CN107403015A - 一种基于时间序列相似性的短期光功率预测方法 - Google Patents
一种基于时间序列相似性的短期光功率预测方法 Download PDFInfo
- Publication number
- CN107403015A CN107403015A CN201710666908.XA CN201710666908A CN107403015A CN 107403015 A CN107403015 A CN 107403015A CN 201710666908 A CN201710666908 A CN 201710666908A CN 107403015 A CN107403015 A CN 107403015A
- Authority
- CN
- China
- Prior art keywords
- mrow
- data
- power
- msubsup
- photovoltaic
- 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 44
- 238000003491 array Methods 0.000 claims abstract description 29
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 230000003287 optical effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004393 prognosis Methods 0.000 abstract 1
- 238000010248 power generation Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (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
本发明公开了一种基于时间序列相似性的短期光功率预测方法。首先,对实时采集的光伏电站气象数据和设备运行数据进行修复,将不合理数值或者缺失数据补齐,然后通过功率数据分析将所有光伏阵列分为几类。对每类光伏阵根据气象预测数据找出上一年同时期相近气象条件下的功率曲线,并采用加权平均的方式,来对未来的功率进行预测。本发明采用大数据分析的方法,综合利用历史数据和气象预测数据提高光功率预测精度,对于保障电网平稳运行具有十分重要意义。
Description
技术领域
本发明涉及一种基于时间序列相似性的短期光功率预测方法,涉及电力调度控制及光伏电站调度管理技术领域,主要适用于光伏电站及电力调度部门进行发电量预测评估。
背景技术
伴随着我国能源绿色化战略的不断深入,光能作为一种可再生清洁能源越来越受人们的广泛关注。近年来,随着光伏设备制造技术的不断进步,价格逐步降低,发电效率不断提高,多晶硅电池效率在16%至17%左右,单晶硅电池的效率约18%至20%。按照国家规划,到2020年国内光伏电站装机规模为150GW,2015年底我国光伏累计装机超过43GW,未来5年内光伏发电行业的年复合增长率高达28.39%。光电的迅速发展对电网调度管理带来了巨大挑战,主要体现在光伏电站功率预测精度差,增加了电网调节控制的难度。这是由于光伏电站的发电能力受到气象因素的影响,短时间会发生随机波动导致光伏电站电压波动、闪变和无功补偿装置等产生的谐波,造成电能质量问题,因此准确地对光伏电站功率进行预测对于电网调度具有重大意义。此外,伴随着电力市场交易的深入开展,国家对风电、光伏的保护也逐步放开,在参与电力竞价的过程中,准确申报发电能力不仅可以提高经济效益,还可避免误报带来经济损失。
光功率短期预测方法很多,有不同的分类标准,根据是否使用数值气象预报(NWP—Numerical Weather Prediction)产品,预测方法可以分为两类:一类是基于时间序列的预测方法,一类是基于数值气象预报的预测方法。随着时间数据序列预测方法的深入研究,已产生了多种时间序列预测方法,例如自回归滑动平均(Auto-Regressive andMoving-Average,ARMA)模型、神经网络、灰色预测和支持向量机(Support VectorMachine,SVM)等技术。ARMA模型在处理非线性时间序列时,需先对数据进行平稳化处理,且预测精度较低,而采用神经网络进行非线性预测时,其学习速度较慢且存在局部极小值问题。SVM预测模型的学习能力和泛化性能通常由核函数的类型和参数决定,采用单一核函数的SVM模型存在一定局限性,对较为复杂的非线性数据预测的精度较低。基于历史数据的预测方法精度会伴随着预测时长的增加而下降,一般为6小时或8小时。基于数值气象预报,预测时间可以更长一些,具体取决于数值气象预报的预测时间长度,可以达到24小时、48小时甚至72小时或者更长,其精度收到气象预报精度的影响。
发明内容
发明目的:针对上述现有技术,提出一种基于时间序列相似性的短期光功率预测方法,以影响发电功率的主要因素辐照度和温度为检查条件,进行功率预测,避免单纯依靠气象预报带来的不准确性。
技术方案:一种基于时间序列相似性的短期光功率预测方法,包括如下步骤:
步骤1,对光伏电站历史气象观测数据和设备运行状况数据进行修复;
步骤2,通过功率数据分析将所有光伏阵列分类;
步骤3,对每类光伏阵根据气象预测数据找出上一年同时期相近气象条件下的功率曲线,然后采用加权平均的方式对功率进行预测;
步骤4,将几类光伏阵列的预测功率求和,得到全站的预测功率。
进一步的,光伏电站气象数据包括在t时刻的辐照度Rt以及在t时刻的温度Tt,设备运行状况数据包括在t时刻全厂阵列功率Pt;
所述步骤1中,设预测日期为T,则以日为单位从数据库历史资料中抽取本站上一年[T-15,T+15]范围内的光伏电站气象观测数据和设备运行状况数据共计30组,每组数据中按时间等间隔取样,数据修复包括如下具体步骤:
步骤1a,根据当地历史统计气象数据中最大值和最小值作为该类型数据的上下限,并引入参数α作为松弛因子来确立指标合理范围:当历史数据均为正值时,指标合理范围的下限调整为最小数据与α的商,指标合理范围的上限调整为最大数据与α的积;当历史数据的最小数据为负值时,指标合理范围的下限调整为最小数据与α的积,指标合理范围的上限调整为最大数据与α的积,得到光伏阵列功率、辐照度、温度的合理范围分别为:
Pt∈[0,α·Pmax],
Rt∈[Rmin/α,α·Rmax],
Tt∈[α·Tmin,α·Tmax]
步骤1b,令Dt={Pt,Rt,Tt},对于Dt中出现的各类数据采用步骤1a确定的指标合理范围进行检查,若发生越界时,则用边界值替代;
步骤1c,在Dt中,若某个数据不存在或未采集则通过数据插值的方式来进行修复,从而保证数据的完整性,数据插值采用内插法。
进一步的,所述步骤2包括如下具体步骤:
首先计算光伏阵列功率特性的相似度:
设本光伏电站包括若干个光伏阵列,选取所有光伏阵列最近一周的运行时间序列,以日为单位计算任意两个阵列的功率序列的相似度,设阵列i的功率列Pi=<P0 i,P1 i,…,Pz i>,阵列j的功率列则二者的相似度Simp(i,j)由马氏距离进行算:
其中,下标z表示一天中数据的取样总次数;
然后以所述相似度为度量,采用k均值分类方法将所有阵列分为G类。
进一步的,所述步骤3包括如下具体步骤:
步骤3a,对每一类阵列,选择上一年[T-15,T+15]内的30组数据进行计算,对于所有的历史气象观测数据与气象预测数据分别结算辐照度序列相似度和温度序列相似度;
设在d日历史辐照度时间序列为Rd=<R0 d,R1 d,…,Rz d>,预测辐照度时间序列为Rp=则两者的相似度为:
设在d日历史温度时间序列为Td=<T0 d,T1 d,…,Tz d>,预测温度时间序列为 则两者的相似度为:
由和确定d日综合相似度Simd:
其中,α为加权系数;
步骤3b,设步骤3a获得的所有时间序列与预测序列最为相似的M个序列的综合相似度分别为:Sim1,Sim2,…,SimM,则在日期T,阵列平均功率系数wi为:
步骤3c,某类光伏阵列在t时刻的预测功率由最为相似的M个序列在各自t时刻的功率加权得到:
其中,Pt g为g类光伏阵列在t时刻的预测功率,Pt gi为g类光伏阵列M个相似序列中第i个序列t时刻的功率。
进一步的,所述步骤4包括如下具体步骤:
设光伏电站所有阵列分为G类,则全站在t时刻的发电功率预测值Pt为:
有益效果:本发明的一种基于时间序列相似性的短期光功率预测方法,首先对实时采集的光伏电站气象数据和设备运行状况进行修复,然后通过功率数据分析将所有光伏阵列分为几类。对每类光伏阵根据气象预测数据找出近年来同时期相近气象条件下的功率曲线,并采用加权平均的方式,来对未来的功率进行预测。最后,将几类光伏阵列的功率求和即可得到全站的功率。本发明采用时间序列相似性分析的方法,以功率特征为出发点,以影响发电功率的主要因素辐照度和温度为检查条件,进行功率预测,避免单纯依靠气象预报带来的不准确性,可为光伏电站及调度部门提供有力的预报支撑。
附图说明
图1为本发明的流程图;
图2为数据修复流程图;
图3为序列相似度计算流程。
具体实施方式
下面结合附图对本发明做更进一步的解释。
光伏电站气象数据包括在t时刻的辐照度Rt以及在t时刻的温度Tt,设备运行状况数据包括在t时刻全厂阵列功率Pt。一种基于时间序列相似性的短期光功率预测方法,包括如下步骤:
步骤1,对光伏电站历史气象观测数据和设备运行状况数据进行修复,包括如下具体步骤:
步骤1a,设预测日期为T,则以日为单位从数据库历史资料中抽取本站上一年[T-15,T+15]范围内的光伏电站气象观测数据和设备运行状况数据共计30组,每组数据中按时间等间隔取样。
根据当地历史统计气象数据中最大值和最小值作为该类型数据的上下限,并引入参数α作为松弛因子来确立指标合理范围:当历史数据均为正值时,指标合理范围的下限调整为最小数据与α的商,指标合理范围的上限调整为最大数据与α的积;当历史数据的最小数据为负值时,指标合理范围的下限调整为最小数据与α的积,指标合理范围的上限调整为最大数据与α的积,得到光伏阵列功率、辐照度、温度的合理范围分别为:
Pt∈[0,α·Pmax],
Rt∈[Rmin/α,α·Rmax],
Tt∈[α·Tmin,α·Tmax]
其中,Pmax为设备运行状况数据中全厂阵列功率最大值,Rmin、Rmax分别为当地历史统计气象数据中辐照度最大值和最小值,Tmin、Tmax分别为当地历史统计气象数据中温度最大值和最小值。
步骤1b,令Dt={Pt,Rt,Tt},对于Dt中出现的各类数据采用步骤1a确定的指标合理范围进行检查,若发生越界时,则用边界值替代。
步骤1c,在Dt中,若某个数据不存在或未采集则通过数据插值的方式来进行修复,从而保证数据的完整性,数据插值采用内插法。
在步骤1中,当地的气象历史统计数据是风电电厂所在当地的气象单位所统计并校准后的准确数据,但其采用间隔、每日采样数并不能满足本发明方法;本发明方法中,光伏电站历史气象观测数据和设备运行状况数据均通过传感器等设备采集获得,其采样间隔固定,用于满足功率预测需要。
步骤2,通过功率数据分析将所有光伏阵列分类,包括如下具体步骤:
首先计算光伏阵列功率特性的相似度:设本光伏电站包括若干个光伏阵列,选取所有光伏阵列最近一周的运行时间序列,以日为单位计算任意两个阵列的功率序列的相似度,设阵列i的功率列Pi=<P0 i,P1 i,…,Pz i>,阵列j的功率列则二者的相似度Simp(i,j)由马氏距离进行算:
其中,下标z表示一天中数据的取样总次数;
然后以所述相似度为度量,采用k均值分类方法将所有阵列分为G类。
步骤3,对每类光伏阵根据气象预测数据找出上一年同时期相近气象条件下的功率曲线,然后采用加权平均的方式对功率进行预测,包括如下具体步骤:
步骤3a,对每一类阵列,选择上一年[T-15,T+15]内的30组数据进行计算,对于所有的历史气象观测数据与气象预测数据分别结算辐照度序列相似度和温度序列相似度。
设在d日历史辐照度时间序列为Rd=<R0 d,R1 d,…,Rz d>,预测辐照度时间序列为 则两者的相似度为:
设在d日历史温度时间序列为Td=<T0 d,T1 d,…,Tz d>,预测温度时间序列为 则两者的相似度为:
由和确定d日综合相似度Simd:
其中,α为加权系数,一般取0.8。
步骤3b,设步骤3a获得的所有时间序列与预测序列最为相似的M个序列的综合相似度分别为:Sim1,Sim2,…,SimM,则在日期T,阵列平均功率系数wi为:
步骤3c,某类光伏阵列在t时刻的预测功率由最为相似的M个序列在各自t时刻的功率加权得到:
其中,Pt g为g类光伏阵列在t时刻的预测功率,Pt gi为g类光伏阵列M个相似序列中第i个序列t时刻的功率。
步骤4,将几类光伏阵列的预测功率求和,得到全站在t时刻的发电功率预测值Pt为:
本发明的基本流程如图1所示,包含数据初始化、历史气象数据修复、基于功率曲线的光伏分类、每类光伏阵列功率预测、全站光伏功率预测等5个步骤,其中气象数值预测数据为购买或由其他系统提供。
下面结合云南省某光伏电站的实际情况说明本发明专利的使用方法,该光伏电站厂共有光伏阵列100个,一般所有的光伏电站均建有一个以上的气象观测站,采集的数据主要包括辐照度、温度、湿度、气压、风向、风速等气象要素,结合光伏功率系统的实际功率,仅需要辐照度和温度两个要素。在试验中,根据预报的需要,需要采集去年同月份历史数据30组,每天每15分钟采集一组数据,则得到96*30个数据。如果光伏电站刚刚开始运行,历史数据不够丰富,则选择T-15日的运行数据来进行估计,即前15天的数据。
第二步对历史观测气象数据进行修复,其过程如图2所示。修复过程首先对历史数据进行统计,获得最大/最小值,然后通过松弛因子确定参数的合理范围。然后,首先对缺少的数据进行线性插值,对于不合理数同样采用线性插值进行替换,从而得到修复的历史观测数据。
第三步设根据功率曲线对光伏阵列分类,实际上就是对所任意两个光伏阵列的日功率曲线计算其马氏距离,然后作为样本的距离,采用k均值的方法对光伏阵列进行分类分类。序列相似性的计算流程参见图3。由于k均值聚类需要设定分类数,本方法一般分类数目设置为5,可根据光伏电站数目的多少来进行增减。
第四步对每类光伏阵列的在t时刻的功率进行估算,估算过程中选择采用历史同期中与未来预天气中的辐照度和温度曲线相近的日期曲线中t时刻的功率值来进行估计。为了避免误差,采用了相似度最为接近的5条曲线在t时刻的功率值进行加权。
第五步,在计算出每类的平均功率后,首先计算该组在未来的功率预测值,然后把各组功率预测值累计起来估算整个光伏电站的功率预测值。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于时间序列相似性的短期光功率预测方法,其特征在于,包括如下步骤:
步骤1,对光伏电站历史气象观测数据和设备运行状况数据进行修复;
步骤2,通过功率数据分析将所有光伏阵列分类;
步骤3,对每类光伏阵根据气象预测数据找出上一年同时期相近气象条件下的功率曲线,然后采用加权平均的方式对功率进行预测;
步骤4,将几类光伏阵列的预测功率求和,得到全站的预测功率。
2.根据权利要求1所述的基于时间序列相似性的短期光功率预测方法,其特征在于,光伏电站气象数据包括在t时刻的辐照度Rt以及在t时刻的温度Tt,设备运行状况数据包括在t时刻全厂阵列功率Pt;
所述步骤1中,设预测日期为T,则以日为单位从数据库历史资料中抽取本站上一年[T-15,T+15]范围内的光伏电站气象观测数据和设备运行状况数据共计30组,每组数据中按时间等间隔取样,数据修复包括如下具体步骤:
步骤1a,根据当地历史统计气象数据中最大值和最小值作为该类型数据的上下限,并引入参数α作为松弛因子来确立指标合理范围:当历史数据均为正值时,指标合理范围的下限调整为最小数据与α的商,指标合理范围的上限调整为最大数据与α的积;当历史数据的最小数据为负值时,指标合理范围的下限调整为最小数据与α的积,指标合理范围的上限调整为最大数据与α的积,得到光伏阵列功率、辐照度、温度的合理范围分别为:
Pt∈[0,α·Pmax],
Rt∈[Rmin/α,α·Rmax],
Tt∈[α·Tmin,α·Tmax]
步骤1b,令Dt={Pt,Rt,Tt},对于Dt中出现的各类数据采用步骤1a确定的指标合理范围进行检查,若发生越界时,则用边界值替代;
步骤1c,在Dt中,若某个数据不存在或未采集则通过数据插值的方式来进行修复,从而保证数据的完整性,数据插值采用内插法。
3.根据权利要求1所述的基于时间序列相似性的短期光功率预测方法,其特征在于,所述步骤2包括如下具体步骤:
首先计算光伏阵列功率特性的相似度:
设本光伏电站包括若干个光伏阵列,选取所有光伏阵列最近一周的运行时间序列,以日为单位计算任意两个阵列的功率序列的相似度,设阵列i的功率列Pi=<P0 i,P1 i,…,Pz i>,阵列j的功率列则二者的相似度Simp(i,j)由马氏距离进行算:
<mrow>
<msup>
<mi>Sim</mi>
<mi>p</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>z</mi>
</munderover>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<msubsup>
<mi>P</mi>
<mi>v</mi>
<mi>i</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mi>v</mi>
<mi>j</mi>
</msubsup>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
其中,下标z表示一天中数据的取样总次数;
然后以所述相似度为度量,采用k均值分类方法将所有阵列分为G类。
4.根据权利要求1所述的基于时间序列相似性的短期光功率预测方法,其特征在于,所述步骤3包括如下具体步骤:
步骤3a,对每一类阵列,选择上一年[T-15,T+15]内的30组数据进行计算,对于所有的历史气象观测数据与气象预测数据分别结算辐照度序列相似度和温度序列相似度;
设在d日历史辐照度时间序列为Rd=<R0 d,R1 d,…,Rz d>,预测辐照度时间序列为 则两者的相似度为:
<mrow>
<msubsup>
<mi>Sim</mi>
<mi>d</mi>
<mi>R</mi>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>z</mi>
</munderover>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mi>d</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>R</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
设在d日历史温度时间序列为Td=<T0 d,T1 d,…,Tz d>,预测温度时间序列为 则两者的相似度为:
<mrow>
<msubsup>
<mi>Sim</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>z</mi>
</munderover>
<msup>
<mrow>
<mo>|</mo>
<mrow>
<msubsup>
<mi>T</mi>
<mi>i</mi>
<mi>d</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>T</mi>
<mi>i</mi>
<mi>p</mi>
</msubsup>
</mrow>
<mo>|</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
</mrow>
由和确定d日综合相似度Simd:
<mrow>
<msub>
<mi>Sim</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Sim</mi>
<mi>d</mi>
<mi>R</mi>
</msubsup>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msubsup>
<mi>Sim</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
</mrow>
其中,α为加权系数;
步骤3b,设步骤3a获得的所有时间序列与预测序列最为相似的M个序列的综合相似度分别为:Sim1,Sim2,…,SimM,则在日期T,阵列平均功率系数wi为:
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>Sim</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>Sim</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mrow>
步骤3c,某类光伏阵列在t时刻的预测功率由最为相似的M个序列在各自t时刻的功率加权得到:
<mrow>
<msubsup>
<mi>P</mi>
<mi>t</mi>
<mi>g</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msubsup>
<mi>P</mi>
<mi>t</mi>
<mrow>
<mi>g</mi>
<mi>i</mi>
</mrow>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
</mrow>
其中,为g类光伏阵列在t时刻的预测功率,为g类光伏阵列M个相似序列中第i个序列t时刻的功率。
5.根据权利要求1所述的基于时间序列相似性的短期光功率预测方法,其特征在于,所述步骤4包括如下具体步骤:
设光伏电站所有阵列分为G类,则全站在t时刻的发电功率预测值Pt为:
<mrow>
<msub>
<mi>P</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>g</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<msubsup>
<mi>P</mi>
<mi>t</mi>
<mi>g</mi>
</msubsup>
<mo>.</mo>
</mrow>
2
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666908.XA CN107403015B (zh) | 2017-08-07 | 2017-08-07 | 一种基于时间序列相似性的短期光功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710666908.XA CN107403015B (zh) | 2017-08-07 | 2017-08-07 | 一种基于时间序列相似性的短期光功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403015A true CN107403015A (zh) | 2017-11-28 |
CN107403015B CN107403015B (zh) | 2020-12-29 |
Family
ID=60402094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710666908.XA Active CN107403015B (zh) | 2017-08-07 | 2017-08-07 | 一种基于时间序列相似性的短期光功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403015B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197296A (zh) * | 2019-04-25 | 2019-09-03 | 浙江浙能技术研究院有限公司 | 一种基于时间序列相似性的机组负荷预测方法 |
CN110365059A (zh) * | 2019-08-15 | 2019-10-22 | 阳光电源股份有限公司 | 一种光功率预测方法及装置 |
CN110751326A (zh) * | 2019-10-17 | 2020-02-04 | 江苏远致能源科技有限公司 | 一种光伏日前功率预测方法、装置以及存储介质 |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN115840740A (zh) * | 2022-09-26 | 2023-03-24 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种用于光伏电站的太阳能资源缺测数据插补方法 |
CN116362915A (zh) * | 2023-05-31 | 2023-06-30 | 深圳市峰和数智科技有限公司 | 一种光伏电站气象数据补齐方法、装置及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN103617461A (zh) * | 2013-12-10 | 2014-03-05 | 中国矿业大学 | 一种光伏电站发电功率预测的方法 |
CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
US20170149207A1 (en) * | 2015-11-23 | 2017-05-25 | Nlight, Inc. | Predictive modification of laser diode drive current waveform in order to optimize optical output waveform in high power laser systems |
-
2017
- 2017-08-07 CN CN201710666908.XA patent/CN107403015B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN103617461A (zh) * | 2013-12-10 | 2014-03-05 | 中国矿业大学 | 一种光伏电站发电功率预测的方法 |
CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
US20170149207A1 (en) * | 2015-11-23 | 2017-05-25 | Nlight, Inc. | Predictive modification of laser diode drive current waveform in order to optimize optical output waveform in high power laser systems |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
T. ARAKIDA等: ""Highly reliable performance of 980-nm pump lasers predicted by optical over-stress life tests"", 《PROCEEDINGS OF OPTICAL FIBER COMMUNICATION CONFERENCE》 * |
廖玲珑: ""风电场短期风速预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
罗小兰等: ""基于相似日的光伏发电短期预报模型"", 《杭州电子科技大学学 报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197296A (zh) * | 2019-04-25 | 2019-09-03 | 浙江浙能技术研究院有限公司 | 一种基于时间序列相似性的机组负荷预测方法 |
CN110197296B (zh) * | 2019-04-25 | 2021-04-20 | 浙江浙能技术研究院有限公司 | 一种基于时间序列相似性的机组负荷预测方法 |
CN110365059A (zh) * | 2019-08-15 | 2019-10-22 | 阳光电源股份有限公司 | 一种光功率预测方法及装置 |
CN110751326A (zh) * | 2019-10-17 | 2020-02-04 | 江苏远致能源科技有限公司 | 一种光伏日前功率预测方法、装置以及存储介质 |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN115840740A (zh) * | 2022-09-26 | 2023-03-24 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种用于光伏电站的太阳能资源缺测数据插补方法 |
CN115840740B (zh) * | 2022-09-26 | 2023-11-24 | 中国电建集团贵阳勘测设计研究院有限公司 | 一种用于光伏电站的太阳能资源缺测数据插补方法 |
CN116362915A (zh) * | 2023-05-31 | 2023-06-30 | 深圳市峰和数智科技有限公司 | 一种光伏电站气象数据补齐方法、装置及相关设备 |
CN116362915B (zh) * | 2023-05-31 | 2023-08-15 | 深圳市峰和数智科技有限公司 | 一种光伏电站气象数据补齐方法、装置及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107403015B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN108009938B (zh) | 一种基于形状的系统负荷聚类及负荷周期的模式识别方法 | |
CN102184337B (zh) | 一种受气象信息影响的新能源发电能力动态组合分析方法 | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
CN105069525A (zh) | 全天候96点日负荷曲线预测及优化修正系统 | |
Melzi et al. | Hourly solar irradiance forecasting based on machine learning models | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN109934395B (zh) | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 | |
CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
CN105140967B (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 | |
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 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
Yang et al. | Photovoltaic power forecasting with a rough set combination method | |
CN115481772A (zh) | 一种光伏发电量预测方法及装置 | |
CN115204444A (zh) | 基于改进聚类分析和融合集成算法的光伏功率预测方法 | |
CN107977898A (zh) | 一种光伏电站的发电量保险定价评估方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 |
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 |