CN109961190B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109961190B CN109961190B CN201910250016.0A CN201910250016A CN109961190B CN 109961190 B CN109961190 B CN 109961190B CN 201910250016 A CN201910250016 A CN 201910250016A CN 109961190 B CN109961190 B CN 109961190B
- Authority
- CN
- China
- Prior art keywords
- day
- photovoltaic power
- power station
- max
- historical
- 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 21
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000002354 daily effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims 2
- 238000010248 power generation Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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)
- Wind Motors (AREA)
Abstract
本发明提供了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,针对光伏电站光功率超短期回归预测在选取学习集时,不能对历史日拟合效果进行筛选的局限性,充分考虑了历史日天气预报精度不达标和小波动导致的拟合度降低对学习集筛选影响,在计及历史日功率自身拟合度基础上,以此参数修正相似日聚类的权值,进而实现光功率日前回归预测。首先获取光伏电站天气以及运行数据,然后计算历史日光伏电站功率数据自身拟合度,其次对历史日光伏电站数据按功率自身拟合度作为权值聚类筛选学习集,最后对光伏电站超短期功率进行回归预测,提高了预测精度。
Description
技术领域
本发明属于光伏电站日前功率预测领域,尤其涉及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。
背景技术
随着光伏发电系统的装机容量的扩大,其对电力系统的影响也越发明显。光伏阵列的发电功率预报对于减轻光伏发电功率的不确定性对电网运行的影响有重要作用。负荷预报是制定发电计划和远景规划的基础,预测结果的准确性直接关系到电力系统运行的经济性和安全性。因此,提高光伏发电功率预报和负荷预报的精确度一直是国内外学者致力研究的方向之一。
近几年来,人工智能大量应用于光伏发电功率预报和负荷预报领域。目前应用比较广泛的是BP神经网络。BP神经网络是一种静态前馈型神经网络,预测动态系统时容易陷入局部极小值点。Elman神经网络相比于神经网络增加了一层承接层,具有动态特性好、逼精度高等特点,但占用大量的cpu工作量,给工程应用带来了困难。而基于物理模型的光伏发电功率超短期预测方法存在准确性低、通用性差、参数选取复杂等缺点,而且其效果受天气预报精度的影响较大,且无法捕捉到天气的瞬时变化,尤其在峰值输出段容易产生较大误差。
应用基于概率统计的回归方法进行光伏功率日前预测,因为其对历史信息提取能力较强,而且计算体量相对较小,而在电站的实际工程中得到了广泛应用。然而由于实际天气存在较为剧烈的波动,学习集和预测日数据的函数关系具有参数上的不稳定性。针对以上为问题,本文提出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,通过计算学习集功率数据自身对参数的拟合度,得到相似日聚类时的权值,实现对预测集天气的一种自动校正的相似日聚类,提高了超短期预测的精度。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种基于基于学习日拟合度聚类的光伏电站日前功率预测方法。
为了实现上述目的,本发明提供如下技术方案:
一种基于基于学习日拟合度聚类的光伏电站日前功率预测方法,包括以下步骤:
S1.获取光伏电站天气以及运行数据;
设数据库中有光伏电站的M个历史日信息,每个历史日记为m(1=<m=<M),在光伏电站每天开始发电的时刻t start 到结束发电的时刻t end 这段时间里,每隔15分钟,建立一个采样点,对光伏电站的信息进行一次采样,共进行N次采样;对预测日地表水平辐照度、风速和温度参数的天气预报值采样,记为R_pre,S_pre和T_pre,每个参数都是一个1*N的一维向量,其中,第n(1=<n=<N)个采样点的值为R_pre(n),S_pre(n)和T_pre(n);对每个历史日m(1=<m=<M)的光伏电站地表水平辐照度、风速、温度的天气预报值和电站实际发出功率数据采样,记为R_his、S_his、T_his和P_his,每个参数都是一个1*N的一维向量,其中第n(1=<n=<N)个采样点的各参数值为R_his(n)、S_his(n)、T_his(n)和P_his(n)。
S2.计算历史日光伏电站功率数据自身拟合度;
对第m(1=<m=<M)个历史日的光伏电站输出功率P_his与风速S_his,温度T_his,地表水平辐照度R_his,按照P_his(n)=(A+B*R_his(n)+C*T_his(n)+D*R_his(n)^2+E*T_his(n)*R_his(n))*(1+F*S_his(n))的解析式进行拟合;进而得到得到用来衡量拟合效果的参数,平方误差和sse,记为W(m)(m=1,2,…M),并以此值作为聚类计算时的权值,其中A,B,C,D,F,F是拟合出来的解析式系数;
S3.对历史日光伏电站数据进行聚类筛选学习集;
对每个历史日m,找到其光伏电站地表水平辐照度、风速和温度的天气预报值数据的最大值,记为R_his max、S_his max、T_his max,风速和温度的天气预报值最小值S_hismin和T_his min,以及对应R_his max、S_his max、T_hismax、S_his min和T_his min的时刻记为n1,n2,n3,n4和n5则可以对每个历史日m构造特征值向量charac(1*10)(m)=[R_mmax,S_m max,T_m max,S_hismax、T_his max,n1,n2,n3,n4,n5];对预测日,找到其光伏电站地表水平辐照度、风速和温度的天气预报值数据的最大值,记为R_pre max、S_premax和T_pre max,风速和温度的天气预报值最小值S_pre min和T_pre min,对应R_premax、S_premax、T_pre max、S_pre min和T_pre min的时刻记为n6,n7,n8,n9和n10,则可以对预测日构造特征值向量charac_pre(1*10)=[R_pre max,S_pre max,T_pre max,S_pre min,T_premin,n6,n7,n8,n9,n10];
于是每个历史日m相对对预测日的相似度距离:
L(m)=||charac(1*10)(m)-charac_pre(1*10)||*W(m);
在M个L(m)中,取L(m)最小的那天k(1=<k=<M),作为相似日筛选结果,构成学习集。
S4.光伏电站历史日光伏功率函数拟合;
对筛选出来的学习集k,按照函数型:P_k(n)=(A+B*R_k(n)+C*T_k(n)+D*R_k(n)^2+T_k(n)^2+E*T_k(n)*R_k(n))(1+F*S_k(n))(1=<n=<N)进行最小二乘拟合,其中,P_k(n),R_k(n),T_k(n),S_k(n)分别是学习集第n个采集点的实际发出功率,光伏电站地表水平辐照度天气预报值,温度天气预报值和风速天气预报值。
S5.预测日光伏电站超短期功率计算;
对预测日中每个需要预测的采样点n,其光伏电站输出功率P_pre(n)=(A+B*R_pre(n)+C*T_pre(n)+D*R_pre(n)^2+T_pre(n)^2+E*T_pre(n)*R_pre(n))(1+F*S_pre(n))(1=<n=<N)进行计算;其中,R_pre(n),T_pre(n),S_pre(n)分别是预测日第n个采集点光伏电站地表水平辐照度天气预报值、温度和风速天气预报值。
与现有技术相比,本发明的有益效果是:
与一般技术相比,本发明基于功率不平滑度聚类的光伏电站超短期功率预测方法,充分考虑了历史日天气预报精度不达标和自身拟合度对学习集实际输出功率的影响,在计算了历史数据自身拟合度的基础上,以此值作为传统相似日聚类距离的权值,实现了最优的学习集选取学习和对预测日日前功率的预测,极大地提高了预测精度和模型稳定性。
附图说明
图1为本发明方法主流程图。
图2为历史日功率自身拟合度计算示意图。
图3学习集筛选示意图。
图4预测结果示意图。
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。
需要说明的是,当组件被称为“固定于”另一个组件,它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件,它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件,它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示为本发明的方法流程图,以下结合具体实施例对本发明的方法进行进一步说明:
提供一种基于功率不平滑度聚类的光伏电站超短期功率预测方法,包括如下步骤:
S1.获取光伏电站天气以及运行数据。
设数据库中有光伏电站的M个历史日信息,每个历史日记为m(1=<m=<M),在光伏电站每天开始发电的时刻t start 到结束发电的时刻t end 这段时间里,每隔15分钟,建立一个采样点,对光伏电站的信息进行一次采样,共进行N次采样。对预测日地表水平辐照度、风速和温度参数的天气预报值采样,记为R_pre,S_pre和T_pre,每个参数都是一个1*N的一维向量,其中,第n(1=<n=<N)个采样点的值为R_pre(n),S_pre(n)和T_pre(n);对每个历史日m(1=<m=<M)的光伏电站地表水平辐照度、风速、温度的天气预报值和电站实际发出功率数据采样,记为R_his、S_his、T_his和P_his,每个参数都是一个1*N的一维向量,其中第n(1=<n=<N)个采样点的各参数值为R_his(n)、S_his(n)、T_his(n)和P_his(n)。
实例中,数据库中有光伏电站的21个历史日信息,每个历史日记为m(1=<m=<21),在光伏电站每天开始发电的时刻6:00到结束发电的时刻20:15这段时间里,每隔15分钟,建立一个采样点,对光伏电站的信息进行一次采样,共进行63次采样。对预测日地表水平辐照度、风速和温度参数的天气预报值采样,记为R_pre,S_pre和T_pre,每个参数都是一个1*63的一维向量,其中,第n(1=<n=<63)个采样点的值为R_pre(n),S_pre(n)和T_pre(n);对每个历史日m(1=<m=<M)的光伏电站地表水平辐照度、风速、温度的天气预报值和电站实际发出功率数据采样,记为R_his、S_his、T_his和P_his,每个参数都是一个1*63的一维向量,其中第n(1=<n=<63)个采样点的各参数值为R_his(n)、S_his(n)、T_his(n)和P_his(n)。
S2.计算历史日光伏电站功率数据自身拟合度。
对第m(1=<m=<M)个历史日的光伏电站输出功率P_his与风速S_his,温度T_his,地表水平辐照度R_his,按照P_his(n)=(A+B*R_his(n)+C*T_his(n)+D*R_his(n)^2+E*T_his(n)*R_his(n))*(1+F*S_his(n))的解析式进行拟合。进而得到得到用来衡量拟合效果的参数,平方误差和sse,记为W(m)(m=1,2,…M),并以此值作为聚类计算时的权值,其中A,B,C,D,F,F是拟合出来的解析式系数;
实例中,如图2所示,对第m(1=<m=<M)个历史日的光伏电站输出功率P_his与风速S_his,温度T_his,地表水平辐照度R_his,按照P_his(n)=(A+B*R_his(n)+C*T_his(n)+D*R_his(n)^2+E*T_his(n)*R_his(n))*(1+F*S_his(n))的解析式进行拟合。进而得到得到用来衡量拟合效果的参数,平方误差和sse,记为W(m)(m=1,2,…M),并以此值作为聚类计算时的权值;实例中,W=[0.9,2.5,2.7,2.2,2.4,2.3,1.6,2.2,1.2,3,0.7,1.4,1.5,1.0,2.5,2.2,1.5,2.8,0.6,1.7,1.6](量级归算到1*10的量级)。
S3.对历史日光伏电站数据进行聚类筛选学习集。
对每个历史日m,找到其光伏电站地表水平辐照度、风速和温度的天气预报值数据的最大值,记为R_his max、S_his max、T_his max,风速和温度的天气预报值最小值S_hismin和T_his min,以及对应R_his max、S_his max、T_hismax、S_his min和T_his min的时刻记为n1,n2,n3,n4和n5则可以对每个历史日m构造特征值向量charac(1*10)(m)=[R_mmax,S_m max,T_m max,S_hismax、T_his max,n1,n2,n3,n4,n5]。对预测日,找到其光伏电站地表水平辐照度、风速和温度的天气预报值数据的最大值,记为R_pre max、S_premax和T_pre max,风速和温度的天气预报值最小值S_pre min和T_pre min,对应R_premax、S_premax、T_pre max、S_pre min和T_pre min的时刻记为n6,n7,n8,n9和n10,则可以对预测日构造特征值向量charac_pre(1*10)=[R_pre max,S_pre max,T_pre max,S_pre min,T_premin,n6,n7,n8,n9,n10]。
于是每个历史日m相对对预测日的相似度距离:
L(m)=||charac(1*10)(m)-charac_pre(1*10)||*W(m);
在M个L(m)中,取L(m)最小的那天k(1=<k=<M),作为相似日筛选结果,构成学习集。
实例中,对每个历史日m,找到其光伏电站地表水平辐照度、风速和温度的天气预报值数据的最大值,记为R_his max、S_his max、T_his max,风速和温度的天气预报值最小值S_his min和T_his min,以及对应R_his max、S_his max、T_his max、S_his min和T_hismin的时刻记为n1,n2,n3,n4和n5则可以对每个历史日m构造特征值向量charac(1*10)(m)=[R_m max,S_m max,T_m max,S_his max、T_his max,n1,n2,n3,n4,n5]。对预测日,找到其光伏电站地表水平辐照度、风速和温度的天气预报值数据的最大值,记为R_premax、S_pre max和T_pre max,风速和温度的天气预报值最小值S_pre min和T_pre min,对应R_premax、S_pre max、T_pre max、S_pre min和T_pre min的时刻记为n1,n2,n3,n4和n5则可以对预测日构造特征值向量charac_pre(1*10)=[R_pre max,S_pre max,T_pre max,S_premin,T_pre min,n1,n2,n3,n4,n5]。于是每个历史日m相对对预测日的相似度距离:
L(m)=||charac(1*10)(m)-charac_pre(1*6)||*W(m)。
在M个L(m)中,取L(m)最小的那天k(1=<k=<21),作为相似日筛选结果,构成学习集。L=1.0e+05*[0.3867,1.0964,0.6914,0.7632,0.8008,0.9060,0.6605,0.9381,0.3394,0.9290,0.3569,0.3483,0.2121,0.3495,1.2198,0.6647,0.5634,0.7480,0.3828,0.4701,0.5629],所以选择k=13天作为学习集。
S4.光伏电站历史日光伏功率函数拟合。
对筛选出来的学习集k,按照函数型:P_k(n)=(A+B*R_k(n)+C*T_k(n)+D*R_k(n)^2+T_k(n)^2+E*T_k(n)*R_k(n))(1+F*S_k(n))(1=<n=<N)进行最小二乘拟合,其中A,B,C,D,F,F是拟合出来的解析式系数,P_k(n),R_k(n),T_k(n),S_k(n)分别是学习集第n个采集点的实际发出功率,光伏电站地表水平辐照度天气预报值,温度天气预报值和风速天气预报值。
实例中,对筛选出来的学习集历史日13,按照函数型:P_k(n)=(A+B*R_k(n)+C*T_k(n)+D*R_k(n)^2+T_k(n)^2+E*T_k(n)*R_k(n))(1+F*S_k(n))(1=<n=<N)进行最小二乘拟合,其中A,B,C,D,F,F是拟合出来的解析式系数,P_k(n),R_k(n),T_k(n)分别是学习集第n个采集点的实际发出功率,光伏电站地表水平辐照度天气预报值和温度天气预报值。其中,A=-9951,B=-0.2765,C=703.6,D=0.6197,E=0.0006057,F=-1.26。
S5.预测日光伏电站超短期功率计算。
对预测日中每个需要预测的采样点n,其光伏电站输出功率P_pre(n)=(A+B*R_pre(n)+C*T_pre(n)+D*R_pre(n)^2+T_pre(n)^2+E*T_pre(n)*R_pre(n))(1+F*S_pre(n))(1=<n=<N)进行计算。其中,R_pre(n),T_pre(n),S_pre(n)分别是预测日第n个采集点光伏电站地表水平辐照度天气预报值和温度天气预报值和风速天气预报值。
实例中,对预测日中每个需要预测的采样点n,其光伏电站输出功率P_pre(n)=(-9951-0.2765*R_pre(n)+703.6*T_pre(n)+0.6197*R_pre(n)^2+0.0006057*T_pre(n)*R_pre(n))*(1+1.26*S_pre(n))(1=<n=<59)进行计算。其中,R_pre(n),T_pre(n),S_pre(n)分别是预测日第n个采集点光伏电站地表水平辐照度天气预报值和温度天气预报值和风速天气预报值,其结果如图4。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (3)
1.一种基于学习日拟合度聚类的光伏电站日前功率预测方法,其特征在于,包括以下步骤:
S1.设数据库中有光伏电站的M个历史日信息,每个历史日记为m(1=<m=<M),在光伏电站每天开始发电的时刻tstart到结束发电的时刻tend这段时间里,每隔15分钟,建立一个采样点,对光伏电站的信息进行一次采样,共进行N次采样;对预测日地表水平辐照度、风速和温度参数的天气预报值采样,记为R_pre,S_pre和T_pre,每个参数都是一个1*N的一维向量,其中,第n(1=<n=<N)个采样点的值为R_pre(n),S_pre(n)和T_pre(n);对每个历史日m(1=<m=<M)的光伏电站地表水平辐照度、风速、温度的天气预报值和电站实际发出功率数据采样,记为R_his、S_his、T_his和P_his,每个参数都是一个1*N的一维向量,其中第n(1=<n=<N)个采样点的各参数值为R_his(n)、S_his(n)、T_his(n)和P_his(n);
S2.计算历史日光伏电站功率数据自身拟合度,对第m(1=<m=<M)个历史日的光伏电站输出功率P_his与风速S_his,温度T_his,地表水平辐照度R_his,按照P_his(n)=(A+B*R_his(n)+C*T_his(n)+D*R_his(n)^2+E*T_his(n)*R_his(n))*(1+F*S_his(n))的解析式进行拟合;进而得到用来衡量拟合效果的参数,平方误差和sse,记为W(m)(m=1,2,…M),并以此值作为聚类计算时的权值,其中A,B,C,D,F,F是拟合出来的解析式系数;
S3.对历史日光伏电站数据进行聚类筛选学习集,对每个历史日m,找到其光伏电站地表水平辐照度、风速和温度的天气预报值数据的最大值,记为R_his max、S_his max、T_hismax,风速和温度的天气预报值最小值S_his min和T_his min,以及对应R_his max、S_hismax、T_his max、S_his min和T_his min的时刻记为n1,n2,n3,n4和n5则对每个历史日m构造特征值向量charac(1*10)(m)=[R_m max,S_m max,T_m max,S_his max, T_his max,n1,n2,n3,n4,n5];对预测日,找到其光伏电站地表水平辐照度、风速和温度的天气预报值数据的最大值,记为R_pre max、S_pre max和T_pre max,风速和温度的天气预报值最小值S_pre min和T_premin,对应R_pre max、S_pre max、T_pre max、S_pre min和T_pre min的时刻记为n6,n7,n8,n9和n10,则对预测日构造特征值向量charac_pre(1*10)=[R_premax,S_pre max,T_pre max,S_pre min,T_pre min,n6,n7,n8,n9,n10];
于是每个历史日m相对对预测日的相似度距离:
L(m)=||charac(1*10)(m)-charac_pre(1*10)||*W(m);
在M个L(m)中,取L(m)最小的那天k(1=<k=<M),作为相似日筛选结果,构成学习集;
S4.光伏电站历史日光伏功率函数拟合;
S5.预测日光伏电站超短期功率计算。
2.根据权利要求1所述的基于学习日拟合度聚类的光伏电站日前功率预测方法,其特征在于,所述步骤S4中,对筛选出来的学习集k,按照函数型:P_k(n)=(A+B*R_k(n)+C*T_k(n)+D*R_k(n)^2+T_k(n)^2+E*T_k(n)*R_k(n))(1+F*S_k(n))(1=<n=<N)进行最小二乘拟合,P_k(n),R_k(n),T_k(n),S_k(n)分别是学习集第n个采集点的实际发出功率,光伏电站地表水平辐照度天气预报值,温度天气预报值和风速天气预报值。
3.根据权利要求1所述的基于学习日拟合度聚类的光伏电站日前功率预测方法,其特征在于,所述步骤S5中,对预测日中每个需要预测的采样点n,其光伏电站输出功率P_pre(n)=(A+B*R_pre(n)+C*T_pre(n)+D*R_pre(n)^2+T_pre(n)^2+E*T_pre(n)*R_pre(n))(1+F*S_pre(n))(1=<n=<N)进行计算;其中,R_pre(n),T_pre(n),S_pre(n)分别是预测日第n个采集点光伏电站地表水平辐照度天气预报值、温度和风速天气预报值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250016.0A CN109961190B (zh) | 2019-03-29 | 2019-03-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910250016.0A CN109961190B (zh) | 2019-03-29 | 2019-03-29 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109961190A CN109961190A (zh) | 2019-07-02 |
CN109961190B true CN109961190B (zh) | 2021-09-10 |
Family
ID=67025297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910250016.0A Active CN109961190B (zh) | 2019-03-29 | 2019-03-29 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109961190B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242371B (zh) * | 2020-01-10 | 2023-04-18 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
CN112686472B (zh) * | 2021-01-22 | 2022-09-20 | 国网河南省电力公司许昌供电公司 | 一种分布式光伏等效电站的功率预测方法 |
CN114548804B (zh) * | 2022-02-28 | 2024-05-31 | 国网河南省电力公司电力科学研究院 | 基于改进提升树的日前功率预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004072900A (ja) * | 2002-08-06 | 2004-03-04 | Mitsubishi Heavy Ind Ltd | 電力ネットワーク管理システムおよび電力ネットワーク管理方法 |
CN102999786A (zh) * | 2012-10-17 | 2013-03-27 | 浙江埃菲生能源科技有限公司 | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 |
CN105678396A (zh) * | 2015-11-04 | 2016-06-15 | 衢州职业技术学院 | 光伏电站超短时功率预测装置 |
CN105678402A (zh) * | 2015-12-29 | 2016-06-15 | 北京国能日新系统控制技术有限公司 | 一种基于季节分区的光伏功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447098B (zh) * | 2016-09-22 | 2020-05-19 | 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 |
-
2019
- 2019-03-29 CN CN201910250016.0A patent/CN109961190B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004072900A (ja) * | 2002-08-06 | 2004-03-04 | Mitsubishi Heavy Ind Ltd | 電力ネットワーク管理システムおよび電力ネットワーク管理方法 |
CN102999786A (zh) * | 2012-10-17 | 2013-03-27 | 浙江埃菲生能源科技有限公司 | 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 |
CN105678396A (zh) * | 2015-11-04 | 2016-06-15 | 衢州职业技术学院 | 光伏电站超短时功率预测装置 |
CN105678402A (zh) * | 2015-12-29 | 2016-06-15 | 北京国能日新系统控制技术有限公司 | 一种基于季节分区的光伏功率预测方法 |
Non-Patent Citations (1)
Title |
---|
光伏发电功率预测方法的研究;秦俊举;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20150215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109961190A (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
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 | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN105117975B (zh) | 一种光伏输出功率值的分频预测方法 | |
CN112200377A (zh) | 基于sarimax模型的光伏中长期发电量预报方法及装置 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
Lu et al. | A hybrid approach for day-ahead forecast of PV power generation | |
Monfared et al. | Fuzzy predictor with additive learning for very short-term PV power generation | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN110766134A (zh) | 基于循环神经网络的光伏电站短期功率预测方法 | |
CN110866633A (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 | |
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 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
Shi et al. | Four-stage space-time hybrid model for distributed photovoltaic power forecasting | |
CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
CN111242371B (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
Yang et al. | Short‐term photovoltaic power dynamic weighted combination forecasting based on least squares method | |
Pessanha et al. | A methodology for joint data cleaning of solar photovoltaic generation and solar irradiation | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
Brusca et al. | Wind farm power forecasting: New algorithms with simplified mathematical structure | |
CN110309978B (zh) | 基于二次动态调整的神经网络光伏功率预测模型及方法 |
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 |