CN110365059A - 一种光功率预测方法及装置 - Google Patents
一种光功率预测方法及装置 Download PDFInfo
- Publication number
- CN110365059A CN110365059A CN201910754268.7A CN201910754268A CN110365059A CN 110365059 A CN110365059 A CN 110365059A CN 201910754268 A CN201910754268 A CN 201910754268A CN 110365059 A CN110365059 A CN 110365059A
- Authority
- CN
- China
- Prior art keywords
- inverter
- optical power
- group
- photovoltaic plant
- predetermined period
- 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.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010248 power generation Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims description 69
- 230000001052 transient effect Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013481 data capture Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- H02J3/385—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种光功率预测方法及装置，获取预测周期内光伏电站所在地的气象预报数据；依据气象预报数据，计算每个逆变器的气象特征变量；分别将每个逆变器的气象特征变量输入逆变器所在逆变器组对应的最优光功率预测模型中，得到每个逆变器在预测周期内的光功率预测值，其中，逆变器组是依据逆变器的发电性能进行分组得到的，每个逆变器组对应一个最优光功率预测模型；对每个逆变器在预测周期内的光功率预测值进行汇总，得到光伏电站在预测周期内的光功率预测值。本发明从逆变器层级进行逆变器分组，为每个逆变器组构建一个最优光功率预测模型，在提高光功率预测准确率的同时提高了光功率预测速度。
Description
技术领域
本发明涉及光伏发电技术领域，更具体的，涉及一种光功率预测方法及装置。
背景技术
近年来，随着光伏新增装机量越来越大，并入电网的光伏发电量也越来越大，但是，由于光伏发电量不确定，光伏发电对电网的稳定性的冲击也越来越大。在实际应用中，为了降低光伏发电对电网稳定性的冲击，需要对光伏电站的发电功率进行准确预测，使电力系统根据预测得到的发电功率进行电力调控。
目前一般从整个光伏电站层面进行光功率预测建模，默认光伏电站中所有光伏板朝向和角度统一。但是，实际上光伏电站中的光伏板的朝向和角度很可能不同，如山地电站光伏板的朝向、角度和位置可能各不相同，导致即使相同型号设备其接收到的有效辐照不同，发电功率也不同。可见，从整个光伏电站层面进行光功率预测建模导致光功率预测准确率较低。
发明内容
有鉴于此，本发明提供了一种光功率预测方法及装置，提高了光功率预测的准确率。
为了实现上述发明目的，本发明提供的具体技术方案如下：
一种光功率预测方法，包括：
获取预测周期内光伏电站所在地的气象预报数据；
依据所述气象预报数据，计算每个逆变器的气象特征变量；
分别将每个逆变器的气象特征变量输入逆变器所在逆变器组对应的最优光功率预测模型中，得到每个逆变器在所述预测周期内的光功率预测值，其中，逆变器组是依据逆变器的发电性能进行分组得到的，每个逆变器组对应一个最优光功率预测模型；
对每个逆变器在所述预测周期内的光功率预测值进行汇总，得到光伏电站在所述预测周期内的光功率预测值。
可选的，所述方法还包括：
依据光伏电站中每个逆变器的历史运行数据、历史监测数据、型号和投运时间，对光伏电站中的逆变器进行分组。
可选的，所述依据光伏电站中每个逆变器的历史运行数据、历史监测数据、型号和投运时间，对光伏电站中的逆变器进行分组，包括：
依据光伏电站中每个逆变器的历史运行数据和历史监测数据，计算每个逆变器的发电性能特征变量；
根据逆变器型号将光伏电站中的逆变器划分为至少一个型号组；
根据逆变器的投运时间将每个型号组中的逆变器划分为至少一个投运组；
在投运组中通过计算任意两个逆变器的发电性能特征变量间的欧式距离，得到任意两个逆变器之间的相似度；
利用预设聚类算法，根据每个投运组中任意两个逆变器之间的相似度，将每个投运组划分为至少一个逆变器组。
可选的，所述依据光伏电站中每个逆变器的历史运行数据和历史监测数据，计算每个逆变器的发电性能特征变量，包括：
根据光伏电站中每个逆变器的历史监测数据计算每个逆变器的衍生变量，所述衍生变量包括每日辐照值；
通过计算每日辐照值与历史运行数据中的交流功率之间的相关值，筛选出相关值大于阈值的高相关性的历史运行数据和历史监测数据；
在高相关性的历史运行数据和历史监测数据中剔除出现逆变器故障或逆变器告警时的历史运行数据和历史监测数据，得到有效的历史运行数据和历史监测数据；
根据有效的历史运行数据和历史监测数据中的瞬时辐照值和交流功率，绘制每个逆变器的辐照功率曲线；
从每个逆变器的辐照功率曲线中提取相应逆变器的发电性能特征变量。
可选的，所述方法还包括：
分别从每个所述逆变器组中选择一个目标逆变器；
依据每个所述目标逆变器的历史监测数据和所述衍生变量，生成每个所述目标逆变器的历史气象特征变量；
分别依据每个所述目标逆变器的历史气象特征变量与历史运行数据中的交流功率间的映射关系，为每个所述逆变器组构建最优光功率预测模型。
可选的，所述分别依据每个所述目标逆变器的历史气象特征变量与历史运行数据中的交流功率间的映射关系，为每个所述逆变器组构建最优光功率预测模型，包括：
分别依据每个所述目标逆变器的历史气象特征变量和历史运行数据中的交流功率，为每个所述逆变器组构建多个光功率预测模型，每个光功率预测模型对应的模型类型不同；
依据每个所述逆变器组对应的每个光功率预测模型的拟合误差、模型复杂度和预测时间，为每个所述逆变器组选择最优光功率预测模型。
可选的，所述方法还包括：
在监测到逆变器出现故障或告警的情况下，对光伏电站在所述预测周期内的光功率预测值进行修正。
可选的，所述在监测到逆变器出现故障或告警的情况下，对光伏电站在所述预测周期内的光功率预测值进行修正，包括：
在监测到逆变器出现故障的情况下，确定出现故障的逆变器在所述预测周期内的光功率预测值；
在监测到逆变器出现告警的情况下，计算出现告警的逆变器的发电功率与同组内每个未出现告警的逆变器的发电功率之间的差值比的平均值，得到出现告警的逆变器的发电功率损失比例；
依据出现故障的逆变器在所述预测周期内的光功率预测值和出现告警的逆变器的发电功率损失比例，对光伏电站在所述预测周期内的光功率预测值进行修正。
一种光功率预测装置，包括：
气象预报数据获取单元，用于获取预测周期内光伏电站所在地的气象预报数据；
气象特征变量计算单元，用于依据所述气象预报数据计算每个逆变器的气象特征变量；
光功率预测单元，用于分别将每个逆变器的气象特征变量输入逆变器所在逆变器组对应的最优光功率预测模型中，得到每个逆变器在所述预测周期内的光功率预测值，其中，逆变器组是依据逆变器的发电性能进行分组得到的，每个逆变器组对应一个最优光功率预测模型；
光功率预测值汇总单元，用于对每个逆变器在所述预测周期内的光功率预测值进行汇总，得到光伏电站在所述预测周期内的光功率预测值。
可选的，所述装置还包括：
逆变器分组单元，用于依据光伏电站中每个逆变器的历史运行数据、历史监测数据、型号和投运时间，对光伏电站中的逆变器进行分组。
可选的，所述逆变器分组单元包括：
发电性能特征变量计算子单元，用于依据光伏电站中每个逆变器的历史运行数据和历史监测数据，计算每个逆变器的发电性能特征变量；
型号分组子单元，用于根据逆变器型号将光伏电站中的逆变器划分为至少一个型号组；
投运时间分组子单元，用于根据逆变器的投运时间将每个型号组中的逆变器划分为至少一个投运组；
相似度计算子单元，用于在投运组中通过计算任意两个逆变器的发电性能特征变量间的欧式距离，得到任意两个逆变器之间的相似度；
逆变器组分组子单元，用于利用预设聚类算法，根据每个投运组中任意两个逆变器之间的相似度，将每个投运组划分为至少一个逆变器组。
可选的，所述发电性能特征变量计算子单元，具体用于：
根据光伏电站中每个逆变器的历史监测数据计算每个逆变器的衍生变量，所述衍生变量包括每日辐照值；
通过计算每日辐照值与历史运行数据中的交流功率之间的相关值，筛选出相关值大于阈值的高相关性的历史运行数据和历史监测数据；
在高相关性的历史运行数据和历史监测数据中剔除出现逆变器故障或逆变器告警时的历史运行数据和历史监测数据，得到有效的历史运行数据和历史监测数据；
根据有效的历史运行数据和历史监测数据中的瞬时辐照值和交流功率，绘制每个逆变器的辐照功率曲线；
从每个逆变器的辐照功率曲线中提取相应逆变器的发电性能特征变量。
可选的，所述装置还包括：
光功率预测模型构建单元，包括：
目标逆变器选择子单元，用于分别从每个所述逆变器组中选择一个目标逆变器；
气象特征变量计算子单元，用于依据每个所述目标逆变器的历史监测数据和所述衍生变量，生成每个所述目标逆变器的历史气象特征变量；
光功率预测模型构建子单元，用于分别依据每个所述目标逆变器的历史气象特征变量与历史运行数据中的交流功率间的映射关系，为每个所述逆变器组构建最优光功率预测模型。
可选的，所述光功率预测模型构建子单元，具体用于：
分别依据每个所述目标逆变器的历史气象特征变量和历史运行数据中的交流功率，为每个所述逆变器组构建多个光功率预测模型，每个光功率预测模型对应的模型类型不同；
依据每个所述逆变器组对应的每个光功率预测模型的拟合误差、模型复杂度和预测时间，为每个所述逆变器组选择最优光功率预测模型。
可选的，所述装置还包括：
光功率预测值修正单元，用于在监测到逆变器出现故障或告警的情况下，对光伏电站在所述预测周期内的光功率预测值进行修正。
可选的，所述光功率预测值修正单元，具体用于：
在监测到逆变器出现故障的情况下，确定出现故障的逆变器在所述预测周期内的光功率预测值；
在监测到逆变器出现告警的情况下，计算出现告警的逆变器的发电功率与同组内每个未出现告警的逆变器的发电功率之间的差值比的平均值，得到出现告警的逆变器的发电功率损失比例；
依据出现故障的逆变器在所述预测周期内的光功率预测值和出现告警的逆变器的发电功率损失比例，对光伏电站在所述预测周期内的光功率预测值进行修正。
相对于现有技术，本发明的有益效果如下：
本发明公开的光功率预测方法，从逆变器层级建立光功率预测模型，使光功率预测更加精细和准确，并通过依据逆变器的发电性能进行分组，为每个逆变器组构建一个最优光功率预测模型，大幅度降低了预测模型的数量和运算量，在提高光功率预测准确率的同时提高了光功率预测速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种光功率预测方法的流程示意图；
图2为本发明实施例公开的一种逆变器分组方法的流程示意图；
图3为本发明实施例公开的逆变器的辐照功率曲线示意图；
图4为本发明实施例公开的一种光功率预测装置的结构示意图。
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。
发明人通过研究发现，从逆变器层级建立光功率预测模型，提取影响逆变器发电功率的各种数据进行建模，对光功率的预测更加精细和准确，但是大型光伏电站的逆变器数量可达数百台甚至上千台，针对每台逆变器建立光功率预测模型，显然增加了模型的数量和运算量，在模型预测时会耗费大量时间，很难满足光功率的短期和超短期预测的上报时限要求，本发明通过依据逆变器的发电性能对光伏电站中的逆变器进行分组，为每个逆变器组构建一个最优光功率预测模型，在提高光功率预测准确率的同时提高了光功率预测速度。
请参阅图1，本发明实施例公开了一种光功率预测方法，具体包括以下步骤：
S101：获取预测周期内光伏电站所在地的气象预报数据；
其中，气象预报数据可以包括环境温度、环境湿度、风向、风速、平面瞬时辐照、斜面瞬时辐照、组件背板温度等。
预测周期根据预测需求进行设定，如短期预测可以为未来24小时、48小时或72小时，超短期预测可以为未来4小时。
S102：依据所述气象预报数据，计算每个逆变器的气象特征变量；
依据上述气象预报数据，计算每个逆变器的衍生变量，如日均温度、地外辐照度、日均辐照、日辐照峰度、日辐照偏度、地表与地外辐照最大值比、晴朗指数、日辐照变异系数、日辐照峰均比等。
气象预报数据和衍生变量组成每个逆变器的气象特征变量。
S103：分别将每个逆变器的气象特征变量输入逆变器所在逆变器组对应的最优光功率预测模型中，得到每个逆变器在所述预测周期内的光功率预测值；
其中，逆变器组是依据逆变器的发电性能进行分组得到的，每个逆变器组对应一个最优光功率预测模型，每个逆变器组的最优光功率预测模型的类型可以相同，也可以不同。
S104：对每个逆变器在所述预测周期内的光功率预测值进行汇总，得到光伏电站在所述预测周期内的光功率预测值。
同一个逆变器组中每个逆变器在预测周期内的光功率预测值相同，因此，将逆变器组中单个逆变器的光功率预测值乘以逆变器组中逆变器的数量即为该逆变器组的总光功率预测值，每个逆变器组的总光功率预测值的和值即为光伏电站在所述预测周期内的光功率预测值。
需要说明的是，在利用逆变器组对应的最优光功率预测模型进行光功率预测之前，首先需要对光伏电站中的逆变器进行分组，然后为每个逆变器组构建一个最优光功率预测模型。
具体的，依据光伏电站中每个逆变器的历史运行数据、历史监测数据、型号和投运时间，对光伏电站中的逆变器进行分组，请参阅图2，逆变器分组方法如下：
S201：依据光伏电站中每个逆变器的历史运行数据和历史监测数据，计算每个逆变器的发电性能特征变量；
根据光伏电站中每个逆变器的历史监测数据计算每个逆变器的衍生变量，所述衍生变量包括每日辐照值；
通过计算每日辐照值与历史运行数据中的交流功率之间的相关值，筛选出相关值大于阈值的高相关性的历史运行数据和历史监测数据；
在高相关性的历史运行数据和历史监测数据中剔除出现逆变器故障或逆变器告警时的历史运行数据和历史监测数据，得到有效的历史运行数据和历史监测数据；
根据有效的历史运行数据和历史监测数据中的瞬时辐照值和交流功率，绘制每个逆变器的辐照功率曲线；
从每个逆变器的辐照功率曲线中提取相应逆变器的发电性能特征变量。
其中，将平面瞬时辐照或者是斜面瞬时辐照(当电站数据包含斜面瞬时辐照时，采用斜面瞬时辐照，否则采用平面瞬时辐照)作为横坐标，对应时刻的逆变器交流功率值作为纵坐标，会得到近似于直线的辐照功率曲线。
根据每一条辐照功率曲线数值可以计算出每一台逆变器以下指标特征：功率最大值、功率最小值、功率均值、功率四分位值、功率标准差、功率变异系数、功率辐照比值的最大值、最小值、均值、标准差和变异系数、最小二乘法拟合的斜率、截距和误差平方和等。这些指标特征共同来衡量逆变器发电性能相似度，记这些指标特征为Ak，k＝1,2,3,…。
S202：根据逆变器型号将光伏电站中的逆变器划分为至少一个型号组；
S203：根据逆变器的投运时间将每个型号组中的逆变器划分为至少一个投运组；
如将投运时间相差不超过一个月(或其他时长)的逆变器划分为一个投运组。
S204：在投运组中通过计算任意两个逆变器的发电性能特征变量间的欧式距离，得到任意两个逆变器之间的相似度；
其中，两个逆变器的发电性能特征变量之间的欧氏距离的计算方法如下：
其中，m是发电性能特征变量的个数，Ak，k＝1,2,3,…，i和j代表投运组中任意两台逆变器。
S205：利用预设聚类算法，根据每个投运组中任意两个逆变器之间的相似度，将每个投运组划分为至少一个逆变器组。
具体的，可以采用聚类算法中的评估指标轮廓系数作为评价指标，确定分组数目。
以某大型山地电站为例，阐述上述逆变器分组方法的实现过程。
通过电站运维平台获取电站所有逆变器在过去一段时间的历史运行数据，包括交流功率数据，以及电站环境监测仪的历史监测数据、包括平面瞬时辐照、斜面瞬时辐照、环境温度、组件背板温度、环境湿度、风速、风向等类型数据。再根据历史监测数据计算各种衍生变量，诸如逆变器效率、日均温度、地外辐照度、日均辐照、日辐照峰度、日辐照偏度、地表与地外辐照最大值比、晴朗指数、日辐照变异系数、日辐照峰均比等。根据地外辐照度筛选出电站白天的历史监测数据，计算每日辐照与逆变器交流功率间的相关值，筛选出相关性高的历史数据，并且剔除逆变器存在故障或者告警所在时刻的历史数据。
经过一系列筛选后，我们得到逆变器在排除自身干扰因素下的逆变器发电功率。将平面瞬时辐照或者是斜面瞬时辐照作为横坐标，对应时刻的逆变器交流功率值作为纵坐标，得到辐照与功率散点图。图3为光伏电站中6台逆变器经过筛选后的逆变器交流功率与平面瞬时辐照的散点图。
直观来看，图3中逆变器可分为四组，图中左一和右一分为一组，左二和右二归为一组，左三和左四各归为一组。
计算以下指标特征：功率最大值、功率最小值、功率均值、功率四分位值、功率标准差、功率变异系数、功率辐照比值的最大值、最小值、均值、标准差和变异系数、最小二乘法拟合的斜率、截距和误差平方和。再计算逆变器间这些指标特征的欧式距离，利用聚类算法中的轮廓系数作为评价指标，得出的结果同直观得到的结论一致，这也表明这种逆变器分组方式是可行且有效的。
逆变器分组完成后，分别从每个所述逆变器组中选择一个目标逆变器；依据每个所述目标逆变器的历史监测数据和所述衍生变量，生成每个所述目标逆变器的历史气象特征变量；分别依据每个所述目标逆变器的历史气象特征变量与历史运行数据中的交流功率间的映射关系，为每个所述逆变器组构建最优光功率预测模型。
具体的，分别依据每个所述目标逆变器的历史气象特征变量和历史运行数据中的交流功率，为每个所述逆变器组构建多个光功率预测模型，如采用多立元线性回归、机器学习算法、深度学习算法等建立光功率预测模型，每个光功率预测模型对应的模型类型不同。依据每个所述逆变器组对应的每个光功率预测模型的拟合误差、模型复杂度和预测时间，为每个所述逆变器组选择最优光功率预测模型。每个逆变器组的最优光功率预测模型的类型可以不同。
可以对每个光功率预测模型的拟合误差、模型复杂度和预测时间量化，并分别为其赋予权重，对每个光功率预测模型的拟合误差、模型复杂度和预测时间进行加权求和，将加权求和值最高的模型确定为最优光功率预测模型。
需要说明的是，若需要对光伏电站进行超短期光功率预测，需要实时监测逆变器故障告警系统，在监测到逆变器出现故障或告警的情况下，对光伏电站在所述预测周期内的光功率预测值进行修正。
在监测到逆变器出现故障的情况下，确定出现故障的逆变器在所述预测周期内的光功率预测值，故障包括故障停机、PDP保护、主风机故障、孤岛保护等类型，通常都会导致设备停机，光功率输出为0。
在监测到逆变器出现告警的情况下，如降额运行等会导致逆变器发电功率降低但不会导致逆变器停机。计算出现告警的逆变器的发电功率与同组内每个未出现告警的逆变器的发电功率之间的差值比的平均值，得到出现告警的逆变器的发电功率损失比例；
依据出现故障的逆变器在所述预测周期内的光功率预测值和出现告警的逆变器的发电功率损失比例，对光伏电站在所述预测周期内的光功率预测值进行修正。
通过对光伏电站在预测周期内的光功率预测值进行修正，可以进一步提高光功率预测的准确率。
基于上述实施例公开的一种光功率预测方法，本实施例对应公开了一种光功率预测装置，请参阅图4，包括：
气象预报数据获取单401，用于获取预测周期内光伏电站所在地的气象预报数据；
气象特征变量计算单元402，用于依据所述气象预报数据计算每个逆变器的气象特征变量；
光功率预测单元403，用于分别将每个逆变器的气象特征变量输入逆变器所在逆变器组对应的最优光功率预测模型中，得到每个逆变器在所述预测周期内的光功率预测值，其中，逆变器组是依据逆变器的发电性能进行分组得到的，每个逆变器组对应一个最优光功率预测模型；
光功率预测值汇总单元404，用于对每个逆变器在所述预测周期内的光功率预测值进行汇总，得到光伏电站在所述预测周期内的光功率预测值。
可选的，所述装置还包括：
逆变器分组单元，用于依据光伏电站中每个逆变器的历史运行数据、历史监测数据、型号和投运时间，对光伏电站中的逆变器进行分组。
可选的，所述逆变器分组单元包括：
发电性能特征变量计算子单元，用于依据光伏电站中每个逆变器的历史运行数据和历史监测数据，计算每个逆变器的发电性能特征变量；
型号分组子单元，用于根据逆变器型号将光伏电站中的逆变器划分为至少一个型号组；
投运时间分组子单元，用于根据逆变器的投运时间将每个型号组中的逆变器划分为至少一个投运组；
相似度计算子单元，用于在投运组中通过计算任意两个逆变器的发电性能特征变量间的欧式距离，得到任意两个逆变器之间的相似度；
逆变器组分组子单元，用于利用预设聚类算法，根据每个投运组中任意两个逆变器之间的相似度，将每个投运组划分为至少一个逆变器组。
可选的，所述发电性能特征变量计算子单元，具体用于：
根据光伏电站中每个逆变器的历史监测数据计算每个逆变器的衍生变量，所述衍生变量包括每日辐照值；
通过计算每日辐照值与历史运行数据中的交流功率之间的相关值，筛选出相关值大于阈值的高相关性的历史运行数据和历史监测数据；
在高相关性的历史运行数据和历史监测数据中剔除出现逆变器故障或逆变器告警时的历史运行数据和历史监测数据，得到有效的历史运行数据和历史监测数据；
根据有效的历史运行数据和历史监测数据中的瞬时辐照值和交流功率，绘制每个逆变器的辐照功率曲线；
从每个逆变器的辐照功率曲线中提取相应逆变器的发电性能特征变量。
可选的，所述装置还包括：
光功率预测模型构建单元，包括：
目标逆变器选择子单元，用于分别从每个所述逆变器组中选择一个目标逆变器；
气象特征变量计算子单元，用于依据每个所述目标逆变器的历史监测数据和所述衍生变量，生成每个所述目标逆变器的历史气象特征变量；
光功率预测模型构建子单元，用于分别依据每个所述目标逆变器的历史气象特征变量与历史运行数据中的交流功率间的映射关系，为每个所述逆变器组构建最优光功率预测模型。
可选的，所述光功率预测模型构建子单元，具体用于：
分别依据每个所述目标逆变器的历史气象特征变量和历史运行数据中的交流功率，为每个所述逆变器组构建多个光功率预测模型，每个光功率预测模型对应的模型类型不同；
依据每个所述逆变器组对应的每个光功率预测模型的拟合误差、模型复杂度和预测时间，为每个所述逆变器组选择最优光功率预测模型。
可选的，所述装置还包括：
光功率预测值修正单元，用于在监测到逆变器出现故障或告警的情况下，对光伏电站在所述预测周期内的光功率预测值进行修正。
可选的，所述光功率预测值修正单元，具体用于：
在监测到逆变器出现故障的情况下，确定出现故障的逆变器在所述预测周期内的光功率预测值；
在监测到逆变器出现告警的情况下，计算出现告警的逆变器的发电功率与同组内每个未出现告警的逆变器的发电功率之间的差值比的平均值，得到出现告警的逆变器的发电功率损失比例；
依据出现故障的逆变器在所述预测周期内的光功率预测值和出现告警的逆变器的发电功率损失比例，对光伏电站在所述预测周期内的光功率预测值进行修正。
本实施例公开的光功率预测装置，从逆变器层级建立光功率预测模型，使光功率预测更加精细和准确，并通过依据逆变器的发电性能进行分组，为每个逆变器组构建一个最优光功率预测模型，大幅度降低了预测模型的数量和运算量，在提高光功率预测准确率的同时提高了光功率预测速度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种光功率预测方法，其特征在于，包括：
获取预测周期内光伏电站所在地的气象预报数据；
依据所述气象预报数据，计算每个逆变器的气象特征变量；
分别将每个逆变器的气象特征变量输入逆变器所在逆变器组对应的最优光功率预测模型中，得到每个逆变器在所述预测周期内的光功率预测值，其中，逆变器组是依据逆变器的发电性能进行分组得到的，每个逆变器组对应一个最优光功率预测模型；
对每个逆变器在所述预测周期内的光功率预测值进行汇总，得到光伏电站在所述预测周期内的光功率预测值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
依据光伏电站中每个逆变器的历史运行数据、历史监测数据、型号和投运时间，对光伏电站中的逆变器进行分组。
3.根据权利要求2所述的方法，其特征在于，所述依据光伏电站中每个逆变器的历史运行数据、历史监测数据、型号和投运时间，对光伏电站中的逆变器进行分组，包括：
依据光伏电站中每个逆变器的历史运行数据和历史监测数据，计算每个逆变器的发电性能特征变量；
根据逆变器型号将光伏电站中的逆变器划分为至少一个型号组；
根据逆变器的投运时间将每个型号组中的逆变器划分为至少一个投运组；
在投运组中通过计算任意两个逆变器的发电性能特征变量间的欧式距离，得到任意两个逆变器之间的相似度；
利用预设聚类算法，根据每个投运组中任意两个逆变器之间的相似度，将每个投运组划分为至少一个逆变器组。
4.根据权利要求3所述的方法，其特征在于，所述依据光伏电站中每个逆变器的历史运行数据和历史监测数据，计算每个逆变器的发电性能特征变量，包括：
根据光伏电站中每个逆变器的历史监测数据计算每个逆变器的衍生变量，所述衍生变量包括每日辐照值；
通过计算每日辐照值与历史运行数据中的交流功率之间的相关值，筛选出相关值大于阈值的高相关性的历史运行数据和历史监测数据；
在高相关性的历史运行数据和历史监测数据中剔除出现逆变器故障或逆变器告警时的历史运行数据和历史监测数据，得到有效的历史运行数据和历史监测数据；
根据有效的历史运行数据和历史监测数据中的瞬时辐照值和交流功率，绘制每个逆变器的辐照功率曲线；
从每个逆变器的辐照功率曲线中提取相应逆变器的发电性能特征变量。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
分别从每个所述逆变器组中选择一个目标逆变器；
依据每个所述目标逆变器的历史监测数据和所述衍生变量，生成每个所述目标逆变器的历史气象特征变量；
分别依据每个所述目标逆变器的历史气象特征变量与历史运行数据中的交流功率间的映射关系，为每个所述逆变器组构建最优光功率预测模型。
6.根据权利要求5所述的方法，其特征在于，所述分别依据每个所述目标逆变器的历史气象特征变量与历史运行数据中的交流功率间的映射关系，为每个所述逆变器组构建最优光功率预测模型，包括：
分别依据每个所述目标逆变器的历史气象特征变量和历史运行数据中的交流功率，为每个所述逆变器组构建多个光功率预测模型，每个光功率预测模型对应的模型类型不同；
依据每个所述逆变器组对应的每个光功率预测模型的拟合误差、模型复杂度和预测时间，为每个所述逆变器组选择最优光功率预测模型。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在监测到逆变器出现故障或告警的情况下，对光伏电站在所述预测周期内的光功率预测值进行修正。
8.根据权利要求7所述的方法，其特征在于，所述在监测到逆变器出现故障或告警的情况下，对光伏电站在所述预测周期内的光功率预测值进行修正，包括：
在监测到逆变器出现故障的情况下，确定出现故障的逆变器在所述预测周期内的光功率预测值；
在监测到逆变器出现告警的情况下，计算出现告警的逆变器的发电功率与同组内每个未出现告警的逆变器的发电功率之间的差值比的平均值，得到出现告警的逆变器的发电功率损失比例；
依据出现故障的逆变器在所述预测周期内的光功率预测值和出现告警的逆变器的发电功率损失比例，对光伏电站在所述预测周期内的光功率预测值进行修正。
9.一种光功率预测装置，其特征在于，包括：
气象预报数据获取单元，用于获取预测周期内光伏电站所在地的气象预报数据；
气象特征变量计算单元，用于依据所述气象预报数据计算每个逆变器的气象特征变量；
光功率预测单元，用于分别将每个逆变器的气象特征变量输入逆变器所在逆变器组对应的最优光功率预测模型中，得到每个逆变器在所述预测周期内的光功率预测值，其中，逆变器组是依据逆变器的发电性能进行分组得到的，每个逆变器组对应一个最优光功率预测模型；
光功率预测值汇总单元，用于对每个逆变器在所述预测周期内的光功率预测值进行汇总，得到光伏电站在所述预测周期内的光功率预测值。
10.根据权利要求9所述的装置，其特征在于，所述装置还包括：
逆变器分组单元，用于依据光伏电站中每个逆变器的历史运行数据、历史监测数据、型号和投运时间，对光伏电站中的逆变器进行分组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910754268.7A CN110365059B (zh) | 2019-08-15 | 2019-08-15 | 一种光功率预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910754268.7A CN110365059B (zh) | 2019-08-15 | 2019-08-15 | 一种光功率预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110365059A true CN110365059A (zh) | 2019-10-22 |
| CN110365059B CN110365059B (zh) | 2021-11-02 |
Family
ID=68224528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910754268.7A Active CN110365059B (zh) | 2019-08-15 | 2019-08-15 | 一种光功率预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110365059B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
| CN112731022A (zh) * | 2020-12-18 | 2021-04-30 | 合肥阳光智维科技有限公司 | 光伏逆变器故障检测方法、设备及介质 |
| CN113092900A (zh) * | 2021-03-22 | 2021-07-09 | 阳光新能源开发有限公司 | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 |
| CN113988491A (zh) * | 2021-12-29 | 2022-01-28 | 北京东润环能科技股份有限公司 | 光伏短期功率预测方法、装置、电子设备及存储介质 |
| CN115249972A (zh) * | 2022-09-22 | 2022-10-28 | 南京江行联加智能科技有限公司 | 一种大数据下的风电场风力发电机组性能评估系统及方法 |
| CN115980493A (zh) * | 2023-01-03 | 2023-04-18 | 广州市德珑电子器件有限公司 | 多电感的光伏逆变器测试方法、装置、设备以及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101728984A (zh) * | 2010-01-18 | 2010-06-09 | 华北电力大学（保定） | 并网型光伏电站发电功率预测方法 |
| CN102437571A (zh) * | 2011-11-09 | 2012-05-02 | 南方电网科学研究院有限责任公司 | 一种风/光/储系统的物理建模系统 |
| CN102769298A (zh) * | 2012-06-15 | 2012-11-07 | 上方能源技术(杭州)有限公司 | 一种太阳能并网发电功率预测方法及预测系统 |
| CN105391082A (zh) * | 2015-11-02 | 2016-03-09 | 北京四方继保自动化股份有限公司 | 基于分类样板逆变器的光伏电站理论功率计算方法 |
| US20160224702A1 (en) * | 2015-01-30 | 2016-08-04 | State Grid Corporation Of China | Method of calculating voltage and power of large-scaled photovoltaic power plant |
| CN107403015A (zh) * | 2017-08-07 | 2017-11-28 | 南京金水尚阳信息技术有限公司 | 一种基于时间序列相似性的短期光功率预测方法 |
| CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
| US20190064392A1 (en) * | 2017-08-30 | 2019-02-28 | International Business Machines Corporation | Forecasting solar power output |
| CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
-
2019
- 2019-08-15 CN CN201910754268.7A patent/CN110365059B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101728984A (zh) * | 2010-01-18 | 2010-06-09 | 华北电力大学（保定） | 并网型光伏电站发电功率预测方法 |
| CN102437571A (zh) * | 2011-11-09 | 2012-05-02 | 南方电网科学研究院有限责任公司 | 一种风/光/储系统的物理建模系统 |
| CN102769298A (zh) * | 2012-06-15 | 2012-11-07 | 上方能源技术(杭州)有限公司 | 一种太阳能并网发电功率预测方法及预测系统 |
| US20160224702A1 (en) * | 2015-01-30 | 2016-08-04 | State Grid Corporation Of China | Method of calculating voltage and power of large-scaled photovoltaic power plant |
| CN105391082A (zh) * | 2015-11-02 | 2016-03-09 | 北京四方继保自动化股份有限公司 | 基于分类样板逆变器的光伏电站理论功率计算方法 |
| CN107403015A (zh) * | 2017-08-07 | 2017-11-28 | 南京金水尚阳信息技术有限公司 | 一种基于时间序列相似性的短期光功率预测方法 |
| US20190064392A1 (en) * | 2017-08-30 | 2019-02-28 | International Business Machines Corporation | Forecasting solar power output |
| CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
| CN109934423A (zh) * | 2019-04-25 | 2019-06-25 | 山东大学 | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| C. WAN: "Photovoltaic and solar power forecasting for smart grid energy management", 《POWER AND ENERGY SYSTEMS》 * |
| H. YANG: "A Weather-Based Hybrid Method for 1-Day Ahead Hourly Forecasting of PV Power Output", 《SUSTAINABLE ENERGY》 * |
| R. J. BESSA, A: "Solar power forecasting in smart grids using distributed information", 《POWER SYSTEMS COMPUTATION CONFERENCE》 * |
| 白俊良: "并网型光伏电站中央监控与能量管理系统的研究与实现", 《中国优秀硕士论文全文库》 * |
| 罗小兰等: "基于相似日的光伏发电短期预报模型", 《杭州电子科技大学学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
| CN112731022A (zh) * | 2020-12-18 | 2021-04-30 | 合肥阳光智维科技有限公司 | 光伏逆变器故障检测方法、设备及介质 |
| CN113092900A (zh) * | 2021-03-22 | 2021-07-09 | 阳光新能源开发有限公司 | 光伏逆变器的状态检测方法、装置及计算机可读存储介质 |
| CN113988491A (zh) * | 2021-12-29 | 2022-01-28 | 北京东润环能科技股份有限公司 | 光伏短期功率预测方法、装置、电子设备及存储介质 |
| CN115249972A (zh) * | 2022-09-22 | 2022-10-28 | 南京江行联加智能科技有限公司 | 一种大数据下的风电场风力发电机组性能评估系统及方法 |
| CN115249972B (zh) * | 2022-09-22 | 2022-12-27 | 南京江行联加智能科技有限公司 | 一种大数据下的风电场风力发电机组性能评估系统及方法 |
| CN115980493A (zh) * | 2023-01-03 | 2023-04-18 | 广州市德珑电子器件有限公司 | 多电感的光伏逆变器测试方法、装置、设备以及存储介质 |
| CN115980493B (zh) * | 2023-01-03 | 2023-11-07 | 广州市德珑电子器件有限公司 | 多电感的光伏逆变器测试方法、装置、设备以及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110365059B (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110365059A (zh) | 一种光功率预测方法及装置 | |
| Belabes et al. | Evaluation of wind energy potential and estimation of cost using wind energy turbines for electricity generation in north of Algeria | |
| Vanderwende et al. | The modification of wind turbine performance by statistically distinct atmospheric regimes | |
| CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
| CN105335796A (zh) | 一种风电场输出功率爬坡事件预测的系统及方法 | |
| CN107193060A (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
| CN107292514A (zh) | 风电场生产运行测风塔选址方法及装置 | |
| CN104217077A (zh) | 一种反映风速变化特性的风力发电出力随机模型建模方法 | |
| Reed | Wind power climatology of the United States: supplement | |
| Lindberg et al. | Review on power-production modeling of hybrid wind and PV power parks | |
| CN110766134A (zh) | 基于循环神经网络的光伏电站短期功率预测方法 | |
| CN106849066A (zh) | 一种区域风电功率预测方法 | |
| CN102147839A (zh) | 一种光伏发电量预测方法 | |
| Askarzadeh | Optimisation of solar and wind energy systems: A survey | |
| KR20220072960A (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 | |
| Bak et al. | Baseline layout and design of a 0.8 GW reference wind farm in the North Sea | |
| KR20220072962A (ko) | 구름 음영 효과를 적용한 태양광 발전 예측 시스템 | |
| Effenberger et al. | A collection and categorization of open‐source wind and wind power datasets | |
| Dinçer et al. | Enhancing wind turbine site selection through a novel wake penalty criterion | |
| CN109599899B (zh) | 一种新能源运行模拟边界条件的设定方法 | |
| CN110348175A (zh) | 一种光伏电站有效辐照计算方法和装置 | |
| Mohammadi et al. | Modeling the allocation and economic evaluation of PV panels and wind turbines in urban areas | |
| CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
| KR20220072961A (ko) | 머신러닝을 이용한 태양광 발전 예측 시스템 및 방법 | |
| Belu | Assessment and analysis of offshore wind energy potential |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221222 Address after: Room 214-49, Block B, Phase III (South District), Huguang Road Independent Innovation Industrial Base, Shushan New Industrial Park, Shushan District, Hefei City, Anhui Province, 230088 Patentee after: Hefei Zero Carbon Technology Co.,Ltd. Address before: 230088 No. 1699 Xiyou Road, Hefei High-tech Zone, Anhui Province Patentee before: SUNGROW POWER SUPPLY Co.,Ltd. |
|
| TR01 | Transfer of patent right |