CN111507512A - 一种光伏超短期预测功率的修正方法及装置 - Google Patents
一种光伏超短期预测功率的修正方法及装置 Download PDFInfo
- Publication number
- CN111507512A CN111507512A CN202010279220.8A CN202010279220A CN111507512A CN 111507512 A CN111507512 A CN 111507512A CN 202010279220 A CN202010279220 A CN 202010279220A CN 111507512 A CN111507512 A CN 111507512A
- Authority
- CN
- China
- Prior art keywords
- historical
- error correction
- predicted
- time point
- correction value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012937 correction Methods 0.000 claims abstract description 173
- 230000008859 change Effects 0.000 claims description 21
- 230000003203 everyday effect Effects 0.000 claims description 16
- 230000002354 daily effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 16
- 238000010248 power generation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种光伏超短期预测功率的修正方法及装置,预先根据历史数值天气预报数据和历史实际辐照数据标定天气类型与历史误差修正值的对应关系,在根据当前预测时间点对应的预测时段以及该预测时段对应的天气类型分类方法,得到每个预测时间点的天气类型的情况下,确定每个预测时间点的历史误差修正值;然后根据当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;随着预测时间点与当前预测时间点之间时间间隔的拉长,动态为历史误差修正值和实时误差修正值分配权重,使历史误差修正和实时误差修正组合起来对每个预测时间点的预测功率的修正效果最好,提高了超短期功率预测精度。
Description
技术领域
本发明涉及光伏发电技术领域,更具体的,涉及一种光伏超短期预测功率的修正方法及装置。
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,电网调度对各地的光伏预测精度都制定了严格的考核标准,且对于超短期预测精度的考核要求更为严苛。超短期预测指每隔15分钟预测一次未来0至4小时(240分钟)的发电功率,预测时间分辨率为15分钟,即每次超短期预测需要提供未来16个时间点的预测功率数据。但是,在天气状态多变的地区,光伏发电功率受天气影响波动较大,目前的光伏发电功率预测方法难以对1小时以后的发电功率进行准确预测,且随着预测时间越长,预测精度越低,无法满足超短期预测精度的要求。
发明内容
有鉴于此,本发明提供了一种光伏超短期预测功率的修正方法及装置,有效提高超短期预测精度。
为了实现上述发明目的,本发明提供的具体技术方案如下:
一种光伏超短期预测功率的修正方法,包括:
根据当前预测时间点对应的预测时段以及该预测时段对应的天气类型分类方法,对所述当前预测时间点所在的预测日期的天气类型进行分类,并确定所述当前预测时间点之后每个预测时间点的天气类型;
根据每个所述预测时间点的天气类型以及预先标定的天气类型与历史误差修正值的对应关系,确定每个所述预测时间点的历史误差修正值,所述天气类型与历史误差修正值的对应关系是预先根据历史数值天气预报数据和历史实际辐照数据标定得到的;
根据所述当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;
根据所述实时误差修正值、每个所述预测时间点的历史误差修正值、以及预先设定的每个所述预测时间点的历史误差修正值权重和实时误差修正值权重,分别对超短期预测后得到的每个所述预测时间点的预测功率进行修正,得到每个所述预测时间点修正后的预测功率。
可选的,标定天气类型与历史误差修正值的对应关系,包括:
利用历史数据中每日日出后的预测辐照数据和预测气象数据,对历史天气类型进行第一次分类;
按照所述第一次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值;
根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对所述第一次分类进行进一步细分,得到第二次分类;
按照所述第二次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值。
可选的,
若当前预测时间点在日出后预设参考时间段之前,根据所述第一次分类对应的天气类型分类方法,对预测日期的天气类型进行分类;
若当前预测时间点不在日出后预设参考时间段之前,根据所述第二次分类对应的天气类型分类方法,对预测日期的天气类型进行分类。
可选的,所述利用历史数据中每日日出后的预测辐照数据和预测气象数据,对历史天气类型进行第一次分类,包括:
根据历史数据中每日日出后的预测辐照数据和预测气象数据,建立每日的天气类型特征指标;
对每日的天气类型特征指标进行聚类处理,对历史天气类型进行所述第一次分类。
可选的,所述根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对所述第一次分类进行进一步细分,得到第二次分类,包括:
对于第一次分类后得到的每个天气类型,根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,计算误差变化特征指标;
根据所述误差变化特征指标对所述天气类型特征指标进行修正;
利用相似度算法,对修正后的天气类型特征指标进行处理,得到所述第二次分类。
可选的,每个所述预测时间点的历史误差修正值权重与实时误差修正值权重的和值为1,且所述预测时间点与所述当前预测时间点之间时间间隔越长,所述预测时间点的实时误差修正值越小。
一种光伏超短期预测功率的修正装置,包括:
天气类型确定单元,用于根据当前预测时间点对应的预测时段以及该预测时段对应的天气类型分类方法,对所述当前预测时间点所在的预测日期的天气类型进行分类,并确定所述当前预测时间点之后每个预测时间点的天气类型;
历史误差修正值确定单元,用于根据每个所述预测时间点的天气类型以及预先标定的天气类型与历史误差修正值的对应关系,确定每个所述预测时间点的历史误差修正值,所述天气类型与历史误差修正值的对应关系是预先根据历史数值天气预报数据和历史实际辐照数据标定得到的;
实时误差修正值计算单元,用于根据所述当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;
预测功率修正单元,用于根据所述实时误差修正值、每个所述预测时间点的历史误差修正值、以及预先设定的每个所述预测时间点的历史误差修正值权重和实时误差修正值权重,分别对超短期预测后得到的每个所述预测时间点的预测功率进行修正,得到每个所述预测时间点修正后的预测功率。
可选的,所述装置还包括历史误差修正值标定单元,包括:
第一天气分类子单元,用于利用历史数据中每日日出后的预测辐照数据和预测气象数据,对历史天气类型进行第一次分类;
第一历史误差修正值计算子单元,用于按照所述第一次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值;
第二天气分类子单元,用于根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对所述第一次分类进行进一步细分,得到第二次分类;
第二历史误差修正值计算子单元,用于按照所述第二次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值。
可选的,所述天气类型确定单元,具体用于:
若当前预测时间点在日出后预设参考时间段之前,根据所述第一次分类对应的天气类型分类方法,对预测日期的天气类型进行分类;
若当前预测时间点不在日出后预设参考时间段之前,根据所述第二次分类对应的天气类型分类方法,对预测日期的天气类型进行分类。
可选的,所述第一天气分类子单元,具体用于:
根据历史数据中每日日出后的预测辐照数据和预测气象数据,建立每日的天气类型特征指标;
对每日的天气类型特征指标进行聚类处理,对历史天气类型进行所述第一次分类。
可选的,所述第二天气分类子单元,具体用于:
对于第一次分类后得到的每个天气类型,根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,计算误差变化特征指标;
根据所述误差变化特征指标对所述天气类型特征指标进行修正;
利用相似度算法,对修正后的天气类型特征指标进行处理,得到所述第二次分类。
可选的,每个所述预测时间点的历史误差修正值权重与实时误差修正值权重的和值为1,且所述预测时间点与所述当前预测时间点之间时间间隔越长,所述预测时间点的实时误差修正值越小。
相对于现有技术,本发明的有益效果如下:
本发明公开的一种光伏超短期预测功率的修正方法,预先根据大量历史数值天气预报数据和历史实际辐照数据标定天气类型与历史误差修正值的对应关系,在根据当前预测时间点对应的预测时段以及该预测时段对应的天气类型分类方法,对预测日期的天气类型进行分类得到当前预测时间点之后每个预测时间点的天气类型的情况下,确定每个预测时间点的历史误差修正值;然后根据当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;在考虑到当前预测时间点与之后的预测时间点的间隔越长,实时误差修正的效果越差,本发明预先设定每个预测时间点的历史误差修正值权重和实时误差修正权重,随着预测时间点与当前预测时间点之间时间间隔的拉长,动态为历史误差修正值和实时误差修正值分配权重,使历史误差修正和实时误差修正组合起来对每个预测时间点的预测功率的修正效果最好,进而提高超短期功率预测精度。
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伏超短期预测功率的修正方法的流程示意图;
图2为本发明实施例公开的天气类型与历史误差修正值的对应关系的标定方法的流程示意图;
图3为本发明实施例公开的某大型地面电站针对T1的预测功率的修正效果图;
图4为本发明实施例公开的某大型地面电站针对T16的预测功率的修正效果图;
图5为本发明实施例公开的某大型地面电站为T1与T16预测功率修正前后的MAE计算结果对比图;
图6为本发明实施例公开的某大型地面电站依据电网对T16预测功率的考核指标计算的修正前后结果对比图;
图7为本发明实施例公开的一种光伏超短期预测功率的修正装置的结构示意图。
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。
本发明公开了一种光伏超短期预测功率的修正方法,预先根据大量历史数值天气预报数据和历史实际辐照数据标定天气类型与历史误差修正值的对应关系,在确定每个预测时间点的天气类型的情况下,确定每个预测时间点的历史误差修正值,并结合根据当前预测时间点前预设时间内的实际功率与预测功率计算得到的实时误差修正值,对每个预测时间点的预测功率进行修正,在不额外增加硬件,不额外增加功率预测成本的基础上,提高超短期功率预测精度,实验证明,本发明所公开的光伏超短期预测功率的修正方法针对单日天气变化复杂,但长期又具有一定季节周期性变化规律的地区,预测精度的提升效果最佳。
进一步,考虑到当前预测时间点与之后的预测时间点的间隔越长,实时误差修正的效果越差,本发明预先设定每个预测时间点的历史误差修正值权重和实时误差修正权重,随着预测时间点与当前预测时间点之间时间间隔的拉长,动态为历史误差修正值和实时误差修正值分配权重,使历史误差修正和实时误差修正组合起来对每个预测时间点的预测功率的修正效果最好,进而提高超短期功率预测精度。
具体的,请参阅图1,本实施例公开的一种光伏超短期预测功率的修正方法,包括以下步骤:
S101:根据当前预测时间点对应的预测时段以及该预测时段对应的天气类型分类方法,对当前预测时间点所在的预测日期的天气类型进行分类,并确定当前预测时间点之后每个预测时间点的天气类型;
一天当中,除个别极端天气外,一般上午日出后四个小时左右基本能够判定当日的实际天气变化情况,因此,相对于日出后四个小时之前的天气预报数据,日出后四个小时后的天气预报数据的准确度更高。
为了提高预测功率修正效果,对当前预测时间点所对应的预测时段对天气类型的分类方法进行区分,如若当前预测时间点在日出后预设参考时间段之前,根据第一次分类对应的天气类型分类方法,对预测日期的天气类型进行分类,若当前预测时间点不在日出后预设参考时间段之前,根据第二次分类对应的天气类型分类方法,对预测日期的天气类型进行分类。
需要说明的是,这里的第一次分类对应的天气类型分类方法和第二次分类对应的天气类型分类方法分别与利用历史数据标定不同天气类型对应的历史误差修正值时,不同预测时段所对应的天气分类方法一致。即标定时根据日出后预设参考时间段之前的历史数值天气预报数据对天气类型进行第一次分类,再利用日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对所述第一次分类进行进一步细分,得到第二次分类。
需要说明的是,上述日出后四个小时仅为对参考时间段的举例,并不是固定的,参考时间段是根据所预测光伏电站所在地的季节及气候特点预先设定的。另外,对于单日天气极容易发生剧烈变化的地区电站,单日按照不同时段的实时数据可能被划分为多个类别,二次分类可以发生在当前预测时间点所对应的最近时段之后,并不一定限制在日出后某一个参考时间段之后。
S102:根据每个预测时间点的天气类型以及预先标定的天气类型与历史误差修正值的对应关系,确定每个预测时间点的历史误差修正值;
其中,如上所述,天气类型与历史误差修正值的对应关系是预先根据历史数值天气预报数据和历史实际辐照数据标定得到的,具体的,请参阅图2,天气类型与历史误差修正值的对应关系的标定方法如下:
S201:利用历史数据中每日日出后的预测辐照数据和预测气象数据,对历史天气类型进行第一次分类;
具体的,首先根据历史数据中每日日出后的预测辐照数据和预测气象数据,建立每日的天气类型特征指标,如计算预测辐照的日均辐照度、日最大辐照度、日辐照离散度等,计算预测气象的云指数、气压、风速、湿度、风速等变化信息指标。
然后对每日的天气类型特征指标进行聚类处理,聚类处理得到的天气类型即为第一次分类后的天气类型,具体分成多少个类别,按照聚类算法模型评估指标以及电站所属地区的气候特点确定,一般分为3至5类较为合适。
S202:按照第一次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值;
如可以将历史日期中每个天气类型的预测功率与实际功率的差值的平均值,作为相应天气类型对应的历史误差修正值,当然,也可以利用其它差分算法计算每种天气类型对应的历史误差修正值,这里不做具体限定。
S203:根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对第一次分类进行进一步细分,得到第二次分类;
具体的,首先对于第一次分类后得到的每个天气类型,根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,计算误差变化特征指标;
然后根据误差变化特征指标对上述天气类型特征指标进行修正;
最后利用相似度算法,对修正后的天气类型特征指标进行处理,得到所述第二次分类。
相似度算法是现有比较成熟的算法,本发明应用相似度算法修正后的天气类型特征指标进行处理,对第一次分类进行进一步细分,得到第二次分类。例如,某电站积累了近一年的历史预测辐照数据和预测气象数据,经过第一次分类后,将历史日期的天气按照天气类型分成了5大类,每种类别的日期中,统计上午十点之前的预测辐照和实际辐照误差变化情况,计算误差变化特征指标,根据误差变化特征指标分别对相应的天气类型特征指标进行修正,然后使用相似度算法将日期进行进一步分类,原先分为5大类的历史日期,被分成了23个类别。
S204:按照第二次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值。
也就是说,分类不同,天气类型对应的历史误差修正值也不同。在实际应用过程中,利用预测日期当日日出后数值天气预报首次预测的预测辐照和气象,对预测日期进行天气类型一次分类,并在日出后预设参考时间段之后,如上午十点后,基于实时的实际辐照和预测辐照误差情况,对预测日期进行二次分类。
S103:根据当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;
当前预测时间点前预设时间可以根据电站所在地的气候特点进行设定,如当前预测时间点前一个小时,可以理解的是,当前预测时间点前预设时间内每个预测时间点的实际功率与预测功率是已知的。
可以计算当前预测时间点钱预设时间内的实际功率与预设功率之间误差平均值,作为实时误差修正值。
S104:根据实时误差修正值、每个预测时间点的历史误差修正值、以及预先设定的每个预测时间点的历史误差修正值权重和实时误差修正值权重,分别对超短期预测后得到的每个预测时间点的预测功率进行修正,得到每个预测时间点修正后的预测功率。
在考虑到每个预测时刻的辐照度数值范围不同,当前预测时间点与之后的预测时间点的间隔越长,实时误差修正的效果越差,并且当前预测时间点与之后的预测时间点的间隔越长,云层变化特性差异越大,实时误差修正的效果也越差,以当前预测时刻之后存在T1,T2,…,T16预测时刻为例,实时误差修正值对T1预测时刻的修正效果最好,对T16预测时刻的修正效果最差。
在此基础上,本实施例预先设定每个预测时间点的历史误差修正值权重和实时误差修正权重,随着预测时间点与当前预测时间点之间时间间隔的拉长,动态为历史误差修正值和实时误差修正值分配权重,使历史误差修正和实时误差修正组合起来对每个预测时间点的预测功率的修正效果最好,进而提高超短期功率预测精度。
以日出后预设参考时间段之前为上午十点前,且当前预测时刻在日出后预设参考时间段之前时的历史误差修正值为E11,不在日出后预设参考时间段之前为上午十点后,且当前预测时刻不在日出后预设参考时间段之前时的历史误差修正值为E12为例,实时误差修正值与历史误差修正值的权重设定如下表所示:
表1实时误差修正值与历史误差修正值的权重设定
图3和图4分别为某大型地面电站针对T1和T16的预测功率的修正效果图,可见:虽然相对于T16,对T1的修正效果更好一点,但从图4可以看出,实测功率与修正预测功率之间的误差较小,相对于预测功率,修正预测功率已经非常贴近实测功率。
图5为T1与T16预测功率修正前后的MAE(Mean Absolute Error,平均绝对误差)计算结果对比图,可见,修正后的MAE明显小于修正前的MAE。
图6为依据电网对T16预测功率的考核指标计算的修正前后结果对比图,修正后的准确率明显高于修正前的准确率,修正后的合格率也明显高于修正前的合格率,具体的,依据电网对T16预测功率的考核指标计算的指标统计结果如下表所示:
表2依据电网对T16预测功率的考核指标计算的指标统计结果
可见,通过利用本发明公开的一种光伏超短期预测功率的修正方法对预测功率进行修正,无需增加额外的硬件成本,有效提升了预测准确率,能够满足超短期预测精度的要求。
基于上述实施例公开的一种光伏超短期预测功率的修正方法,本实施例对应公开了一种光伏超短期预测功率的修正装置,请参阅图7,该装置包括:
天气类型确定单元100,用于根据当前预测时间点对应的预测时段以及该预测时段对应的天气类型分类方法,对所述当前预测时间点所在的预测日期的天气类型进行分类,并确定所述当前预测时间点之后每个预测时间点的天气类型;
历史误差修正值确定单元200,用于根据每个所述预测时间点的天气类型以及预先标定的天气类型与历史误差修正值的对应关系,确定每个所述预测时间点的历史误差修正值,所述天气类型与历史误差修正值的对应关系是预先根据历史数值天气预报数据和历史实际辐照数据标定得到的;
实时误差修正值计算单元300,用于根据所述当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;
预测功率修正单元400,用于根据所述实时误差修正值、每个所述预测时间点的历史误差修正值、以及预先设定的每个所述预测时间点的历史误差修正值权重和实时误差修正值权重,分别对超短期预测后得到的每个所述预测时间点的预测功率进行修正,得到每个所述预测时间点修正后的预测功率。
可选的,所述装置还包括历史误差修正值标定单元,包括:
第一天气分类子单元,用于利用历史数据中每日日出后的预测辐照数据和预测气象数据,对历史天气类型进行第一次分类;
第一历史误差修正值计算子单元,用于按照所述第一次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值;
第二天气分类子单元,用于根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对所述第一次分类进行进一步细分,得到第二次分类;
第二历史误差修正值计算子单元,用于按照所述第二次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值。
可选的,所述天气类型确定单元100,具体用于:
若当前预测时间点在日出后预设参考时间段之前,根据所述第一次分类对应的天气类型分类方法,对预测日期的天气类型进行分类;
若当前预测时间点不在日出后预设参考时间段之前,根据所述第二次分类对应的天气类型分类方法,对预测日期的天气类型进行分类。
可选的,所述第一天气分类子单元,具体用于:
根据历史数据中每日日出后的预测辐照数据和预测气象数据,建立每日的天气类型特征指标;
对每日的天气类型特征指标进行聚类处理,对历史天气类型进行所述第一次分类。
可选的,所述第二天气分类子单元,具体用于:
对于第一次分类后得到的每个天气类型,根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,计算误差变化特征指标;
根据所述误差变化特征指标对所述天气类型特征指标进行修正;
利用相似度算法,对修正后的天气类型特征指标进行处理,得到所述第二次分类。
可选的,每个所述预测时间点的历史误差修正值权重与实时误差修正值权重的和值为1,且所述预测时间点与所述当前预测时间点之间时间间隔越长,所述预测时间点的实时误差修正值越小。
本实施例公开的一种光伏超短期预测功率的修正装置,预先根据大量历史数值天气预报数据和历史实际辐照数据标定天气类型与历史误差修正值的对应关系,在根据当前预测时间点对应的预测周期时段以及该预测周期时段对应的天气类型分类方法,对预测日期的天气类型进行分类得到当前预测时间点之后每个预测时间点的天气类型的情况下,确定每个预测时间点的历史误差修正值;然后根据当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;随着预测时间点与当前预测时间点之间时间间隔的拉长,动态为历史误差修正值和实时误差修正值分配权重,使历史误差修正和实时误差修正组合起来对每个预测时间点的预测功率的修正效果最好,进而提高超短期功率预测精度。
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 (12)
1.一种光伏超短期预测功率的修正方法,其特征在于,包括:
根据当前预测时间点对应的预测时段以及该预测时段对应的天气类型分类方法,对所述当前预测时间点所在的预测日期的天气类型进行分类,并确定所述当前预测时间点之后每个预测时间点的天气类型;
根据每个所述预测时间点的天气类型以及预先标定的天气类型与历史误差修正值的对应关系,确定每个所述预测时间点的历史误差修正值,所述天气类型与历史误差修正值的对应关系是预先根据历史数值天气预报数据和历史实际辐照数据标定得到的;
根据所述当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;
根据所述实时误差修正值、每个所述预测时间点的历史误差修正值、以及预先设定的每个所述预测时间点的历史误差修正值权重和实时误差修正值权重,分别对超短期预测后得到的每个所述预测时间点的预测功率进行修正,得到每个所述预测时间点修正后的预测功率。
2.根据权利要求1所述的方法,其特征在于,标定天气类型与历史误差修正值的对应关系,包括:
利用历史数据中每日日出后的预测辐照数据和预测气象数据,对历史天气类型进行第一次分类;
按照所述第一次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值;
根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对所述第一次分类进行进一步细分,得到第二次分类;
按照所述第二次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值。
3.根据权利要求2所述的方法,其特征在于,
若当前预测时间点在日出后预设参考时间段之前,根据所述第一次分类对应的天气类型分类方法,对预测日期的天气类型进行分类;
若当前预测时间点不在日出后预设参考时间段之前,根据所述第二次分类对应的天气类型分类方法,对预测日期的天气类型进行分类。
4.根据权利要求2所述的方法,其特征在于,所述利用历史数据中每日日出后的预测辐照数据和预测气象数据,对历史天气类型进行第一次分类,包括:
根据历史数据中每日日出后的预测辐照数据和预测气象数据,建立每日的天气类型特征指标;
对每日的天气类型特征指标进行聚类处理,对历史天气类型进行所述第一次分类。
5.根据权利要求4所述的方法,其特征在于,所述根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对所述第一次分类进行进一步细分,得到第二次分类,包括:
对于第一次分类后得到的每个天气类型,根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,计算误差变化特征指标;
根据所述误差变化特征指标对所述天气类型特征指标进行修正;
利用相似度算法,对修正后的天气类型特征指标进行处理,得到所述第二次分类。
6.根据权利要求1所述的方法,其特征在于,每个所述预测时间点的历史误差修正值权重与实时误差修正值权重的和值为1,且所述预测时间点与所述当前预测时间点之间时间间隔越长,所述预测时间点的实时误差修正值越小。
7.一种光伏超短期预测功率的修正装置,其特征在于,包括:
天气类型确定单元,用于根据当前预测时间点对应的预测时段以及该预测时段对应的天气类型分类方法,对所述当前预测时间点所在的预测日期的天气类型进行分类,并确定所述当前预测时间点之后每个预测时间点的天气类型;
历史误差修正值确定单元,用于根据每个所述预测时间点的天气类型以及预先标定的天气类型与历史误差修正值的对应关系,确定每个所述预测时间点的历史误差修正值,所述天气类型与历史误差修正值的对应关系是预先根据历史数值天气预报数据和历史实际辐照数据标定得到的;
实时误差修正值计算单元,用于根据所述当前预测时间点前预设时间内的实际功率与预测功率计算实时误差修正值;
预测功率修正单元,用于根据所述实时误差修正值、每个所述预测时间点的历史误差修正值、以及预先设定的每个所述预测时间点的历史误差修正值权重和实时误差修正值权重,分别对超短期预测后得到的每个所述预测时间点的预测功率进行修正,得到每个所述预测时间点修正后的预测功率。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括历史误差修正值标定单元,包括:
第一天气分类子单元,用于利用历史数据中每日日出后的预测辐照数据和预测气象数据,对历史天气类型进行第一次分类;
第一历史误差修正值计算子单元,用于按照所述第一次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值;
第二天气分类子单元,用于根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,对所述第一次分类进行进一步细分,得到第二次分类;
第二历史误差修正值计算子单元,用于按照所述第二次分类,分别根据历史日期中每个天气类型的预测功率与实际功率,计算每个天气类型对应的历史误差修正值。
9.根据权利要求8所述的装置,其特征在于,所述天气类型确定单元,具体用于:
若当前预测时间点在日出后预设参考时间段之前,根据所述第一次分类对应的天气类型分类方法,对预测日期的天气类型进行分类;
若当前预测时间点不在日出后预设参考时间段之前,根据所述第二次分类对应的天气类型分类方法,对预测日期的天气类型进行分类。
10.根据权利要求8所述的装置,其特征在于,所述第一天气分类子单元,具体用于:
根据历史数据中每日日出后的预测辐照数据和预测气象数据,建立每日的天气类型特征指标;
对每日的天气类型特征指标进行聚类处理,对历史天气类型进行所述第一次分类。
11.根据权利要求10所述的装置,其特征在于,所述第二天气分类子单元,具体用于:
对于第一次分类后得到的每个天气类型,根据历史数据中每日日出后预设参考时间段内的实际辐照与预测辐照之间的误差,计算误差变化特征指标;
根据所述误差变化特征指标对所述天气类型特征指标进行修正;
利用相似度算法,对修正后的天气类型特征指标进行处理,得到所述第二次分类。
12.根据权利要求7所述的装置,其特征在于,每个所述预测时间点的历史误差修正值权重与实时误差修正值权重的和值为1,且所述预测时间点与所述当前预测时间点之间时间间隔越长,所述预测时间点的实时误差修正值越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279220.8A CN111507512B (zh) | 2020-04-10 | 2020-04-10 | 一种光伏超短期预测功率的修正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010279220.8A CN111507512B (zh) | 2020-04-10 | 2020-04-10 | 一种光伏超短期预测功率的修正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507512A true CN111507512A (zh) | 2020-08-07 |
CN111507512B CN111507512B (zh) | 2023-11-24 |
Family
ID=71874577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010279220.8A Active CN111507512B (zh) | 2020-04-10 | 2020-04-10 | 一种光伏超短期预测功率的修正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507512B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418558A (zh) * | 2020-12-07 | 2021-02-26 | 天津大学 | 一种基于多源气象预报的总辐射修正方法 |
CN112488364A (zh) * | 2020-11-13 | 2021-03-12 | 合肥阳光新能源科技有限公司 | 负荷预测方法、装置以及计算机可读存储介质 |
CN112651560A (zh) * | 2020-12-28 | 2021-04-13 | 华润电力技术研究院有限公司 | 一种超短期风功率预测方法、装置及设备 |
CN113610287A (zh) * | 2021-07-27 | 2021-11-05 | 远景智能国际私人投资有限公司 | 光功率预报方法、装置、计算机设备及存储介质 |
CN115207913A (zh) * | 2022-07-27 | 2022-10-18 | 中国华能集团清洁能源技术研究院有限公司 | 风储联合运行的超短期功率预测数据的修正方法及系统 |
CN115309052A (zh) * | 2022-08-19 | 2022-11-08 | 北京全应科技有限公司 | 一种工业实时数据时序预测结果的在线修正方法 |
CN115529002A (zh) * | 2022-11-28 | 2022-12-27 | 天津海融科技有限公司 | 一种多种天气条件下的光伏发电功率预测方法 |
CN116154768A (zh) * | 2023-04-14 | 2023-05-23 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020487A (zh) * | 2013-01-20 | 2013-04-03 | 华北电力大学(保定) | 一种光伏电站辐照度预测值修正方法 |
CN105701556A (zh) * | 2015-11-05 | 2016-06-22 | 衢州职业技术学院 | 一种光伏电站超短时功率预测修正方法 |
CN109840633A (zh) * | 2019-01-29 | 2019-06-04 | 合肥工业大学 | 光伏输出功率预测方法、系统和存储介质 |
CN110580549A (zh) * | 2019-09-02 | 2019-12-17 | 山东大学 | 一种考虑天气的区域短期能源功率预测方法及系统 |
-
2020
- 2020-04-10 CN CN202010279220.8A patent/CN111507512B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020487A (zh) * | 2013-01-20 | 2013-04-03 | 华北电力大学(保定) | 一种光伏电站辐照度预测值修正方法 |
CN105701556A (zh) * | 2015-11-05 | 2016-06-22 | 衢州职业技术学院 | 一种光伏电站超短时功率预测修正方法 |
CN109840633A (zh) * | 2019-01-29 | 2019-06-04 | 合肥工业大学 | 光伏输出功率预测方法、系统和存储介质 |
CN110580549A (zh) * | 2019-09-02 | 2019-12-17 | 山东大学 | 一种考虑天气的区域短期能源功率预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
廖青桃: "《基于用水模式识别的城市短期用水量动态预测方法》" * |
朱建红;潘文霞;马飞;: "超短期最优预报下风电场功率预制修正策略" * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488364A (zh) * | 2020-11-13 | 2021-03-12 | 合肥阳光新能源科技有限公司 | 负荷预测方法、装置以及计算机可读存储介质 |
CN112418558A (zh) * | 2020-12-07 | 2021-02-26 | 天津大学 | 一种基于多源气象预报的总辐射修正方法 |
CN112418558B (zh) * | 2020-12-07 | 2022-03-11 | 天津大学 | 一种基于多源气象预报的总辐射修正方法 |
CN112651560A (zh) * | 2020-12-28 | 2021-04-13 | 华润电力技术研究院有限公司 | 一种超短期风功率预测方法、装置及设备 |
CN112651560B (zh) * | 2020-12-28 | 2023-04-25 | 华润电力技术研究院有限公司 | 一种超短期风功率预测方法、装置及设备 |
CN113610287A (zh) * | 2021-07-27 | 2021-11-05 | 远景智能国际私人投资有限公司 | 光功率预报方法、装置、计算机设备及存储介质 |
CN115207913A (zh) * | 2022-07-27 | 2022-10-18 | 中国华能集团清洁能源技术研究院有限公司 | 风储联合运行的超短期功率预测数据的修正方法及系统 |
CN115309052A (zh) * | 2022-08-19 | 2022-11-08 | 北京全应科技有限公司 | 一种工业实时数据时序预测结果的在线修正方法 |
CN115309052B (zh) * | 2022-08-19 | 2023-04-28 | 北京全应科技有限公司 | 一种工业实时数据时序预测结果的在线修正方法 |
CN115529002A (zh) * | 2022-11-28 | 2022-12-27 | 天津海融科技有限公司 | 一种多种天气条件下的光伏发电功率预测方法 |
CN116154768A (zh) * | 2023-04-14 | 2023-05-23 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
CN116154768B (zh) * | 2023-04-14 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111507512B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507512B (zh) | 一种光伏超短期预测功率的修正方法及装置 | |
CN109086928B (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN102867221B (zh) | 一种中长期电量预测动态横向修正方法 | |
CN110633864B (zh) | 一种基于距平偏差的风速数值预报订正方法及其系统 | |
CN111091139A (zh) | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 | |
CN104021424A (zh) | 用于预测风场中的风机的输出功率的方法和装置 | |
CN110365059B (zh) | 一种光功率预测方法及装置 | |
CN107403015B (zh) | 一种基于时间序列相似性的短期光功率预测方法 | |
CN109784563B (zh) | 一种基于虚拟测风塔技术的超短期功率预测方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN112286993A (zh) | 一种光伏电站中发电异常组串的检测方法及装置 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN115577752A (zh) | 一种超短期光伏功率预测方法及系统 | |
CN107977898B (zh) | 一种光伏电站的发电量保险定价评估方法 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN107578157B (zh) | 基于历史大数据对光伏电站系统效率进行修正的方法 | |
CN113884975A (zh) | 一种基于改进动态线损估计的超差电表检测方法 | |
WO2017049428A1 (zh) | 一种基于备用对象代价性能比的旋转备用容量优化方法 | |
CN110348175B (zh) | 一种光伏电站有效辐照计算方法和装置 | |
CN112036038A (zh) | 一种排放源的排放量调优方法、装置、设备及存储介质 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN113393152B (zh) | 一种光伏组件排布地块确定方法及装置 | |
CN116050636A (zh) | 光伏电站的出力预测方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221229 Address after: Room 423, Sunshine Power R&D Center Building, No. 1699, Xiyou Road, High-tech Zone, Hefei City, Anhui Province, 230088 Applicant after: Sunshine Hui Carbon Technology Co.,Ltd. Address before: 230088 No. 1699 Xiyou Road, Hefei High-tech Zone, Anhui Province Applicant before: SUNGROW POWER SUPPLY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |