CN111598337A - 一种分布式光伏短期出力预测的方法 - Google Patents
一种分布式光伏短期出力预测的方法 Download PDFInfo
- Publication number
- CN111598337A CN111598337A CN202010414675.6A CN202010414675A CN111598337A CN 111598337 A CN111598337 A CN 111598337A CN 202010414675 A CN202010414675 A CN 202010414675A CN 111598337 A CN111598337 A CN 111598337A
- Authority
- CN
- China
- Prior art keywords
- data
- day
- weather
- power generation
- sequence
- 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 37
- 238000010248 power generation Methods 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (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)
Abstract
本发明涉及一种分布式光伏短期出力预测的方法，其包括采集光伏配变数据、地理信息及天气情况数据，进行数据预处理，构建预测日的临近日和相似日特征的步骤，对历史发电数据进行小波变换算法分解得到主体序列和细节序列的步骤，依据发电数据和天气数据，将天气分为晴、阴、雨三类的步骤，结合天气数据、临近日、相似日和小波分解结果作为输入特征，在不同天气类别内分别利用随机森林回归算法建模得到晴、阴、雨三种预测模型的步骤，判断未来一日天气数据所属天气类别，输入对应天气类别的算法模型得到发电数据主体序列和细节序列预测数据步骤；本发明方法提高了分布式发电友好并网水平，有效降低弃光率，促进清洁能源消纳，保障电网安全稳定运行，具有极强的可推广性。
Description
技术领域
本发明涉及一种分布式光伏短期出力预测的方法。
背景技术
太阳能发电的诸多优势，让建设分布式光伏发电系统成为一种趋势，光 伏设备大范围覆盖。由于光伏出力情况受环境影响较大，且原有发电数据采 集方式频度低，其监控水平与出力能力受计量装置与通信信道限制，长期处 于弱管理状态，难以实现出力情况的准确预测，专业部门缺少光伏并网调度、 市场交易依据以及弃光量不断增加等问题，给新能源消纳以及电力系统的稳 定运行带来阻力。因此对分布式光伏发电系统健康度评估和短期出力预测具 有重大的理论和现实意义。
发明内容
本发明所要解决的技术问题是提供一种提高分布式发电友好并网水平， 有效降低弃光率，促进清洁能源消纳，保障电网安全稳定运行的分布式光伏 短期出力预测的方法。
本发明采用如下技术方案：
本发明采用如下步骤：
步骤一、采集光伏配变数据、地理信息及天气情况数据，进行数据预处 理，构建预测日的临近日特征和相似日特征；
步骤二、对历史发电数据进行小波变换算法分解得到主体序列和细节序 列；
步骤三、依据发电数据和天气数据，将天气分为晴、阴、雨三类；
步骤四、结合天气数据、临近日、相似日和小波分解结果作为输入特征， 在不同天气类别内分别利用随机森林回归算法建模得到晴、阴、雨三种预测 模型；
步骤五、判断未来一日天气数据所属天气类别，输入对应天气类别的算 法模型得到发电数据主体序列和细节序列预测数据；
步骤六、对预测数据进行小波重构，得出分布式光伏未来一天96个时 间点的发电功率数据。
本发明所述光伏配变数据包括光伏配变档案数据和光伏配变出力数据。
本发明数据预处理包括基于箱线图法的异常值处理、线性回归缺失值处 理以及最优建模数据自动筛选。
本发明临近日为待测日前N天，临近日特征为提取待测日前N天发电数 据均值；
相似日为与预测日天气类型相似，相似日特征为改进KNN算法提取与待 测日天气状况最相似的前M日数据均值；
相似日与预测日的距离计算公式如下：
其中，x为权重调整系数，依实际数据而定，a、b分别为相似日与预测 日的天气因素序列；
所述天气因素序列包括最高温度、最低温度、湿度和降水量。
本发明步骤二中利用小波变换算法分解光伏历史发电功率数据，分解得 到主体序列和细节序列，主体序列和细节序列的计算公式如下：
其中，f(k)是初始数据信号；
i是小波分解的层数，当最高分解层数是I时，i＝I-1,I-2,…,2,1； ai+1(f(k))、di+1(f(k))分别是低、高频分量的多分辨率分析的小波离散逼近系数； H(2k-m)、G(2k-m)分别是低、高通的小波分解的滤波器。
本发明步骤三中依据K-Means算法对发电数据进行聚类分析，然后对各 个类别内对应天气类型进行分类汇总，得到晴、阴、雨三类天气。
K-Means算法是一种无监督聚类算法，采用距离作为相似性评价指标， 认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的 对象组成的，因此把得到紧凑且独立的簇作为最终目标。
本发明步骤六中的小波重构公式为：
式中：aj-1(f(k))为将主体序列和细节序列预测数据经重构生成的结果；
h(m-2k)、g(m-2k)分别是低、高通小波重构滤波器。
本发明所述临近日为待测日前5天，临近日特征为提取待测日前10天 发电数据均值；
数据来源通过HPLC高速载波模块高频采集。
本发明小波变换算法是建立在函数的多尺度逼近和多分辨分析上，将一 组信号经过小波变换后分解成多个互相正交的小波函数的线性组合,展示 信号的重要特征，在分析、比较、处理变换系数后,根据新得到的系数去重 构信号。
本发明所述随机森林算法通过组合多个弱分类器，最终结果通过投票或 取均值，使得整体模型的结果具有较高的精确度和泛化性能。
本发明积极效果如下：
1.本发明以HPLC高速载波模块高频采集数据作为光伏发电数据来源， 结合地理信息、天气数据，保证数据源头的实时性、准确性。HPLC模块能够 对海量光伏发电数据进行全量、高速、可靠采集，在感知层实现光伏发电状 态全面感知。
2.为电网调度计划制定、运行方式安排及市场交易等提供支撑，提高光 伏发电消纳力度。
3.本发明整个分析过程无需人工干预，节约了大量的人力资源，同时还 提高了分析结果的准确性。
4.本发明充分结合了随机森林、小波变换、K-Means聚类算法与分布式 光伏的自身特点，算法简单、实用。
5.用电信息采集系统基本实现了全覆盖、全采集，因此本发明具有极强 的可推广性。
本发明方法提高了分布式发电友好并网水平，有效降低弃光率，促进清 洁能源消纳，保障电网安全稳定运行，具有极强的可推广性。
附图说明
附图1为本发明光伏短期出力预测流程框图；
附图2为不同天气类型下的发电曲线聚类结果示意图。
具体实施方式
如附图1、2所示，本发明首先获取建模所需的光伏发电数据和天气数 据等原始数据，进行数据预处理，并基于发电数据和天气数据将天气分为晴、 阴、雨三类，接下来以前10个临近日均值和采用改进KNN算法算得的5个 相似日的发电数据均值作为临近日、相似日特征数据特征，然后对历史发电 数据进行小波分解，再将小波分解得到的主体序列和细节序列，结合天气数 据和临近日、相似日特征，在相应天气类别内分别建立随机森林回归模型得 出主体序列和预测序列的预测数据，最后对预测数据进行重构，给出分布式 光伏未来一天96个时间点的发电功率数据。
具体采用如下步骤：
步骤一、通过HPLC高速载波模块高频采集光伏配变数据、地理信息及 天气情况数据，进行数据预处理，构建预测日的临近日特征和相似日特征； 所述光伏配变数据包括光伏配变档案数据和光伏配变出力数据；数据预处理 包括基于箱线图法的异常值处理、线性回归缺失值处理以及最优建模数据自 动筛选；数据来源通过HPLC高速载波模块高频采集；
步骤二、对历史发电数据进行小波变换算法分解得到主体序列和细节序 列；
步骤三、依据发电数据和天气数据，将天气分为晴、阴、雨三类；
步骤四、结合天气数据、临近日、相似日和小波分解结果作为输入特征， 在不同天气类别内分别利用随机森林回归算法建模得到晴、阴、雨三种预测 模型；
步骤五、判断未来一日天气数据所属天气类别，输入对应天气类别的算 法模型得到发电数据主体序列和细节序列预测数据；
步骤六、对预测数据进行小波重构，得出分布式光伏未来一天96个时 间点的发电功率数据。
本发明所述临近日为待测日前N天，临近日特征为提取待测日前N天发 电数据均值；
所述相似日为与预测日天气类型相似，相似日特征为改进KNN算法提取 与待测日天气状况最相似的前M日数据均值；
相似日与预测日的距离计算公式如下：
其中，x为权重调整系数，依实际数据而定，a、b分别为相似日与预测 日的天气因素序列；
本实施例所述临近日为待测日前5天，临近日特征为提取待测日前10 天发电数据均值。
上述步骤四中利用小波变换算法分解光伏历史发电功率数据，分解得到 主体(低频)序列和细节(高频)序列，用以刻画光伏出力序列的波动性和 陡升陡降性，主体和细节序列的计算公式如下：
其中，f(k)是初始数据信号；
i是小波分解的层数，当最高分解层数是I时，i＝I-1,I-2,…,2,1；
ai+1(f(k))、di+1(f(k))分别是低、高频分量的多分辨率分析的小波离散逼近 系数；
H(2k-m)、G(2k-m)分别是低、高通的小波分解的滤波器。
上述步骤四中利用随机森林回归算法构建预测模型，随机森林根据下列 步骤而建造每棵树：
1)用N来表示训练用例(样本)的个数，M表示特征数目；
2)输入特征数目m，用于确定决策树上一个节点的决策结果；其中m应 远小于M；
3)从N个训练用例(样本)中以有放回抽样的方式，取样N次，形成一 个训练集(即bootstrap取样)，并用未抽到的用例(样本)作预测，评估 其误差；
4)对于每一个节点，随机选择m个特征，决策树上每个节点的决定都是 基于这些特征确定的。根据这m个特征，计算其最佳的分裂方式；
5)每棵树都会完整成长而不会剪枝，这有可能在建完一棵正常树状分类 器后会被采用。
步骤六中的小波重构公式为：
式中：aj-1(f(k))为将主体序列和细节序列预测数据经重构生成的结果；
h(m-2k)、g(m-2k)分别是低、高通小波重构滤波器。
本发明小波变换算法是建立在函数的多尺度逼近和多分辨分析上的一 种时频分析方法，将一组信号经过小波变换后分解成多个互相正交的小波函 数的线性组合,展示信号的重要特征，在分析、比较、处理变换系数后,根 据新得到的系数去重构信号。
本发明随机森林算法是一种集成算法(Ensemble Learning)，它属于 Bagging类型，通过组合多个弱分类器，最终结果通过投票或取均值，使得 整体模型的结果具有较高的精确度和泛化性能，其可以取得不错成绩，主要 归功于“随机”和“森林”，一个使它具有抗过拟合能力，一个使它更加精 准。
下述以实际用户数据对数据建模过程进行举例说明。
1.数据准备
从国网用电信息采集系统抽取预测日前2个月的历史光伏发电数据，利 用网络爬虫方式获取光伏设备外部环境数据，为预测模型搭建进行原始数据 准备。光伏发电数据包括用户编号、合同容量、综合倍率、所属供电单位、 所在供电所、日发电量、每日96点发电功率。外部环境数据包括天气类型、 气温、降水量、风力、云量。
表1基础数据表
对原始数据集合进行预处理，包括基于统计法、箱线图法进行异常值剔 除和基于平均值法进行缺失值填补。对发电功率数据分别做散点图和箱线图， 将98％以外和箱线图以外数据作为异常值剔除。利用缺失值发电用户所在供 电所对应发电时间的整体平均值对缺失值进行填充。
2.特征选取
计算预测日前10日的发电功率均值作为临近日特征因素。构建天气因 素特征序列，序列因子包括最高温度、最低温度、湿度、降水量，利用公式(1)计算出与预测日天气类型最相似的5天，计算这5天的发电功率均值 作为相似日特征。
3.天气类型分类
使用K-Means聚类分析算法对历史发电曲线进行聚类分析，得到三个类 别的发电曲线集合，针对每个类别发电曲线，匹配相应的天气类型数据，基 于此对天气类型进行分类汇总，得到晴、阴、雨三个类别的天气类型分类， 附图2展现了某供电所不同天气类型下发电曲线分类结果图。
4.建立预测模型
(一)利用公式(2)、(3)对预测日前2个月的光伏发电功率数据进 行小波分解，得到主体(低频)序列和细节(高频)序列，表2展示某一用 户某日部分时段的小波分解结果。
| 分解项 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| 主体序列 | 0.000 | 0.003 | 0.009 | 0.019 | 0.035 | 0.051 | 0.076 | 0.097 | 0.121 | 0.111 |
| 细节序列 | 0.000 | -0.003 | -0.001 | -0.003 | -0.004 | -0.005 | -0.006 | -0.005 | -0.003 | 0.005 |
表2小波分解结果
(二)对小波分解得到主体序列和细节序列，结合天气数据和临近日特 征、相似日特征，采用随机森林回归算法在相应类别内分别建立预测模型， 计算待预测时间点的光伏出力主体序列和细节序列预测值。
表3主体序列与细节序列部分数据预测结果
(三)利用公式(4)对主体系列项和细节序列预测结果进行小波重构 得到最终预测结果，然后将96个时间点的发电功率预测结果按时间排序得 到用户未来一天的96点出力预测结果。
| 部分预测点 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
| 原始数据 | 0.033 | 0.040 | 0.051 | 0.058 | 0.065 | 0.073 | 0.084 | 0.088 | 0.082 | 0.075 |
| 预测结果 | 0.033 | 0.040 | 0.049 | 0.058 | 0.065 | 0.072 | 0.084 | 0.088 | 0.082 | 0.075 |
表4部分最终预测结果
1.本发明以HPLC高速载波模块高频采集数据作为光伏发电数据来源， 结合地理信息、天气数据，保证数据源头的实时性、准确性。HPLC模块能够 对海量光伏发电数据进行全量、高速、可靠采集，在感知层实现光伏发电状 态全面感知。
2.为电网调度计划制定、运行方式安排及市场交易等提供支撑，提高光 伏发电消纳力度。
3.本发明整个分析过程无需人工干预，节约了大量的人力资源，同时还 提高了分析结果的准确性。
4.本发明充分结合了随机森林、小波变换、马尔科夫链、K-Means聚类 算法与分布式光伏的自身特点，算法简单、实用。
5.用电信息采集系统基本实现了全覆盖、全采集。
本发明方法提高了分布式发电友好并网水平，有效降低弃光率，促进清 洁能源消纳，保障电网安全稳定运行，具有极强的可推广性。
最后说明的是，以上所述仅为本发明的较佳实施例而已，并不用以限制 本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等， 均应包含在本发明的保护范围之内。
Claims (10)
1.一种分布式光伏短期出力预测的方法，其特征在于：采用如下步骤：
步骤一、采集光伏配变数据、地理信息及天气情况数据，进行数据预处理，构建预测日的临近日特征和相似日特征；
步骤二、对历史发电数据进行小波变换算法分解得到主体序列和细节序列；
步骤三、依据发电数据和天气数据，将天气分为晴、阴、雨三类；
步骤四、结合天气数据、临近日、相似日和小波分解结果作为输入特征，在不同天气类别内分别利用随机森林回归算法建模得到晴、阴、雨三种预测模型；
步骤五、判断未来一日天气数据所属天气类别，输入对应天气类别的算法模型得到发电数据主体序列和细节序列预测数据；
步骤六、对预测数据进行小波重构，得出分布式光伏未来一天96个时间点的发电功率数据。
2.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：所述光伏配变数据包括光伏配变档案数据和光伏配变出力数据。
3.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：数据预处理包括基于箱线图法的异常值处理、线性回归缺失值处理以及最优建模数据自动筛选。
4.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：临近日为待测日前N天，临近日特征为提取待测日前N天发电数据均值；
相似日为与预测日天气类型相似，相似日特征为改进KNN算法提取与待测日天气状况最相似的前M日数据均值；
相似日与预测日的距离计算公式如下：
其中，x为权重调整系数，依实际数据而定，a、b分别为相似日与预测日的天气因素序列；
所述天气因素序列包括最高温度、最低温度、湿度和降水量。
5.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：步骤二中利用小波变换算法分解光伏历史发电功率数据，分解得到主体序列和细节序列，主体序列和细节序列的计算公式如下：
其中，f(k)是初始数据信号；
i是小波分解的层数，当最高分解层数是I时，i＝I-1,I-2,…,2,1；ai+1(f(k))、di+1(f(k))分别是低、高频分量的多分辨率分析的小波离散逼近系数；H(2k-m)、G(2k-m)分别是低、高通的小波分解的滤波器。
6.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：步骤三中依据K-Means算法对发电数据进行聚类分析，然后对各个类别内对应天气类型进行分类汇总，得到晴、阴、雨三类天气。
7.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：步骤六中的小波重构公式为：
式中：aj-1(f(k))为将主体序列和细节序列预测数据经重构生成的结果；
h(m-2k)、g(m-2k)分别是低、高通小波重构滤波器。
8.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：所述临近日为待测日前5天，临近日特征为提取待测日前10天发电数据均值；
数据来源通过HPLC高速载波模块高频采集。
9.根据权利要求5所述的一种分布式光伏短期出力预测的方法，其特征在于：小波变换算法是建立在函数的多尺度逼近和多分辨分析上，将一组信号经过小波变换后分解成多个互相正交的小波函数的线性组合,展示信号的重要特征，在分析、比较、处理变换系数后,根据新得到的系数去重构信号。
10.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：所述随机森林算法通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414675.6A CN111598337B (zh) | 2020-05-15 | 2020-05-15 | 一种分布式光伏短期出力预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010414675.6A CN111598337B (zh) | 2020-05-15 | 2020-05-15 | 一种分布式光伏短期出力预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111598337A true CN111598337A (zh) | 2020-08-28 |
| CN111598337B CN111598337B (zh) | 2022-12-13 |
Family
ID=72191285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010414675.6A Active CN111598337B (zh) | 2020-05-15 | 2020-05-15 | 一种分布式光伏短期出力预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598337B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668806A (zh) * | 2021-01-17 | 2021-04-16 | 中国南方电网有限责任公司 | 一种基于改进随机森林的光伏功率超短期预测方法 |
| CN112766733A (zh) * | 2021-01-21 | 2021-05-07 | 山东大学 | 利用改进的K-means算法加速优化调度算法收敛的方法及系统 |
| CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
| CN116667443A (zh) * | 2023-06-20 | 2023-08-29 | 苏州天富利新能源科技有限公司 | 一种光伏设备和光伏设备控制系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
| CN110705789A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种光伏电站短期功率预测方法 |
| CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
-
2020
- 2020-05-15 CN CN202010414675.6A patent/CN111598337B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
| CN110705789A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种光伏电站短期功率预测方法 |
| CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张倩等: "频域分解和深度学习算法在短期负荷及光伏功率预测中的应用", 《中国电机工程学报》 * |
| 李婉华等: "基于随机森林算法的用电负荷预测研究", 《计算机工程与应用》 * |
| 荀港益: "基于聚类分析与随机森林的短期负荷滚动预测", 《智能城市》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668806A (zh) * | 2021-01-17 | 2021-04-16 | 中国南方电网有限责任公司 | 一种基于改进随机森林的光伏功率超短期预测方法 |
| CN112668806B (zh) * | 2021-01-17 | 2022-09-06 | 中国南方电网有限责任公司 | 一种基于改进随机森林的光伏功率超短期预测方法 |
| CN112766733A (zh) * | 2021-01-21 | 2021-05-07 | 山东大学 | 利用改进的K-means算法加速优化调度算法收敛的方法及系统 |
| CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
| CN116667443A (zh) * | 2023-06-20 | 2023-08-29 | 苏州天富利新能源科技有限公司 | 一种光伏设备和光伏设备控制系统 |
| CN116667443B (zh) * | 2023-06-20 | 2024-04-26 | 苏州天富利新能源科技有限公司 | 一种光伏设备和光伏设备控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111598337B (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598337B (zh) | 一种分布式光伏短期出力预测的方法 | |
| CN111353653B (zh) | 一种光伏出力短期区间预测方法 | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
| CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
| CN111860600B (zh) | 一种基于最大相关最小冗余判据的用户用电特征选择方法 | |
| CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
| CN110008982B (zh) | 一种基于光伏发电出力聚类的气象监测点选择方法 | |
| CN110781332A (zh) | 基于复合聚类算法的电力居民用户日负荷曲线聚类方法 | |
| CN108846527A (zh) | 一种光伏发电功率预测方法 | |
| CN109165693B (zh) | 一种适用于露、霜和结冰的天气现象的自动判识方法 | |
| CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
| CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
| CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
| CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
| Nhita | A rainfall forecasting using fuzzy system based on genetic algorithm | |
| CN116911806B (zh) | 基于互联网+的电力企业能源信息管理系统 | |
| CN113052386A (zh) | 基于随机森林算法的分布式光伏日发电量预测方法和装置 | |
| CN113052469A (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
| CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN107358323A (zh) | 一种短期光伏发电的功率预测方法 | |
| Maldonado-Salguero et al. | Spatio-temporal dynamic clustering modeling for solar irradiance resource assessment | |
| CN113610285A (zh) | 一种分散式风电的功率预测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211220 Address after: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant after: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant after: Marketing service center of State Grid Hebei Electric Power Co.,Ltd. Applicant after: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant before: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant before: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |