CN107506867B - 一种基于动态建模的光伏出力预测方法 - Google Patents
一种基于动态建模的光伏出力预测方法 Download PDFInfo
- Publication number
- CN107506867B CN107506867B CN201710769135.8A CN201710769135A CN107506867B CN 107506867 B CN107506867 B CN 107506867B CN 201710769135 A CN201710769135 A CN 201710769135A CN 107506867 B CN107506867 B CN 107506867B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- model
- output
- new
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 45
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013082 photovoltaic technology Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于动态建模的光伏出力预测方法,步骤1:对原始气象、出力数据进行预处理;步骤2:对步骤1当中得到的所述训练样本进行训练,得到初始的光伏出力预测模型;步骤3:对所述训练样本进行设定样本筛选条件;步骤4:采集新数据样本,对新数据进行预处理工作加入原始数据中,再根据上述步骤3的样本筛选条件进行筛选,形成新的训练样本;步骤5:对步骤4当中所述新的训练样本重新训练出力模型;判断新的出力模型与上一次更新的模型是否收敛,若满足条件则完成模型更新输出,退出迭代;若不满足则返回步骤4进行样本的进一步筛选;提高光伏处理预测精度、提高电网调度安全性与经济性的目的。
Description
技术领域
本发明涉及光伏出力预测技术领域,具体为一种基于动态建模的光伏出力预测方法。
背景技术
近年来随着可再生能源的需求的日益提高,风电/光伏技术迅猛发展,可再生能源装机以指数级别逐年增长。由于可再生能源与风力、太阳辐射等气象条件密切相关,具有随机性和间歇性的固有特点,因此大规模的可再生能源并网给电网消纳能力提出了巨大挑战。为了保证电网的平衡和安全调度,风电/光伏发电系统出力的准确预测成为电网首要考虑的重要工作。
传统的光伏出力预测模型一般根据历史出力和气象条件建立归回预测模型,模型建立好之后一般会长期使用。但是不同地区、不同时段的光伏出力特性是在不断变动的,传统方式的缺陷在于无法跟踪最新的动态条件,导致模型不能适应最新情况,从而造成较大的功率预测误差。
基于以上背景,本发明提出了一种基于动态建模的光伏出力预测方法,利用最新的历史样本数据实现光伏出力预测模型的动态调整,达到提高光伏处理预测精度、提高电网调度安全性与经济性的目的。
发明内容
针对以上问题,本发明提供了一种基于动态建模的光伏出力预测方法,利用最新的历史样本数据实现光伏出力预测模型的动态调整,达到提高光伏处理预测精度、提高电网调度安全性与经济性的目的;可以有效解决背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:一种基于动态建模的光伏出力预测方法,包括以下步骤:
步骤1:获取原始气象和出力数据,并对原始气象、出力数据进行预处理得到大小合理、数据准确、覆盖全面的高质量模型训练样本;
步骤2:对步骤1当中得到的所述训练样本进行训练,得到初始的光伏出力预测模型;
步骤3:对所述训练样本进行设定样本筛选条件,设定新数据相对于步骤2当中的所述初始的光伏出力预测模型的欧式距离阈值,阈值以内的数据将被筛选为有效数据参与模型更新训练,超过阈值的数据将被剔除;
步骤4:采集新数据样本,对新数据进行预处理工作,加入到初始的光伏出力预测模型当中形成新的训练样本,再根据上述步骤3的样本筛选条件进行筛选,形成新的训练样本;
步骤5:对步骤4当中所述新的训练样本重新训练出力模型;判断新的出力模型与上一次更新的模型是否收敛,若满足条件则完成模型更新输出,退出迭代;若不满足则返回步骤4进行样本的进一步筛选。
作为本发明一种优选的技术方案,所述步骤1中的原始气象、出力数据进行预处理操作包括对数据进行异常数据辨识、修正和样本选择,且异常数据辨识、修正和样本选择依次进行。
作为本发明一种优选的技术方案,所述步骤2中的样本训练方法具体采用神经网络方式对预处理后的训练样本进行训练。
作为本发明一种优选的技术方案,所述步骤3的设定原始数据样本的筛选条件中选择的数据具体为与原始数据样本气象条件相近的时段数据。
作为本发明一种优选的技术方案,所述步骤5中判断新的出力模型与上一次更新的模型收敛的具体方式为判断新的出力模型与上一次更新模型的模型距离小于给定的迭代精度。
与现有技术相比,本发明的有益效果是:
本发明提出了一种基于动态建模的光伏出力预测方法,利用最新的历史样本数据实现光伏出力预测模型的动态调整,达到提高光伏处理预测精度、提高电网调度安全性与经济性的目的。
附图说明
图1为本发明结构示意图;
图2为本发明中数据预处理的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
请参阅图1和图2,本发明提供一种技术方案:
一种基于动态建模的光伏出力预测方法,包括以下步骤:
步骤1:获取原始气象和出力数据,并对原始气象、出力数据进行预处理得到大小合理、数据准确、覆盖全面的高质量模型训练样本;
步骤2:对步骤1当中得到的所述训练样本进行训练,得到初始的光伏出力预测模型;
步骤3:对所述训练样本进行设定样本筛选条件,设定新数据相对于步骤2当中的所述初始的光伏出力预测模型的欧式距离阈值,阈值以内的数据将被筛选为有效数据参与模型更新训练,超过阈值的数据将被剔除;
步骤4:采集新数据样本,对新数据进行预处理工作,加入到初始的光伏出力预测模型当中形成新的训练样本,再根据上述步骤3的样本筛选条件进行筛选,形成新的训练样本;
步骤5:对步骤4当中所述新的训练样本重新训练出力模型;判断新的出力模型与上一次更新的模型是否收敛,若满足条件则完成模型更新输出,退出迭代;若不满足则返回步骤4进行样本的进一步筛选。
在所述步骤1中的原始气象、出力数据进行预处理操作包括对数据进行异常数据辨识、修正和样本选择,且异常数据辨识、修正和样本选择依次进行,这样的操作,能够对数据当中一些错误或者不满足识别的数据进行修复和完善,使得建立的原始模型有很高的准确度,为后面建立新的光伏出力模型提供了很好的参考样板。
实施例2:
请参阅图1和图2,本发明提供了第二种技术方案:
步骤1:获取原始气象和出力数据,并对原始气象、出力数据进行预处理得到大小合理、数据准确、覆盖全面的高质量模型训练样本;步骤1中的原始气象、出力数据进行预处理操作包括对数据进行异常数据辨识、修正和样本选择,且异常数据辨识、修正和样本选择依次进行,这样的操作,能够对数据当中一些错误或者不满足识别的数据进行修复和完善,使得建立的原始模型有很高的准确度,为后面建立新的光伏出力模型提供了很好的参考样板;
步骤2:对步骤1当中得到的所述训练样本进行训练,得到初始的光伏出力预测模型;
步骤3:对所述训练样本进行设定样本筛选条件,设定新数据相对于步骤2当中的所述初始的光伏出力预测模型的欧式距离阈值,阈值以内的数据将被筛选为有效数据参与模型更新训练,超过阈值的数据将被剔除;
步骤4:采集新数据样本,对新数据进行预处理工作,加入到初始的光伏出力预测模型当中形成新的训练样本,再根据上述步骤3的样本筛选条件进行筛选,形成新的训练样本;
步骤5:对步骤4当中所述新的训练样本重新训练出力模型;判断新的出力模型与上一次更新的模型是否收敛,若满足条件则完成模型更新输出,退出迭代;若不满足则返回步骤4进行样本的进一步筛选;
所述步骤3的设定原始数据样本的筛选条件中选择的数据具体为与原始数据样本气象条件相近的时段数据,这样能够根据原始的数据采集到新的数据时对整个模型的更新具有实际意义,对某一个研究区域内的光伏出力模型的建立能够更符合该研究区域的实际情况。
所述步骤2中的样本训练方法具体采用神经网络方式对预处理后的训练样本进行训练。
另外,所述步骤5中判断新的出力模型与上一次更新的模型收敛的具体方式为判断新的出力模型与上一次更新模型的模型距离小于给定的迭代精度,模型建立整体上符合人为进行调整,其迭代精度的设定根据实际情况而变动,使得动态建模的有益效果有所凸显。
利用最新的历史样本数据实现光伏出力预测模型的动态调整,达到提高光伏处理预测精度、提高电网调度安全性与经济性的目的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于动态建模的光伏出力预测方法,其特征在于,包括以下步骤:
步骤1:获取原始气象和出力数据,并对原始气象、出力数据进行预处理得到大小合理、数据准确、覆盖全面的高质量模型训练样本;步骤2:对步骤1当中得到的所述训练样本进行训练,得到初始的光伏出力预测模型;步骤3:对所述训练样本进行设定样本筛选条件,设定新数据相对于步骤2当中的所述初始的光伏出力预测模型的欧式距离阈值,阈值以内的数据将被筛选为有效数据参与模型更新训练,超过阈值的数据将被剔除;步骤4:采集新数据样本,对新数据进行预处理工作,加入到初始的光伏出力预测模型当中形成新的训练样本,再根据上述步骤3的样本筛选条件进行筛选,形成新的训练样本;步骤5:对步骤4当中所述新的训练样本重新训练出力模型;判断新的出力模型与上一次更新的模型是否收敛,若满足条件则完成模型更新输出,退出迭代;若不满足则返回步骤4进行样本的进一步筛选;所述步骤1中的原始气象、出力数据进行预处理操作包括对数据进行异常数据辨识、修正和样本选择,且异常数据辨识、修正和样本选择依次进行;所述的原始气象、出力数据进行预处理,其特征在于:所述步骤2中的样本训练方法具体采用神经网络方式对预处理后的训练样本进行训练。
2.根据权利要求1所述的一种基于动态建模的光伏出力预测方法,其特征在于:所述步骤3的设定原始数据样本的筛选条件中选择的数据具体为与原始数据样本气象条件相近的时段数据。
3.根据权利要求1所述的一种基于动态建模的光伏出力预测方法,其特征在于:所述步骤5中判断新的出力模型与上一次更新的模型收敛的具体方式为判断新的出力模型与上一次更新模型的模型距离小于给定的迭代精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710769135.8A CN107506867B (zh) | 2017-08-31 | 2017-08-31 | 一种基于动态建模的光伏出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710769135.8A CN107506867B (zh) | 2017-08-31 | 2017-08-31 | 一种基于动态建模的光伏出力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107506867A CN107506867A (zh) | 2017-12-22 |
CN107506867B true CN107506867B (zh) | 2021-09-21 |
Family
ID=60694539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710769135.8A Active CN107506867B (zh) | 2017-08-31 | 2017-08-31 | 一种基于动态建模的光伏出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506867B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111414952B (zh) * | 2020-03-17 | 2023-10-17 | 腾讯科技(深圳)有限公司 | 行人重识别的噪声样本识别方法、装置、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103489034A (zh) * | 2013-10-12 | 2014-01-01 | 山东省科学院海洋仪器仪表研究所 | 预测与诊断在线海流监测数据的方法和装置 |
CN104463356A (zh) * | 2014-11-27 | 2015-03-25 | 国网浙江省电力公司嘉兴供电公司 | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 |
CN104820877A (zh) * | 2015-05-21 | 2015-08-05 | 河海大学 | 基于云自适应pso-snn的光伏系统发电功率预测方法 |
CN105488592A (zh) * | 2015-12-02 | 2016-04-13 | 国家电网公司 | 一种光伏电站发电量预测的方法 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN107085755A (zh) * | 2017-05-15 | 2017-08-22 | 内蒙古电力(集团)有限责任公司 | 一种光伏电站短期功率预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10386544B2 (en) * | 2014-06-30 | 2019-08-20 | Siemens Aktiengesellschaft | Solar power forecasting using mixture of probabilistic principal component analyzers |
-
2017
- 2017-08-31 CN CN201710769135.8A patent/CN107506867B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN103489034A (zh) * | 2013-10-12 | 2014-01-01 | 山东省科学院海洋仪器仪表研究所 | 预测与诊断在线海流监测数据的方法和装置 |
CN104463356A (zh) * | 2014-11-27 | 2015-03-25 | 国网浙江省电力公司嘉兴供电公司 | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 |
CN104820877A (zh) * | 2015-05-21 | 2015-08-05 | 河海大学 | 基于云自适应pso-snn的光伏系统发电功率预测方法 |
CN105488592A (zh) * | 2015-12-02 | 2016-04-13 | 国家电网公司 | 一种光伏电站发电量预测的方法 |
CN106228274A (zh) * | 2016-08-03 | 2016-12-14 | 河海大学常州校区 | 基于som神经网络数据聚类识别的光伏电站发电量预测方法 |
CN107085755A (zh) * | 2017-05-15 | 2017-08-22 | 内蒙古电力(集团)有限责任公司 | 一种光伏电站短期功率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107506867A (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105426956B (zh) | 一种超短期光伏预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN103683326A (zh) | 一种区域电网风电多点接入最佳接纳能力的计算方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN110148068A (zh) | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN103955749A (zh) | 太阳直接辐射值预测方法和系统 | |
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 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
CN115441447B (zh) | 一种新能源发电功率预测方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN115049163B (zh) | 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN109961190B (zh) | 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 | |
CN107506867B (zh) | 一种基于动态建模的光伏出力预测方法 | |
CN106503828B (zh) | 一种光伏输出功率超短期混沌预测方法 | |
CN106026191B (zh) | 用于最小化弃光电量光伏电站发电权置换电量评估的方法 | |
CN109378857B (zh) | 一种负荷尖峰时刻风电预测可信度风险计算方法 | |
CN114936590A (zh) | 一种光伏电站弃光数据识别方法、装置及存储介质 | |
CN114626622A (zh) | 一种光伏功率预测方法、系统、装置及存储介质 | |
CN113780643A (zh) | 一种基于事例推理的光伏电站短期出力预测方法 | |
CN109685242B (zh) | 基于Adaboost算法的光伏超短期组合预测方法 | |
CN112163695A (zh) | 基于copula函数的风力光伏发电预测方法、系统和介质 |
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 |