CN110009385A - 一种基于多因素映射的光伏发电用户群划分方法 - Google Patents

Abstract

本发明公开了一种基于多因素映射的光伏发电用户群划分方法，涉及电力领域。对于包含很多个光伏电站的光伏群来说，由于单个电站的历史出力数据收集困难、局部气象因素无法获取等因素，简单累加法具有明显的局限性。本技术方案利用聚类分析方法对每类天气类型下的用户光伏按照地域进行分块，分析不同区域的出力一致性，优化用户光伏的分群位置，以利用最少的气象数据来预测群里每个用户光伏的功率，从而既优化了气象站位置选择以确保光伏预测精度，又减少了引入气象数据的成本，提高了经济性；另外，即便不采取增加气象站，将大规模分布式电站的气象一致性分群，可以通过气象一致性的分布式电站组建分群的时间空间光伏预测。有效提高预测的准确。

Description

一种基于多因素映射的光伏发电用户群划分方法

技术领域

本发明涉及电力领域，尤其涉及一种基于多因素映射的光伏发电用 户群划分方法。

背景技术

随着国家新能源政策发布，以及国家电网承担吸纳绿色能源措施的 落实，分布式光伏总发电量快速增长，分布式光伏的总装机量达到一定 规模。由于分布式光伏自发自用、余量上网的运行方式，其出力的随机 性和波动性对配电网来说影响很大，因此分布式光伏的出力预测对电网 来说具有重要意义。目前大部分功率预测方法都是针对光伏单站的光伏 功率预测，而广域分布式光伏的功率预测研究很少，区域光伏电站群的 功率预测实现有两种技术路线：一是对区域里所有光伏电站的功率预测 结果进行简单的累加；二是基于代表光伏电站的功率预测结果，采用统 计升尺度法实现区域性的光伏发电功率预测。对于包含很多个光伏电站 的光伏群来说，由于单个电站的历史出力数据收集困难、局部气象因素 无法获取等因素，简单累加法具有明显的局限性。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行 完善与改进，提供一种基于多因素映射的光伏发电用户群划分方法，以 达到用户光伏区域的准确划分，以提高分布式光伏的出力预测的准确性 的目的。为此，本发明采取以下技术方案。

一种基于多因素映射的光伏发电用户群划分方法，包括以下步骤：

1)以每一小时数据为一个样本，对数据进行标幺化处理后，截取 5:00-20:00点15个小时的历史出力数据，按区间对光伏历史出力数据进 行天气类型匹配识别，每个单个电站用15个时刻的天气类型指数来表示 的出力历史数据，天气类型分为：晴天、晴间多云，多云、阴间多云，阴 天，阵雨、雷阵雨、小雨，大雨、大到暴雨；

2)依次对每个整点的数据进行聚类分析，产生五种天气类型下的 分布式光伏地理位置分布图，再次通过K-means聚类，对每一类天气类型 下的光伏出力数据的地理位置分区；

3)每一种天气类型下，光伏出力的大小从属于一个区间，即光伏 出力彼此具有相似性；按查表法定位每一个光伏电站的地理位置分块，若 五种天气类型下光伏电站都从属于一个地理位置区块，只需从同一地理区 块中中选择合适的电站作为初步参考电站，即无论什么天气类型下，光伏 电站的出力都跟随参考电站，称为和谐电站；若不同的天气类型下，光伏 电站从属于不同的地理区块，即从属于不同的参考电站，称为不和谐电站， 则需另外选作参考电站；

4)在分类K值设定范围内计算不和谐电站与总电站数量的占比率， 根据占比率，确定聚类分析的最优K值；

5)重新对全部分布式光伏地理位置按K值进行聚类分析，得出结 果即为具有空间相关性的广域分布式光伏划群的区域化展示，获得光伏发 电用户群划分结果。

本技术方案为气象站点最少部署或提出多光伏用户基于“空间-时间 关联”的功率预测提供依据；首先将气象对光伏出力的影响分为大气候和 小气候两类：大气候主要是日照或五类天气类型影响，通过光伏实际出力 占额定出力的比例来划分，从而将历史数据时段划分为五类天气类型样本 群；小气候认为是光伏安装高程、温度、湿度以及周围地理环境等广义小 气候影响，对历史五类天气类型样本群，进行空间相关的聚类分析，得到 用户光伏区域划分；综合分块中不合群的用户光伏点数量和子区域气象一 致性来决定最优地域分块方案为用户光伏分群策略。本技术方案利用聚类 分析方法对每类天气类型下的用户光伏按照地域进行分块，分析不同区域 的出力一致性，优化用户光伏的分群位置，有利于选出最具有代表性的参 考电站作为气象监测点的建设位置或购买气象数据的气象站参考位置，以 利用最少的气象数据来预测群里每个用户光伏的功率，从而既优化了气象站位置选择以确保光伏预测精度，又减少了引入气象数据的成本，提高了 经济性；另外，即便不采取增加气象站，将大规模分布式电站的气象一致 性分群，可以通过气象一致性的分布式电站组建分群的时间空间光伏预测。

作为优选技术手段：在步骤1)中，天气类型的匹配时，根据实际日 发电量与日额定发电量参考值的占比值k按区间对天气分类，分布区间 和对应五类天气类型，当1≤k<0.8时，认为天气类型为晴天、晴间多云； 当0.8≤k<0.6时，认为天气类型为多云、阴间多云；当0.6≤k<0.4时， 认为天气类型为阴天；当0.4≤k<0.2时，认为天气类型为阵雨、雷阵雨、 小雨；当0.2≤k<0时，认为天气类型为大雨、大到暴雨。

作为优选技术手段：在步骤1)中，天气类型识别包括步骤：

201)获取光伏历史数据；

202)获取单站最大功率；

203)日出力曲线标玄化；

204)日出力曲线四季化；

205)天气类型聚类识别；

206)按地域聚类分析，获得对应区间的天气状态。

本技术方案实现按季区分，能更准确的进行分区。

作为优选技术手段：离散采样时，日实际发电量是日间隔15分钟的采 样值，则有：

其中i为光伏用户序号，j为光伏日采集点数，P(i,j)为第i个光伏用 户j时刻的离散采样值，P_max为日额定发电量的参考值，此处由于缺少额 定发电量数据，由日发电量离散采样值的历史最大值估算；当每间隔15 分钟采集一次数据，一天有4×24＝96点，即j＝1,2,…,96。

作为优选技术手段：聚类分析结果依赖于初始聚类中心和聚类个数而 波动，具有一定的不稳定性；选择合适的初始聚类中心位置对分析聚类结 果至关重要；假设待聚类的数据集为X＝{x_i|x_i∈R^P,i＝1,2,…,n}，K个初始位 置中心为C₁,C₂,…,C_K，用W₁,W₂,…,W_K表示K个类所包含的样本集合，所有的 样本集合为W；

定义1样本x_i,x_j之间的欧式距离:

定义2样本x_i到所有样本距离的平均值:

定义3数据集样本的平均距离

定义4数据点x_i的密度density(x_i)

density(x)＝{p∈C|d(x,p)≤cmean*θ}

θ为密度半径系数；

首先根据定义3-4计算数据集中每一个样本数据的密度，寻找密度最 大的样本作为第一个类的初始中心C₁，删除处于密度半径中的样本， 即

W＝W-W₁

重复上述原则，重新在W中寻找密度最大的样本x_ic,将其作为第C个 类别的初始中心，并令

以此类推直至找出K个初始聚类中心C₁,C₂,…,C_K。

作为优选技术手段：使用向量间的欧式距离作为分类的依据，计算公 式如下：

其中，d_ij为第i个标准向量和第j个标准向量间的欧式距离，n为每个 标准向量的维度；

作为优选技术手段：获取的历史数据包括气象数据和历史出力数据， 并将历史数据按季节划分，分为春季、夏季、秋季、冬季，每一季的数 据在以天气聚类后，再以地区化聚类。

有益效果：本技术方案利用聚类分析方法对每类天气类型下的用户 光伏按照地域进行分块，分析不同区域的出力一致性，优化用户光伏的 分群位置，有利于选出最具有代表性的参考电站作为气象监测点的建设 位置或购买气象数据的气象站参考位置，以利用最少的气象数据来预测 群里每个用户光伏的功率，从而既优化了气象站位置选择以确保光伏预 测精度，又减少了引入气象数据的成本，提高了经济性；另外，即便不 采取增加气象站，将大规模分布式电站的气象一致性分群，可以通过气 象一致性的分布式电站组建分群的时间空间光伏预测。有效提高预测的 准确。

附图说明

图1是本发明的流程图。

图2是采用本发明的光伏群出力预测流程图。

图3是光伏出力过程与气象的关联原理图。

图4是本发明的光伏群化过程图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

如图1所示，一种基于多因素映射的光伏发电用户群划分方法，包括 以下步骤：

1)以每一小时数据为一个样本，对数据进行标幺化处理后，截取 5:00-20:00点15个小时的历史出力数据，按区间对光伏历史出力数据进 行天气类型匹配识别，每个单个电站用15个时刻的天气类型指数来表示 的出力历史数据，天气类型分为：晴天、晴间多云，多云、阴间多云，阴 天，阵雨、雷阵雨、小雨，大雨、大到暴雨；

2)依次对每个整点的数据进行聚类分析，产生五种天气类型下的 分布式光伏地理位置分布图，再次通过K-means聚类，对每一类天气类型 下的光伏出力数据的地理位置分区；

3)每一种天气类型下，光伏出力的大小从属于一个区间，即光伏 出力彼此具有相似性；按查表法定位每一个光伏电站的地理位置分块，若 五种天气类型下光伏电站都从属于一个地理位置区块，只需从同一地理区 块中中选择合适的电站作为初步参考电站，即无论什么天气类型下，光伏 电站的出力都跟随参考电站，称为和谐电站；若不同的天气类型下，光伏 电站从属于不同的地理区块，即从属于不同的参考电站，称为不和谐电站， 则需另外选作参考电站；

4)在分类K值设定范围内计算不和谐电站与总电站数量的占比率， 根据占比率，确定聚类分析的最优K值；

5)重新对全部分布式光伏地理位置按K值进行聚类分析，得出结 果即为具有空间相关性的广域分布式光伏划群的区域化展示，获得光伏发 电用户群划分结果。

本技术方案为气象站点最少部署或提出多光伏用户基于“空间-时间 关联”的功率预测提供依据；首先将气象对光伏出力的影响分为大气候和 小气候两类：大气候主要是日照或五类天气类型影响，通过光伏实际出力 占额定出力的比例来划分，从而将历史数据时段划分为五类天气类型样本 群；小气候认为是光伏安装高程、温度、湿度以及周围地理环境等广义小 气候影响，对历史五类天气类型样本群，进行空间相关的聚类分析，得到 用户光伏区域划分；综合分块中不合群的用户光伏点数量和子区域气象一 致性来决定最优地域分块方案为用户光伏分群策略。本技术方案利用聚类 分析方法对每类天气类型下的用户光伏按照地域进行分块，分析不同区域 的出力一致性，优化用户光伏的分群位置，有利于选出最具有代表性的参 考电站作为气象监测点的建设位置或购买气象数据的气象站参考位置，以 利用最少的气象数据来预测群里每个用户光伏的功率，从而既优化了气象站位置选择以确保光伏预测精度，又减少了引入气象数据的成本，提高了 经济性；另外，即便不采取增加气象站，将大规模分布式电站的气象一致 性分群，可以通过气象一致性的分布式电站组建分群的时间空间光伏预测。

本方法主要包括K-means聚类方法，根据数据自身的距离或相似度将 它们划分成若干组，划分的原则是组内样本最小化而组间距离最大化。该 算法的具体步骤如下：

1)数据清理，对原始数据进行质量分析，包括数据缺失值分析、 数据异常值处理等。

2)数据预处理，对数据进行归一化和标准化，用于消除量纲之间 的差异。

3)聚类特征提取，从数据中提取最有效的聚类特征，转换为特征 向量。

4)聚类，针对特征向量，选择最佳的聚类个数和距离函数，执行 聚类或分组。

5)聚类评价，指对聚类的效果选择合适的评价函数进行评价。

采用本发明的光伏群出力预测流程如图2所示，包括基于聚类算法的 聚类流程和区域电站预测流程。

基于聚类算法的聚类流程包括步骤：

201)获取光伏历史数据；

202)求取单站最大功率；

203)日出力曲线标玄化；

204)日出力曲线四季化；

205)天气类型聚类识别；

206)按地域聚类分析。

区域电站预测时，分为多个区域，以一参考电站气象数据确定参考电 站，根据参考电站出力预测该区域的光伏群出力，累积所有分区的光伏群 出力，便得到总光伏群出力。

如图4所示，为提高预测的准确性，本技术方案分四季分别聚类；获 取的历史数据包括气象数据和历史出力数据，并将历史数据按季节划分， 分为春季、夏季、秋季、冬季，每一季的数据在以天气聚类后，再以地区 化聚类。

以下就下列问题作进一步解释说明：

一、光伏出力过程与气象的关联原理：

光伏出力过程与气象的关联原理如图3所示。

1)大气候影响

由于光伏出力影响因素众多，其预测精度与天气状态密切相关。光伏 发电量影响因子中太阳辐照度与光伏出力的相关性最大，甚至是线性相关 的，为主要影响因素，称为大气候影响。

2)地理特性小气候的影响

大气候相同条件下，温度、湿度、光伏所在的地形等小气候因素对光 伏出力也起不可忽略作用对于相同大气候下，属于某一地域的光伏的出力 过程特性相近，由于地理特性小气候的影响，而不同地域的光伏过程特性 出现偏差，成为小气候影响。

二、天气状态的确定：

由于光伏电站缺少历史气象数据，用光伏出力的历史数据提取天气类 型的特征向量是聚类的关键。由于光照强度直接影响光伏出力，而晴天时 由于云量较少，光照强度处于最大值，一定程度上可以反映光伏出力实际 日发电量和日额定发电量参考值的占比值最大，随着光照强度的减弱，光 伏出力实际日发电量与日额定发电量参考值的占比值逐步减少。因此提出 日实际发电量与日额定发电量的比值为天气类型指数K，离散采样时，日实际发电量是日间隔15分钟的采样值，则有：

其中i为光伏用户序号，j为光伏日采集点数，P(i,j)为第i个光伏用户 j时刻的离散采样值，P_max为日额定发电量的参考值，此处由于缺少额定 发电量数据，由日发电量离散采样值的历史最大值估算。假设每间隔15 分钟采集一次数据，一天有4×24＝96点，即j＝1,2,…,96。

根据实际日发电量与日额定发电量参考值的占比值按区间对天气分 类，分布区间和对应五类天气类型如表1：

表1天气类型指数与天气类型对照

三、初始中心位置选择：

聚类分析结果依赖于初始聚类中心和聚类个数而波动，具有一定的不 稳定性。选择合适的初始聚类中心位置对分析聚类结果至关重要。假设待 聚类的数据集为X＝{x_i|x_i∈R^P,i＝1,2,…,n}，K个初始位置中心为C₁,C₂,…,C_K， 用W₁,W₂,…,W_K表示K个类所包含的样本集合，所有的样本集合为W。

定义1样本x_i,x_j之间的欧式距离:

定义2样本x_i到所有样本距离的平均值:

定义3数据集样本的平均距离

定义4数据点x_i的密度density(x_i)

density(x)＝{p∈C|d(x,p)≤cmean*θ}θ为密度半径系数

首先根据定义3-4计算数据集中每一个样本数据的密度，寻找密度最 大的样本作为第一个类的初始中心C₁，删除处于密度半径中的样本， 即

W＝W-W₁

重复上述原则，重新在W中寻找密度最大的样本将其作为第C个 类别的初始中心，并令

以此类推直至找出K个初始聚类中心C₁,C₂,…,C_K。

四、聚类依据

所谓聚类依据是指数据分类的条件。本文使用向量间的欧式距离作为 分类的依据，计算公式如下：

其中，d_ij为第i个标准向量和第j个标准向量间的欧式距离，n为每个 标准向量的维度。

五、区域划分过程

以某市分布式光伏用户的2017年6-8月92天的历史出力数据，截取 早上9点至晚上5点间隔1小时的8个小时的历史数据作为数据源。

以早上11：00为例，首先对天气类型指数按区间对光伏历史出力数 据进行天气类型匹配识别；然后通过K-means聚类，对每一类天气类型下 的光伏出力数据的地理位置划分子区域；聚类类数范围设定为K＝[3,10]。 展示地理位置聚类分块数量为6块，每一种天气类型下聚类后光伏用户的 地理位置分布；为方便区分对每一个子区域编号1-6。

每一种天气类型下，光伏出力的大小从属于一个地理区域，即该区域 的光伏出力彼此具有相似性。分别定位每一个用户光伏的地理位置区域， 若五种天气类型下用户光伏都从属于一个确定的地理位置区域，只需从同 一地理区域中选择合适的电站作为初步参考电站，即无论什么天气类型下， 该用户光伏的出力都跟随这相同的参考电站，我们称为和谐电站。若不同 的天气类型下，用户光伏从属于不同的地理区域，即从属于不同的参考电 站，我们称为不和谐电站；对于不和谐电站，则不同天气类型，难以跟随 同一的参考电站。计算每一个区域覆盖的光伏从站并计算不和谐电站在全 部电站中的数量占比，如表2。

表2 11:00时段的和谐电站与不和谐电站占比

随着地理位置分块类数增加，不和谐电站占比不一定随聚类类数变大 而变大(或变小)；根据本县域案例的分析，已表明了其波动性，如K＝8 的不和谐电站数量，就比K＝7的要小。

随着地理位置分块类数增加，区域面积减小，天气类型指数的方差逐 渐减小，区域内气象趋于统一，因此考虑微地形、微气象的影响，划分的 子区域面积不宜过大。故综合考虑不和谐电站占比和气象一致性，该15 分钟的数据样本中，聚类数为8的用户光伏分群为最优划分，其他时刻的 数据样本选择代表站的方法与上述相同，可得出不同时刻的数据样本下， 优化得到的最优划分类数有K＝7、K＝8、K＝9。

用户光伏群的最优分类

基于用户光伏历史数据的不同分类数量K的计算结果见表3；可以看 出，在最优分类K＝7时，两种误差都是最小值，说明在这种区域分布优选 出的代表电站历史出力数据与区域的波动情况最为接近。

表3两种误差比较结果

以上图1-4所示的一种基于多因素映射的光伏发电用户群划分方法 是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据 实际的使用需要，在本发明的启示下，对其进行等同修改，均在本方案 的保护范围之列。

Claims (7)

1.一种基于多因素映射的光伏发电用户群划分方法，其特征在于包括以下步骤：

1)以每一小时数据为一个样本，对数据进行标幺化处理后，截取5:00-20:00点15个小时的历史出力数据，按区间对光伏历史出力数据进行天气类型匹配识别，每个单个电站用15个时刻的天气类型指数来表示的出力历史数据，天气类型分为：晴天、晴间多云，多云、阴间多云，阴天，阵雨、雷阵雨、小雨，大雨、大到暴雨；

2)依次对每个整点的数据进行聚类分析，产生五种天气类型下的分布式光伏地理位置分布图，再次通过K-means聚类，对每一类天气类型下的光伏出力数据的地理位置分区；

3)每一种天气类型下，光伏出力的大小从属于一个区间，即光伏出力彼此具有相似性；按查表法定位每一个光伏电站的地理位置分块，若五种天气类型下光伏电站都从属于一个地理位置区块，只需从同一地理区块中中选择合适的电站作为初步参考电站，即无论什么天气类型下，光伏电站的出力都跟随参考电站，称为和谐电站；若不同的天气类型下，光伏电站从属于不同的地理区块，即从属于不同的参考电站，称为不和谐电站，则需另外选作参考电站；

4)在分类K值设定范围内计算不和谐电站与总电站数量的占比率，根据占比率，确定聚类分析的最优K值；

5)重新对全部分布式光伏地理位置按K值进行聚类分析，得出结果即为具有空间相关性的广域分布式光伏划群的区域化展示，获得光伏发电用户群划分结果。

2.根据权利要求1所述的一种基于多因素映射的光伏发电用户群划分方法，其特征在于：在步骤1)中，天气类型的匹配时，根据实际日发电量与日额定发电量参考值的占比值k按区间对天气分类，分布区间和对应五类天气类型，当1≤k<0.8时，认为天气类型为晴天、晴间多云；当0.8≤k<0.6时，认为天气类型为多云、阴间多云；当0.6≤k<0.4时，认为天气类型为阴天；当0.4≤k<0.2时，认为天气类型为阵雨、雷阵雨、小雨；当0.2≤k<0时，认为天气类型为大雨、大到暴雨。

3.根据权利要求2所述的一种基于多因素映射的光伏发电用户群划分方法，其特征在于：在步骤1)中，天气类型识别包括步骤：

201)获取光伏历史数据；

202)获取单站最大功率；

203)日出力曲线标玄化；

204)日出力曲线四季化；

205)天气类型聚类识别；

206)按地域聚类分析，获得对应区间的天气状态。

4.根据权利要求1所述的一种基于多因素映射的光伏发电用户群划分方法，其特征在于：离散采样时，日实际发电量是日间隔15分钟的采样值，则有：

其中i为光伏用户序号，j为光伏日采集点数，P(i,j)为第i个光伏用户j时刻的离散采样值，P_max为日额定发电量的参考值，此处由于缺少额定发电量数据，由日发电量离散采样值的历史最大值估算；当每间隔15分钟采集一次数据，一天有4×24＝96点，即j＝1,2,…,96。

5.根据权利要求4所述的一种基于多因素映射的光伏发电用户群划分方法，其特征在于：聚类分析结果依赖于初始聚类中心和聚类个数而波动，具有一定的不稳定性；选择合适的初始聚类中心位置对分析聚类结果至关重要；假设待聚类的数据集为X＝{x_i|x_i∈R^P,i＝1,2,…,n}，K个初始位置中心为C₁,C₂,…,C_K，用W₁,W₂,…,W_K表示K个类所包含的样本集合，所有的样本集合为W；

定义1样本x_i,x_j之间的欧式距离:

定义2样本x_i到所有样本距离的平均值:

定义3数据集样本的平均距离

定义4数据点x_i的密度density(x_i)

density(x)＝{p∈C|d(x,p)≤cmean*θ}

θ为密度半径系数；

首先根据定义3-4计算数据集中每一个样本数据的密度，寻找密度最大的样本作为第一个类的初始中心C₁，删除处于密度半径中的样本，即

W＝W-W₁

重复上述原则，重新在W中寻找密度最大的样本将其作为第C个类别的初始中心，并令

以此类推直至找出K个初始聚类中心C₁,C₂,…,C_K。

6.根据权利要求5所述的一种基于多因素映射的光伏发电用户群划分方法，其特征在于：使用向量间的欧式距离作为分类的依据，计算公式如下：

其中，d_ij为第i个标准向量和第j个标准向量间的欧式距离，n为每个标准向量的维度。

7.根据权利要求1-6任一权利要求所述的一种基于多因素映射的光伏发电用户群划分方法，其特征在于：获取的历史数据包括气象数据和历史出力数据，并将历史数据按季节划分，分为春季、夏季、秋季、冬季，每一季的数据在以天气聚类后，再以地区化聚类。