CN107909218A - 一种短期光伏发电量预测方法 - Google Patents
一种短期光伏发电量预测方法 Download PDFInfo
- Publication number
- CN107909218A CN107909218A CN201711275085.4A CN201711275085A CN107909218A CN 107909218 A CN107909218 A CN 107909218A CN 201711275085 A CN201711275085 A CN 201711275085A CN 107909218 A CN107909218 A CN 107909218A
- Authority
- CN
- China
- Prior art keywords
- days
- msub
- mrow
- feature
- weather
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims description 23
- 239000000428 dust Substances 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 238000013517 stratification Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 2
- 229910052753 mercury Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 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
- 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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种短期光伏发电量预测方法，包括步骤(s1)，多层次特征分析确定需要的天气特征信息；步骤(s2)，根据已确定的天气特征信息，形成基本特征库；步骤(s3)，利用建立好的特征库，采用机器学习方法，进行发电量预测模型分析；步骤(s4)，建立更新的特征库；步骤(s5)，利用预报中获得的天气特征以及处理得到的新特征，输入发电量预测模型，进行发电量预测。本发明所述的短期光伏发电量预测方法具有可以根据光伏发电量地区的互联网实时天气预报行光伏短期发电量预测，预测值的可靠性得到了保障，且预测值可用于光伏电站运维，能够更好的判断电站是否需进行故障诊断的优点。
Description
技术领域
本发明涉及光伏发电系统领域，特别涉及基于互联网天气预报和多层次特征数据挖掘的一种短期光伏发电量预测方法。
背景技术
太阳光作为一种新能源已经广泛应用于光伏发电产业，而光伏发电量涉及许多因素，公认的最直接的影响因素是辐照强度，另外气象因素、元器件也对发电量有影响，气象特征中，月份、昼长、天气类型与太阳辐照时间有关，例如夏天比冬天日照时间长，晴天比阴天日照时间更长；国内外多项研究表明温度、时间与辐照强度有关；而风力、风向、湿度、7日内天气特征与光伏组件积灰程度有关，积灰会造成光伏组件发电效率的降低。例如对于固定角度安装的光伏面板，风力较大时，扬灰会引起光伏表面积灰，7日内大雨日较多，则光伏表面积灰被冲刷，发电效率升高；7日内小雨日多，则表面积灰会粘附在光伏板，引起发电效率降低。
在申请号为20141093900.2，名称为：一种基于城市天气预报的低成本光伏发电功率预测方法的专利中所叙述的方法提到的光伏发电功率预测方法仅考虑各种天气下的太阳辐射对光伏发电的影响，特征过于单一；并且城市天气预报覆盖区域过大，不能准确反映该光伏电站所在区域的天气，用一个城市的天气来代表部分地区的天气，准确性并不高；并且城市天气预报往往提前一天获得，并不具有实时更新的功能，准确性和时效性得不到有效的保障。
同时，在发明申请号为201210301257.1，名称为：光伏发电系统发电量预测方法和系统的专利中提到的光伏发电量预测考虑的气象特征为气温、风向、降雨量、风沙、太阳辐射总量，以上特征为单层次特征，对发电量预测的理论支撑较为单薄。
发明内容
本发明的目的提供一种短期光伏发电量预测方法，解决上述现有技术问题。
本发明提出一种短期光伏发电量预测方法，包括如下步骤：
步骤(s1)，多层次特征分析确定需要的天气特征信息；
步骤(s2)，根据已确定的天气特征信息，形成基本特征库，从互联网采集信息，包括过去一年内的历史天气信息，作为建立气象因素与发电量关系的训练样本，进行数据筛选和处理，建立发电量预测的数据库，形成基本特征库；
步骤(s3)，利用建立好的基本特征库，采用机器学习方法，进行发电量预测模型分析；
步骤(s4)，建立更新的特征库；
步骤(s5)，利用预报中获得的天气特征以及处理得到的新特征，输入发电量预测模型，进行发电量预测。
其中，步骤(s1)中分析光伏发电量Q的影响因素，进行多层次特征的数据挖掘，确定天气特征信息的特征集{c}包括月份(m)、昼长(dl)、天气(w)、时刻(t)、辐射量(r)、实时温度(Ta)、湿度(h)、风力(df)、风向(dr)、7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)，即{c}＝{m，dl，w，t，r，Ta，h，df，dr，hr，lr，hw，nr}，建立发电量与各因素的函数关系式，函数关系式为：Q＝f(c)。
进一步，多层次特征包括第一层特征、第二层特征以及第三层特征，第一层特征：将光伏发电量的影响因素解释为太阳能来源和太阳能转化两个新特征；第二层特征：对于第一层特征中提出的新特征，进行深一步分析，将太阳能来源分解为辐射强度和太阳辐照时间两个新的特征，将太阳能转化分解为光伏组件的材料及年龄和灰尘遮挡的程度两个新特征；第三层特征：对于第二层特征中提出的新的特征，进行深一步分析，将太阳辐射时间分解为月份、昼长等气象因素，将辐射强度分解为辐射量、温度、时间等因素；将灰尘遮挡的程度分解为风向、风力、湿度以及7日气象特征，7日气象特征包括7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数。
其中，步骤(s1)确定了13个特征，除了辐射量、时刻、月份，其余特征均需从天气网站上获取，由多个互联网历史天气网站采集信息并进行数据的筛选、计算，得到剩余10个特征。
互联网采集信息包括：天气类型、最高温度、最低温度、风向、风力、湿度、温度、日尺度最高时间、气温最高时间、日出时间、日落时间等。其中天气分为晴、多云、阴、小雨、大雨、转变类天气6种类型，其中转变类天气代表“阴转多云”、“阴转小雨”“雷阵雨”等非单一类型天气类型；
需要进行数据筛选处理及计算的特征为：昼长(dl)、实时温度(Ta)、7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)，计算公式如下：
昼长dl：dl＝日落时间-日出时间
实时温度Ta：
其中，Ta为实时温度，Tmin为日最低温度，(在气温上升期间，Tmin为当日的最低温度，在气温下降期，Tmin为次日最低温度；)Tmax为日最高温度；LSH为最大太阳高度出现时间，DL为昼长；P为最高气温与最大太阳高度的时差。
7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)通过统计方法获得。其中7日大风日的统计，根据中国气象局于2001年下发《台风业务和服务规定》规定，风力4级可吹起尘土的标准，将风力≥4级定为本模型的大风。
其中步骤(s3)中利用已更新的气象因素特征库{c}和历史辐射量{r}为输入变量，历史发电量{Q}为输出变量，进行发电量预测模型训练。
步骤(s31)数据清洗，包括异常值消除、缺失值补全、哑变量赋值。
异常值消除：运用箱线图工具处理；
缺失值补全：采用平均插值法进行缺失值的插补，公式为：
其中，a0为连续空缺值的上端数据，an+1为连续缺失值的下端数据，i∈(1，n)，ai为n个连续空缺中第i个空缺的值。
哑变量赋值：对于非数值型数据，必须转换成数值类型才能进入模型，因此将这些数据设置为哑变量，并用数值进行赋值。
步骤(s32)，PLSR建立模型。
将处理后的数据输入模型，此处选择PLSR偏最小二乘方法进行建模。
Step 1.将更新的特征库数据集{c}作为解释变量与被解释变量历史发电量{Q}设为X和Y；
Step 2.将X和Y标准化为X0和Y0公式如下：
式中，xi,j表示解释变量X中第j个变量的第i个样本值，xi,j *为xi,j标准化后的值，表示X中第j个变量xj的均值，sj表示xj的标准差；yi表示被解释变量Y中的第i个样本值，yi *表示yi标准化后的值，表示y的均值，sy表示y的标准差。
Step3.在X中提取第一个主成分c1，公式如下：
Step 4.X0对成分c1回归,得到X0对c1的回归系数α1，公式如下：
Step 5.求出X0被c1解释后的残差矩阵X1：
X1＝X0-C1α1 T
以X1取代X0，重复以上步骤，提取第二个主成分c2和回归系数α2；
Step6.……以此类推，提取到第四个主成分后，进行交叉有效性分析，确定能够偏最小二乘回归中的成分提取个数，并停止迭代；
Step 7.将Y0对提取的主成分c1，c2,…cn进行plsr回归，先求出Y对c回归y＝f(c)；
Step 8.通过Y对成分c的回归，通过标准化的逆运算，得出Y对原解释变量的回归y＝f(x)，也就是发电量预测模型Q＝f(c)。
步骤(s4)是从互联网天气预报中获取所需的天气特征，包括风向、风力、7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数、辐射量、温度、湿度、时间、月份、昼长形成对比特征库，将对比特征库与步骤(s2)中的基本特征库进行对比，如果基本特征库中有此特征，则直接提取；如果基本特征库中没有，则基于特征库中的基础特征进行数据处理，得到新特征，建立更新的特征库。
从互联网天气预报网站调用接口实时接收发电站地区的天气预报数据，并在步骤(s4)的更新的特征库中调用7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数以及昼长，得到模型所需的所有特征，将所有特征输入发电量预测模型Q＝f(c)，得到需要预测的短时发电量。
本发明所述的一种短期光伏发电量预测方法的优点为：可以根据光伏发电量地区的互联网实时天气预报，通过数据挖掘方法，进行光伏短期发电量预测，预测值的可靠性得到了有效的保障，且预测值可用于光伏电站运维，能够更好的判断电站是否需进行故障诊断，进一步的保证电站的正常运行。
附图说明
图1为本发明实施例公开的光伏发电系统发电量预测方法的流程图；
图2为本发明实施例公开的发电量预测模型所需输入特征的分析过程；
图3为本发明实施例公开的气象参数特征库建立流程图。
具体实施方式
如图1至图3所示，本发明实施例中公开了一种短期光伏发电量预测方法，包括如下步骤：步骤(s1)，多层次特征分析确定需要的天气特征信息。如图2所示，分析光伏发电量Q的影响因素，进行多层次特征的数据挖掘，多层次特征包括第一层特征、第二层特征以及第三层特征，第一层特征：将光伏发电量的影响因素解释为太阳能来源和太阳能转化两个新特征；第二层特征：对于第一层特征中提出的新特征，进行深一步分析，将太阳能来源分解为辐射强度和太阳辐照时间两个新的特征，将太阳能转化分解为光伏组件的材料及年龄和灰尘遮挡的程度两个新特征；第三层特征：对于第二层特征中提出的新的特征，进行深一步分析，将太阳辐射时间分解为月份、昼长等气象因素，将辐射强度分解为辐射量、温度、时间等因素；将灰尘遮挡的程度分解为风向、风力以及7日气象特征，7日气象特征包括7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数。确定天气特征信息的特征集{c}包括月份(m)、昼长(dl)、天气(w)、时刻(t)、辐射量(r)、实时温度(Ta)、湿度(h)、风力(df)、风向(dr)、7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)。即{c}＝{m，dl，w，t，r，Ta，h，df，dr，hr，lr，hw，nr}，建立发电量与各因素的函数关系式，函数关系式为：Q＝f(c)。
步骤(s2)，根据已确定的天气特征信息，形成基本特征库。从互联网采集信息，包括过去一年内的历史天气信息，作为建立气象因素与发电量关系的训练样本，进行数据筛选和处理，建立发电量预测的数据库，形成基本特征库。步骤(s1)确定了13个特征，除了辐射量、时刻、月份，其余特征均需从天气网站上获取，由多个互联网历史天气网站采集信息并进行数据的筛选、计算，得到剩余10个特征。
互联网采集信息包括：天气类型、最高温度、最低温度、风向、风力、湿度、温度、日尺度最高时间、气温最高时间、日出时间、日落时间等。其中天气分为晴、多云、阴、小雨、大雨、转变类天气6种类型，其中转变类天气代表“阴转多云”、“阴转小雨”“雷阵雨”等非单一类型天气类型；
需要进行数据筛选处理及计算的特征为：昼长(dl)、实时温度(Ta)、7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)，计算公式如下：
昼长dl：dl＝日落时间-日出时间
实时温度Ta：
其中，Ta为实时温度，Tmin为日最低温度，(在气温上升期间，Tmin为当日的最低温度，在气温下降期，Tmin为次日最低温度；)Tmax为日最高温度；LSH为最大太阳高度出现时间，DL为昼长；P为最高气温与最大太阳高度的时差。
7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)通过统计方法获得。其中7日大风日的统计，根据中国气象局于2001年下发《台风业务和服务规定》规定，风力4级可吹起尘土的标准，将风力≥4级定为本模型的大风。
步骤(s3)，利用建立好的基本特征库，采用机器学习方法，进行发电量预测模型分析。利用已更新的气象因素特征库{c}和历史辐射量{r}为输入变量，历史发电量{Q}为输出变量，进行发电量预测模型训练。
步骤(s31)数据清洗，包括异常值消除、缺失值补全、哑变量赋值。
异常值消除：运用箱线图工具处理；
缺失值补全：采用平均插值法进行缺失值的插补，公式为：
其中，a0为连续空缺值的上端数据，an+1为连续缺失值的下端数据，i∈(1，n)，ai为n个连续空缺中第i个空缺的值。
哑变量赋值：对于非数值型数据，必须转换成数值类型才能进入模型，因此将这些数据设置为哑变量，并用数值进行赋值。
步骤(s32)，PLSR建立模型。
将处理后的数据输入模型，此处选择PLSR偏最小二乘方法进行建模。
Step 1.将更新的特征库数据集{c}作为解释变量与被解释变量历史发电量{Q}设为X和Y；
Step 2.将X和Y标准化为X0和Y0公式如下：
式中，xi,j表示解释变量X中第j个变量的第i个样本值，xi,j *为xi,j标准化后的值，表示X中第j个变量xj的均值，sj表示xj的标准差；yi表示被解释变量Y中的第i个样本值，yi *表示yi标准化后的值，表示y的均值，sy表示y的标准差。
Step3.在X中提取第一个主成分c1，公式如下：
Step 4.X0对成分c1回归,得到X0对c1的回归系数α1，公式如下：
Step 5.求出X0被c1解释后的残差矩阵X1：
X1＝X0-C1α1 T
以X1取代X0，重复以上步骤，提取第二个主成分c2和回归系数α2；
Step6.……以此类推，提取到第四个主成分后，进行交叉有效性分析，确定能够偏最小二乘回归中的成分提取个数，并停止迭代；
Step 7.将Y0对提取的主成分c1，c2,…cn进行plsr回归，先求出Y对c回归y＝f(c)；
Step 8.通过Y对成分c的回归，通过标准化的逆运算，得出Y对原解释变量的回归y＝f(x)，也就是发电量预测模型Q＝f(c)。
步骤(s4)，建立更新的特征库，从互联网天气预报中获取所需的天气特征，包括风向、风力、7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数、辐射量、温度、湿度、时间、月份、昼长形成对比特征库，将对比特征库与步骤(s2)中的基本特征库进行对比，如果基本特征库中有此特征，则直接提取；如果基本特征库中没有，则基于特征库中的基础特征进行数据处理，得到新特征，建立更新的特征库。
步骤(s5)，利用预报中获得的天气特征以及处理得到的新特征，输入发电量预测模型，进行发电量预测。从互联网天气预报网站调用接口实时接收发电站地区的天气预报数据，并在步骤(s4)的更新的特征库中调用7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数以及昼长，得到模型所需的所有特征，将所有特征输入发电量预测模型Q＝f(c)，得到需要预测的短时发电量。
该短期光伏发电量预测方法可以根据光伏发电量地区的互联网实时天气预报，通过数据挖掘方法，进行光伏短期发电量预测，该预测值可用于光伏电站运维，例如故障诊断与检修，当预测发电量与实际发电量误差超出一定范围，则需进行电站故障诊断。
以上所述仅是本发明的优选方式，应当指出，对于本领域普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干相似的变形和改进，这些也应视为本发明的保护范围之内。
Claims (8)
1.一种短期光伏发电量预测方法，其特征在于，包括如下步骤：
步骤(s1)，多层次特征分析确定需要的天气特征信息；
步骤(s2)，根据已确定的天气特征信息，形成基本特征库，从互联网采集信息，包括过去一年内的历史天气信息，作为建立气象因素与发电量关系的训练样本，进行数据筛选和处理，建立发电量预测的数据库，形成基本特征库；
步骤(s3)，利用建立好的特征库，采用机器学习方法，进行发电量预测模型分析；
步骤(s4)，建立更新的特征库；
步骤(s5)，利用预报中获得的天气特征以及处理得到的新特征，输入发电量预测模型，进行发电量预测。
2.根据权利要求1所述的一种短期光伏发电量预测方法，其特征在于，步骤(s1)中分析光伏发电量Q的影响因素，进行多层次特征的数据挖掘，确定天气特征信息的特征集{c}包括月份(m)、昼长(dl)、天气(w)、时刻(t)、辐射量(r)、实时温度(Ta)、湿度(h)、风力(df)、风向(dr)、7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)，即{c}＝{m,dl,w,t,r,Ta,h,df,dr,hr,lr,hw,nr}，建立发电量与各因素的函数关系式，所述函数关系式为：Q＝f(c)。
3.根据权利要求2所述的一种短期光伏发电量预测方法，其特征在于，多层次特征包括第一层特征、第二层特征以及第三层特征，第一层特征：将光伏发电量的影响因素解释为太阳能来源和太阳能转化两个新特征；第二层特征：对于第一层特征中提出的新特征，进行深一步分析，将太阳能来源分解为辐射强度和太阳辐照时间两个新的特征，将太阳能转化分解为光伏组件的材料及年龄和灰尘遮挡的程度两个新特征；第三层特征：对于第二层特征中提出的新的特征，进行深一步分析，将太阳辐射时间分解为月份、昼长等气象因素，将辐射强度分解为辐射量、温度、时间等因素；将灰尘遮挡的程度分解为风向、风力、湿度以及7日气象特征，7日气象特征包括7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数。
4.根据权利要求2所述的一种短期光伏发电量预测方法，其特征在于，步骤(s1)确定了13个特征，除了辐射量、时刻、月份，其余特征均需从天气网站上获取，由多个互联网历史天气网站采集信息并进行数据的筛选、计算，得到剩余10个特征。
5.根据权利要求4所述的一种短期光伏发电量预测方法，其特征在于，互联网站直接采集信息包括：天气类型、最高温度、最低温度、风向、风力、湿度、温度、日尺度最高时间、气温最高时间、日出时间、日落时间等，其中天气分为晴、多云、阴、小雨、大雨、转变类天气6种类型，其中转变类天气代表“阴转多云”、“阴转小雨”“雷阵雨”等非单一类型天气类型；
需要进行数据筛选处理及计算的特征为：昼长(dl)、实时温度(Ta)、7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)，计算公式如下：
昼长dl：dl＝日落时间-日出时间；
实时温度Ta：
<mrow>
<msub>
<mi>T</mi>
<mi>a</mi>
</msub>
<mo>=</mo>
<msub>
<mi>T</mi>
<mi>min</mi>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>&pi;</mi>
<mo>*</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>L</mi>
<mi>S</mi>
<mi>H</mi>
<mo>+</mo>
<mfrac>
<mrow>
<mi>D</mi>
<mi>L</mi>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
<mrow>
<mi>D</mi>
<mi>L</mi>
<mo>+</mo>
<mn>2</mn>
<mi>P</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，Ta为实时温度，Tmin为日最低温度，Tmax为日最高温度，LSH为最大太阳高度出现时间，DL为昼长，P为最高气温与最大太阳高度的时差；
7日内大雨天数(hr)、7日内小雨天数(lr)、7日内大风天数(hw)、7日内无风天数(nr)通过统计方法获得。
6.根据权利要求1所述的一种短期光伏发电量预测方法，其特征在于，所述步骤(s3)中利用已更新的气象因素特征库{c}和历史辐射量{r}为输入变量，历史发电量{Q}为输出变量，进行发电量预测模型训练，步骤(s3)包括步骤(s31)数据清洗和步骤(s32)，PLSR建立模型，步骤(s31)数据清洗包括异常值消除、缺失值补全、哑变量赋值，
异常值消除：运用箱线图工具处理；
缺失值补全：采用平均插值法进行缺失值的插补，公式为：
<mrow>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>0</mn>
</msub>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>*</mo>
<mi>i</mi>
</mrow>
其中，a0为连续空缺值的上端数据，an+1为连续缺失值的下端数据，i∈(1，n)，ai为n个连续空缺中第i个空缺的值；
哑变量赋值：将非数值型数据设置为哑变量，并用数值进行赋值；
步骤(s32)：PLSR建立模型，
将处理后的数据输入模型，此处选择PLSR偏最小二乘方法进行建模。
Step 1.将更新的特征库数据集{c}作为解释变量与被解释变量历史发电量{Q}设为X和Y；
Step 2.将X和Y标准化为X0和Y0公式如下：
式中，xi,j表示解释变量X中第j个变量的第i个样本值，xi,j *为xi,j标准化后的值，表示X中第j个变量xj的均值，sj表示xj的标准差；yi表示被解释变量Y中的第i个样本值，yi *表示yi标准化后的值，表示y的均值，sy表示y的标准差；
Step3.在X中提取第一个主成分c1，公式如下：
<mrow>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<msub>
<mi>w</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mfrac>
<mrow>
<msup>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msup>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>Y</mi>
<mn>0</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
Step 4.X0对成分c1回归,得到X0对c1的回归系数α1，公式如下：
<mrow>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msup>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mi>T</mi>
</msup>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
Step 5.求出X0被c1解释后的残差矩阵X1：
X1＝X0-C1α1 T
以X1取代X0，重复以上步骤，提取第二个主成分c2和回归系数α2；
Step6.……以此类推，提取到第四个主成分后，进行交叉有效性分析，确定能够偏最小二乘回归中的成分提取个数，并停止迭代；
Step 7.将Y0对提取的主成分c1，c2,…cn进行plsr回归，先求出Y对c回归y＝f(c)；
Step 8.通过Y对成分c的回归，通过标准化的逆运算，得出Y对原解释变量的回归y＝f(x)，也就是发电量预测模型Q＝f(c)。
7.根据权利要求1所述的一种短期光伏发电量预测方法，其特征在于，步骤(s4)是从互联网天气预报中获取所需的天气特征，包括风向、风力、7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数、辐射量、温度、湿度、时间、月份、昼长形成对比特征库，将对比特征库与步骤(s2)中的基本特征库进行对比，如果基本特征库中有此特征，则直接提取；如果基本特征库中没有，则基于特征库中的基础特征进行数据处理，得到新特征，建立更新的特征库。
8.根据权利要求1所述的一种短期光伏发电量预测方法，其特征在于，步骤(s5)是从互联网天气预报网站调用接口实时接收发电站地区的天气预报数据，并在步骤(s4)的更新的特征库中调用7日内大风天数、7日内无风天数、7日内大雨天数、7日内小雨天数以及昼长，得到模型所需的所有特征，将所有特征输入发电量预测模型Q＝f(c)，得到需要预测的短时发电量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711275085.4A CN107909218A (zh) | 2017-12-06 | 2017-12-06 | 一种短期光伏发电量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711275085.4A CN107909218A (zh) | 2017-12-06 | 2017-12-06 | 一种短期光伏发电量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107909218A true CN107909218A (zh) | 2018-04-13 |
Family
ID=61854480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711275085.4A Pending CN107909218A (zh) | 2017-12-06 | 2017-12-06 | 一种短期光伏发电量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909218A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960522A (zh) * | 2018-07-16 | 2018-12-07 | 浙江电腾云光伏科技有限公司 | 一种光伏发电量预测分析方法 |
| CN109214552A (zh) * | 2018-08-09 | 2019-01-15 | 上海安悦节能技术有限公司 | 基于集成学习光伏预测的智能运维方法 |
| CN110084412A (zh) * | 2019-04-12 | 2019-08-02 | 重庆邮电大学 | 一种基于特征转换多标签学习的光伏发电大数据预测方法 |
| CN110110908A (zh) * | 2019-04-22 | 2019-08-09 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
| CN111931849A (zh) * | 2020-08-11 | 2020-11-13 | 北京中水科水电科技开发有限公司 | 一种水电机组运行数据趋势预警方法 |
| CN112149861A (zh) * | 2019-06-28 | 2020-12-29 | 北京天诚同创电气有限公司 | 光伏电站群的运维任务调度方法及装置 |
| CN112561150A (zh) * | 2020-12-07 | 2021-03-26 | 国家电网有限公司 | 一种光伏电站发电量预测方法及装置 |
| CN113870531A (zh) * | 2021-09-17 | 2021-12-31 | 成都理工大学 | 一种地质灾害监测预警系统监测频率调节方法 |
| CN114943371A (zh) * | 2022-05-09 | 2022-08-26 | 北京市燃气集团有限责任公司 | 基于主成分分析-决策树的光伏电站发电预测方法及装置 |
-
2017
- 2017-12-06 CN CN201711275085.4A patent/CN107909218A/zh active Pending
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960522A (zh) * | 2018-07-16 | 2018-12-07 | 浙江电腾云光伏科技有限公司 | 一种光伏发电量预测分析方法 |
| CN109214552A (zh) * | 2018-08-09 | 2019-01-15 | 上海安悦节能技术有限公司 | 基于集成学习光伏预测的智能运维方法 |
| CN110084412A (zh) * | 2019-04-12 | 2019-08-02 | 重庆邮电大学 | 一种基于特征转换多标签学习的光伏发电大数据预测方法 |
| CN110110908A (zh) * | 2019-04-22 | 2019-08-09 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
| CN110110908B (zh) * | 2019-04-22 | 2022-09-06 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
| CN112149861A (zh) * | 2019-06-28 | 2020-12-29 | 北京天诚同创电气有限公司 | 光伏电站群的运维任务调度方法及装置 |
| CN111931849A (zh) * | 2020-08-11 | 2020-11-13 | 北京中水科水电科技开发有限公司 | 一种水电机组运行数据趋势预警方法 |
| CN111931849B (zh) * | 2020-08-11 | 2023-11-17 | 北京中水科水电科技开发有限公司 | 一种水电机组运行数据趋势预警方法 |
| CN112561150A (zh) * | 2020-12-07 | 2021-03-26 | 国家电网有限公司 | 一种光伏电站发电量预测方法及装置 |
| CN113870531A (zh) * | 2021-09-17 | 2021-12-31 | 成都理工大学 | 一种地质灾害监测预警系统监测频率调节方法 |
| CN114943371A (zh) * | 2022-05-09 | 2022-08-26 | 北京市燃气集团有限责任公司 | 基于主成分分析-决策树的光伏电站发电预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909218A (zh) | 一种短期光伏发电量预测方法 | |
| Pašičko et al. | Assessment of climate change impacts on energy generation from renewable sources in Croatia | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
| CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
| CN105827195B (zh) | 一种光伏组件清洗方法 | |
| CN104021427A (zh) | 一种基于因子分析的并网光伏电站日发电量预测方法 | |
| CN104361406B (zh) | 一种光伏电站可利用太阳能发电量预测方法 | |
| CN105184678A (zh) | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 | |
| CN105426956A (zh) | 一种超短期光伏预测方法 | |
| CN102073791A (zh) | 用于光伏电站设计的地区太阳能资源丰富程度评估系统 | |
| CN106600060A (zh) | 基于相似日晴朗系数修正的太阳辐照量预测方法 | |
| CN110632681B (zh) | 基于机器学习的电网午后雷阵雨的短临预警方法及系统 | |
| CN106503848A (zh) | 多小水电趸售地区电网的负荷预测方法 | |
| CN105389744A (zh) | 一种基于负荷昼夜峰值差约束的光伏容量可信度的评估方法 | |
| Alanazi et al. | Day-ahead solar forecasting using time series stationarization and feed-forward neural network | |
| Ellis et al. | Power ramp rates and variability of individual and aggregate photovoltaic systems using measured production data at the municipal scale | |
| CN108493999A (zh) | 一种评估区域内风光资源互补性的方法及系统 | |
| Wang et al. | Method for short-term photovoltaic generation power prediction base on weather patterns | |
| CN112883665B (zh) | 一种气象站历史风场观测资料订正方法 | |
| CN112526637B (zh) | 基于不均匀权重的一体化电网通道暴雨监测方法和系统 | |
| Fasel et al. | An overview of wind resource assessments with special reference to the emirate of Ajman, UAE | |
| Bang et al. | Impacts of climate change on catchment flows and assessing its impacts on hydropower in Vietnam’s central highland region | |
| Guwaeder et al. | A study of the monthly insolation in libya | |
| CN105184465B (zh) | 一种基于净空模型的光伏电站出力分解方法 | |
| CN103455730A (zh) | 分布式光伏发电能力评估系统及生成太阳辐射数据的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |