pmin1,预测
式中ΔS1、ΔS2分别为上下界修正偏差,u0、u1分别为上界和下界的隶属度值,
7.2)利用步骤4和步骤5的预测数据进行统计分析,建立基于统计的偏差修正模糊隶属度曲线,
7.30根据模糊隶属度调整步骤6得到的2D预测上界和下界,公式如下:
Pmin,final=Pmin1,t+h-ΔS2
Pmax,final=Pmax1,t+h+ΔS1。
Claims (5)
1.一种基于模糊规则的光伏出力2D区间预测方法,其特征在于:包括如下步骤:
步骤1:输入待预测光伏发电系统的本地电气和气象数据,以及互联网气象数据;
步骤2:对输入数据中的各类型数据进行预处理,包括进行脏数据处理、数据扩充处理和数据规范化处理;
步骤3:基于所述光伏系统的时间序列、地理经度纬度和光伏组件倾斜角数据,利用REST模型计算理论直射辐射强度和散射辐射强度,并利用历史数据对其进行修正,进而得到待预测日的晴空倾斜面总辐射强度,并以此修正功率晴空模型的功率数据;
步骤4:利用相应计算的晴空指数和晴空功率数据,建立持久2D区间预测模型;
步骤5:构造2D区间预测的输入向量,利用构造的输入向量建立支持向量回归机2D区间预测模型;
步骤6:建立第一重模糊规则,利用建立的模糊隶属度函数修改持久2D区间预测模型和支持向量回归机2D区间预测模型的组合系数;
步骤7:建立第二重模糊规则,对2D区间预测结果进行偏差调整。
2.如权利要求1所述的基于模糊规则的光伏出力2D区间预测方法,其特征在于:所述步骤4中,建立持久2D区间预测模型的过程如下:
4.1)计算t-h+1到t间隔的晴空指数序列,h是预测的时间尺度,t是指预测初始时刻,公式如下:
式中kI是晴空指数序列,Pi为预测时间t-h+1到t间隔内的历史数据序列,为与之对应的晴空功率序列;
4.2)计算t-h+1到t间隔内的晴空指数最大值和最小值,公式如下:
kmax=max(k1,…kh)
kmin=min(k1,…kh)
式中max为求最大值函数,min为求最小值函数;
4.3)计算t+1至t+h时间间隔内晴空功率的最大值和最小值,计算公式如下:
式中中为计算出的t+1至t+h时间间隔的晴空功率数据序列;
4.4)计算t+1至t+h时间间隔的功率最大最小值,得到的Pmax,t+1,Pmin,t+1即为持久模型预测2D区间的上界和下界,
3.如权利要求1或2所述的基于模糊规则的光伏出力2D区间预测方法,其特征在于:所述步骤5中,建立支持向量回归机2D区间预测模型过程如下:
5.1)首先利用晴空指数序列计算输出功率的变异度,计算的时间间隔是t-h+1到t,
5.2)计算光伏系统本地的直射辐射度GDNI、散射辐射度GDHI、水平总辐射度G、倾斜面总辐射强度Gt、输出功率P、组件温度T、实地风速Ws2在t-h+1至t时间间隔内的最大值和最小值,计算气象数据的环境温度Ta、环境湿度RH、大气压p、空气可见度Cl、风速Ws、天气类型A、天顶角余弦值cos(θ)、时角ω、修正后的理论倾斜面总辐射度晴空功率Pi cl在t+1至t+h时间间隔内的最大值和最小值;
5.3)利用支持向量回归机建立2D区间预测模型,以上述计算的数据作为输入向量和实际输出功率的上界和下界作为目标输出,分别建立2D区间的上界预测模型和下界预测模型。
4.如权利要求1或2所述的基于模糊规则的光伏出力2D区间预测方法,其特征在于:所述步骤6中,建立第一重模糊规则,并基于模糊规则建立模糊回归方程其过程如下:
6.1)首先建立上界和下界的模糊回归方程,公式如下:
Pmax1,t+h=p1xmax+(1-p1)ymax
Pmin1,t+h=p2xmin+(1-p2)ymin
式中xmax、xmin为持久2D区间预测模型预测的上界和下界,ymax、ymin支持向量回归机2D区间预测模型预测的上界和下界,p1、p2分别为上界和下界的回归系数;
6.2)计算t-h+1到t内的预测偏差,计算公式如下:
E1=(Pmax,预测-Pmax,实际)/Pmax,实际
E2=(Pmin,预测-Pmin,实际)/Pmin,实际
式中Pmax,预测、Pmax,实际、Pmin,预测、Pmin,实际分别为t-h+1到t时间间隔的预测上界、实际上界和预测下界、实际下界,E2和E1分别为下界相对偏差和上界相对偏差;
6.3)利用步骤4和步骤5的预测数据进行专家知识分析,建立历史预测相对偏差、天气类型和持久2D区间预测模型预测精度之间的模糊规则;
6.4)利用柯西分布建立合适的隶属度函数,上界相关隶属度函数公式如下:
式中,α、a1、k2、α2、α2′、k3、α3、α3′、a3为经验系数;
下界相关隶属度函数公式如下:
式中α4、b1、k4、b2、α5、α5′、k5、α6、α6′、b3为经验系数;
6.5)利用隶属度函数计算模糊回归方程的预测结果。
5.如权利要求1或2所述的基于模糊规则的光伏出力2D区间预测方法,其特征在于:所述步骤7中,建立第二重模糊规则,根据规则调整2D区间的上界和下界偏差过程如下:
7.1)分别建立上下界偏差调整方程,公式如下:
ΔS1=u0(Pmax1,晴空-Pmax1,预测)/Pmin1,晴空
ΔS2=u1Pmin1,预测
式中ΔS1、ΔS2分别为上下界修正偏差,u0、u1分别为上界和下界的隶属度值;
7.2)利用步骤4和步骤5的预测数据进行统计分析,建立基于统计的偏差修正模糊隶属度曲线;
7.3)根据模糊隶属度调整步骤6得到的2D预测上界和下界,公式如下:
Pmin,final=Pmin1,t+h-ΔS2
Pmax,final=Pmax1,t+h+ΔS1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611216178.5A CN106815655B (zh) | 2016-12-26 | 2016-12-26 | 基于模糊规则的光伏出力2d区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611216178.5A CN106815655B (zh) | 2016-12-26 | 2016-12-26 | 基于模糊规则的光伏出力2d区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106815655A true CN106815655A (zh) | 2017-06-09 |
CN106815655B CN106815655B (zh) | 2020-06-30 |
Family
ID=59110096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611216178.5A Active CN106815655B (zh) | 2016-12-26 | 2016-12-26 | 基于模糊规则的光伏出力2d区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106815655B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059862A (zh) * | 2019-03-25 | 2019-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于自编码与极限学习机的光伏区间预测方法和系统 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
CN112650061A (zh) * | 2020-12-25 | 2021-04-13 | 电子科技大学 | 一种基于区间模糊的暖通空调节能预测控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106544A (zh) * | 2013-02-01 | 2013-05-15 | 东南大学 | 一种基于t-s型模糊神经网络的光伏发电预测系统 |
JP2013099143A (ja) * | 2011-11-01 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 |
CN103400204A (zh) * | 2013-07-26 | 2013-11-20 | 华南理工大学 | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 |
CN105162149A (zh) * | 2015-09-07 | 2015-12-16 | 中国电力科学研究院 | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 |
CN105931134A (zh) * | 2016-04-25 | 2016-09-07 | 华北电力大学 | 一种含并网光伏电站的系统可靠性评估方法 |
-
2016
- 2016-12-26 CN CN201611216178.5A patent/CN106815655B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013099143A (ja) * | 2011-11-01 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | 予測モデル構築装置、方法、及びプログラム、並びに発電量予測装置、及び方法 |
CN103106544A (zh) * | 2013-02-01 | 2013-05-15 | 东南大学 | 一种基于t-s型模糊神经网络的光伏发电预测系统 |
CN103400204A (zh) * | 2013-07-26 | 2013-11-20 | 华南理工大学 | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 |
CN105162149A (zh) * | 2015-09-07 | 2015-12-16 | 中国电力科学研究院 | 基于模糊自适应调节的光储系统跟踪发电计划出力方法 |
CN105931134A (zh) * | 2016-04-25 | 2016-09-07 | 华北电力大学 | 一种含并网光伏电站的系统可靠性评估方法 |
Non-Patent Citations (2)
Title |
---|
姚传安: "小型风光互补发电系统控制和能量预测技术研究", 《中国博士学位论文全文数据库》 * |
龚莺飞等: "光伏功率预测技术", 《电力系统自动化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059862A (zh) * | 2019-03-25 | 2019-07-26 | 国网浙江省电力有限公司电力科学研究院 | 一种基于自编码与极限学习机的光伏区间预测方法和系统 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
CN112650061A (zh) * | 2020-12-25 | 2021-04-13 | 电子科技大学 | 一种基于区间模糊的暖通空调节能预测控制方法 |
CN112650061B (zh) * | 2020-12-25 | 2023-03-10 | 电子科技大学 | 一种基于区间模糊的暖通空调节能预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106815655B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11545830B2 (en) | Systems and methods of hierarchical forecasting of solar photovoltaic energy production | |
Ramsami et al. | A hybrid method for forecasting the energy output of photovoltaic systems | |
Engelbrecht et al. | Multi-scale climate modelling over Southern Africa using a variable-resolution global model | |
CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
CN108388956A (zh) | 考虑辐射衰减的光伏功率预测方法 | |
Kato | Prediction of photovoltaic power generation output and network operation | |
CN106815655A (zh) | 基于模糊规则的光伏出力2d区间预测方法 | |
Mathe et al. | PVNet: A LRCN architecture for spatio-temporal photovoltaic PowerForecasting from numerical weather prediction | |
CN112559958B (zh) | 基于风云4号卫星反演地表太阳总辐射和直接辐射的方法 | |
Guo et al. | VIC distributed hydrological model to predict climate change impact in the Hanjiang basin | |
Meenal et al. | Review on artificial neural network based solar radiation prediction | |
Kayri et al. | Predicting power production from a photovoltaic panel through artificial neural networks using atmospheric indicators | |
Tehrani et al. | Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking | |
Kumar et al. | Artificial neural network based model for short term solar radiation forecasting considering aerosol index | |
Zhao et al. | Coupling meteorological stations data and satellite data for prediction of global solar radiation with machine learning models | |
El Boujdaini et al. | Artificial neural networks for global and direct solar irradiance forecasting: a case study | |
Tharani et al. | Machine learning models for renewable energy forecasting | |
Syed et al. | Short term solar insolation prediction: P-ELM approach | |
Yang et al. | A tutorial review of the solar power curve: Regressions, model chains, and their hybridization and probabilistic extensions | |
El Hendouzi et al. | Forecasting of PV power application to PV power penetration in a microgrid | |
Mejdoul et al. | Artificial neural network based prediction model of daily global solar radiation in Morocco | |
Guo et al. | Short-Term Photovoltaic Power Forcasting Based on PSO-BP Neural Network | |
Komilov | Algorithm for multivariate solution of mathematical models in MATLAB to create a database of environmental parameters | |
Dixit et al. | Annual optimum tilt angle prediction of solar collector using pso estimator | |
Belmahdi et al. | Forecasting solar radiation using machine learning method: new optimization algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |