CN109242167B - 基于平均Lyapunov指数的光伏发电在线预测方法 - Google Patents
基于平均Lyapunov指数的光伏发电在线预测方法 Download PDFInfo
- Publication number
- CN109242167B CN109242167B CN201810981220.5A CN201810981220A CN109242167B CN 109242167 B CN109242167 B CN 109242167B CN 201810981220 A CN201810981220 A CN 201810981220A CN 109242167 B CN109242167 B CN 109242167B
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- formula
- time sequence
- calculating
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 1
- 238000004146 energy storage Methods 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于平均Lyapunov指数的光伏发电在线预测新方法。光伏发电随天气变化具有的随机性和间歇性,会影响到电网和光伏微电网的储能容量配置和稳定运行;本发明首先对光伏发电历史数据按晴天、多云天和雨天3种天气类型进行分类,分别构建上述3种天气状态下的光伏发电时间序列;按当前天气类型,设置嵌入维数和延迟时间,重构光伏发电时间序列的相空间;基于相空间初始状态点出发的动力学演化过程,计算相空间演化过程的平均Lyapunov指数并将其作为状态轨迹在相空间中的分离速率,在线计算光伏发电功率的预测值。本发明所提供在线预测方法,有效减少光伏发电功率波动对电网的影响,对光伏发电的推广应用具有重要意义。
Description
技术领域
本发明属于光伏新能源领域,涉及一种基于平均Lyapunov指数的光伏发电在线预测新方法。
背景技术
光伏发电因其可再生性和零污染,被视为传统发电的重要替代形式。光伏能源作为一种理想的可再生能源,其输出功率的波动性和间歇性很大。一方面,大规模的并网运行会对传统电网的安全和系统的可靠性造成较大影响,这是太阳能光伏发电大规模利用的最大瓶颈。另一方面,当区域负荷供电由微电网承担时,由于微电网一般容量较小,太阳能发电功率比例即使较小也可能会对微电网的稳定运行带来一系列问题。光伏发电功率的准确预测,可以为电力系统调度运行部门及时调整发电计划、优化微电网运行、配电网运行调度等提供重要参考依据,将有效减少光伏发电功率随机性、间歇性对电网的影响,对光伏发电的推广应用具有重要意义。
光伏发电预测技术从原理的角度可分为两类:基于物理模型方法和基于数据驱动方法。前者所涉及的模型参数,通常需要由电池厂商提供或利用大规模运算辨识,因此实际应用存在明显的局限性。而基于数据驱动的方法以大量历史数据为基础,利用光伏发电与天气条件之间的相关性,通过智能分析算法实现预测。由于光伏发电输出具有显著的非线性特性,因此常用的数据驱动方法通常包括以神经网络为代表的非线性模型,例如混沌-RBF神经网络。但必须要指出的是,神经网络需要大量的训练样本,而且神经元突触系数更新需要较长的收敛时间,因此一般只能满足光伏发电的离线预测需求。
发明内容
本发明针对现有技术的不足,提出了一种基于平均Lyapunov指数的光伏发电在线预测方法。
本发明考虑到:(1)传统黑箱式的非线性模型,例如混沌-RBF神经网络,虽然可以利用大规模迭代训练过程,使模型的输入输出关系整体上满足预设的训练要求,但是随着因天气变化而引起的训练样本更新,原神经网络的参数将处于失效状态,因此从模型收敛速度和鲁棒性来评价,均无法满足光伏发电预测的在线要求。(2)光伏发电随天气变化具有明显的随机性和间歇性,因此对光伏发电功率时间序列进行相空间重构,对其高维状态的描述将有助于揭示光伏发电功率的动力学演变过程。(3)Lyapunov指数方法一般仅被用来判别光伏发电功率的混沌特性,但事实上Lyapunov指数方法也是一种非线性时间序列分析方法,可以直接应用于光伏发电的预测。Lyapunov指数方法并不直接构建光伏发电与其影响因素之间的数学模型,而是根据光伏发电功率在时间上的指数分离特性来描述动力学系统轨道的演化规律,从而实现光伏发电功率的在线预测。
本发明提出一种基于平均Lyapunov指数的光伏发电在线预测方法,包括以下步骤:
步骤(1)构建与当前天气类型匹配的光伏输出功率时间序列。将天气分为晴天、多云以及雨天3种天气类型,从历史数据中随机筛选出与当前天气类型匹配的光伏发电功率数据,并按时间顺序构建一个光伏发电时间序列。
步骤(2)利用快速傅里 叶变换,计算光伏发电时间序列的平均周期。
步骤(3)按当前天气类型,设置嵌入维数和延迟时间,重构光伏发电时间序列的相空间。
步骤(4)基于相空间初始状态点出发的动力学演化过程,计算相空间状态点(以下简称“相点”)轨迹演化过程的平均Lyapunov指数。
步骤(5)将步骤(4)获得的平均Lyapunov指数,取其倒数并取整,作为光伏发电功率的预测步长T。
步骤(6)将步骤(4)获得的平均Lyapunov指数,作为相点轨迹在相空间中的分离速率。在轨迹终点处,计算光伏发电功率的单步长预测值。
步骤(7)将单步长预测值作为真实值加入到光伏发电时间序列,重复步骤(6),进行光伏发电功率下一个步长的预测,直到达到预测步长T 为止。
本发明具有的有益效果为:
1、本发明对于光伏发电的预测属于时间序列处理方法,不涉及光伏发电的复杂机理模型的建模,而是根据光伏发电时间序列在重构相空间的 Lyapunov指数分离特性来实现光伏发电功率的在线预测。
2、本发明考虑到天气因素对于光伏发电的影响,因此对光伏发电历史数据按晴天、多云天和雨天3种天气类型进行分类,分别构建上述3种天气状态下的光伏发电时间序列,并针对性地设置相空间重构过程中的嵌入维数和延迟时间参数,将有助于光伏发电功率在当前天气类型下的准确预测。
3、本发明无需迭代训练过程,因此即使天气变化引起光伏发电时间序列更新,也能够满足光伏发电预测的在线要求。
具体实施方式
本发明具体的实施步骤为:
步骤(1)构建与当前天气类型匹配的光伏输出功率时间序列。将天气分为晴天、多云以及雨天3种天气类型,从历史数据中随机筛选出与当前天气类型匹配的光伏发电功率数据,并按时间顺序构建光伏发电时间序列x(t),t=1,2,…,n。其中t表示离散的光伏发电功率采样时刻,n 为光伏发电时间序列x(t)的总长度。
步骤(2)计算光伏发电时间序列x(t)的平均周期P。对光伏发电时间序列x(t)进行快速傅里叶变换,如式(1)所示。
其中k表示光伏发电时间序列x(t)所对应的离散频率。
计算F(k)取最大值时所对应的离散频率K,如式(2)所示。
F(K)≥F(i),i=1,2,…,N,i≠K (2)
由此计算光伏发电时间序列x(t)的平均周期P,如式(3)所示。
步骤(3)重构光伏发电时间序列x(t)的相空间X。基于嵌入维数m 和延迟时间τ,得到重构后的相空间X。相点记为Xi,i=1,2,…,N,其中 N=n-(m-1)×τ。X和Xi分别如式(4)和式(5)所示。
X={Xi,i=1,2,…,N} (4)
Xi=[x(i),x(i+τ),…x(i+(m-1)×τ)]T (5)
设置延迟时间τ=3。按天气类型的不同分别设置嵌入维数m。天气类型为晴天时,m=40;天气类型为多云时,m=3;天气类型为雨天时, m=10。
|s0-s0'|>P (7)
其中ε可设置为光伏发电时间序列x(t)均值的2%~10%。
然后在未达到相点轨迹终点XN前,继续迭代演化。记最终的演化总步长为W,计算上述演化过程Lyapunov指数的平均值,作为相点轨迹的分离速率,如式(10)所示。
步骤(5)计算光伏发电功率的预测步长T,如式(11)所示。
其中Round表示四舍五入取整函数。
步骤(6)计算光伏发电功率的单步长预测值。记相点轨迹终点XN的最近邻点为XN',而XN+1和X(N+1)'分别是XN和XN'的单步长演化点,关系如式(12)所示。
||XN+1-X(N+1)'||=||XN-XN'||×eλ×Δs (12)
经推导可得单步长预测值,如式(13)~(15)所示。
其中sgn为符号函数。
步骤(7)将单步长预测值x(n+1)作为真实值加入到光伏发电时间序列x(t)尾部,重复步骤(6),进行光伏发电功率下一个步长的预测,直到达到预测步长T为止。
Claims (1)
1.基于平均Lyapunov指数的光伏发电在线预测方法,其特征在于,该方法具体包括以下步骤:
步骤(1)构建与当前天气类型匹配的光伏输出功率时间序列;将天气分为晴天、多云以及雨天3种天气类型,从历史数据中随机筛选出与当前天气类型匹配的光伏发电功率数据,并按时间顺序构建光伏发电时间序列x(t),t=1,2,…,n;其中t表示离散的光伏发电功率采样时刻,n为光伏发电时间序列x(t)的总长度;
步骤(2)计算光伏发电时间序列x(t)的平均周期P;对光伏发电时间序列x(t)进行快速傅里叶变换,如式(1)所示;
其中k表示光伏发电时间序列x(t)所对应的离散频率;
计算F(k)取最大值时所对应的离散频率K,如式(2)所示;
F(K)≥F(i),i=1,2,…,N,i≠K (2)
由此计算光伏发电时间序列x(t)的平均周期P,如式(3)所示;
步骤(3)重构光伏发电时间序列x(t)的相空间X;基于嵌入维数m和延迟时间τ,得到重构后的相空间X;相点记为Xi,i=1,2,…,N,其中N=n-(m-1)×τ;X和Xi分别如式(4)和式(5)所示;
X={Xi,i=1,2,…,N} (4)
Xi=[x(i),x(i+τ),…x(i+(m-1)×τ)]T (5)
设置延迟时间τ=3;按天气类型的不同分别设置嵌入维数m;天气类型为晴天时,m=40;天气类型为多云时,m=3;天气类型为雨天时,m=10;
|s0-s0'|>P (7)
其中ε设置为光伏发电时间序列x(t)均值的2%~10%;
然后在未达到相点轨迹终点XN前,继续迭代演化;记最终的演化总步长为W,计算上述演化过程Lyapunov指数的平均值,作为相点轨迹的分离速率,如式(10)所示;
步骤(5)计算光伏发电功率的预测步长T,如式(11)所示;
其中Round表示四舍五入取整函数;
步骤(6)计算光伏发电功率的单步长预测值;记相点轨迹终点XN的最近邻点为XN',而XN+1和X(N+1)'分别是XN和XN'的单步长演化点,关系如式(12)所示;
||XN+1-X(N+1)'||=||XN-XN'||×eλ×Δs (12)
经推导可得单步长预测值,如式(13)~(15)所示;
其中sgn为符号函数;
步骤(7)将单步长预测值x(n+1)作为真实值加入到光伏发电时间序列x(t)尾部,重复步骤(6),进行光伏发电功率下一个步长的预测,直到达到预测步长T为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810981220.5A CN109242167B (zh) | 2018-08-27 | 2018-08-27 | 基于平均Lyapunov指数的光伏发电在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810981220.5A CN109242167B (zh) | 2018-08-27 | 2018-08-27 | 基于平均Lyapunov指数的光伏发电在线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242167A CN109242167A (zh) | 2019-01-18 |
CN109242167B true CN109242167B (zh) | 2021-06-11 |
Family
ID=65068547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810981220.5A Active CN109242167B (zh) | 2018-08-27 | 2018-08-27 | 基于平均Lyapunov指数的光伏发电在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242167B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268519A (zh) * | 2013-04-26 | 2013-08-28 | 哈尔滨工程大学 | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 |
CN104102832A (zh) * | 2014-07-09 | 2014-10-15 | 东北电力大学 | 一种基于混沌时间序列的风电功率超短期预测方法 |
CN105184411A (zh) * | 2015-09-19 | 2015-12-23 | 东北电力大学 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
CN105488335A (zh) * | 2015-11-23 | 2016-04-13 | 广东工业大学 | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 |
CN105719028A (zh) * | 2016-03-08 | 2016-06-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8942959B2 (en) * | 2012-03-29 | 2015-01-27 | Mitsubishi Electric Research Laboratories, Inc. | Method for predicting outputs of photovoltaic devices based on two-dimensional fourier analysis and seasonal auto-regression |
-
2018
- 2018-08-27 CN CN201810981220.5A patent/CN109242167B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268519A (zh) * | 2013-04-26 | 2013-08-28 | 哈尔滨工程大学 | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 |
CN104102832A (zh) * | 2014-07-09 | 2014-10-15 | 东北电力大学 | 一种基于混沌时间序列的风电功率超短期预测方法 |
CN105184411A (zh) * | 2015-09-19 | 2015-12-23 | 东北电力大学 | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
CN105488335A (zh) * | 2015-11-23 | 2016-04-13 | 广东工业大学 | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 |
CN105719028A (zh) * | 2016-03-08 | 2016-06-29 | 北京工业大学 | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 |
Non-Patent Citations (4)
Title |
---|
Photovoltaic output power chaotic characteristic and trend prediction based on the actual measurement data;Wang Yufei 等;《2016 IEEE 11th Conference on Industrial Electronics and Applications (ICIEA)》;20161024;第2158-2297页 * |
分布式发电系统的短期发电预测研究;孙佳文;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170315(第3期);第C042-1225页 * |
基于混沌理论的风电功率实时预测研究;季本明;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180115(第1期);第C042-602页 * |
混沌时间序列的平均周期计算方法;龚祝平;《系统工程》;20101231;第28卷(第12期);第111-113页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109242167A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gao et al. | Day-ahead power forecasting in a large-scale photovoltaic plant based on weather classification using LSTM | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Wu et al. | SOC prediction method based on battery pack aging and consistency deviation of thermoelectric characteristics | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN105426989A (zh) | 基于eemd和组合核rvm的光伏功率短期预测方法 | |
CN113141008A (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Lu et al. | Load forecast method of electric vehicle charging station using SVR based on GA-PSO | |
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 | |
CN111984906B (zh) | 考虑光伏与负荷时序相关性的概率潮流快速计算方法 | |
CN109242167B (zh) | 基于平均Lyapunov指数的光伏发电在线预测方法 | |
Wang et al. | Remaining useful life prediction of lithium-ion battery based on cycle-consistency learning | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
CN113780644B (zh) | 一种基于在线学习的光伏出力预测方法 | |
Tran et al. | A new grid search algorithm based on XGBoost model for load forecasting | |
CN111222542B (zh) | 基于l1正则化的混合动力公交车工况有效特征选取方法 | |
Cai et al. | Short-term forecasting of user power load in China based on XGBoost | |
Ru et al. | Electric Vehicle Charging Station Load Prediction Based on IWOA-LSSVM Combined Model with Improved Variational Mode Decomposition |
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 |