CN111754026A - 光伏电站群功率预测方法、装置、计算机设备及存储介质 - Google Patents
光伏电站群功率预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN111754026A CN111754026A CN202010468838.9A CN202010468838A CN111754026A CN 111754026 A CN111754026 A CN 111754026A CN 202010468838 A CN202010468838 A CN 202010468838A CN 111754026 A CN111754026 A CN 111754026A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic power
- historical
- day
- power station
- 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 97
- 238000012216 screening Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 67
- 238000010248 power generation Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 230000002354 daily effect Effects 0.000 description 236
- 230000008569 process Effects 0.000 description 23
- 230000002159 abnormal effect Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000112598 Pseudoblennius percoides Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006854 communication Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
Abstract
本申请涉及一种光伏电站群功率预测方法、装置、计算机设备及存储介质。该方法包括:通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取历史时间段内与预测日对应的相似日集,通过初始特征数据,筛选出网格点中的基础特征数据,将基础特征数据输入至目标功率预测模型,获取分布式光伏电站在指定时刻的预测功率数据,按照预测日内的时间先后顺序,通过指定时刻的预测功率数据获取预测日的目标功率数据序列;上述方法可以筛选出具有时空信息的基础特征数据,以丰富样本空间,进而将基础特征数据输入至目标功率预测模型,预测分布式光伏电站在指定时刻的预测功率数据,能够提高分布式光伏电站群短期功率的预测精度。
Description
技术领域
本申请涉及分布式光伏电站群功率预测领域,特别是涉及一种光伏电站群功率预测方法、装置、计算机设备及存储介质。
背景技术
随着光伏发电技术的发展,光伏电站越来越多。目前常见的光伏电站主要包括两种形式:集中式光伏电站和分布式光伏电站。为考察光伏电站的发电容量,需要对光伏电站的功率进行预测。对于分布式光伏电站,由于其容量小、分布广等特点,目前并没有比较成熟的功率预测方法。同时,一个区域内通常会设置多个分布式光伏电站,因此,研究分布式光伏电站群功率预测方法,是一个非常重要的问题。
传统技术中,基于集中式光伏预测功率采用容量折算法,实现分布式光伏电站群光伏电站群功率预测方法。但是,采用传统技术会降低分布式光伏电站群短期功率的预测精度。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高分布式光伏电站群光伏电站群功率预测精度的光伏电站群功率预测方法、装置、计算机设备及存储介质。
一种光伏电站群功率预测方法,所述方法包括:
通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
在其中一个实施例中,所述通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集,包括:
对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据;其中,所述中间特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
通过所述中间特征数据中的等效历史日功率数据序列以及等效预测日功率数据序列,获取所述历史时间段内与所述预测日对应的所述相似日集。
在其中一个实施例中,所述对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据,包括:
采用异常值处理法,对所述目标区域中所述网格点内的所述光伏电站,对应的所述历史时间段内的所述初始特征数据进行异常处理,获取异常处理后的所述网格点内所述光伏电站对应的所述历史时间段内的所述中间特征数据。
在其中一个实施例中,所述对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据,包括:
采用插值法,对所述目标区域中所述网格点内的所述光伏电站,对应的所述历史时间段内的所述初始特征数据进行插值处理,获取插值处理后的所述网格点内所述光伏电站对应的所述历史时间段内的所述中间特征数据。
在其中一个实施例中,所述相似日集包括最相似日;所述通过所述中间特征数据中的等效历史日功率数据序列以及等效预测日功率数据序列,获取所述历史时间段内与所述预测日对应的相似日集,包括:
通过所述中间特征数据中所述光伏电站中的集中式光伏电站对应的等效历史日功率数据序列进行容量折算,得到所述集中式光伏电站对应的单位容量历史日功率数据序列;
对所述集中式光伏电站对应的单位容量历史日功率数据序列求平均,得到所述集中式光伏电站对应的区域单位容量历史日功率数据序列;
通过所述中间特征数据中所述光伏电站中的集中式光伏电站对应的等效预测日功率数据序列进行容量折算,得到所述集中式光伏电站对应的单位容量预测日功率数据序列;
对所述集中式光伏电站对应的单位容量预测日功率数据序列求平均,得到所述集中式光伏电站对应的区域单位容量预测日功率数据序列;
通过所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,选取所述历史时间段内与所述预测日对应的所述最相似日;
其中,所述最相似日表征与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,相似度最高的所述集中式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日。
在其中一个实施例中,所述通过所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,选取所述历史时间段内与所述预测日对应的所述最相似日,包括:
对所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列分别进行特征提取,得到所述区域单位容量历史日功率数据序列对应的历史日综合特征向量,以及所述区域单位容量预测日功率数据序列对应的预测日综合特征向量;
通过所述历史日综合特征向量以及所述预测日综合特征向量,计算所述历史日综合特征向量与所述预测日综合特征向量之间的特征距离;
对所述特征距离进行排序处理,按照预设大小顺序选取所述历史时间段内与所述预测日对应的所述最相似日。
在其中一个实施例中,所述相似日集包括次相似日子集;所述方法还包括:
通过所述中间特征数据中所述光伏电站中的分布式光伏电站对应的等效历史日功率数据序列进行容量折算,得到所述分布式光伏电站对应的单位容量历史日功率数据序列;
对所述分布式光伏电站对应的单位容量历史日功率数据序列求平均,得到所述分布式光伏电站对应的区域单位容量历史日功率数据序列;
通过所述中间特征数据中所述光伏电站中的分布式光伏电站对应的等效预测日功率数据序列进行容量折算,得到所述分布式光伏电站对应的单位容量预测日功率数据序列;
对所述分布式光伏电站对应的单位容量预测日功率数据序列求平均,得到所述分布式光伏电站对应的区域单位容量预测日功率数据序列;
对所述分布式光伏电站对应的区域单位容量历史日功率数据序列进行特征提取,得到所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量;
通过所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量,与所述最相似日对应的历史日综合特征向量,选取所述历史时间段内与所述预测日对应的所述次相似日子集;
其中,所述次相似日子集包括次相似日;所述次相似日表征按照所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量,与所述最相似日对应的历史日综合特征向量之间的相似度大小,选取所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的第二预设数量个历史日。
在其中一个实施例中,所述通过所述初始特征数据,筛选出所述网格点中的基础特征数据,包括:
对所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据;
从所述中间特征数据中,筛选出所述网格点中的所述基础特征数据。
在其中一个实施例中,所述按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列,包括:
按照所述预测日内的时间先后顺序,将所述指定时刻的所述预测功率数据组成所述预测日的初始功率数据序列;
确定所述初始功率数据序列中的起始发电时刻和终止发电时刻;
对所述初始功率数据序列中所述起始发电时刻后第一预设时间段内的所述初始功率数据序列进行数据修正,并对所述初始功率数据序列中所述终止发电时刻前第二预设时间段内的所述初始功率数据序列进行数据修正,得到所述预测日的所述目标功率数据序列。
一种光伏电站群功率预测装置,所述装置包括:
相似日集获取模块,用于通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
基础特征数据筛选模块,用于通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
预测模块,用于将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
功率数据序列获取模块,用于按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
上述光伏电站群功率预测方法、装置、计算机设备及存储介质,该方法通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取历史时间段内与预测日对应的相似日集,通过初始特征数据,筛选出网格点中的基础特征数据,将基础特征数据输入至目标功率预测模型,获取分布式光伏电站在指定时刻的预测功率数据,按照预测日内的时间先后顺序,通过指定时刻的预测功率数据获取预测日的目标功率数据序列;上述方法可以筛选出具有时空信息的基础特征数据,以丰富样本空间,进而将基础特征数据输入至目标功率预测模型,预测分布式光伏电站在指定时刻的预测功率数据,能够提高分布式光伏电站群短期功率的预测精度。
附图说明
图1为一个实施例中光伏电站群功率预测方法的流程示意图;
图2为一个实施例中计算机设备的内部结构图;
图3为另一个实施例中获取相似日集的流程示意图;
图4为另一个实施例中获取最相似日的流程示意图;
图5为另一个实施例中获取最相似日的具体流程示意图;
图6为另一个实施例中获取次相似日子集的流程示意图;
图7为另一个实施例中筛选基础特征数据的流程示意图;
图8为另一个实施例中对初始功率数据进行数据修正的流程示意图;
图9为一个实施例中光伏电站群功率预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示提供了一种光伏电站群功率预测方法的流程示意图,以该方法应用于图2中的计算机设备为例进行说明(图2示出了计算机设备的内部结构),包括以下步骤:
步骤S1000、通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据。
具体的,目标区域可以划分为网格区域,网格的交叉点可以理解为网格点;历史时间段可以大于等于1年,历史时间段内可以包括多个历史日和预测日。上述目标区域中的网格点内可以包含光伏电站,光伏电站可以包括集中式光伏电站和分布式光伏电站。上述相似日集可以包括多个与预测日相似的历史日。在本实施例中,初始特征数据可以包括:光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据,另外,还可以包括光伏电站的基本数据和实测电气数据。通常,计算机设备可以收集到光伏电站的基本数据、实测电气数据和气象数据;光伏电站的基本数据可以包括光伏电站内光伏组件的装机容量、光伏电站所处的地理位置信息等;实测电气数据可以包括日功率数据序列、每日电量等;气象数据可以包括实测气象数据和数值天气预报气象数据等,且采集气象数据的时间分辨率可以小时级别。上述目标区域范围可以理解为空间范围,在空间范围内,气象数据中的不同数值天气预报气象数据之间可以存在一定的相关性。
需要说明的是,根据实测电气数据和气象数据的获取情况,光伏电站可以被划分成信息完备站点、信息半完备站点和功率信息“全黑”站点。其中,信息完备站点可以获取光伏电站的基本数据、实测电气数据和气象数据;如,集中式光伏电站可以称为信息完备站点。信息半完备站点可以获取光伏电站的基本数据和实测电气数据;如,大容量分布式光伏电站可以称为信息半完备站点。功率信息“全黑”站点可以为仅能够获取光伏电站的基本数据和每日电量,无法获取日功率数据序列和气象数据的分布式光伏场站,该类光伏电站的数据较多,但是装机容量大约占总装机容量的30%。如表1所示为三种不同站点获取到的数据信息说明,√表示该站点可获取到相应数据,×表示该站点不可获取到相应数据,其中,功率信息“全黑”站点中少数装机容量相对较大电站可以获取日电量累计曲线。
表1
在本实施例中,计算机设备可以收集信息完备站点中光伏组件的装机容量、地理位置信息、历史日功率数据序列、预测日功率数据序列和数值天气预报气象数据等数据信息;收集信息半完备站点中光伏组件的装机容量、地理位置信息和历史日功率数据序列等数据信息;收集功率信息“全黑”站点中光伏组件的装机容量、地理位置信息、重构日功率数据序列、每日电量等数据;计算机设备收到的这些数据可以为初始特征数据。
其中,目标区域中网格点内的所有分布式光伏电站(包括信息半完备站点和功率信息“全黑”站点)各日对应的日功率数据序列相加,可以得到目标区域中网格点内的分布式光伏电站各日的重构日功率数据序列。通过分布式光伏电站各日的重构日功率数据序列,可以计算分布式光伏电站的等效历史日功率数据序列,计算过程可以通过公式(1)表示为:
上述Pi和P’i分别表示网格点内1个分布式光伏电站的真实日功率数据序列和重构日功率数据序列,i表示历史时间段内的历史日序列(该历史日不包含预测日),N和M分别表示网格点内信息半完备站点和信息“全黑”站点的数量;Pgrid表示网格点内分布式光伏电站的等效历史日功率数据序列。
其中,采用上述公式(1)也可以计算分布式光伏电站对应的等效预测日功率数据序列,此时,i表示历史时间段内的预测日。
另外,计算目标区域中网格点内,集中式光伏电站对应的等效历史日功率数据序列和等效预测日功率数据序列时采用的方法,与计算分布式光伏电站的等效历史日功率数据序列和等效预测日功率数据序列采用的方法类似;仅需要将计算分布式光伏电站的等效历史日功率数据序列和等效预测日功率数据序列时,目标区域中网格点内所有分布式光伏电站(包括信息半完备站点和功率信息“全黑”站点)的相关数据,替换为目标区域中网格点内所有集中式光伏电站(即信息完备站点)即可。
步骤S2000、通过所述初始特征数据,筛选出所述网格点中的基础特征数据。
其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据。
具体的,计算机设备可以从大范围、多时刻采集到的初始特征数据中,选取小范围、部分时刻的基础特征数据,作为网格点中的基础特征数据。上述基础特征数据可以包括预测日内指定时刻前后第一预设数量个时刻对应的气象数据、分布式光伏电站在相似日集中每个相似日内指定时刻前后第一预设数量个时刻对应的功率数据、集中式光伏电站在预测日内指定时刻前后第一预设数量个时刻对应的功率数据。筛选出的基础特征数据可以包括时间特征,还可以包括空间特征。
在本实施例中,上述指定时刻可以理解为历史时间段内某天中任意时刻;上述第一预设数量可以为任意数量。若筛选出指定时刻tn前后N个时刻的气象数据,则N个时刻可以分别时刻tn-2、时刻tn-1、时刻tn+1、时刻tn+2;其中,指定时刻tn前的多个时刻和指定时刻tn后的多个时刻可以相等,也可以不相等,只要保证指定时刻tn前后均具有筛选到的气象数据即可;筛选功率数据的方法也类似,对此不再赘述。
步骤S3000、将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型。
具体的,计算机设备可以将基础特征数据输入至目标功率预测模型,通过目标功率预测模型,对网格点内每个光伏电站的功率数据进行精准预测,以获取分布式光伏电站在指定时刻的预测功率数据。上述目标功率预测模型可以为一种三维卷积神经网络模型,通过历史特征数据中提取的基础特征数据,对初始功率预测模型进行训练得到的网络模型。本实施例可以采用一种浅层卷积神经网络模型(即初始功率预测模型)进行训练,同时还可以加入随机失活等方法减低过拟合风险。
需要说明的是,训练初始功率预测模型前,可以采集历史时间段内的初始特征数据,并将初始特征数据划分成训练集数据和测试集数据,训练集数据可以用于网络模型的训练,测试集数据可以用于网络模型拟合效果的验证。训练开始时,可以采用尝试法,初始化初始功率预测模型的学习因子、隐含层数量等网络参数、相似日集大小和输入至目标功率预测模型的基础特征数据的时间维度Lin,根据训练效果(即损失函数的稳态值、损失函数收敛情况等)确定网络参数、相似日集的大小、输入至目标功率预测模型的基础特征数据的时间维度Lin等参数,以得到一个最优的网络模型。上述相似日集大小可以表征相似日集中相似日的数量。在本实施例中,网络模型训练过程中,将均方误差可以作为损失函数。
可以理解的是,目标功率预测模型每次输入的基础特征数据的表达形式可以为(Cin,Win,Hin,Lin)。其中,Cin表示通道数(即基础特征数据类型),Cin可以包括相似日的分布式光伏电站的日功率数据序列、相似日的集中式光伏电站的日功率数据序列、预测日的集中式光伏电站的日预测功率数据序列以及数值天气预报气象数据,该数值天气预报气象数据可以包括数值天气预报辐照数据;Win和Hin表示目标区域中网格点的行数和列数;Lin表示日功率数据序列的时间维度。
例如,设相似日集中包含N个相似日,目标区域包含W行H列的网格点,其中,Cin、Win和Hin可以由公式(2)~(4)计算得到,Lin可以根据训练模型的训练效果确定;若Lin取3,则表征将预测的指定时刻前后3个时刻的基础特征数据作为目标功率预测模型的输入进行预测。
Cin=2×N+2 (2);
Win=W (3);
Hin=H (4)。
步骤S4000、按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
在本实施例中,计算机设备可以对预测日内每个时刻的预测功率数据进行预测,然后按照预测日内的时间先后顺序,将每个指定时刻的预测功率数据组合后,得到预测日的目标功率数据序列。此时,目标功率数据序列中不存在误差功率数据。
上述光伏电站群功率预测方法可以通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取历史时间段内与预测日对应的相似日集,通过初始特征数据,筛选出网格点中的基础特征数据,将基础特征数据输入至目标功率预测模型,获取分布式光伏电站在指定时刻的预测功率数据,按照预测日内的时间先后顺序,通过指定时刻的预测功率数据获取预测日的目标功率数据序列;上述方法可以筛选出具有时空信息的基础特征数据,丰富样本空间,进而将基础特征数据输入至目标功率预测模型,预测分布式光伏电站在指定时刻的预测功率数据,能够提高分布式光伏电站群短期功率的预测精度。
在其中一个实施例中,如图3所示,上述步骤S1000中通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集的过程,可以包括:
步骤S1100、对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据。
其中,所述中间特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据。
具体的,上述初始特征数据可以包括异常数据和/或缺失数据。需要说明的是,上述预处理可以为特征编码处理、特征选择处理、规范化处理、插值处理、平均数填充处理、异常值处理中的至少一种处理过程。
其中,上述步骤S1100中对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据的过程,可以包括:采用异常值处理法,对所述目标区域中所述网格点内的所述光伏电站,对应的所述历史时间段内的所述初始特征数据进行异常处理,获取异常处理后的所述网格点内所述光伏电站对应的所述历史时间段内的所述中间特征数据。
需要说明的是,计算机设备可以采用3-sigma法或相关因素分析法等检测法,检测初始特征数据中是否存在异常数据;若检测到初始特征数据中存在异常数据时,可以采用异常值处理法将初始特征数据进行异常处理,以得到异常处理后的初始特征数据中,网格点内光伏电站对应的历史时间段内的中间特征数据。其中,若初始特征数据中的异常数据较少时,计算机设备可以直接剔除异常值,得到异常处理后的初始特征数据中,网格点内光伏电站对应的历史时间段内的中间特征数据,从而还能够减少计算量;若初始特征数据中的异常数据较多时,计算机设备可以采用插值法或者平均数填充法等处理法替换初始特征数据中的异常数据,得到异常处理后的初始特征数据中,网格点内光伏电站对应的历史时间段内的中间特征数据。
另外,上述步骤S1100中对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据的过程,还可以包括:采用插值法,对所述目标区域中所述网格点内的所述光伏电站,对应的所述历史时间段内的所述初始特征数据进行插值处理,获取插值处理后的所述网格点内所述光伏电站对应的所述历史时间段内的所述中间特征数据。
同时,计算机设备还可以采用查询法检测初始特征数据中是否存在缺失数据;若检测到初始特征数据中存在缺失数据时,可以采用插值法等处理方法对初始特征数据进行插值处理,以得到插值处理后的网格点内光伏电站对应的历史时间段内的中间特征数据。通常,初始特征数据中还会存在缺失数据。在本实施例中,若初始特征数据中仅存在异常数据,则计算机设备可以仅对初始特征数据进行异常处理,得到异常处理后的网格点内光伏电站对应的历史时间段内的中间特征数据;若初始特征数据中仅存在缺失数据,则计算机设备可以仅对初始特征数据进行缺失值处理(即插值处理),得到插值处理后的网格点内光伏电站对应的历史时间段内的中间特征数据;若初始特征数据中既存在异常数据还存在缺失数据,此时,计算机设备可以对初始特征数据进行异常处理和缺失值处理后,才能得到网格点内光伏电站对应的历史时间段内的中间特征数据。其中,异常处理和缺失值处理的执行顺序可以相互调换,对此执行顺序不做任何限定。在本实施例中,初始特征数据中存在的缺失值是由于通信过程中故障所致缺失的数据,大多属于小段的数据缺失。
步骤S1200、通过所述中间特征数据中的等效历史日功率数据序列以及等效预测日功率数据序列,获取所述历史时间段内与所述预测日对应的所述相似日集。
具体的,计算机设备可以计算中间特征数据中的等效历史日功率数据序列以及等效预测日功率数据序列之间的相似度,通过相似度大小获取历史时间段内与预测日对应的相似日集。计算机设备还可以先将中间特征数据中的等效历史日功率数据序列和等效预测日功率数据序列,分别折算成统一量纲的数据序列,然后计算折算后的数据序列之间的特征距离,通过特征距离大小,获取历史时间段内与预测日对应的相似日集。
上述光伏电站群功率预测方法可以获取历史时间段内与预测日对应的相似日集,进而通过相似日集筛选出网格点中的基础特征数据,并将基础特征数据输入至目标功率预测模型,获取分布式光伏电站在指定时刻的预测功率数据,从而获取预测日的目标功率数据序列;上述方法可以筛选出与预测日的特征数据相似的具有时空信息的基础特征数据,以丰富样本空间,从而提高分布式光伏电站群短期功率的预测精度。
作为其中一个实施例,所述相似日集包括最相似日;如图4所示,上述步骤S1200中通过所述中间特征数据中的等效历史日功率数据序列以及等效预测日功率数据序列,获取所述历史时间段内与所述预测日对应的相似日集,可以通过以下步骤实现:
步骤S1210、通过所述中间特征数据中所述光伏电站中的集中式光伏电站对应的等效历史日功率数据序列进行容量折算,得到所述集中式光伏电站对应的单位容量历史日功率数据序列。
具体的,计算机设备可以对中间特征数据中光伏电站中的每个集中式光伏电站对应的等效历史日功率数据序列进行容量折算,得到每个集中式光伏电站对应的单位容量历史日功率数据序列。上述容量折算可以表征为用每个集中式光伏电站对应的等效历史日功率数据序列除以该集中式光伏电站对应的装机容量,再乘以预设容量值,得到容量折算后的日功率数据序列。可选的,上述预设容量值可以为1,还可以为目标分布式光伏电站的装机容量;在本实施例中,预设容量值可以为1,以得到每个集中式光伏电站对应的单位容量历史日功率数据序列。
步骤S1220、对所述集中式光伏电站对应的单位容量历史日功率数据序列求平均,得到所述集中式光伏电站对应的区域单位容量历史日功率数据序列。
具体的,计算机设备可以对所有集中式光伏电站对应的单位容量历史日功率数据序列求平均值,得到集中式光伏电站对应的区域单位容量历史日功率数据序列。
其中,集中式光伏电站对应的区域单位容量历史日功率数据序列Pall,可以通过公式(5)计算得到,即:
上述K表示目标区域内集中式光伏电站的总数量,Pi表示目标区域内第i个集中式光伏电站的历史日功率数据序列,Si表示目标区域内第i个集中式光伏电站内光伏组件的装机容量。
步骤S1230、通过所述中间特征数据中所述光伏电站中的集中式光伏电站对应的等效预测日功率数据序列进行容量折算,得到所述集中式光伏电站对应的单位容量预测日功率数据序列。
同时,计算机设备还可以对中间特征数据中光伏电站中的每个集中式光伏电站对应的等效预测日功率数据序列进行容量折算,得到每个集中式光伏电站对应的单位容量预测日功率数据序列。步骤S1230中的容量折算方式与步骤S1210中的容量折算方式相同。此时,预设容量值也可以为1,以得到每个集中式光伏电站对应的单位容量预测日功率数据序列。
步骤S1240、对所述集中式光伏电站对应的单位容量预测日功率数据序列求平均,得到所述集中式光伏电站对应的区域单位容量预测日功率数据序列。
需要说明的是,计算机设备可以对所有集中式光伏电站对应的单位容量预测日功率数据序列求平均值,得到集中式光伏电站对应的区域单位容量预测日功率数据序列。其中,计算集中式光伏电站对应的区域单位容量预测日功率数据序列的方式可以与计算集中式光伏电站对应的区域单位容量历史日功率数据序列相同,具体不再赘述。
步骤S1250、通过所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,选取所述历史时间段内与所述预测日对应的所述最相似日。
其中,所述最相似日表征与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,相似度最高的所述集中式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日。
具体的,计算机设备可以计算集中式光伏电站对应的区域单位容量历史日功率数据序列,与集中式光伏电站对应的区域单位容量预测日功率数据序列之间的相似度,通过相似度大小获取历史时间段内与预测日对应的最相似日。可选的,最相似日可以表征为历史时间段内与预测日相似的某个历史日。
可选的,如图5所示,上述步骤S1250中通过所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,选取所述历史时间段内与所述预测日对应的所述最相似日的过程,具体可以包括以下步骤:
步骤S1251、对所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列分别进行特征提取,得到所述区域单位容量历史日功率数据序列对应的历史日综合特征向量,以及所述区域单位容量预测日功率数据序列对应的预测日综合特征向量。
在本实施例中,计算机设备可以提取集中式光伏电站对应的区域单位容量历史日功率数据序列的局部特征,得到区域单位容量历史日功率数据序列对应的历史日综合特征向量,同时,还可以提取集中式光伏电站对应的区域单位容量预测日功率数据序列的局部特征,得到区域单位容量预测日功率数据序列对应的预测日综合特征向量。上述局部特征可以包括每日最大波动、每日平均波动、每日电量、日发电时长、日起始发电时刻。
(1)每日最大波动ΔPmax可以表征集中式光伏电站对应的区域单位容量历史日功率数据序列对应的中部时间段中,每个预设时间段内功率峰谷差的最大值,也可以反映集中式光伏电站对应的区域单位容量历史日功率数据序列中每个预设时间段的局部波动最大情况;中部时间段可以为一个历史日24小时内中间时刻(即12点)前后一段时间段;在本实施例中,中间时间段可以为一个历史日24小时内中间6小时对应的时间段。预设时间段可以为小时级别,可以为1小时。上述每日最大波动ΔPmax可以通过公式(6)表示,即:
ΔPmax=max{Pt},Pt=[Pt(110),...,Pt(189)],
Pt(i)=max{P(i),P(i+1),...,P(i+11)}-min{P(i),P(i+1),...,P(i+11)},i=110,...,189(6);
其中,P(i)表示集中式光伏电站对应的区域单位容量历史日功率数据序列P中第i个时间序列点的功率数据。在本实施例中,每个区域单位容量历史日功率数据序列包含288个功率数据序列点,110,...,144,...,189分别表示日功率数据序列中间6小时对应的功率数据序列点,5分钟可以间隔一个功率数据序列点,144可以为12点对应的功率数据序列点。
(2)每日平均波动ΔPavg可以表征集中式光伏电站对应的区域单位容量历史日功率数据序列对应的中部时间段中,每个预设时间段内功率峰谷差的平均值,也可以反映集中式光伏电站对应的区域单位容量历史日功率数据序列中每个预设时间段的局部波动平均情况。上述每日平均波动ΔPavg可以通过公式(7)表示,即:
ΔPavg=mean{Pt},Pt=[Pt(110),...,Pt(189)],
Pt(i)=max{P(i),P(i+1),...,P(i+11)}-min{P(i),P(i+1),...,P(i+11)},i=110,...,189(7);
其中,mean{Pt}表示对向量Pt求平均值。
(3)每日电量Q可以表征集中式光伏电站对应的区域单位容量历史日功率数据序列中各序列点对应的功率数据之和,也可以反映分布式光伏电站每天的发电量水平;每日电量Q可以通过公式(8)表示为
其中,P(i)表示集中式光伏电站对应的区域单位容量历史日功率数据序列P的第i个时间序列点的功率数据,M表示集中式光伏电站对应的区域单位容量历史日功率数据序列P中总序列点的数量。
(4)日发电时长可以表征集中式光伏电站对应的区域单位容量历史日功率数据序列中的功率数据大于0的序列点的总数量Ngen。
(5)日起始发电时刻可以表征集中式光伏电站对应的区域单位容量历史日功率数据序列中功率数据大于0的第一个功率数据序列点对应的序号Tgen。
进一步,计算机设备可以将提取到的集中式光伏电站对应的区域单位容量历史日功率数据序列的五个局部特征组合,得到区域单位容量历史日功率数据序列对应的历史日综合特征向量F。其中,F=[ΔPmax,ΔPavg,Q,Ngen,Tgen」,不同历史日均对应有一个历史日综合特征向量F。
同时,计算机设备可以采用提取集中式光伏电站对应的区域单位容量历史日功率数据序列的五个局部特征的方式,提取集中式光伏电站对应的区域单位容量预测日功率数据序列的五个局部特征,并且根据提取到的局部特征得到预测日综合特征向量Fobj,Fobj可以表示为Fobj=[ΔPmax_obj,ΔPavg_obj,Qobj,Ngen_obj,Tgen_obj」。
步骤S1252、通过所述历史日综合特征向量以及所述预测日综合特征向量,计算所述历史日综合特征向量与所述预测日综合特征向量之间的特征距离。
具体的,若计算机设备获取到的一个历史日对应的历史日综合特征向量为F1,其中,F1=[ΔPmax1,ΔPavg1,Q1,Ngen1,Tgen1」,则计算机设备可以计算历史日综合特征向量F1与预测日综合特征向量Fobj之间的特征距离L(F1,Fobj),L(F1,Fobj)可以通过下列公式(9)计算得到,即:
在本实施例中,计算机设备可以计算得到历史时间段内每个历史日对应的历史日综合特征向量,然后计算每个历史日对应的历史日综合特征向量与预测日综合特征向量之间的特征距离,以得到每个历史日对应的特征距离。
另外,在执行步骤S1252之前,所述方法还可以包括:对历史日综合特征向量以及预测日综合特征向量中的数据进行归一化处理。若一个历史日综合特征向量为Fi=[ΔPmaxi,ΔPavgi,Qi,Ngeni,Tgeni」(i=1,2,...,M),M为历史日综合特征向量的总数量,ymax和ymin分别表示yi的最大值和最小值,yi可以为ΔPmaxi,ΔPavgi,Qi,Ngeni,Tgeni,yi归一化处理的公式可以通过式(10)表示为:
然后,计算机设备可以计算归一化处理后的每个历史日对应的历史日综合特征向量与预测日综合特征向量之间的特征距离,以得到每个历史日对应的特征距离。
步骤S1253、对所述特征距离进行排序处理,按照预设大小顺序选取所述历史时间段内与所述预测日对应的所述最相似日。
具体的,计算机设备可以对获取到的所有特征距离按照预设大小顺序进行排序,选取历史时间段内与预测日对应的最相似日。上述预设大小顺序可以为按照特征距离从小到大的顺序,还可以为按照特征距离从大到小的顺序;在本实施例中,上述预设大小顺序可以按照特征距离从小到大的顺序。特征距离越小,表征历史日综合特征向量与预测日综合特征向量越相似。进一步,计算机设备可以选取最小特征距离对应的历史日综合特征向量对应的历史日,作为历史时间段内与预测日对应的最相似日。
进一步地,所述相似日集包括次相似日子集;在上述步骤S1253之后,如图6所示,所述方法还可以包括以下步骤:
步骤S1260、通过所述中间特征数据中所述光伏电站中的分布式光伏电站对应的等效历史日功率数据序列进行容量折算,得到所述分布式光伏电站对应的单位容量历史日功率数据序列。
具体的,计算机设备可以将光伏电站中的每个集中式光伏电站对应的等效历史日功率数据序列,替换为光伏电站中的每个分布式光伏电站对应的等效历史日功率数据序列,进行容量折算,以得到每个分布式光伏电站对应的单位容量历史日功率数据序列。
步骤S1270、对所述分布式光伏电站对应的单位容量历史日功率数据序列求平均,得到所述分布式光伏电站对应的区域单位容量历史日功率数据序列。
具体的,计算机设备可以对所有分布式光伏电站对应的单位容量历史日功率数据序列求平均值,得到分布式光伏电站对应的区域单位容量历史日功率数据序列。其中,计算分布式光伏电站对应的区域单位容量历史日功率数据序列的方式可以与计算集中式光伏电站对应的区域单位容量历史日功率数据序列相同,具体不再赘述。
步骤S1280、对所述分布式光伏电站对应的区域单位容量历史日功率数据序列进行特征提取,得到所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量。
需要说明的是,计算机设备可以将集中式光伏电站对应的区域单位容量预测日功率数据序列,替换为分布式光伏电站对应的区域单位容量历史日功率数据序列,提取局部特征,以得到分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量。
步骤S1290、通过所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量,与所述最相似日对应的历史日综合特征向量,选取所述历史时间段内与所述预测日对应的所述次相似日子集。
其中,所述次相似日子集包括次相似日;所述次相似日表征按照所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量,与所述最相似日对应的历史日综合特征向量之间的相似度大小,选取所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的第二预设数量个历史日。
具体的,计算机设备可以计算分布式光伏电站对应的每个区域单位容量历史日功率数据序列对应的每个历史日综合特征向量,与最相似日对应的历史日综合特征向量之间的相似度Lfea,相似度Lfea可以通过公式(11)表示为:
其中,M和N分别表示目标区域内网格点的行数和列数,Sij表示第i行第j列的网格点内分布式光伏电站中光伏组件的装机容量,Sall表示目标区域内所有分布式光伏电站中光伏组件的装机容量。
进一步,计算机设备可以按照相似度大小,对计算得到的所有相似度进行排序;排序方式可以为从小到大的顺序排列、从大到小的顺序排列等等。在本实施例中,计算机设备可以按照从大到小的顺序对相似度进行排序,选取前k个相似度对应的区域单位容量历史日功率数据序列对应的k个历史日,作为历史时间段内与预测日对应的k个次相似日。
上述光伏电站群功率预测方法可以获取历史时间段内与预测日对应的最相似日和次相似日子集,进而通过初始特征数据筛选出网格点中的基础特征数据,并将基础特征数据输入至目标功率预测模型,获取分布式光伏电站在指定时刻的预测功率数据,按照预测日内的时间先后顺序,通过指定时刻的预测功率数据获取预测日的目标功率数据序列;上述方法可以筛选出具有时空信息的基础特征数据,丰富样本空间,进而筛选到的基础特征数据输入至目标功率预测模型,预测分布式光伏电站在指定时刻的预测功率数据,能够提高分布式光伏电站群短期功率的预测精度。
作为其中一个实施例,如图7所示,上述步骤S2000中通过所述初始特征数据,筛选出所述网格点中的基础特征数据的过程,具体可以包括:
步骤S2100、对所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据。
在本实施例中,步骤S2100的具体执行方法与步骤S1100的具体执行方法可以相同,对此本实施例不再赘述。
步骤S2200、从所述中间特征数据中,筛选出所述网格点中的所述基础特征数据。
具体的,计算机设备可以从预处理后得到的中间特征数据中,选取出网格点中的基础特征数据,作为目标功率预测模型的输入。
进一步地,如图8所示,上述步骤S4000中按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列的过程,具体可以通过以下步骤实现:
步骤S4100、按照所述预测日内的时间先后顺序,将所述指定时刻的所述预测功率数据组成所述预测日的初始功率数据序列。
具体的,计算机设备可以对预测日内每个时刻的预测功率数据进行预测,然后按照预测日内的时间先后顺序,将每个指定时刻的预测功率数据组合后,得到预测日的初始功率数据序列。
步骤S4200、确定所述初始功率数据序列中的起始发电时刻和终止发电时刻。
具体的,由于初始功率数据序列中“头部”和“尾部”的预测功率数据值较小,在初始功率预测模型中经过多次迭代导致影响作用会降低,从而导致这两部分的预测功率数据的准确度较低,相对误差较大。其中,上述头部可以理解为初始功率数据序列中起始发电时刻和起始发电时刻之后一段时间;上述尾部可以理解为初始功率数据序列中终止发电时刻和终止发电时刻之前一段时间。可选的,计算机设备可以先确定初始功率数据序列中的起始发电时刻和终止发电时刻;将初始功率数据序列中功率数据大于0的第一个点对应的时刻可以确定为起始发电时刻;将初始功率数据序列中功率数据大于0的最后一个点对应的时刻可以确定为终止发电时刻。通常,起始发电时刻可以由每日太阳升起的时刻;终止发电时刻可以由每日太阳落山的时刻;起始发电时刻和终止发电时刻均可以与时间日期呈现一定关系。
需要说明的是,分布式光伏电站的倾角通常是固定的,起始发电时刻和终止发电时刻可以取决于太阳高度角,因此,可以通过预测日来预测起发电时刻和终止发电时刻。在本实施例中,起始发电时刻和终止发电时刻均与日期序列的函数关系可以用正弦函数和余弦函数来拟合,即用傅里叶级数拟合,具体表达式如下式(12)所示,即:
其中,y表示起始发电时刻或者终止发电时刻,x表示日期序列,a0、ai、bi和ω均为未知参数,n表示傅里叶级数的项数。n值越大则预测模型越复杂,拟合精度越高,但可能带来过拟合风险,因此,可以采用尝试法确定较佳的n值。可选的,上述未知参数均可以通过数据拟合的方式去求解,也可以理解为一个解优化过程;在求解过程中,可以凭借经验初始化n值,优化变量a0、ai、bi和ω,优化目标是通过公式(12)算出的y和实际y值之差最小。
步骤S4300、对所述初始功率数据序列中所述起始发电时刻后第一预设时间段内的所述初始功率数据序列进行数据修正,并对所述初始功率数据序列中所述终止发电时刻前第二预设时间段内的所述初始功率数据序列进行数据修正,得到所述预测日的所述目标功率数据序列。
在本实施例中,起始发电时刻和终止发电时刻附近大概2小时左右,光伏电站的日功率数据序列基本呈现线性单调性,因此,可以利用单调性对初始功率数据序列中起始发电时刻后第一预设时间段内的初始功率数据序列,以及对初始功率数据序列中终止发电时刻前第二预设时间段内的初始功率数据序列进行数据修正。可选的,上述第一预设时间段和第二预设时间段均可以为2小时。
具体的,计算机设备可以通过公式(13)修正起始发电时刻后第一预设时间段内的初始功率数据序列,通过公式(14)修正终止发电时刻前第二预设时间段内的初始功率数据序列,此时,第一预设时间段和第二预设时间段可以为1小时,具体公式如下:
其中,P’g(t)表示起始发电时刻后1小时内的初始功率数据序列修正后的目标功率数据序列,P’s(t)表示终止发电时刻前1小时内的初始功率数据序列修正后的目标功率数据序列,tg表示预测的起始发电时刻,ts表示预测的终止发电时刻。
上述光伏电站群功率预测方法可以对预测得到的分布式光伏电站在指定时刻的预测功率数据进行组合,得到预测日内按照预测日内的初始功率数据序列,然后对初始功率数据序列进行数据修正,以得到预测日的目标功率数据序列;上述方法可以对初始功率数据序列的头部和尾部进行数据修正,提高分布式光伏电站群短期功率的预测精度。
应该理解的是,虽然图1和2~8的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1和2~8中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种光伏电站群功率预测装置,所述装置包括:相似日集获取模块11、基础特征数据筛选模块12、预测模块13和功率数据序列获取模块14。
其中,所述相似日集获取模块11,用于通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
所述基础特征数据筛选模块12,用于通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
所述预测模块13,用于将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
所述功率数据序列获取模块14,用于按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述相似日集获取模块11包括:预处理单元以及相似日集获取单元。
其中,所述预处理单元,用于对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据;其中,所述中间特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
所述相似日集获取单元,用于通过所述中间特征数据中的等效历史日功率数据序列以及等效预测日功率数据序列,获取所述历史时间段内与所述预测日对应的所述相似日集。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述预处理单元包括:异常处理子单元。
其中,所述异常处理子单元,用于采用异常值处理法,对所述目标区域中所述网格点内的所述光伏电站,对应的所述历史时间段内的所述初始特征数据进行异常处理,获取异常处理后的所述网格点内所述光伏电站对应的所述历史时间段内的所述中间特征数据。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述预处理单元包括:插值处理子单元。
其中,所述插值处理子单元,用于采用插值法,对所述目标区域中所述网格点内的所述光伏电站,对应的所述历史时间段内的所述初始特征数据进行插值处理,获取插值处理后的所述网格点内所述光伏电站对应的所述历史时间段内的所述中间特征数据。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述相似日集包括最相似日;所述相似日集获取单元包括:第一容量折算子单元、第一计算子单元、第二容量折算子单元、第二计算子单元以及最相似日获取子单元。
具体的,所述第一容量折算子单元,用于通过所述中间特征数据中所述光伏电站中的集中式光伏电站对应的等效历史日功率数据序列进行容量折算,得到所述集中式光伏电站对应的单位容量历史日功率数据序列;
所述第一计算子单元,用于对所述集中式光伏电站对应的单位容量历史日功率数据序列求平均,得到所述集中式光伏电站对应的区域单位容量历史日功率数据序列;
所述第二容量折算子单元,用于通过所述中间特征数据中所述光伏电站中的集中式光伏电站对应的等效预测日功率数据序列进行容量折算,得到所述集中式光伏电站对应的单位容量预测日功率数据序列;
所述第二计算子单元,用于对所述集中式光伏电站对应的单位容量预测日功率数据序列求平均,得到所述集中式光伏电站对应的区域单位容量预测日功率数据序列;
所述最相似日获取子单元,用于通过所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,选取所述历史时间段内与所述预测日对应的所述最相似日;
其中,所述最相似日表征与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,相似度最高的所述集中式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述最相似日获取子单元具体用于对所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列分别进行特征提取,得到所述区域单位容量历史日功率数据序列对应的历史日综合特征向量,以及所述区域单位容量预测日功率数据序列对应的预测日综合特征向量;通过所述历史日综合特征向量以及所述预测日综合特征向量,计算所述历史日综合特征向量与所述预测日综合特征向量之间的特征距离;对所述特征距离进行排序处理,按照预设大小顺序选取所述历史时间段内与所述预测日对应的所述最相似日。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述相似日集包括次相似日子集;所述相似日集获取单元包括:第三容量折算子单元、第三计算子单元、特征提取子单元以及相似日子集获取子单元。
具体的,所述第三容量折算子单元,用于通过所述中间特征数据中所述光伏电站中的分布式光伏电站对应的等效历史日功率数据序列进行容量折算,得到所述分布式光伏电站对应的单位容量历史日功率数据序列;
所述第三计算子单元,用于对所述分布式光伏电站对应的单位容量历史日功率数据序列求平均,得到所述分布式光伏电站对应的区域单位容量历史日功率数据序列;
所述特征提取子单元,用于对所述分布式光伏电站对应的区域单位容量历史日功率数据序列进行特征提取,得到所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量;
所述相似日子集获取子单元,用于通过所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量,与所述最相似日对应的历史日综合特征向量,选取所述历史时间段内与所述预测日对应的所述次相似日子集;
其中,所述次相似日子集包括次相似日;所述次相似日表征按照所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量,与所述最相似日对应的历史日综合特征向量之间的相似度大小,选取所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的第二预设数量个历史日。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述基础特征数据筛选模块12包括:预处理单元以及数据筛选单元。
具体的,所述预处理单元,用于对所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据;
所述数据筛选单元,用于从所述中间特征数据中,筛选出所述网格点中的所述基础特征数据。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,所述功率数据序列获取模块14包括:排序单元、确定单元以及数据修正单元。
具体的,所述排序单元,用于按照所述预测日内的时间先后顺序,将所述指定时刻的所述预测功率数据组成所述预测日的初始功率数据序列;
所述确定单元,用于确定所述初始功率数据序列中的起始发电时刻和终止发电时刻;
所述数据修正单元,用于对所述初始功率数据序列中所述起始发电时刻后第一预设时间段内的所述初始功率数据序列进行数据修正,并对所述初始功率数据序列中所述终止发电时刻前第二预设时间段内的所述初始功率数据序列进行数据修正,得到所述预测日的所述目标功率数据序列。
本实施例提供的光伏电站群功率预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于光伏电站群功率预测装置的具体限定可以参见上文中对于光伏电站群功率预测方法的限定,在此不再赘述。上述光伏电站群功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以继续参见图2所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储采集到的气象数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种光伏电站群功率预测方法。
本领域技术人员可以理解,图2中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
在一个实施例中,提供了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (12)
1.一种光伏电站群功率预测方法,其特征在于,所述方法包括:
通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
2.根据权利要求1所述的方法,其特征在于,所述通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集,包括:
对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据;其中,所述中间特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
通过所述中间特征数据中的等效历史日功率数据序列以及等效预测日功率数据序列,获取所述历史时间段内与所述预测日对应的所述相似日集。
3.根据权利要求2所述的方法,其特征在于,所述对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据,包括:
采用异常值处理法,对所述目标区域中所述网格点内的所述光伏电站,对应的所述历史时间段内的所述初始特征数据进行异常处理,获取异常处理后的所述网格点内所述光伏电站对应的所述历史时间段内的所述中间特征数据。
4.根据权利要求2或3所述的方法,其特征在于,所述对所述目标区域中所述网格点内的光伏电站,对应的所述历史时间段内的所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据,包括:
采用插值法,对所述目标区域中所述网格点内的所述光伏电站,对应的所述历史时间段内的所述初始特征数据进行插值处理,获取插值处理后的所述网格点内所述光伏电站对应的所述历史时间段内的所述中间特征数据。
5.根据权利要求2所述的方法,其特征在于,所述相似日集包括最相似日;所述通过所述中间特征数据中的等效历史日功率数据序列以及等效预测日功率数据序列,获取所述历史时间段内与所述预测日对应的相似日集,包括:
通过所述中间特征数据中所述光伏电站中的集中式光伏电站对应的等效历史日功率数据序列进行容量折算,得到所述集中式光伏电站对应的单位容量历史日功率数据序列;
对所述集中式光伏电站对应的单位容量历史日功率数据序列求平均,得到所述集中式光伏电站对应的区域单位容量历史日功率数据序列;
通过所述中间特征数据中所述光伏电站中的集中式光伏电站对应的等效预测日功率数据序列进行容量折算,得到所述集中式光伏电站对应的单位容量预测日功率数据序列;
对所述集中式光伏电站对应的单位容量预测日功率数据序列求平均,得到所述集中式光伏电站对应的区域单位容量预测日功率数据序列;
通过所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,选取所述历史时间段内与所述预测日对应的所述最相似日;
其中,所述最相似日表征与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,相似度最高的所述集中式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日。
6.根据权利要求5所述的方法,其特征在于,所述通过所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列,选取所述历史时间段内与所述预测日对应的所述最相似日,包括:
对所述集中式光伏电站对应的区域单位容量历史日功率数据序列,与所述集中式光伏电站对应的区域单位容量预测日功率数据序列分别进行特征提取,得到所述区域单位容量历史日功率数据序列对应的历史日综合特征向量,以及所述区域单位容量预测日功率数据序列对应的预测日综合特征向量;
通过所述历史日综合特征向量以及所述预测日综合特征向量,计算所述历史日综合特征向量与所述预测日综合特征向量之间的特征距离;
对所述特征距离进行排序处理,按照预设大小顺序选取所述历史时间段内与所述预测日对应的所述最相似日。
7.根据权利要求5所述的方法,其特征在于,所述相似日集包括次相似日子集;所述方法还包括:
通过所述中间特征数据中所述光伏电站中的分布式光伏电站对应的等效历史日功率数据序列进行容量折算,得到所述分布式光伏电站对应的单位容量历史日功率数据序列;
对所述分布式光伏电站对应的单位容量历史日功率数据序列求平均,得到所述分布式光伏电站对应的区域单位容量历史日功率数据序列;
对所述分布式光伏电站对应的区域单位容量历史日功率数据序列进行特征提取,得到所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量;
通过所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量,与所述最相似日对应的历史日综合特征向量,选取所述历史时间段内与所述预测日对应的所述次相似日子集;
其中,所述次相似日子集包括次相似日;所述次相似日表征按照所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的历史日综合特征向量,与所述最相似日对应的历史日综合特征向量之间的相似度大小,选取所述分布式光伏电站对应的区域单位容量历史日功率数据序列对应的第二预设数量个历史日。
8.根据权利要求1所述的方法,其特征在于,所述通过所述初始特征数据,筛选出所述网格点中的基础特征数据,包括:
对所述初始特征数据进行预处理,得到所述网格点内所述光伏电站对应的所述历史时间段内的中间特征数据;
从所述中间特征数据中,筛选出所述网格点中的所述基础特征数据。
9.根据权利要求1所述的方法,其特征在于,所述按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列,包括:
按照所述预测日内的时间先后顺序,将所述指定时刻的所述预测功率数据组成所述预测日的初始功率数据序列;
确定所述初始功率数据序列中的起始发电时刻和终止发电时刻;
对所述初始功率数据序列中所述起始发电时刻后第一预设时间段内的所述初始功率数据序列进行数据修正,并对所述初始功率数据序列中所述终止发电时刻前第二预设时间段内的所述初始功率数据序列进行数据修正,得到所述预测日的所述目标功率数据序列。
10.一种光伏电站群功率预测装置,其特征在于,所述装置包括:
相似日集获取模块,用于通过目标区域中网格点内的光伏电站,对应的历史时间段内的初始特征数据,获取所述历史时间段内与所述预测日对应的相似日集;其中,所述初始特征数据包括:所述光伏电站中的集中式光伏电站和分布式光伏电站,对应的等效历史日功率数据序列和等效预测日功率数据序列、每个采样时刻的气象数据;
基础特征数据筛选模块,用于通过所述初始特征数据,筛选出所述网格点中的基础特征数据;其中,所述基础特征数据包括:所述预测日内指定时刻前后第一预设数量个时刻对应的气象数据、所述分布式光伏电站在所述相似日集中每个相似日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据、所述集中式光伏电站在所述预测日内所述指定时刻前后所述第一预设数量个时刻对应的功率数据;
预测模块,用于将所述基础特征数据输入至目标功率预测模型,获取所述分布式光伏电站在指定时刻的预测功率数据;所述目标功率预测模型为通过历史特征数据中提取的基础特征数据作为样本数据进行训练得到的模型;
功率数据序列获取模块,用于按照所述预测日内的时间先后顺序,通过所述指定时刻的所述预测功率数据获取所述预测日的目标功率数据序列。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的方法的步骤。
12.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468838.9A CN111754026B (zh) | 2020-05-28 | 2020-05-28 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468838.9A CN111754026B (zh) | 2020-05-28 | 2020-05-28 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754026A true CN111754026A (zh) | 2020-10-09 |
CN111754026B CN111754026B (zh) | 2024-03-15 |
Family
ID=72673977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010468838.9A Active CN111754026B (zh) | 2020-05-28 | 2020-05-28 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754026B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561150A (zh) * | 2020-12-07 | 2021-03-26 | 国家电网有限公司 | 一种光伏电站发电量预测方法及装置 |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN112766568A (zh) * | 2021-01-18 | 2021-05-07 | 中国科学院计算机网络信息中心 | 一种基于卫星云图的超短期分布式光伏功率预测方法 |
CN113054906A (zh) * | 2021-03-25 | 2021-06-29 | 合肥阳光智维科技有限公司 | 光伏电站的故障确定方法、装置、处理器与光伏系统 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN113689045A (zh) * | 2021-08-27 | 2021-11-23 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
CN113919606A (zh) * | 2021-12-14 | 2022-01-11 | 山东建筑大学 | 一种分布式光伏电站智能选址方法及系统 |
CN116260141A (zh) * | 2023-05-16 | 2023-06-13 | 国网信息通信产业集团有限公司 | 一种光伏电站功率的重构方法、系统及重构终端 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013074668A (ja) * | 2011-09-27 | 2013-04-22 | Mitsubishi Electric Corp | 分散電源用制御装置および集中型電圧制御システム |
CN103617461A (zh) * | 2013-12-10 | 2014-03-05 | 中国矿业大学 | 一种光伏电站发电功率预测的方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN108446811A (zh) * | 2018-06-06 | 2018-08-24 | 中国计量大学 | 一种基于分布式光伏电站设计的预测发电量计算方法 |
CN108960526A (zh) * | 2018-07-24 | 2018-12-07 | 国网山东省电力公司电力科学研究院 | 一种基于区域等效的分布式光伏出力预测方法和系统 |
CN109615120A (zh) * | 2018-11-26 | 2019-04-12 | 国网天津市电力公司 | 一种分布式光伏发电出力预测方法 |
CN109978242A (zh) * | 2019-03-12 | 2019-07-05 | 国网冀北电力有限公司 | 基于统计升尺度的光伏发电集群功率预测方法及装置 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
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 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
-
2020
- 2020-05-28 CN CN202010468838.9A patent/CN111754026B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013074668A (ja) * | 2011-09-27 | 2013-04-22 | Mitsubishi Electric Corp | 分散電源用制御装置および集中型電圧制御システム |
CN103617461A (zh) * | 2013-12-10 | 2014-03-05 | 中国矿业大学 | 一种光伏电站发电功率预测的方法 |
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN108446811A (zh) * | 2018-06-06 | 2018-08-24 | 中国计量大学 | 一种基于分布式光伏电站设计的预测发电量计算方法 |
CN108960526A (zh) * | 2018-07-24 | 2018-12-07 | 国网山东省电力公司电力科学研究院 | 一种基于区域等效的分布式光伏出力预测方法和系统 |
CN109615120A (zh) * | 2018-11-26 | 2019-04-12 | 国网天津市电力公司 | 一种分布式光伏发电出力预测方法 |
CN109978242A (zh) * | 2019-03-12 | 2019-07-05 | 国网冀北电力有限公司 | 基于统计升尺度的光伏发电集群功率预测方法及装置 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
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 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
张兆广;白恺;张征;李智;柳玉;宗瑾;李娜;: "考虑分散接入配电网的光伏系统对母线负荷预测影响的功率预测技术研究", 华北电力技术, no. 10, 25 October 2017 (2017-10-25) * |
张小萌;白恺;柳玉;李智;卢玺宁;周少祥;: "大规模分布式光伏短期集群功率预测综述", 华北电力技术, no. 06, 25 June 2017 (2017-06-25) * |
龚莺飞: "光伏功率预测技术", 电力系统自动化, vol. 40, no. 4, pages 140 - 151 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561150A (zh) * | 2020-12-07 | 2021-03-26 | 国家电网有限公司 | 一种光伏电站发电量预测方法及装置 |
CN112561150B (zh) * | 2020-12-07 | 2022-04-12 | 国家电网有限公司 | 一种光伏电站发电量预测方法及装置 |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN112766568A (zh) * | 2021-01-18 | 2021-05-07 | 中国科学院计算机网络信息中心 | 一种基于卫星云图的超短期分布式光伏功率预测方法 |
CN113054906A (zh) * | 2021-03-25 | 2021-06-29 | 合肥阳光智维科技有限公司 | 光伏电站的故障确定方法、装置、处理器与光伏系统 |
CN113688869A (zh) * | 2021-07-21 | 2021-11-23 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN113688869B (zh) * | 2021-07-21 | 2022-05-27 | 广东工业大学 | 一种基于生成对抗网络的光伏数据缺失重构方法 |
CN113689045A (zh) * | 2021-08-27 | 2021-11-23 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
CN113689045B (zh) * | 2021-08-27 | 2023-06-27 | 山东浪潮科学研究院有限公司 | 一种光伏区域并网电量的预测方法、设备及介质 |
CN113919606A (zh) * | 2021-12-14 | 2022-01-11 | 山东建筑大学 | 一种分布式光伏电站智能选址方法及系统 |
CN116260141A (zh) * | 2023-05-16 | 2023-06-13 | 国网信息通信产业集团有限公司 | 一种光伏电站功率的重构方法、系统及重构终端 |
CN116260141B (zh) * | 2023-05-16 | 2023-10-20 | 国网信息通信产业集团有限公司 | 一种光伏电站功率的重构方法、系统及重构终端 |
Also Published As
Publication number | Publication date |
---|---|
CN111754026B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754026B (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
CN110929963A (zh) | 风速预测方法、装置以及存储介质 | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN111693020B (zh) | 光伏组串方位角确定方法、组串重组方法及相关装置 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、系统、设备和存储介质 | |
CN117218425A (zh) | 一种用于光伏电站的发电损失分析方法及系统 | |
CN114498619A (zh) | 一种风电功率预测方法及装置 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN115905904A (zh) | 一种配电网馈线的线损异常评估方法及装置 | |
CN117543567A (zh) | 用于风电场无功优化的风电功率预测方法及装置 | |
CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 | |
CN114819382B (zh) | 一种基于lstm的光伏功率预测方法 | |
CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
CN111752976A (zh) | 气象数据处理方法、装置、计算机设备及可读存储介质 | |
CN114971081A (zh) | 一种基于时间序列分析与日统计的辐照预测方法 | |
CN114897229A (zh) | 一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法 | |
CN115375014A (zh) | 一种源荷组合概率预测方法、装置及存储介质 | |
CN115374998A (zh) | 基于注意力机制和CNN-BiGRU的负荷预测方法 |
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 |