CN107220723A - 一种光伏电站功率预测方法 - Google Patents
一种光伏电站功率预测方法 Download PDFInfo
- Publication number
- CN107220723A CN107220723A CN201710261799.3A CN201710261799A CN107220723A CN 107220723 A CN107220723 A CN 107220723A CN 201710261799 A CN201710261799 A CN 201710261799A CN 107220723 A CN107220723 A CN 107220723A
- Authority
- CN
- China
- Prior art keywords
- information data
- data
- weather information
- photovoltaic plant
- mars
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000005855 radiation Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 16
- 238000009499 grossing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 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
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000002834 transmittance Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 239000000843 powder Substances 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 abstract description 2
- 230000006641 stabilisation Effects 0.000 abstract description 2
- 238000011105 stabilization Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 23
- 238000005457 optimization Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000000714 time series forecasting 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于光伏电站发电量预测技术领域,具体涉及一种基于时间序列和相似日分类的MARS的光伏电站功率预测方法。所述光伏电站功率预测方法基于时间序列和天气类型分类的MARS模型,以提高短期超短期光伏功率预测精度。所述方法实现了对未来时段分钟级精度的光伏输出功率的预测,进而指导光伏电站调度工作,确保光伏并网后整个电网稳定、安全地运行,更高效地利用清洁能源。
Description
技术领域
本发明属于光伏电站发电量预测技术领域,具体涉及一种基于时间序列和相似日分类的MARS的光伏电站功率预测方法。
背景技术
截至2015年9月底,全国光伏发电装机容量达到3795万千瓦,其中,光伏电站3170万千瓦,分布式光伏625万千瓦。但是,光伏发电过程本身受多种环境及自身因素影响,并网后其强随机性和波动性可能造成电网的不稳定,由此导致了大量的“弃光”现象,这与我国倡导的抑制产能过剩的理念是不相匹配的。
电网友好型的电源侧是新能源电力系统的重要组成部分,如果光伏功率能得到比较准确的预测,那么对于电源侧其他稳定的电源,如火电机组,将更容易与其配合调整负荷,使得更多的光伏发电系统能够接入电网,更高效地利用清洁能源。
多元自适应回归样条(MARS)方法适用于非线性回归问题。对于高维度数据MARS方法能够有效寻找变量交互性和变量变形的最优形式,挖掘隐含在数据对背后的规律,对于具有同一规律的学习集以外的数据,经过训练的模型也能给出合适的输出。
发明内容
针对上述问题,本发明提出一种光伏电站功率预测方法,基于时间序列和天气类型分类的MARS模型,以提高短期超短期光伏功率预测精度。
本发明是通过以下技术方案实现的:
一种光伏电站功率预测方法,所述方法用于对目标光伏电站的未来时间段的发电功率进行预测,以获得该目标光伏电站在某一预测时间段的发电功率值;
所述预测方法包括以下步骤:
(1)收集所述预测时间段之前的若干已知时间段的目标光伏电站气象信息数据及发电功率数据,并结合所述已知时间段的天气类型,构建MARS模型;根据天气类型构建的MARS模型包括晴天MARS模型、多云MARS模型、阴天MARS模型、以及雨雪天MARS模型;
(2)基于所述预测时间段之前若干已知时间段的目标光伏电站气象信息数据,使用三次指数平滑时间序列得到所述预测时间段对应的预测气象信息数据;
(3)将所述预测时间段对应的目标光伏电站预测气象信息数据输入到该预测时间段对应的天气类型MARS模型中,得到该预测时间段的预测功率值。
进一步地,步骤(3)后还包括以下步骤:
(4)当获得所述预测时间段的实际气象信息数据后,将所述实际气象信息数据输入到该预测时间段对应的天气类型MARS模型中,在原有模型基础上再次训练MARS模型,以提高该天气类型MARS模型的预测精度;
(5)将所述预测时间段的实际气象信息数据输入到步骤(2)中所述三次指数平滑时间序列中,用于获得新的预测时间段对应的预测气象信息数据;
(6)将步骤(2)-(5)循环往复不断滚动预测,以获得不同预测时间段的预测功率值。
进一步地,所述气象信息数据包括所述太阳辐射数据和所述气象数据;
所述太阳辐射数据中的气象参数包括总辐照、直射辐照和散辐照,所述气象数据中的气象参数包括小时数、温度、湿度、露点温度、风速、风向、透光度和反射率。
进一步地,所述步骤(1)具体为:
S1:收集所述预测时间段之前的若干已知时间段的光伏电站的气象信息数据以及对应的发电功率实时数据,并记录所述已知时间段的天气类型,所述天气类型包括晴、多云、阴、雨雪四种;
S2:将收集到的所述气象信息数据以及所述对应的发电功率实时数据按照数据收集时间段对应的天气类型进行分类,分为晴天气象信息数据、多云气象信息数据、阴天气象信息数据以及雨雪天气象信息数据四种类型的气象信息数据;
S3:将S2分类后获得所述四种类型的气象信息数据逐变量剔除误差较大数据点后分别采用最大最小值法进行归一处理,获得归一化处理后的四种类型的气象信息数据;
S4:以所述气象信息数据作为MARS模型的输入变量,以发电功率作为MARS模型的输出变量,通过前向迭代过程训练成对地引入基函数,最终获得过度拟合的MARS模型;在后向过程中,通过交叉验证GCV准则计算各个基函数的重要程度:
其中,为残差平方和,N为输入气象信息数据的个数,yi为实际发电功率为预测的发电功率;c(M)=(M+1)+pM,c(M)是为了降低模型复杂性的罚函数,M为基函数个数,p为惩罚系数,p取值[2,3]。
在满足预测精度要求的前提下,按照重要度从低向高的顺序依次删除冗余基函数,得到非过度拟合的MARS模型;按照天气类型构建的MARS模型包括晴天MARS模型、多云MARS模型、阴天MARS模型、以及雨雪天MARS模型。
进一步地,在S3步骤中,
将S2分类后获得所述四种类型的气象信息数据逐变量剔除误差较大数据点后采用最大最小法进行归一处理,获得归一化处理后的四种类型的气象信息数据;
所述最大最小法公式如下:
Xz=(Xi-Xmin)/(Xmax-Xmin)
式中,Xz为归一化处理后的气象信息数据中的气象参数;Xi为未经过归一化处理的气象信息数据中的气象参数;Xmax,Xmin分别为每种气象信息数据类型中此类气象参数的最大值和最小值。
进一步地,在S4步骤中,所述MARS模型的建立过程采用前向选择和后向删除过程;在所述前向过程中,样条函数以加权和的形式引入到MARS模型中充当基函数,每次选取一对最优样条函数来提高模型准确度,向后删除过程,删除造成模型过度拟合的基函数。
进一步地,步骤(2)具体为:获取光伏电站所在位置预测时间段的天气预类型,基于该预测时间段前若干天的太阳辐照数据和气象数据使用三次指数平滑时间序列得到预测时间段对应的预测太阳辐照数据和预测气象数据;
进一步地,步骤(3)具体为:将预测时间段对应的目标光伏电站的太阳辐照数据和预测气象数据作为该预测时间段对应天气类型MARS模型的输入,得到预测功率值。
本发明的有益技术效果:
本发明所述方法实现了对未来时段分钟级精度的光伏输出功率的实时预测,进而指导光伏电站调度工作,确保光伏并网后整个电网稳定、安全地运行,更高效地利用清洁能源。
本发明所述方法与其他短期超短期方法相比,不断迭代优化MARS模型保证预测收敛性且具有更好的预测精度。
附图说明
图1为利用本发明光伏电站功率预测方法测得的预测时间段预测功率与实际功率比较图谱;
图2为本发明一种光伏电站功率预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
一种光伏电站功率预测方法,如图1-2所示,所述方法基于时间序列和相似日分类,所述方法包括以下步骤:
S1:收集所述预测时间段之前的若干已知时间段的光伏电站的太阳辐照数据、气象数据以及对应的发电功率实时数据,并记录所述已知时间段的天气类型,所述天气类型包括晴、多云、阴、雨雪四种;
S2:将收集到的所述太阳辐照数据、所述气象数据以及所述对应的发电功率实时数据按照数据收集时间段对应的天气类型进行分类,分为晴天气象信息数据、多云气象信息数据、阴天气象信息数据以及雨雪天气象信息数据四种类型的气象信息数据;
所述太阳辐射数据中的气象参数包括总辐照、直射辐照和散辐照,所述气象数据中的气象参数包括小时数、温度、湿度、露点温度、风速、风向、透光度和反射率。
S3:将S2分类后获得所述四种类型的气象信息数据逐变量剔除误差较大数据点后分别采用最大最小值法进行归一处理,获得归一化处理后的四种类型的气象信息数据;
S4:以所述气象信息数据作为MARS模型的输入变量,以发电功率作为MARS模型的输出变量,通过前向迭代过程训练成对地引入基函数,最终获得过度拟合的MARS模型;在后向过程中,通过交叉验证GCV准则计算各个基函数的重要程度:
其中,为残差平方和,N为输入气象信息数据的个数,yi为实际发电功率为预测的发电功率;c(M)=(M+1)+pM,c(M)是为了降低模型复杂性的罚函数,M为基函数个数,在满足预测精度要求的前提下,按照重要度从低向高的顺序依次删除冗余基函数,得到非过度拟合的MARS模型;并基于全部基函数中所含有选用的各个气象信息数据的多少反推各个信息数据的重要程度,作为下一次模型优化训练的输入变量。按照天气类型构建的MARS模型包括晴天MARS模型、多云MARS模型、阴天MARS模型、以及雨雪天MARS模型。
S5:获取光伏电站所在位置预测时间段的天气预类型,基于该预测时间段前若干天的太阳辐照数据和气象数据使用三次指数平滑时间序列得到预测时间段对应的预测太阳辐照数据和预测气象数据;
S6:将预测时间段对应太阳辐照数据和预测气象数据作为该预测时间段对应天气类型MARS模型的输入,得到预测功率值;
S7:当获得S5和S6中所述预测时间段实际太阳辐照数据和实际气象数据后,将所述实际太阳辐照数据和所述实际气象数据作为MARS模型的输入,只进行所述后向过程再次训练MARS模型,提高该模型预测精度;
S8:当获得所述预测时间段实际太阳辐照数据和实际气象数据后,将所述实际太阳辐照数据和所述实际气象数据输入S5中所述三次指数平滑时间序列获得新的预测时间段对应的预测太阳辐照数据和预测气象数据,S5-S8循环往复不断滚动预测,以获得不同预测时间段的预测功率值。
实施例2
一种光伏电站功率预测方法,所述方法基于时间序列和相似日分类,所述方法包括以下步骤:
S1:收集2016年10月中连续12天内每日6:00-18:00光伏电站的太阳辐照数据(包括总辐照、直射辐照、散辐照)、气象数据(包括小时数、温度、湿度、露点温度、风速、风向、透光度、反射率)以及对应发电功率。
并记录所述已知时间段的天气类型,所述天气类型包括晴、多云、阴、雨雪四种;其中10月12、14-16、22-24为晴天,10,11,13,17,18为多云天气,19-21日为雨雪。
S2:对S1收集到的数据按照天气类型分为晴、多云、阴、雨雪四种类型的气象信息数据;
S3:将S2分类后获得所述四种类型的气象信息数据进行剔除误差较大数据点、然后采用最大最小法进行归一处理,获得归一化处理后的四种类型的气象信息数据;
所述最大最小法公式如下
Xz=(Xi-Xmin)/(Xmax-Xmin)
Xz为归一化处理后的气象信息数据中的气象参数;Xi为未经过归一化处理的气象信息数据中的气象参数;Xmax,Xmin分别为每种气象信息数据类型中此类气象参数的最大值和最小值。S4:以所述气象信息数据作为MARS模型的输入变量,以发电功率作为MARS模型的输出变量,通过前向迭代过程训练成对地引入基函数,最终获得过度拟合的MARS模型;在后向过程中,通过交叉验证GCV准则计算各个基函数的重要程度:
其中,为残差平方和,N为输入自变量实例的个数,yi为实际发电功率为预测的发电功率;c(M)=(M+1)+pM,c(M)是为了降低模型复杂性的罚函数,M为基函数个数p为惩罚系数,p取值[2,3];
在满足预测精度要求的前提下,按照重要度从低向高的顺序依次删除冗余基函数,得到非过度拟合的MARS模型;并基于全部基函数中所含有选用的各个气象信息数据的多少反推各个信息数据的重要程度,作为下一次模型优化训练的输入变量。按照天气类型构建的MARS模型包括晴天MARS模型、多云MARS模型、阴天MARS模型、以及雨雪天MARS模型。
以晴天为例,对该气象类型所包含的气象信息数据,基于后向过程GCV评估气象参数的影响大小。
如表1所示,可以看出总辐照瞬时值、露点、环境温度、平均风速、散辐照瞬时值和小时数6个气象参数组合的重要性程度满足模型精度要求,说明这6个气象参数对模型贡献较大,且贡献度依次降低。从物理意义上来说,太阳的辐照是导致光伏电池产生伏特效应的直接影响,总辐照瞬时值衡量太阳辐照度是影响光伏发电功率的最主要气象因素。露点指空气中饱和水汽开始凝结结露的温度,露点受气压与湿度影响,而这两点和平均风速与天气类型密切相关,从而影响辐照度进而影响发电功率。环境温度与辐照度成正比,通常辐照度越大,环境温度越高。散辐照度是阳光受到大气中气体、尘埃、气溶胶等的散射作用从天空的各个角度到达地表的一部分太阳辐射,散辐照度越小通常大气越晴朗,辐照能量更加集中,发电功率越高。
表1 晴天气象类型所包含的气象信息数据中气象参数的重要性程度GCV
将上述6个气象参数作为后续循环训练MARS模型的输入变量,以发电功率作为MARS模型的输出变量,建立获得MARS模型;在本实施例中,建立的为晴天MARS模型;所述MARS模型的建立过程采用前向选择和后向删除过程;在所述前向过程中,样条函数以加权和的形式引入到MARS模型中,每次选取一对最优样条函数来提高模型准确度,向后删除过程,删除造成模型过度拟合的基函数。
建立的晴天MARS模型为:
Y=0.2+0.75*BF1-0.32*BF2+0.038*BF3+0.031*BF4-0.34*BF5+0.2*BF6+0.43*BF7+0.11*BF8 (1)
式(1)中,Y为发电功率,单位kW;BFn为基函数,n为基函数下编号,n的取值范围为1-8;
基函数的确定以及基函数数目的最大值等参数都由MARS算法根据样本数据来自动完成;公式(2)是MARS引入的样条函数的一般形式,即基函数BFn未耦合时的形式如下所示:
公式(2)中,m为基函数的节点位置,d与u分别为线性拟合区间的下界和上界,xi为预测气象信息数据中某一变量,sgn(n)为符号函数,r,p均为计算算子。
公式(2)中:
根据公式(5)可知,当n为偶数时,sgn函数的返回值为1,当n为奇数时,sgn函数的返回值为-1。
现为了表述的简洁性,针对公式(2),定义基函数BFn未耦合时的缩略形式为:
BFn=C(xi|sgn(n),d,m,u)
其中C为缩略记号。
表2 实施例2晴天MARS模型的基函数
S5:光伏电站所在位置11月5日的天气预类型为晴天。基于前一时段气象数据使用三次指数平滑时间序列得到预测时段数据。
S6:将S5时间序列预测数据作为S4训练所得MARS模型的输入,得到预测功率值。
S7:当获得原预测时段实际测量的辐照数据和气象数据后,将两者作为输入只进行后向过程再次训练MARS模型,提高模型预测精度。
S8:当获得原预测时段实际测量的辐照数据和气象数据后,将两者输入时间序列获得新的预测时段辐照和气象数据。回到S5循环往复不断滚动预测。
本发明所提供的方法中,当设定预测时段为分钟级时,即可实现对未来时段分钟级精度的光伏输出功率的实时预测,进而指导光伏电站调度工作,确保光伏并网后整个电网稳定、安全的运,更高效地利用清洁能源。
Claims (8)
1.一种光伏电站功率预测方法,其特征在于,所述方法用于对目标光伏电站的未来时间段的发电功率进行预测,以获得该目标光伏电站在某一预测时间段的发电功率值;
所述预测方法包括以下步骤:
(1)收集所述预测时间段之前的若干已知时间段的目标光伏电站气象信息数据及发电功率数据,并结合所述已知时间段的天气类型,构建MARS模型;根据天气类型构建的MARS模型包括晴天MARS模型、多云MARS模型、阴天MARS模型、以及雨雪天MARS模型;
(2)基于所述预测时间段之前若干已知时间段的目标光伏电站气象信息数据,使用三次指数平滑时间序列得到所述预测时间段对应的预测气象信息数据;
(3)将所述预测时间段对应的目标光伏电站预测气象信息数据输入到该预测时间段对应的天气类型MARS模型中,得到该预测时间段的预测功率值。
2.根据权利要求1所述一种光伏电站功率预测方法,其特征在于,步骤(3)后还包括以下步骤:
(4)当获得所述预测时间段的实际气象信息数据后,将所述实际气象信息数据输入到该预测时间段对应的天气类型MARS模型中,在原有模型基础上再次训练MARS模型,以提高该天气类型MARS模型的预测精度;
(5)将所述预测时间段的实际气象信息数据输入到步骤(2)中所述三次指数平滑时间序列中,用于获得新的预测时间段对应的预测气象信息数据;
(6)将步骤(2)-(5)循环往复不断滚动预测,以获得不同预测时间段的预测功率值。
3.根据权利要求1或2所述一种光伏电站功率预测方法,其特征在于,所述气象信息数据包括所述太阳辐射数据和所述气象数据;
所述太阳辐射数据中的气象参数包括总辐照、直射辐照和散辐照,所述气象数据中的气象参数包括小时数、温度、湿度、露点温度、风速、风向、透光度和反射率。
4.根据权利要求3所述一种光伏电站功率预测方法,其特征在于,所述步骤(1)具体为:
S1:收集所述预测时间段之前的若干已知时间段的光伏电站的气象信息数据以及对应的发电功率实时数据,并记录所述已知时间段的天气类型,所述天气类型包括晴、多云、阴、雨雪四种;
S2:将收集到的所述气象信息数据以及所述对应的发电功率实时数据按照数据收集时间段对应的天气类型进行分类,分为晴天气象信息数据、多云气象信息数据、阴天气象信息数据以及雨雪天气象信息数据四种类型的气象信息数据;
S3:将S2分类后获得所述四种类型的气象信息数据逐变量剔除误差较大数据点后分别采用最大最小值法进行归一处理,获得归一化处理后的四种类型的气象信息数据;
S4:以所述气象信息数据作为MARS模型的输入变量,以发电功率作为MARS模型的输出变量,通过前向迭代过程训练成对地引入基函数,最终获得过度拟合的MARS模型;在后向过程中,通过交叉验证GCV准则计算各个基函数的重要程度:
<mrow>
<mi>G</mi>
<mi>C</mi>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>M</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>N</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mfrac>
</mrow>
1
其中,为残差平方和,N为输入气象信息数据的个数,yi为实际发电功率为预测的发电功率;c(M)=(M+1)+pM,c(M)是为了降低模型复杂性的罚函数,M为基函数个数,p为惩罚系数,p取值[2,3]。
在满足预测精度要求的前提下,按照重要度从低向高的顺序依次删除冗余基函数,得到非过度拟合的MARS模型;按照天气类型构建的MARS模型包括晴天MARS模型、多云MARS模型、阴天MARS模型、以及雨雪天MARS模型。
5.根据权利要求4所述一种光伏电站功率预测方法,其特征在于,在S3步骤中,
将S2分类后获得所述四种类型的气象信息数据逐变量剔除误差较大数据点后采用最大最小法进行归一处理,获得归一化处理后的四种类型的气象信息数据;
所述最大最小法公式如下:
Xz=(Xi-Xmin)/(Xmax-Xmin)
式中,Xz为归一化处理后的气象信息数据中的气象参数;Xi为未经过归一化处理的气象信息数据中的气象参数;Xmax,Xmin分别为每种气象信息数据类型中此类气象参数的最大值和最小值。
6.根据权利要求4所述一种光伏电站功率预测方法,其特征在于,在S4步骤中,所述MARS模型的建立过程采用前向选择和后向删除过程;在所述前向过程中,样条函数以加权和的形式引入到MARS模型中充当基函数,每次选取一对最优样条函数来提高模型准确度,向后删除过程,删除造成模型过度拟合的基函数。
7.根据权利要求3所述一种光伏电站功率预测方法,其特征在于,步骤(2)具体为:获取光伏电站所在位置预测时间段的天气预类型,基于该预测时间段前若干天的太阳辐照数据和气象数据使用三次指数平滑时间序列得到预测时间段对应的预测太阳辐照数据和预测气象数据。
8.根据权利要求3所述一种光伏电站功率预测方法,其特征在于,步骤(3)具体为:将预测时间段对应的目标光伏电站的太阳辐照数据和预测气象数据作为该预测时间段对应天气类型MARS模型的输入,得到预测功率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710261799.3A CN107220723A (zh) | 2017-04-20 | 2017-04-20 | 一种光伏电站功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710261799.3A CN107220723A (zh) | 2017-04-20 | 2017-04-20 | 一种光伏电站功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107220723A true CN107220723A (zh) | 2017-09-29 |
Family
ID=59943602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710261799.3A Pending CN107220723A (zh) | 2017-04-20 | 2017-04-20 | 一种光伏电站功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220723A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038580A (zh) * | 2017-12-30 | 2018-05-15 | 国网江苏省电力公司无锡供电公司 | 基于同步挤压小波变换的光伏功率多模型综合预测方法 |
CN108038573A (zh) * | 2017-12-13 | 2018-05-15 | 北京金风慧能技术有限公司 | 热量存储的预测方法及装置 |
CN108171363A (zh) * | 2017-12-13 | 2018-06-15 | 北京金风慧能技术有限公司 | 光热发电功率的预测方法及装置 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108256665A (zh) * | 2017-12-01 | 2018-07-06 | 武汉华信联创技术工程有限公司 | 一种新能源电站气象综合服务系统及方法 |
CN108280546A (zh) * | 2018-01-22 | 2018-07-13 | 长沙有色冶金设计研究院有限公司 | 光伏发电功率预测方法及预测系统 |
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 |
CN109615131A (zh) * | 2018-12-07 | 2019-04-12 | 国能日新科技股份有限公司 | 光伏功率预测方法和装置 |
CN110222399A (zh) * | 2019-05-29 | 2019-09-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种电源健康评估方法及装置 |
CN110348648A (zh) * | 2019-08-02 | 2019-10-18 | 国网电子商务有限公司 | 一种光伏电站功率预测方法及装置 |
CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
CN113570126A (zh) * | 2021-07-15 | 2021-10-29 | 远景智能国际私人投资有限公司 | 光伏发电站的发电功率预测方法、装置及系统 |
CN113627546A (zh) * | 2021-08-16 | 2021-11-09 | 阳光新能源开发有限公司 | 一种反射率数据的确定方法、电量确定方法及相关装置 |
CN114090945A (zh) * | 2021-11-15 | 2022-02-25 | 无锡英臻科技有限公司 | 一种基于电站运行数据的阴影识别方法 |
CN116109018A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率预测方法、装置及相关设备 |
CN116128170A (zh) * | 2023-04-19 | 2023-05-16 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率超短期预测方法、装置及相关设备 |
CN116485046A (zh) * | 2023-06-21 | 2023-07-25 | 华北电力科学研究院有限责任公司 | 一种光伏出力预测方法及装置 |
CN116501099A (zh) * | 2023-06-01 | 2023-07-28 | 深圳市迪晟能源技术有限公司 | 光伏与太阳能光光线垂直关系智能调控系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103138397A (zh) * | 2012-11-19 | 2013-06-05 | 江西省电力科学研究院 | 一种基于物联网技术的配网线路动态增容方法 |
CN103390200A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 基于相似日的光伏电站发电输出功率预测方法 |
CN103489038A (zh) * | 2013-09-09 | 2014-01-01 | 国家电网公司 | 基于lm-bp神经网络的光伏超短期功率预测方法 |
-
2017
- 2017-04-20 CN CN201710261799.3A patent/CN107220723A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103138397A (zh) * | 2012-11-19 | 2013-06-05 | 江西省电力科学研究院 | 一种基于物联网技术的配网线路动态增容方法 |
CN103390200A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 基于相似日的光伏电站发电输出功率预测方法 |
CN103489038A (zh) * | 2013-09-09 | 2014-01-01 | 国家电网公司 | 基于lm-bp神经网络的光伏超短期功率预测方法 |
Non-Patent Citations (2)
Title |
---|
YAN TING,YAN SU,LIANJIE SHUC: "An ARMAX model for forecasting the power output of a grid connected photovoltaic system", 《RENEWABLE ENERGY》 * |
YANTING LI,YONG HE,YAN SU,LIANJIE SHUN: "Forecasting the daily power output of a grid-connected photovoltaic system based on multivariate adaptive regression splines", 《ELSEVIER》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256665A (zh) * | 2017-12-01 | 2018-07-06 | 武汉华信联创技术工程有限公司 | 一种新能源电站气象综合服务系统及方法 |
CN108038573A (zh) * | 2017-12-13 | 2018-05-15 | 北京金风慧能技术有限公司 | 热量存储的预测方法及装置 |
CN108171363A (zh) * | 2017-12-13 | 2018-06-15 | 北京金风慧能技术有限公司 | 光热发电功率的预测方法及装置 |
CN108038573B (zh) * | 2017-12-13 | 2022-08-30 | 北京金风慧能技术有限公司 | 热量存储的预测方法及装置 |
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 |
CN108038580A (zh) * | 2017-12-30 | 2018-05-15 | 国网江苏省电力公司无锡供电公司 | 基于同步挤压小波变换的光伏功率多模型综合预测方法 |
CN108280546A (zh) * | 2018-01-22 | 2018-07-13 | 长沙有色冶金设计研究院有限公司 | 光伏发电功率预测方法及预测系统 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108229754B (zh) * | 2018-01-31 | 2021-12-10 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN109615131A (zh) * | 2018-12-07 | 2019-04-12 | 国能日新科技股份有限公司 | 光伏功率预测方法和装置 |
CN110222399A (zh) * | 2019-05-29 | 2019-09-10 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 一种电源健康评估方法及装置 |
CN110348648A (zh) * | 2019-08-02 | 2019-10-18 | 国网电子商务有限公司 | 一种光伏电站功率预测方法及装置 |
CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
CN113570126A (zh) * | 2021-07-15 | 2021-10-29 | 远景智能国际私人投资有限公司 | 光伏发电站的发电功率预测方法、装置及系统 |
CN113627546A (zh) * | 2021-08-16 | 2021-11-09 | 阳光新能源开发有限公司 | 一种反射率数据的确定方法、电量确定方法及相关装置 |
CN114090945A (zh) * | 2021-11-15 | 2022-02-25 | 无锡英臻科技有限公司 | 一种基于电站运行数据的阴影识别方法 |
CN116109018A (zh) * | 2023-04-12 | 2023-05-12 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率预测方法、装置及相关设备 |
CN116128170A (zh) * | 2023-04-19 | 2023-05-16 | 深圳市峰和数智科技有限公司 | 一种光伏电站功率超短期预测方法、装置及相关设备 |
CN116501099A (zh) * | 2023-06-01 | 2023-07-28 | 深圳市迪晟能源技术有限公司 | 光伏与太阳能光光线垂直关系智能调控系统 |
CN116501099B (zh) * | 2023-06-01 | 2023-09-22 | 深圳市迪晟能源技术有限公司 | 光伏与太阳能光光线垂直关系智能调控系统 |
CN116485046A (zh) * | 2023-06-21 | 2023-07-25 | 华北电力科学研究院有限责任公司 | 一种光伏出力预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220723A (zh) | 一种光伏电站功率预测方法 | |
CN103440526B (zh) | 一种基于建筑信息模型的发电预测方法和装置 | |
CN103106544B (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
Quan et al. | A GIS-based energy balance modeling system for urban solar buildings | |
Gamarro et al. | On the assessment of a numerical weather prediction model for solar photovoltaic power forecasts in cities | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN103116711B (zh) | 基于辐照度特征参数的天气类型辨识方法 | |
CN104318314A (zh) | 一种基于光伏发电效率的发电量预测方法 | |
Perveen et al. | An ANFIS‐based model for solar energy forecasting and its smart grid application | |
Chiteka et al. | A method to predict solar photovoltaic soiling using artificial neural networks and multiple linear regression models | |
Gholami et al. | Impact of harsh weather conditions on solar photovoltaic cell temperature: Experimental analysis and thermal-optical modeling | |
Khemissi et al. | A novel optimal planning methodology of an autonomous photovoltaic/wind/battery hybrid power system by minimizing economic, energetic and environmental objectives | |
CN106600060A (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
Almaktar et al. | Artificial neural network‐based photovoltaic module temperature estimation for tropical climate of Malaysia and its impact on photovoltaic system energy yield | |
Hanslian et al. | Combining the VAS 3D interpolation method and Wind Atlas methodology to produce a high-resolution wind resource map for the Czech Republic | |
CN104346659A (zh) | 应用于高倍聚光光伏发电系统的短期发电量预测方法 | |
Hassan et al. | A modeling approach to simulate impact of climate change in lake water quality: phytoplankton growth rate assessment | |
Rahmani et al. | Wind power assessment and site matching of wind turbines in Lootak of Zabol | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
Chikuni et al. | Estimating wind power generation capacity in Zimbabwe using vertical wind profile extrapolation techniques: A case study | |
CN107766298A (zh) | 一种生成全年逐日太阳辐射和风速数据的方法 | |
Alanazi et al. | Day-ahead solar forecasting based on multi-level solar measurements | |
CN106557867A (zh) | 适用中长时间尺度电网分析的光伏发电概率模型建模方法 | |
CN110059972A (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
Koo et al. | Development of the monthly average daily solar radiation map using A-CBR, FEM, and kriging method |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170929 |