CN111353653A - 一种光伏出力短期区间预测方法 - Google Patents
一种光伏出力短期区间预测方法 Download PDFInfo
- Publication number
- CN111353653A CN111353653A CN202010173047.3A CN202010173047A CN111353653A CN 111353653 A CN111353653 A CN 111353653A CN 202010173047 A CN202010173047 A CN 202010173047A CN 111353653 A CN111353653 A CN 111353653A
- Authority
- CN
- China
- Prior art keywords
- interval
- prediction
- day
- formula
- 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.)
- Granted
Links
Images
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"
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
-
- 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
Abstract
本发明属于信息技术领域,涉及到聚类分析、数据驱动建模、多目标优化等技术,提供了一种光伏出力短期区间预测方法,是一种基于多目标优化算法与最小二乘支持向量机相结合的光伏出力短期区间预测方法。首先提出了一种同时考虑数值与形态相似性的相似日分类方法,以增强样本的规律性,进而构建了基于双LSSVM模型的自适应比例区间估计模型,并采用NSGA‑II算法优化模型参数,实现光伏出力的区间预测。此方法所得到结果精度较高,且计算效率符合实际应用要求,在可再生能源并网、以及调度领域亦可推广应用。
Description
技术领域
本发明属于信息技术领域,涉及到聚类分析、数据驱动建模、多目标优化等技术,是一种基于多目标优化算法与最小二乘支持向量机相结合的光伏出力短期区间预测方法。首先提出了一种同时考虑数值与形态相似性的相似日分类方法,以增强样本的规律性,进而构建了基于双LSSVM模型的自适应比例区间估计模型,并采用NSGA-II算法优化模型参数,实现光伏出力的区间预测。此方法所得到结果精度较高,且计算效率符合实际应用要求,在可再生能源并网、以及调度领域亦可推广应用。
背景技术
近年来,风能、太阳能、生物质能等可再生能源由于其清洁无污染、可循环利用等优点而迅速发展,在越来越多的领域开始取代不可再生能源。其中,太阳能开发力度迅速增长,光伏发电全面进入规模化发展阶段,呈现出良好的发展前景。光伏出力受光照强度、气象、温度、湿度等多种因素影响,随机性强、波动性大,因而具有较强的不确定性。由于大规模的光伏系统并网后会对电网的稳定性和安全性造成冲击,进而导致电网的电压波动。(李驰.基于波动特性的新能源处理时间序列建模方法研究[D].(2015).中国电力科学院)。因此,准确的预测光伏出力,有助于调度人员提前了解系统的负荷变化,降低光伏并网对电网的冲击,减少“弃光”现象,从而保证电网系统持续、稳定运行。
针对光伏出力的预测问题,目前文献中的方法多为基于数据点的预测,主要包括灰色理论(王守相,张娜.基于灰色神经网络组合模型的光伏短期出力预测[J].(2011).电力系统自动化,36(19):37-41)、时间序列模型(Li Y,Su Y,Shu L.(2014).An ARMAX modelfor forecasting the power output of a grid connected photovoltaic sys-tem[J].Renewable Energy,2014,66(6):78-89)、支持向量机(朱永强,田军.最小二乘支持向量机在光伏功率预测中的应用[J].(2011).电网技术,35(7):54-59)、神经网络(Vaz A G R,Elsinga B,W.G.J.H.M.van Sark,et al.(2016).An artificial neural network toassess the impact of neigh-bouring photovoltaic systems in power forecastingin Utrecht,the Netherlands[J].Renewable Energy,85:631-641)以及组合预测法(单英浩,付青,耿炫,等.基于改进BP-SVM-ELM与粒子化SOM-LSF的微电网光伏发电组合预测方法[J].(2016).中国电机工程学报,36(12):3334-3343)等。然而面向数据点的预测模型忽略了光伏出力在恶劣天气环境下的不确定性,因此在该种情况下模型精度将急剧下降,无法给出关于预测结果可靠性的描述。区间预测综合考虑了预测结果的趋势与其对应的可靠性评价,是一种较为全面的预测方法。针对光伏出力的区间预测方法,已有一些学者进行了研究。近年来,基于极限学习机(Extreme Learning Machine,ELM)(Wan Can,Lin Jin,SongYonghua,et al.(2017).Probabilistic forecasting of photovoltaic generation:anefficient statis-tical approach[J].IEEE Transactions on Power Systems,32(3):2471-2472)、集对分析理论(罗明武,孙朝霞,刘强民,等.基于集对分析理论的太阳辐照度区间预测.(2015).电力科学与工程,31(10):44-49)、参数估计(Cates C J,Oleszczuk M,et al.(2014).Optimal Voltage Control Using Inverters Interfaced With PVSystems Considering Forecast Error in a Distribution System[J].IEEETransactions on Sustainable Energy,5(2):682-690)的方法广泛被用于区间预测,然而,上述文献大多假设光伏出力服从正态分布或采用传统神经网络模型,忽略了其分布误差,且难以避免神经网络模型易陷入局部极值的缺陷。
发明内容
为了提高光伏出力预测的精度与可靠性,本发明提出了一种基于NSGA-II的双最小二乘支持向量机(NSGA-II-based Double Least Squares Support Vector Machine,NSGA-II-DLSSVM)的区间预测模型。考虑温度、天气类型、湿度等影响因素的数值相似性,并将其与光伏出力之间的Person相关系数作为各自的权重,采用模糊C均值聚类算法(FuzzyC-means,FCM)对样本集中的相似日进行聚类,并考虑样本集的形态相似性,基于Fre′chet距离对聚类结果进行修正。进而针对不同的相似日类型,构建基于双LSSVM的区间预测模型,并采用NSGA-II算法优化模型参数。该区间预测模型覆盖率高、区间宽度窄,可为光伏并网的调度提供更可靠的指导作用。
本发明的技术方案:
一种光伏出力短期区间预测方法,步骤如下:
(1)采用Person相关系数分析光伏出力与各影响因素之间的相关性,剔除相关性较弱的影响因素,降低数据维度,并将各因素与光伏出力的相关系数作为影响权重。
(2)提出一种基于FCM与离散Fréchet距离的相似日划分方法,该相似日划分方法同时考虑数据的数值与形态相似性,并结合个影响因素的权重,将样本集划分为多个相似日集合,以提高预测规律性,增强预测精度。
(3)针对各相似日集合,基于自适应比例区间估计方法构建区间上下界观测值,并结合双最小二乘区间预测模型直接进行区间预测。
(4)以区间覆盖率、区间平均宽度为优化目标,采用改进后的NSGA-II多目标优化算法优化自适应比例区间估计方法与支持向量机的参数,得到最终的区间预测模型。
本发明的有益效果:本发明的区间预测模型提出结合FCM与离散Fréchet距离的相似日划分方法,提高了样本的规律性,所提出的NSGA-II-DLSSVM区间预测方法有效的避免了神经网络模型易陷入局部极值的缺陷。经实际数据实验验证,本方法在各类相似日条件下可以获得较窄的区间平均宽度与较高的区间覆盖率,为电力调度方案的制定提供更可靠的支持。
附图说明
图1为本发明应用流程图。
图2为相似日划分流程。
图3为基于NSGA-II-LSSVM的区间预测流程。
图4(a)为相似日划分后的第一类相似日集合。
图4(b)为相似日划分后的第二类相似日集合。
图4(c)为相似日划分后的第三类相似日集合。
图5为第一类相似日天气下三种方法区间预测效果对比图,其中(a)为方法a,置信度为95%;(b)为方法a,置信度为90%;(c)为方法a,置信度为85%;(d)为方法b,置信度为95%;(e)为方法b,置信度为90%;(f)为方法b,置信度为85%;(g)为本发明,置信度为95%;(h)为本发明,置信度为90%;(i)为本发明,置信度为85%。
图6为第二类相似日天气下三种方法区间预测效果对比图,其中(a)为方法a,置信度为95%;(b)为方法a,置信度为90%;(c)为方法a,置信度为85%;(d)为方法b,置信度为95%;(e)为方法b,置信度为90%;(f)为方法b,置信度为85%;(g)为本发明,置信度为95%;(h)为本发明,置信度为90%;(i)为本发明,置信度为85%。
图7为第三类相似日天气下三种方法区间预测效果对比图,其中(a)为方法a,置信度为95%;(b)为方法a,置信度为90%;(c)为方法a,置信度为85%;(d)为方法b,置信度为95%;(e)为方法b,置信度为90%;(f)为方法b,置信度为85%;(g)为本发明,置信度为95%;(h)为本发明,置信度为90%;(i)为本发明,置信度为85%。
具体实施方式
光伏出力受太阳辐射、温度等多种因素影响,导致了其具有间歇性与波动性的特点。目前我国光伏电厂装机容量较大,但光伏电厂在无光条件下不输出功率,无法单独提供稳定电源以满足用户所需负荷要求,且在复杂天气下波动性较大,易对电网造成损害,光伏出力区间预测不仅可以用于电力资源调度、减少资源浪费,还可以提前预知波动信息,以便于借助火电等稳定发电方式削弱其波动性,降低对电网的损害。为了更好地理解本发明的技术路线和实施方案,下面以国内某光伏电场的数据为基础,应用本文方法构建区间预测模型,具体实施步骤如下:
(1)数据预处理与相关性分析
由于工业数据在采集过程中存在着不同的噪声,因此需要首先对数据进行清洗,进而分析各影响因素对光伏出力的相关性,以降低样本集维度,提高模型的精度与计算效率。Person相关系数通常用来衡量两个变量之间的相关程度,其形式如式(1)所示:
其中,xi表示第i日的温度、天气等潜在的影响因素,yi为对应的光伏出力数据。与则分别表示数据集中各影响因素与光伏出力的平均值。本发明采用该方法来量化光伏出力与温度、湿度、天气指数等潜在因素之间的相关性。
(2)相似日聚类
1)数值相似性
基于步骤(1)的相关性分析结果,可构建样本集如式(2)所示
其中和分别表示平均温度、平均湿度和天气指数,rTP、rHP和rWP则分别代表温度、湿度、天气因素与功率之间的相关系数。采用FCM算法对式(2)按数值相似性进行聚类,其通过优化目标函数得到每个样本点对所有类中心的隶属度,是一种基于划分的模糊聚类算法,目标函数为:
其中dvt=||cv-st||表示样本集中第t个样本点st与第v个聚类中心cv之间的欧式距离,e为加权指数,uvt为st隶属于cv的程度,N为样本数。则其约束条件可表示为式(4)的形式:
通过引入拉格朗日乘子,计算出隶属度与聚类中心如式(5)和式(6)所示:
进而通过迭代来更新隶属度与聚类中心,并根据给定阈值判断聚类中心是否收敛,若达到迭代次数或收敛到给定阈值则停止迭代,并得到多个相似日集合以及各自的聚类中心。
2)形态相似性
离散Fre′chet距离是一种基于空间路径相似度的描述方式,主要用于评价两个时间序列之间的相似度,因此被用来对聚类结果进行修正,其公式如(7)所示:
其中,DF(L1,L2)表示曲线L1与L2的离散Fre′chet距离,<L1,1,…,L1,n>与<L2,1,…,L2,m>代表由L1与L2的离散点组成的有序子串,n和m分别表示L2与L1的长度。d(L1,n,L2,m)代表L1,n与L2,m间的欧氏距离。采用递归方法对式(7)进行求解,当两个离散子串递归到<L1,1>与<L2,1>时,则计算终止,此时有
DF(<L1,1>,<L2,1>)=d(L1,1,L2,1) (8)
则基于离散Fre′chet距离的相似日修正公式如式(9)所示:
D=min(DF(Daypq,c1),...,DF(Daypq,cd)) (9)
其中DF(Dayij,cn)代表第p类相似日天气中第q个样本日与第d类聚类中心的离散Fre′chet距离,D为所有离散Fre′chet距离的最小值。当D=DF(Daypq,cd),p≠d时,则表明第p类相似日天气中第q个样本日与第d类天气聚类中心的形态相似度最大,可将其添加到第d类相似日天气中。采用该方法对所有相似日进行校正,校正之后的结果即为相似日划分结果。
(3)基于自适应比例系数区间估计方法构建样本观测值
构建预测样本集,其输入、输出如式(10)、式(11)所示:
[t′h,Th,H′h,Wh,Th+1,H′h+1,Wh+1] (10)
[Hh+1,Lh+1] (11)
其中t′为时间,T为温度,H′为湿度,W为天气类型指数。h与h+1分别表示当前时刻与预测时刻,Hh+1与Lh+1分别为h+1时刻的预测区间上限与下限。由于样本集中缺少光伏出力区间的上下限观测值,因此构建变比例系数来确定其观测值,具体公式如式(12):
其中,α与β为固定上限比例系数与下限比例系数,a+bk′为惩罚函数,a与b为常量,k′为惩罚因子,可表示为式(13):
(4)基于NSGA-II-DLSSVM方法构建区间预测模型
步骤1:随机初始化M个种群,每个种群包括一组参数:α,β,a,b,σ1,γ1,σ2,γ2;其中σ1与γ1为向量机1参数,σ2与γ2为向量机2参数,其他参数均为式(12)中变比例区间上下界估值方法的参数;
步骤2:将初始化参数带入模型,基于DLSSVM结合变比例区间上下界估值方法训练样本得到区间预测上下限;
步骤3:根据预测结果计算区间覆盖率和平均宽度两个目标的函数值。其中区间覆盖率代表实际数据分布于预测区间内的比例或概率,覆盖率高低是决定区间预测准确性的重要指标之一,其公式如下所示:
其中,PIC代表区间覆盖率,K代表样本个数,ar取值为0或1,若第r个样本目标值yr位于预测区间内,ar为1,否则为0,其定义如式(15):
采用区间平均宽度作为另一个区间预测指标,以提高区间预测质量。区间平均宽度表达式为:
其中,WI代表区间平均宽度,Hl与Ll分别代表l时刻区间预测上限与下限,R为预测区间上下限的极差,用于将WI归一化;
步骤4:基于改进快速非支配排序对种群中每个个体对应的目标函数解进行排序,以降低排序复杂度、缩短排序时间;
步骤5:对非支配排序后的同层个体进行拥挤度计算并排序,采用精英保留策略保留父代中优良个体;
步骤6:复制、交叉、变异、父子代合并,更新种群参数;
步骤7:重复步骤2-6直到迭代次数达到设定次数或模型性能改善程度小于给定阈值。
上述步骤4中改进后的快速非支配排序方法分为以下三个子步骤:
a)计算种群PC中支配个体的个体数nw和对应的集合Sw。只保留nw小于4的个体,以降低非支配层数;
b)将种群划分为nw+1个非支配层,个体所在层数等于nw+1,记第kw层个体集合为Fkw;
采用国内某园区的光伏发电站2017年11月到2018年4月的实际数据验证所提方法的有效性,采样时间为每天日间8:00-18:00,采样间隔为1小时。采用所提出的相似日划分模型将样本集划分为三类,基于NSGA-II-DLSSVM区间预测模型对三组相似日数据集分别训练,并得出三组包含区间预测模型参数以及其对应目标函数的最优解集。将覆盖率作为置信度,选取不同的置信度(95%,90%,85%)对三类相似日分别进行区间预测,并采用基于粒子群算法优化的BP神经网络区间预测方法(PSO-BP-LUBE,方法a)和基于改进粒子群算法优化的极限学习机区间预测方法(W-PSO-ELUBE,方法b)对采用本文相似日划分方法后的天气进行区间预测,作为对比实验,如图5-图7所示。采用式(14)与(16)所提出的区间覆盖率(PIC)、区间平均宽度(WI)作为评价指标,评价三种方法的预测效果,对比实验结果如表1、表2、表3所示:
表1第一类相似日下不同方法区间预测结果对比
由表1可知,在第一类相似日天气下光伏出力区间预测效果普遍较好,因为第一类相似日大多为晴天天气,在相近时间段中太阳辐射呈周期性变化、所受遮挡较弱,到达地表光照强度以及地表温度、湿度等在晴天天气下都相对稳定,光伏出力规律性较强、随机性较弱,本发明在置信度95%的同时可以达到100%覆盖率和17.7%的平均宽度,经过对比发现本发明在不同的置信度下区间预测效果都明显优于其他两种方法。
表2第二类相似日下不同方法区间预测结果对比
由表2知第二类相似日下三种区间预测方法预测效果均有所下降,第二类相似日大多为多云天气,太阳辐射均受到一定程度遮挡,且气象情况与晴天相比规律性较弱,导致光伏出力规律性下降,本文区间预测方法虽然性能有所下降,但是预测效果仍然优于其他两种方法。
表3第三类相似日下不同方法区间预测对比
由表3可知在第三类相似日条件下,三种区间预测方法效果普遍较差,在置信度95%情况下,三种方法平均宽度均超过30%,这是由于在复杂天气下地表处光照强度、温度、湿度等波动性较强,导致光伏出力规律性较差,但本文方法仍能保持较低的平均宽度与较高的覆盖率。
通过对比可见本文方法在保证较高区间覆盖率同时能保证较低的平均宽度,在三种相似日天气条件下,其区间预测性能均优于其他两种方法,同时本文方法在复杂天气条件下仍能提供较为准确的区间预测。
Claims (2)
1.一种光伏出力短期区间预测方法,其特征在于,步骤如下:
(1)数据预处理与相关性分析
由于工业数据在采集过程中存在着不同的噪声,因此需首先对数据进行清洗,进而分析各影响因素对光伏出力的相关性,以降低样本集维度,提高模型的精度与计算效率;Person相关系数用来衡量两个变量之间的相关程度,其形式如式(1)所示:
(2)相似日聚类
1)数值相似性
基于步骤(1)的相关性分析结果,构建样本集如式(2)所示:
其中,和分别表示平均温度、平均湿度和天气指数,rTP、rHP和rWP分别代表温度、湿度、天气因素与功率之间的相关系数;采用FCM算法对式(2)按数值相似性进行聚类,其通过优化目标函数得到每个样本点对所有类中心的隶属度,是一种基于划分的模糊聚类算法,目标函数为:
其中,dvt=||cv-st||表示样本集中第t个样本点st与第v个聚类中心cv之间的欧式距离,e为加权指数,uvt为st隶属于cv的程度,N为样本数;则其约束条件表示为式(4)的形式:
通过引入拉格朗日乘子,计算出隶属度与聚类中心如式(5)和式(6)所示:
进而通过迭代来更新隶属度与聚类中心,并根据给定阈值判断聚类中心是否收敛,若达到迭代次数或收敛到给定阈值则停止迭代,并得到多个相似日集合以及各自的聚类中心;
2)形态相似性
离散Fre′chet距离是一种基于空间路径相似度的描述方式,主要用于评价两个时间序列之间的相似度,因此被用来对聚类结果进行修正,其公式如(7)所示:
其中,DF(L1,L2)表示曲线L1与L2的离散Fre′chet距离,<L1,1,…,L1,n>与<L2,1,…,L2,m>代表由L1与L2的离散点组成的有序子串,n和m分别表示L2与L1的长度;d(L1,n,L2,m)代表L1,n与L2,m间的欧氏距离;采用递归方法对式(7)进行求解,当两个离散子串递归到<L1,1>与<L2,1>时,则计算终止,此时有
DF(<L1,1>,<L2,1>)=d(L1,1,L2,1) (8)
则基于离散Fre′chet距离的相似日修正公式如式(9)所示:
D=min(DF(Daypq,c1),...,DF(Daypq,cd)) (9)
其中,DF(Dayij,cn)代表第p类相似日天气中第q个样本日与第d类聚类中心的离散Fre′chet距离,D为所有离散Fre′chet距离的最小值;当D=DF(Daypq,cd),p≠d时,则表明第p类相似日天气中第q个样本日与第d类天气聚类中心的形态相似度最大,将其添加到第d类相似日天气中;采用该方法对所有相似日进行校正,校正之后的结果即为相似日划分结果;
(3)基于自适应比例系数区间估计方法构建样本观测值
构建预测样本集,其输入、输出如式(10)、式(11)所示:
[t′h,Th,H′h,Wh,Th+1,H′h+1,Wh+1] (10)
[Hh+1,Lh+1] (11)
其中,t′为时间,T为温度,H′为湿度,W为天气类型指数;h与h+1分别表示当前时刻与预测时刻,Hh+1与Lh+1分别为h+1时刻的预测区间上限与下限;由于样本集中缺少光伏出力区间的上下限观测值,因此构建变比例系数来确定其观测值,具体公式如式(12):
其中,α与β为固定上限比例系数与下限比例系数,a+bk′为惩罚函数,a与b为常量,k′为惩罚因子,表示为式(13):
(4)基于NSGA-II-DLSSVM方法构建区间预测模型
步骤1:随机初始化M个种群,每个种群包括一组参数:α,β,a,b,σ1,γ1,σ2,γ2;其中σ1与γ1为向量机1参数,σ2与γ2为向量机2参数,其他参数均为式(12)中变比例区间上下界估值方法的参数;
步骤2:将初始化参数带入模型,基于DLSSVM结合变比例区间上下界估值方法训练样本得到区间预测上下限;
步骤3:根据预测结果计算区间覆盖率和平均宽度两个目标的函数值;其中
区间覆盖率代表实际数据分布于预测区间内的比例或概率,覆盖率高低是决定区间预测准确性的重要指标之一,其公式如下所示:
其中,PIC代表区间覆盖率,K代表样本个数,ar取值为0或1,若第r个样本目标值yr位于预测区间内,ar为1,否则为0,其定义如式(15):
采用区间平均宽度作为另一个区间预测指标,以提高区间预测质量;区间平均宽度表达式为:
其中,WI代表区间平均宽度,Hl与Ll分别代表l时刻区间预测上限与下限,R为预测区间上下限的极差,用于将WI归一化;
步骤4:基于改进快速非支配排序对种群中每个个体对应的目标函数解进行排序,以降低排序复杂度、缩短排序时间;
步骤5:对非支配排序后的同层个体进行拥挤度计算并排序,采用精英保留策略保留父代中优良个体;
步骤6:复制、交叉、变异、父子代合并,更新种群参数;
步骤7:重复步骤2-6直到迭代次数达到设定次数或模型性能改善程度小于给定阈值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173047.3A CN111353653B (zh) | 2020-03-13 | 2020-03-13 | 一种光伏出力短期区间预测方法 |
US17/197,831 US11070056B1 (en) | 2020-03-13 | 2021-03-10 | Short-term interval prediction method for photovoltaic power output |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173047.3A CN111353653B (zh) | 2020-03-13 | 2020-03-13 | 一种光伏出力短期区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353653A true CN111353653A (zh) | 2020-06-30 |
CN111353653B CN111353653B (zh) | 2020-12-11 |
Family
ID=71197408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010173047.3A Active CN111353653B (zh) | 2020-03-13 | 2020-03-13 | 一种光伏出力短期区间预测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11070056B1 (zh) |
CN (1) | CN111353653B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418346A (zh) * | 2020-12-07 | 2021-02-26 | 天津大学 | 一种数值天气预报总辐射系统误差分类计算方法 |
CN112633565A (zh) * | 2020-12-15 | 2021-04-09 | 西安理工大学 | 一种光伏功率集合区间预测方法 |
CN112928752A (zh) * | 2021-02-03 | 2021-06-08 | 广州市电力工程设计院有限公司 | 一种用电负荷预测方法、装置及存储介质 |
CN114091316A (zh) * | 2021-11-16 | 2022-02-25 | 国网甘肃省电力公司电力科学研究院 | 一种区域光伏发电量计算方法 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113780517A (zh) * | 2021-08-10 | 2021-12-10 | 北京自动化控制设备研究所 | 一种数据驱动的卫星接收机故障预测方法 |
CN113434690B (zh) * | 2021-08-25 | 2022-02-08 | 广东电网有限责任公司惠州供电局 | 基于聚类算法的用电预测评估方法、装置、系统及介质 |
CN113761777B (zh) * | 2021-08-26 | 2023-09-26 | 上海电力大学 | 一种基于hp-ovmd的超短期光伏功率预测方法 |
CN113449934B (zh) * | 2021-08-31 | 2021-11-30 | 国能日新科技股份有限公司 | 一种基于数据迁移的风力发电功率预测方法及装置 |
CN113722970B (zh) * | 2021-09-01 | 2023-09-15 | 河海大学常州校区 | 一种光伏功率超短期在线预测方法 |
CN113743668B (zh) * | 2021-09-07 | 2024-04-05 | 中国海洋大学 | 一种面向家庭用电的短期负荷预测方法 |
CN114510111B (zh) * | 2021-12-29 | 2023-09-12 | 北京华能新锐控制技术有限公司 | 部分遮阳光伏阵列的全局mppt控制方法与装置 |
CN114417720B (zh) * | 2022-01-19 | 2023-04-28 | 江苏大学 | 一种毕赤酵母发酵过程多模型预测控制方法 |
CN114970952B (zh) * | 2022-04-14 | 2023-04-07 | 楚能新能源股份有限公司 | 一种考虑环境因素的光伏出力短期预测方法及系统 |
CN114510431B (zh) * | 2022-04-20 | 2022-07-05 | 武汉理工大学 | 一种工作量感知智能合约缺陷预测方法、系统及设备 |
CN114997475B (zh) * | 2022-05-17 | 2024-04-09 | 电子科技大学 | 一种基于Kmeans的融合模型光伏发电短期预测方法 |
CN114662994B (zh) * | 2022-05-18 | 2022-08-05 | 国网山西省电力公司晋城供电公司 | 一种整县式光伏分区方法、存储设备及终端 |
CN114707769B (zh) * | 2022-05-30 | 2022-08-23 | 广东电网有限责任公司佛山供电局 | 一种光伏发电出力短期预测方法及其相关装置 |
CN115239029B (zh) * | 2022-09-23 | 2023-01-31 | 山东大学 | 考虑功率时序及气象相依特性的风电功率预测方法及系统 |
CN115795328B (zh) * | 2022-11-08 | 2023-09-01 | 国网能源研究院有限公司 | 同时生成新能源出力常规场景和极端场景的方法及系统 |
CN116050187B (zh) * | 2023-03-30 | 2023-06-09 | 国网安徽省电力有限公司电力科学研究院 | 秒级光伏功率预测的ts模糊异常值自修正方法及系统 |
CN116245259B (zh) * | 2023-05-11 | 2023-10-31 | 华能山东泰丰新能源有限公司 | 基于深度特征选择的光伏发电预测方法、装置和电子设备 |
CN116316615B (zh) * | 2023-05-25 | 2023-09-12 | 国网江西省电力有限公司电力科学研究院 | 基于数据增强的分布式光伏群短期功率预测方法及系统 |
CN116776935B (zh) * | 2023-06-09 | 2024-02-23 | 淮阴工学院 | 一种基于改进micn的光伏功率预测方法 |
CN116404647B (zh) * | 2023-06-09 | 2023-08-29 | 山东大学 | 计及动态汇聚特性的分布式光伏短期功率预测方法及系统 |
CN116826813B (zh) * | 2023-06-30 | 2024-04-12 | 浙江东鸿电子股份有限公司 | 一种光伏储能单元的储能管理系统 |
CN116526478B (zh) * | 2023-07-03 | 2023-09-19 | 南昌工程学院 | 基于改进的蛇群优化算法的短期风电功率预测方法及系统 |
CN116613872B (zh) * | 2023-07-20 | 2023-10-31 | 武汉新能源接入装备与技术研究院有限公司 | 光伏储能系统的充电控制方法及系统 |
CN116629184B (zh) * | 2023-07-24 | 2023-09-29 | 合肥工业大学 | 一种逆变器系统的多目标优化方法 |
CN116722548B (zh) * | 2023-08-09 | 2023-12-29 | 深圳航天科创泛在电气有限公司 | 一种基于时间序列模型的光伏发电预测方法及相关设备 |
CN116742624B (zh) * | 2023-08-10 | 2023-11-03 | 华能新能源股份有限公司山西分公司 | 一种光伏发电量预测方法及系统 |
CN116865343B (zh) * | 2023-09-01 | 2024-03-29 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网的无模型自适应控制方法、装置及介质 |
CN117200199B (zh) * | 2023-09-06 | 2024-04-02 | 国网上海市电力公司 | 一种基于天气分型的光伏功率预测方法和系统 |
CN117610402A (zh) * | 2023-10-19 | 2024-02-27 | 国家电网有限公司华东分部 | 一种分布式光伏的多机聚类等值建模方法及装置 |
CN117217822B (zh) * | 2023-11-08 | 2024-02-13 | 北京东润环能科技股份有限公司 | 电力交易指数预测的方法、装置、终端设备及存储介质 |
CN117374972A (zh) * | 2023-11-28 | 2024-01-09 | 广东电网有限责任公司 | 一种基于Transformer的光伏短期功率区间预测方法、装置及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310065A (zh) * | 2013-06-25 | 2013-09-18 | 国家电网公司 | 计及分布式发电和储能单元的智能配网重构方法 |
CN106777982A (zh) * | 2016-12-17 | 2017-05-31 | 浙江工业大学 | 一种基于空间路径相似性的脑纤维聚类方法 |
CN106951985A (zh) * | 2017-03-06 | 2017-07-14 | 河海大学 | 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法 |
CN108717579A (zh) * | 2017-12-15 | 2018-10-30 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
US20190129959A1 (en) * | 2017-10-30 | 2019-05-02 | Bank Of America Corporation | Performing database file management using statistics maintenance and column similarity |
CN110110912A (zh) * | 2019-04-26 | 2019-08-09 | 华北电力大学 | 一种光伏功率多模型区间预测方法 |
WO2020043027A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 一种大气污染预测中对区域边界优化的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011130297A2 (en) * | 2010-04-13 | 2011-10-20 | The Regents Of The University Of California | Methods of using generalized order differentiation and integration of input variables to forecast trends |
JP5672186B2 (ja) * | 2011-07-24 | 2015-02-18 | 株式会社デンソー | 電力供給システム |
US9218035B2 (en) * | 2012-02-10 | 2015-12-22 | University Of Florida Research Foundation, Inc. | Renewable energy control systems and methods |
US10740775B2 (en) * | 2012-12-14 | 2020-08-11 | Battelle Memorial Institute | Transactive control and coordination framework and associated toolkit functions |
US20170031056A1 (en) * | 2014-04-10 | 2017-02-02 | Board Of Regents, The University Of Texas System | Solar Energy Forecasting |
-
2020
- 2020-03-13 CN CN202010173047.3A patent/CN111353653B/zh active Active
-
2021
- 2021-03-10 US US17/197,831 patent/US11070056B1/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310065A (zh) * | 2013-06-25 | 2013-09-18 | 国家电网公司 | 计及分布式发电和储能单元的智能配网重构方法 |
CN106777982A (zh) * | 2016-12-17 | 2017-05-31 | 浙江工业大学 | 一种基于空间路径相似性的脑纤维聚类方法 |
CN106951985A (zh) * | 2017-03-06 | 2017-07-14 | 河海大学 | 一种基于改进人工蜂群算法的梯级水库多目标优化调度方法 |
US20190129959A1 (en) * | 2017-10-30 | 2019-05-02 | Bank Of America Corporation | Performing database file management using statistics maintenance and column similarity |
CN108717579A (zh) * | 2017-12-15 | 2018-10-30 | 南京信息工程大学 | 一种短期风电功率区间预测方法 |
WO2020043027A1 (zh) * | 2018-08-25 | 2020-03-05 | 司书春 | 一种大气污染预测中对区域边界优化的方法 |
CN110110912A (zh) * | 2019-04-26 | 2019-08-09 | 华北电力大学 | 一种光伏功率多模型区间预测方法 |
Non-Patent Citations (2)
Title |
---|
WANG J: "A novel hybrid interval prediction approach based on modified lower upper bound estimation in combination with multi-objective salp swarm algorithm for short-term load forecasting", 《ENERGIES》 * |
赖昌伟: "光伏发电出力预测技术研究综述", 《电工技术学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418346A (zh) * | 2020-12-07 | 2021-02-26 | 天津大学 | 一种数值天气预报总辐射系统误差分类计算方法 |
CN112418346B (zh) * | 2020-12-07 | 2022-10-25 | 天津大学 | 一种数值天气预报总辐射系统误差分类计算方法 |
CN112633565A (zh) * | 2020-12-15 | 2021-04-09 | 西安理工大学 | 一种光伏功率集合区间预测方法 |
CN112633565B (zh) * | 2020-12-15 | 2023-07-25 | 西安理工大学 | 一种光伏功率集合区间预测方法 |
CN112928752A (zh) * | 2021-02-03 | 2021-06-08 | 广州市电力工程设计院有限公司 | 一种用电负荷预测方法、装置及存储介质 |
CN114091316A (zh) * | 2021-11-16 | 2022-02-25 | 国网甘肃省电力公司电力科学研究院 | 一种区域光伏发电量计算方法 |
CN114091316B (zh) * | 2021-11-16 | 2024-04-05 | 国网甘肃省电力公司电力科学研究院 | 一种区域光伏发电量计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111353653B (zh) | 2020-12-11 |
US11070056B1 (en) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353653B (zh) | 一种光伏出力短期区间预测方法 | |
Liu et al. | Random forest solar power forecast based on classification optimization | |
Cai et al. | Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management | |
CN107766990B (zh) | 一种光伏电站发电功率的预测方法 | |
CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
Yousuf et al. | Current perspective on the accuracy of deterministic wind speed and power forecasting | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN110619360A (zh) | 一种考虑历史样本相似性的超短期风功率预测方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
Varanasi et al. | K-means clustering based photo voltaic power forecasting using artificial neural network, particle swarm optimization and support vector regression | |
CN114781723A (zh) | 一种基于多模型融合的短期光伏出力预测方法 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN110428100A (zh) | 一种风机短期发电功率预测方法 |
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 |