CN111967652B - 一种双层协同实时校正光伏预测方法 - Google Patents
一种双层协同实时校正光伏预测方法 Download PDFInfo
- Publication number
- CN111967652B CN111967652B CN202010710506.7A CN202010710506A CN111967652B CN 111967652 B CN111967652 B CN 111967652B CN 202010710506 A CN202010710506 A CN 202010710506A CN 111967652 B CN111967652 B CN 111967652B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- time
- prediction
- reference layer
- real
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 63
- 238000012937 correction Methods 0.000 title claims description 35
- 238000013519 translation Methods 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 265
- 238000005259 measurement Methods 0.000 claims description 52
- 238000010248 power generation Methods 0.000 claims description 26
- 230000005855 radiation Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 4
- 239000002355 dual-layer Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 17
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 10
- 230000007704 transition Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 239000002356 single layer Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及光伏系统超短期功率预测技术领域，现有对光伏系统在气象多变时超短期预测准确性不高，本发明提供了一种双层协同实时校正光伏预测方法，该方法包括，利用基准层光伏预测模型F1获得未来N小时内的基准层光伏预测集；结合基准层的光伏预测误差，利用实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正，获得最终的实时层光伏预测集；根据光伏波动规律，考虑最优时序平移特性，在对基准层光伏预测结果校正后得到最终的光伏功率预测值，能削弱过程性天气因素对光伏预测的影响，提升光伏预测的精度。
Description
技术领域
本发明涉及光伏超短期功率预测技术领域，具体的说，涉及一种双层协同实时校正光伏预测方法，以削弱过程性天气因素对光伏预测的影响，提升超短期光伏预测的精度。
背景技术
现有超短期光伏预测方法主要分为两类：一是采用时间序列分析，基于历史光伏数据信息推测光伏功率的变化规律。例如三段式时间序列模态分解的超短期光伏功率预测方法，构造不同时间尺度光伏功率均值序列建立提前1h的局部功率预测模型，以及基于筛选的相似时段进行光伏功率预测，在1-2h内可保持预测的高精度，但在气象情况多变复杂时，预测未来4h的光伏出力易出现较大偏差。二是通过机器学习，深度挖掘光伏数据相关联的特征来训练超短期光伏预测模型。例如在小样本条件下的光伏预测方案，采用数值天气预报结合相似日选取进行光伏预测，通过模态分解光伏功率分别建模再组合等方案，均是掌握了特征与光伏功率间的映射关系，但较难准确预测突发天气及随机功率变化下的光伏出力。
针对这上述问题，也有人提出了将云量量化后建立基于径向基函数神经网络的地表辐射预测模型，或经云遮系数修正了晴空太阳辐射模型考虑相对预测误差影响因子，再经光电转换模型后得到光伏预测功率。虽然这些措施一定程度上减小了预测误差，但对设备条件要求较高，对精细化气象预报依赖性强。
XGBoost算法在解决分类、回归、预测等问题上有着良好表现，但是其在时间尺度为超短期的光伏预测上研究较少，目前仍局限于经典特征学习或时序推移模型。
因此，如何利用XGBoost模型在预测上的优势以及结合常规的时间序列、机器学习两种预测方法，来提高在气象多变时超短期光伏预测的准确性是急需解决的问题。
发明内容
本发明所要解决的技术问题是克服上述现有技术中存在的缺陷，以数据驱动理念为指导，提供双层协同实时校正光伏预测方法，能削弱过程性天气因素对光伏预测的影响，提升超短期光伏预测的精度。
为实现上述目的，本发明第一方面通过以下技术方案得以实现：一种双层协同实时校正光伏预测方法，用于对光伏发电站未来N小时内光伏功率进行预测，包括，
利用预先获得的基于XGBoost的基准层光伏预测模型F1获得未来N小时内的基准层光伏预测集；
结合基准层的光伏预测误差，利用预先获得的实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正，获得最终的实时层光伏预测集；
所述基准层光伏预测误差指在预测时刻前的基准层光伏预测值与对应该时刻的光伏功率实测值之间的偏差；在逐时刻校正的过程中，将获得的当前预测时刻的实时层光伏预测值作为下一预测时刻的光伏功率实测值；
所述基于XGBoost的基准层光伏预测模型F1和基于XGBoost的实时层光伏预测模型F2是利用光伏功率历史实测数据以及对光伏功率有影响的强相关性因素的历史数据集建立的。
本发明进一步优选方案为：所述基于XGBoost的基准层光伏预测模型F1是通过将所述强相关性因素的历史实测数据作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得的。
本发明进一步优选方案为：所述基于XGBoost的实时层光伏预测模型F2获取步骤包括：
通过将强相关性因素的历史预报数据代入所述基准层光伏预测模型F1得到对应该历史时期的基准层光伏预测集；
从该历史时期中任意选取一时刻T’，
将在时刻T’及时刻T’前Z小时内的基准层光伏预测值，结合时刻T’前Z小时内的基准层光伏预测误差作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得所述基于XGBoost的实时层光伏预测模型F2；
所述时刻T’前Z小时内的基准层光伏预测误差是指时刻T’前Z小时内的光伏功率的基准层光伏预测值与光伏功率历史实测值之间的偏差。
本发明进一步优选方案为：在以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得的实时层光伏预测模型F2的过程中，该光伏功率的历史实测数据所对应的时刻是时刻T’或在时刻T’之后最近的一个数据记录时刻。
本发明进一步优选方案为：所述利用预先获得的基于XGBoost的基准层光伏预测模型F1获得未来N小时内基准层光伏预测集的步骤如下：
预先获取该发电站所在地对光伏功率有影响的强相关性因素当天的预报数据集B；
将预报数据集B代入预先获得的基于XGBoost的基准层光伏预测模型F1获得该发电站在未来N小时内的基准层光伏预测集Y1。
本发明进一步优选方案为：所述结合基准层的光伏预测误差并利用预先获得的实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正的步骤如下：
所述预测时刻为T，T∈[t1，tn]，预测时刻间隔≥10min，T在[t1，tn]内逐点延顺；
所述基准层光伏预测集Y1包括在T时刻的基准层光伏预测值Y1,T，以及在T前Z小时内的基准层光伏预测集Y1,T-z；所述基准层光伏预测值Y1,T和所述基准层光伏预测集Y1,T-z随预测时刻T滚动；
计算所述基准层光伏预测集Y1,T-z中的预测值与实测数据集中的实测值之间的差值并构成基准层光伏预测误差集所述实测数据集和所述基准层光伏预测误差集随预测时刻T滚动；
所述实测数据集为在T前Z小时内的光伏功率的实测数据集，所述实测数据集随预测时刻T滚动；
当T＝t1时，Ct1-Z等于该发电站在t0前Z小时内的光伏功率的实测数据集c0，t0为当前时刻，实测数据集c0是预先获取的；
将所述基准层光伏预测集Y1,T-z、所述基准层光伏预测值Y1，T和所述基准层光伏预测误差集ET-Z代入预先获得的基于XGBoost的实时层光伏预测模型F2，对所述基准层光伏预测值Y1,T进行校正，获得该发电站在预测时刻T的实时层光伏预测值Y2,T；
将所述实时层光伏预测值Y2,T作为光伏功率的在T时刻的实测值后，所述实测数据集CT-Z随T顺延滚动至下一时刻并构成新的实测数据集，重复上述校正过程，对所述基准层光伏预测集Y1中的在t1后预测值逐点校正；校正后的预测值Y2,t1至Y2,tn构成的集合即为该发电站在未来N小时内的实时层光伏预测集Y2。
本发明进一步优选方案为：所述对光伏发电量或功率有影响的强相关性因素，获取步骤如下，
S11：选取对光伏发电量可能存在影响的因素；
S12：计算这些因素与光伏发电量之间的皮尔森相关系数r和相关判定系数r2；
S13：在这些因素的相关判定系数大于0.3的中，确定至少两个因素作为强相关性因素。
本发明进一步优选方案为：确定作为相关性因素的相关联的因素包括直接辐射值、散射值和总辐射值。
本发明进一步优选方案为：所述的前Z小时，数值Z是通过以下方法获得：利用测试数据集对实时层XGBoost逐点校正模型进行交叉验证，在XGBoost模型参数为常见典型值下比较结果与实测值的误差，得出选择预测时刻前1小时内光伏实测与基准值预测误差的集合作为模型平移特征为最优；即确定Z的数值为1。
发明在第二方面提供了一种双层协同实时校正光伏系统，包括：
光伏特征的强相关性因素的判定模块，用于通过对的光伏功率有影响的因素的数据进行机器学习、计算特征间的相似度并根据皮尔森系数获取其中最强三种因素作为强相关性因素；
数据获取模块，用于获取光伏功率数据和强相关性因素的数据，所述光伏功率数据包括发电站在当天的实光伏功率测数据和光伏功率历史实测数据，所述强相关性因素的数据包括发电站所在地强相关性因素在当天的预报数据，以及历史实测数据和历史预报数据；
基准层光伏预测模型构建模块，用于调用数据获取模块获取的数据，以强相关性因素的历史实测数据作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型后建立基于XGBoost的基准层光伏预测模型F1；
基准层光伏预测计算模块，用于调用数据获取模块获取的数据，并通过基准层光伏预测模型构建模块获得的基准层光伏预测模型F1来计算基准层光伏预测值或基准层光伏预测集；
基准层光伏误差计算模块，用于调用数据获取模块获取的数据和通过基准层光伏预测计算模块获得的基准层光伏预测值或基准层光伏预测集，获得基准层光伏误差值或基准层光伏误差值集；
实时层光伏预测模型构建模块，用于调用数据获取模块获取的数据，结合基准层光伏预测计算模块和基准层光伏误差计算模块，先通过将强相关性因素的历史预报数据代入所述基准层光伏预测计算模块得到历史时期的基准层光伏预测集；再将该历史时期中在时刻T’的基准层光伏预测值及时刻T’前Z小时的基准层光伏预测集，结合时刻T’前Z小时的基准层误差作为输入值，以光伏功率在时刻T’的历史实测数据为输出值，代入XGBoost基础模型后，建立基于XGBoost的实时层光伏预测模型F2；
实时层光伏预测计算模块，用于调用数据获取模块获取的数据，将通过基准层光伏预测计算模块获得基准层光伏预测集，结合通过基准层光伏误差计算模块获得的基准层的光伏预测误差，利用通过实时层光伏预测模型构建模块获得的实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正，获得最终的实时层光伏预测集。
综上所述，针对光伏出力受气象影响而情况多变的特点，较依赖时序的XGBoost单层预测与双层误差推移预测模型而言，本发明基于XGBoost的双层协同实时超短期光伏预测方法(模型)有以下优势：融合了特征学习特性(利用光伏功率和气象数据历史数据建立预测模型)与时序平移特征(利用预测时刻前一段时间预测误差结合气象变化趋势对基准层光伏预测值进行校正)，增加了除时间以外的特征维度，使分类器更加精确；更细致地学习了光伏变化时的状态，挖掘了实时光伏出力与预报发生变化的趋势规律。在预测基准值的监督下对基准层光伏预测集进行误差逐时刻迭代校正，有效地削减了单一趋势推移算法的不稳定性，从而提供受气象影响下光伏功率波动时更加准确的超短期预测。
附图说明
图1是双层协同实时校正光伏预测算法结构图。
图2是实时层算法流程对比图。
图3是误差平移特征长度的测试误差变化图。
图4-9是双层协同实时校正光伏预测方法步骤图。
图10是晴天超短期光伏发电预测曲线对比图。
图11是晴天逐时刻平均百分比误差对比图。
图12是多云天超短期光伏发电预测曲线对比图。
图13是多云天逐时刻平均百分比误差对比图。
图14是阴天超短期光伏发电预测曲线对比图。
图15是阴天逐时刻平均百分比误差对比图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
如图1所示，本发明提供了一种双层协同实时校正光伏预测方法。
为了方便理解，在对该超短期光伏预测方法详细阐述前，先对本发明中提及的XGBoost基础模型及相关的过程进行简单地描述，它是一种Boosting集成学习算法，通过不断拟合上一棵树的残差来迭代产生新树，并将所有的树模型组合起来成为准确率更高、泛化能力更强的分类器。
对于给定的有n个样本和m个特征的数据集D＝(xi,yi)(|D|＝n,xi∈Rm,yi∈R)，树的集成模型使用k个累加的函数来预测输出，模型如下所示：
其中，F＝f(x)＝wq(x)(q:R→T,w∈RT)是CART(回归树)的空间，fk∈F；q代表每个树的结构，可将每个样本映射到对应的叶节点中，T是树中叶节点的个数；每个fk对应于一个独立的树结构q和叶子权重w，wq(x)是对样本x的打分，累加得到模型预测值。
XGBoost的CART树模型不是简单的组合而是一种加法模型。前次模型预测产生的与实际值的残差将作为参考建立下一棵树。
残差拟合的迭代过程如下：
为了学习模型中使用的函数集合，XGBoost模型最小化下列正则化目标：
式(5)表示的目标函数由两部分组成，是一个可微凸损失函数，描述了度量预测值与目标值之间的差；Ω(fk)是正则化向，它表示树的复杂度的函数，越小则复杂度越低，树的泛化能力越强。Ω(f)项中，T是树中叶节点的个数；w是叶子节点的分数；γ为叶节点个数的惩罚系数；λ为L2正则化项的惩罚系数，L2正则化项可平滑每个叶节点的学习权重来避免过拟合。正则化项的目标将倾向于选择采用简单和预测函数的模型。当正则化参数为零时，这个函数变为传统的Gradient Tree Boosting(GDBT)模型。
XGBoost采用加法学习方式(Additve Training)进行迭代，迭代函数可写为：
原目标函数进行二阶泰勒展开后得到下式：
令去除所有常数项，将目标函数改写成关于叶子节点分数的一元二次函数如下：
式中，j为在叶节点上的遍历；T是树中叶节点的个数；wj为第j个叶子节点的得分值；Ij＝{i|q(xi)＝j}表示在第j个叶子节点上的样本。
令后，求解目标函数得到：
Obj表示选定一颗树结构时，增益损失的最大值，代表了该方案的质量分数。在训练过程中，XGBoost贪婪地利用误差函数不断改善当前模型。
而基于XGBoost的双层协同实时超短期光伏预测方法的主要原理是：(先对影响光伏功率的因素进行特征筛选)通过相关性分析建立了基于辐照气象预报的基准层XGBoost模型，计算得出基准层光伏功率预测结果；随后，在基准层光伏预测值的基础上，结合预测时刻前光伏功率实测值与预测值的动态偏差，挖掘气象变化下的光伏波动规律，考虑最优时序平移特性，在对基准层光伏预测结果进行校正后得到最终的超短期光伏功率预测值。
在光伏预测前，对影响光伏功率的因素进行特征筛选，通过对光伏特征数据相关性分析，确定强相关性因素。
对于超短期光伏发电预测而言，可分析哪些因素对光伏发电量有影响，选择其中关联性较强的因素作为特征进行学习建模。皮尔森相关系数是用来反应两个变量之间相似程度的统计量，在机器学习中可以用来计算特征间的相似度，它的取值范围为[-1,1]，当值为负时为负相关，当值为正时为正相关。皮尔森系数的绝对值越大，则正/负相关的程度越大。
通常而言，影响光伏发电量的可得因素有直接辐射、散射、总辐射、风速、风向、温度、湿度、气压。计算它们与光伏发电量间的皮尔森相关系数r，如表1所示。
表1各特征与光伏发电量之间的皮尔森系数
统计学中提出当皮尔森相关系数r的平方，即相关判定系数r2大于0.3时，可认为两变量具有强相关性，支持使用回归模型进行预测。因此根据表1，直接辐射、散射和总辐射为与超短期光伏预测功率值相关联的三种特征。
根据以上分析，总的来说，对光伏发电量或功率有影响的强相关性因素，具体步骤主要概括为以下三步。
S11：选取对光伏发电量可能存在影响的因素；
S12：计算这些因素与光伏发电量之间的皮尔森相关系数r和相关判定系数r2；
S13：在这些因素的相关判定系数大于0.3的因素中，确定直接辐射、散射和总辐射作为强相关性因素。
在确定了对光伏功率或光伏发电量的强相关性因素后，对未来N小时内光伏发电量或功率使用本发明提供的双层协同实时校正光伏预测方法对发电站未来超短期进行光伏预测。这里需要特别说明的是，在本领域中超短期光伏预测是指对未来4小时以内的光伏功率进行预测，因此这里N的取值为0至4。该双层协同实时校正光伏预测方法主要包括以下四个步骤。
步骤一：确定基于XGBoost的基准层光伏预测模型F1和基于XGBoost的实时层光伏预测模型F2。
基于XGBoost的基准层光伏预测模型F1和基于XGBoost的实时层光伏预测模型F2是利用对光伏发电量或功率有影响的强相关性因素(直接辐射、散射和总辐射)的历史数据集建立的。
基准层光伏预测模型F1是通过将强相关性因素(直接辐射、散射和总辐射)的历史实测数据作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得的。
而基于XGBoost的实时层光伏预测模型F2获取步骤如下：
通过将强相关性因素的历史预报数据代入所述基准层光伏预测模型F1得到对应该历史时期的基准层光伏预测集，也即基于强相关性因素的历史预报数据获得的基准层光伏预测集；
从该历史时期中任意选取一时刻T’，将在时刻T’及时刻T’前Z小时内的基准层光伏预测值，结合时刻T’前Z小时内的基准层光伏预测误差作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得所述基于XGBoost的实时层光伏预测模型F2。
这里需要说明的是，所述时刻T’前Z小时内的基准层光伏预测误差是指时刻T’前Z小时内的光伏功率的基准层光伏预测值与光伏功率历史实测值之间的偏差。
在以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得的实时层光伏预测模型F2的过程中，该光伏功率的历史实测数据所对应的时刻是时刻T’或在时刻T’之后最近的一个数据记录时刻
本实施例中，具体操作时，以15分钟为时间分辨率进行模型训练，将光伏功率的历史实测数据作为样本输出yi，以直接辐射、散射与总辐射的历史实测数据作为特征集xi，构成如式(1)所示的数据集D；再将xi、yi代入式(2)中建立回归树集成预测模型，也即基于XGBoost的基准层光伏预测模型F1。基准层光伏预测模型的输入量、输出量、主要任务和时间尺度见表2。
表2基准层光伏预测
之后再建立基于XGBoost的实时层光伏预测模型F2。
在该步骤中，实时层并未采用经典基于时序方法直接计算未来时段内的误差推移量进行功率补偿，而是采用逐时刻依据近时段内的误差并结合辐照预测对应的理论基准值，估测校正后的光伏发电量。(该两种算法流程对比如图2所示。其中，t0为预测时刻起点，tn为预测时刻终点；y为光伏功率实测值，为基准层光伏预测值；为光伏预测误差；F为基于时间序列的XGBoost误差推移模型；f为实时层XGBoost逐点校正模型。)
枚举实时层模型的预测误差推移步长，利用测试数据集进行交叉验证，在XGBoost模型参数为常见典型值下比较结果与实测值的误差。如图3所示，由图可得，光伏出力受较近时段预测与误差数值影响较大。当推移步长为4，由于数据的时间分辨率为15分钟，及1个步长的时间长度为15分钟，因此选择预测时刻前1小时内光伏实测与基准值预测误差的集合作为模型平移特征为最优(也即确定Z的数值为1)。
具体实施时，将直接辐射的历史预报数据、散射的历史预报数据、总辐射的历史预报数据代入基准层光伏预测模型F1得到一基于强相关性因素的历史预报数据获得的基准层光伏预测集。
将在时刻T’及时刻T’之前Z小时内的基准层光伏预测集，结合时刻T’前Z小时内的基准层光伏预测误差作为特征集xi，将光伏功率历史实测数据作为样本输出yi，构成如式(1)所示的数据集D；将xi、yi代入式(2)建立回归树集成预测模型F2，即为训练得到的实时层XGBoost超短期光伏预测模型。实时层模型的输入量、输出量、主要任务和时间尺度如表3所示。
表3实时层光伏预测
该步骤中，确定基于XGBoost的基准层光伏预测模型F1和基于XGBoost的实时层光伏预测模型F2所使用的强相关性因素的历史数据(包括历史实测数据和历史预报数据)一般采用上一年度的数据以保证准确性。因此，在基于XGBoost的基准层光伏预测模型F1和基于XGBoost的实时层光伏预测模型F2建立后，对本年度进行超短期光伏预测时，可重复使用预测模型F1和F2，无需重新再次建模，直至来年。当然，一直使用预测模型F1和F2型也未尝不可，只是引用数据的年度(与本年度的)跨度越大，可能会使本年度光伏预测值出现较大的偏差，降低准确性。
步骤二：利用所述基于XGBoost的基准层光伏预测模型F1对未来4小时内获得基准层光伏预测集。
预先获取该发电站所在地对光伏功率有影响的强相关性因素当天的预报数据集B；将预报数据集B代入预先获得的基于XGBoost的基准层光伏预测模型F1获得该发电站在未来N小时内的基准层光伏预测集Y1。
具体实施时，发电站所在地当天直接辐射、散射以及总辐射的预报数据集(也即辐照预报数据集)来源于数值气象预报(NWP)，数值气象预报(NWP)通常半天或一天更新一次，若半天更新一次。因此在构建预测模型或通过预测模型来预测光伏功率使所使用的预报数据集都选用最近更新的数据可以降低预测误差。若现在时间是6月16日7:00，需要对未来4小时进行光伏预测，那么这里当天的预报数据集是6月16日0:00更新的；若现在时间是6月16日13:00，那么当天的预报数据集中，在0:00-12:00时段的数据是6月16日0:00更新的，在12:00-24:00时段的数据是6月16日12:00更新的。当然，也可以统一使用0:00更新的的数据，但是无论选择哪一种，构建预测模型或通过预测模型时所用的预报数据获取方式应当保持统一才合理。需要说明的是，数值气象预报(NWP)所采用的时间分辨率是15分钟。因此，这里直接引用了数值气象预报的数据，为了保持数据的统一和一致性，对于光伏功率实测数据所采用的时间分辨率也采用15分钟。
以预测时刻起点为t0，预测时刻为t。以15分钟为时间分辨率进行未来4小时的超短期光伏预测，将相关性因素在未来4小时内的预报数据代入基准层光伏预测模型F1，得到未来4小时的光伏功率预测值集合Y1。
步骤三：结合基准层的光伏预测误差，利用预先获得的实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正。所述基准层光伏预测误差指在预测时刻前的基准层光伏预测值与对应该时刻的光伏功率实测值之间的偏差。在逐时刻校正的过程中，将获得的当前预测时刻的实时层光伏预测值作为下一预测时刻的光伏功率实测值。
具体实施时，以预测时刻为T，T∈[t1，tn]，预测时刻间隔为15min，T在[t1，tn]内逐点延顺。对未来4小时进行光伏预测，若以当前时刻为t0，t1与t0之间间隔15min，那么n＝16，未来4小时内预测时刻有16个。
所述基准层光伏预测集Y1包括在T时刻的基准层光伏预测值Y1,T，以及在T前1小时内的基准层光伏预测集Y1,T-z；所述基准层光伏预测值Y1,T和所述基准层光伏预测集Y1,T-z随预测时刻T滚动；
计算所述基准层光伏预测集Y1,T-z中的预测值与实测数据集中的实测值之间的差值并构成基准层光伏预测误差集所述实测数据集和所述基准层光伏预测误差集随预测时刻T滚动；
所述实测数据集为在T前1小时内的光伏功率的实测数据集，所述实测数据集随预测时刻T滚动；
当T＝t1时，Ct1-Z等于该发电站在t0前1小时内的光伏功率的实测数据集c0，t0为当前时刻，实测数据集c0是预先获取的；
将所述基准层光伏预测集Y1,T-z、所述基准层光伏预测值Y1，T和所述基准层光伏预测误差集ET-Z代入预先获得的基于XGBoost的实时层光伏预测模型F2，对所述基准层光伏预测值Y1,T进行校正，获得该发电站在预测时刻T的实时层光伏预测值Y2,T；
将所述实时层光伏预测值Y2,T作为光伏功率的在T时刻的实测值后，所述实测数据集CT-Z随T顺延滚动至下一时刻并构成新的实测数据集，重复上述校正过程，对所述基准层光伏预测集Y1中的在t1后预测值逐点校正。
步骤四：逐时刻校正直至光伏预测的终点，校正后的预测值Y2,t1至Y2,tn构成的集合即为该发电站在未来N小时内的实时层光伏预测集Y2。
结合图4-9对本发明的双层协同实时校正光伏预测方法进行步骤图解说明。
如图4-9所示，在一整天的时间轴上，当前时刻t0为12:00，第1-16个预测时刻依次为12:15、12:30、12:45、13:00、13:15、13:30、13:45、14:00、14:15、14:30、14:45、15:00、15:15、15:30、15:45、16:00，加上在当前时刻前一小时内的4个时刻11:00、11:15、11:30和11:45，总共21个时刻。为了方便说明，在选取数据时，仅仅用了对应这21个时刻的数值(或数据)，其他时刻的数据忽略。
图中数据集合中数据(值)与时刻一一对应，以便直观的体现数据之间的时序关系，能够在当前时刻(包括当前时刻)前预先获取的数据均使用实线圆圈表示，数据集中通过运算获取的数据(值)以虚线圆圈表示。
图4示出了通过当天的预报数据集带入基准层光伏预测模型F1，获得基准层光伏预测集Y1的过程。
图5示出了计算基准层光伏预测误差集Et1-Z的过程。
图6示出了在t1时刻实时层光伏预测值Y2,t1的过程。
图7示出了计算基准层光伏预测误差集Et2-Z的过程。
图8示出了在t1时刻实时层光伏预测值Y2,t2的过程。
图9示出了未来4小时的实时层光伏预测集Y2。
此外，在构建预测模型时，除了所用数据是历史数据外，各个数据集合中数据间的时序关系和图4-9中的一致，因此不在一一附图说明。
最后，选取浙江省某地一光伏发电站在2018年6月1日至2019年5月31日期间，该发电站所在地区相关气象的历史实测数据和当时的预报数据，以及对应该历史时间段内该光伏发电站的光伏功率实测数据，对本发明提出的光伏预测方法进行验证。
其中，实测数据为现场光伏板与气象仪采样，周期为15分钟，每天96组；辐照数值预报来源为中国电科院提供的中尺度数值预报，时间分辨率为15分钟，时间尺度为72小时，每日预报一次。以2018年6月1日至2019年4月30日的数据作为训练集，进行2019年5月1日至31日间的超短期光伏发电预测。
本实施例选取平均百分比误差(mean absolute percentage error，MAPE)作为单次超短期光伏预测模型性能的主要评估指标。单一的模型评估指标无法准确地判断模型的优劣，因此再选取均方根误差(root mean square error，RMSE)和平均误差(mean error，ME)作为辅助评估指标。由于超短期光伏预测为滚动预测，因此再定义时段内MAPE的平均值作为算法整体效果的首要评估指标，RMSE与ME同样也取平均值作为辅助评估指标。计算公式如下所示：
式中，yt为实际光伏发电数据；为预测光伏发电数据；n为数据总量；m为时段内预测总次数。
为了验证本发明在不同气象条件下的预测效果，选取5月份三种典型天气下的光伏出力作为预测对象，分别为5月23日晴天、5月27日多云天及5月30日阴天。同时在不同场景下将本发明与单层基于特征学习与时序预测及双层误差推移校正的XGBoost模型进行了对比。
典型天气1:5月23日晴天
图10集中展示了5月23日6:00、10:00、14:00三个时刻的超短期光伏预测模型效果，预测区间分别为6:00-10:00、10:00-14:00、14:00-18:00，两条竖虚线代表的时刻为10:00与14:00。图11为不同模型滚动超短期光伏预测的逐时刻MAPE对比曲线。
由图10、图11可知，晴天时基于特征辐射值得到的基准预测曲线与实际曲线趋势基本一致，但数值上有偏差，此时层协同校正模型通过误差推演对基准层预测进行连续校正，在光伏功率开始上升、进入平稳峰值与开始下降的三个时刻进行的超短期预测区间中都取得了更好的效果。时间序列与双层误差推移预测模型由于时序的延续性，在光伏功率拐点处出现较大偏差。
典型天气2：5月27日多云天
图12为5月27日三个典型时刻超短期光伏预测曲线效果展示，图13为模型在5月27日的逐时刻MAPE对比曲线。由图12、图13可知，27日各时刻的实时云层流动使得光伏出力的波动明显，基准层特征学习预测的准确度大幅下降，此时双层协同校正模型通过实时动态误差推算光伏出力的波动趋势，在图中展示的三个起伏较大的预测时段都能保持较好的预测精度与稳定性。在小部分预测时刻由于基准预测值偏差较大的干扰，双层协同模型准确度略差于单层时序预测模型，但在接续时间段内双层协同模型利用误差趋势迅速调整，保证了预测的准确性，在整体精度上仍优于时序模型；双层误差推移模型缺少基准预测值的约束，在光伏功率波动较剧烈时易出现趋势的偏移，尤其在功率应下降的时刻预测数值反而逆向上升。
典型天气3：5月30日阴天
图14、图15分别为5月30日的分时段超短期光伏预测对比曲线与逐时刻MAPE对比曲线。由图14、图15可知，阴天光伏实际出力整体偏小，趋势偏缓和，基准预测峰值偏大但变化过程基本吻合，基准预测值作为协同校正实时层模型中的输入量，提供了模拟大气运动状态的理论支撑，避免了单纯时序推移方法的随机性与不确定性，使得预测结果整体不会出现较大的趋势偏移，尤其在10:00时刻进行的超短期预测中，大幅修正了基准预测的误差，同时在趋势上与光伏实测值基本保持一致，说明模型通过误差推演准确分析了气象变化，从而提升预测精度。
综上所述，在不同典型天气场景下，本发明方法根据辐照预报进行特征学习预测的基础上，紧密结合实时光伏发电数据，利用相对误差趋势来实时校正光伏功率预测值，有效削弱了气象变化时预测产生的误差。
结果表明：
1)本发明提供的光伏预测方法既考虑了辐照值与光伏出力的理论对应关系，同时又融合了数据趋势分析的动态性，有效提高超短期光伏预测精度。
2)通过与仅依赖时序预测的模型实验结果对比，表明双层协同实时校正方法稳定性更强，不易出现数值剧烈波动的场景。这得益于双层算法结构中基准层提供的基于辐照气象预报的理论预测值，更多维度地学习了光伏功率的变化过程，提升了预测效果。
在示例性实施例中，还提供了一种双层协同实时校正光伏系统，包括：
光伏特征的强相关性因素的判定模块，用于通过对的光伏功率有影响的因素的数据进行机器学习、计算特征间的相似度并根据皮尔森系数获取其中最强三种因素作为强相关性因素；
数据获取模块，用于获取光伏功率数据和强相关性因素的数据，所述光伏功率数据包括发电站在当天的实光伏功率测数据和光伏功率历史实测数据，所述强相关性因素的数据包括发电站所在地强相关性因素在当天的预报数据，以及历史实测数据和历史预报数据；
基准层光伏预测模型构建模块，用于调用数据获取模块获取的数据，以强相关性因素的历史实测数据作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型后建立基于XGBoost的基准层光伏预测模型F1；
基准层光伏预测计算模块，用于调用数据获取模块获取的数据，并通过基准层光伏预测模型构建模块获得的基准层光伏预测模型F1来计算基准层光伏预测值或基准层光伏预测集；
基准层光伏误差计算模块，用于调用数据获取模块获取的数据和通过基准层光伏预测计算模块获得的基准层光伏预测值或基准层光伏预测集，获得基准层光伏误差值或基准层光伏误差值集；
实时层光伏预测模型构建模块，用于调用数据获取模块获取的数据，结合基准层光伏预测计算模块和基准层光伏误差计算模块，先通过将强相关性因素的历史预报数据代入所述基准层光伏预测计算模块得到历史时期的基准层光伏预测集；再将该历史时期中在时刻T’的基准层光伏预测值及时刻T’前Z小时的基准层光伏预测集，结合时刻T’前Z小时的基准层误差作为输入值，以光伏功率在时刻T’的历史实测数据为输出值，代入XGBoost基础模型后，建立基于XGBoost的实时层光伏预测模型F2；
实时层光伏预测计算模块，用于调用数据获取模块获取的数据，将通过基准层光伏预测计算模块获得基准层光伏预测集，结合通过基准层光伏误差计算模块获得的基准层的光伏预测误差，利用通过实时层光伏预测模型构建模块获得的实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正，获得最终的实时层光伏预测集。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种双层协同实时校正光伏预测方法，用于对光伏发电站未来N小时内光伏功率进行预测，其特征在于，包括，利用预先获得的基于XGBoost的基准层光伏预测模型F1获得未来N小时内的基准层光伏预测集；结合基准层的光伏预测误差，利用预先获得的实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正，获得最终的实时层光伏预测集；所述基准层光伏预测误差指在预测时刻前的基准层光伏预测值与对应该时刻的光伏功率实测值之间的偏差；在逐时刻校正的过程中，将获得的当前预测时刻的实时层光伏预测值作为下一预测时刻的光伏功率实测值；所述基于XGBoost的基准层光伏预测模型F1和基于XGBoost的实时层光伏预测模型F2利用光伏功率历史实测数据以及对光伏功率有影响的强相关性因素的历史数据集建立；
所述利用预先获得的基于XGBoost的基准层光伏预测模型F1获得未来N小时内基准层光伏预测集的步骤如下：预先获取该发电站所在地对光伏功率有影响的强相关性因素当天的预报数据集B；将预报数据集B代入预先获得的基于XGBoost的基准层光伏预测模型F1获得该发电站在未来N小时内的基准层光伏预测集Y1；
所述结合基准层的光伏预测误差并利用预先获得的实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正的步骤如下：所述预测时刻为Ｔ，Ｔ∈[t1，tn]，预测时刻间隔≥10min，Ｔ在[t1，tn]内逐点延顺；所述基准层光伏预测集Y1包括在Ｔ时刻的基准层光伏预测值Y1,Ｔ，以及在Ｔ前Z小时内的基准层光伏预测集Y1,Ｔ-z；所述基准层光伏预测值Y1,Ｔ和所述基准层光伏预测集
Y1,Ｔ-z随预测时刻Ｔ滚动；计算所述基准层光伏预测集Y1,Ｔ-z中的预测值与实测数据集CＴ-Z中的实测值之间的差值并构成基准层光伏预测误差集EＴ-Z；所述实测数据集CＴ-Z和所述基准层光伏预测误差集EＴ-Z随预测时刻Ｔ滚动；所述实测数据集CＴ-Z为在Ｔ前Z小时内的光伏功率的实测数据集，所述实测数据集CＴ-Z随预测时刻Ｔ滚动；当Ｔ=t1时，Ct1-Z等于该发电站在t0前Z小时内的光伏功率的实测数据集c0，t0为当前时刻，实测数据集c0是预先获取的；将所述基准层光伏预测集Y1,Ｔ-z、所述基准层光伏预测值Y1，T和所述基准层光伏预测误差集ET-Z代入预先获得的基于XGBoost的实时层光伏预测模型F2，对所述基准层光伏预测值Y1,Ｔ进行校正，获得该发电站在预测时刻T的实时层光伏预测值Y2,T；将所述实时层光伏预测值Y2,T作为光伏功率的在T时刻的实测值后，所述实测数据集CT-Z随T顺延滚动至下一时刻并构成新的实测数据集，重复上述校正，对所述基准层光伏预测集Y1中的在t1后预测值逐点校正；校正后的预测值Y2,t1至Y2,tn构成的集合即为该发电站在未来N小时内的实时层光伏预测集Y2。
2.根据权利要求1所述的双层协同实时校正光伏预测方法，其特征在于，所述基于XGBoost的基准层光伏预测模型F1是通过将所述强相关性因素的历史实测数据作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得。
3.根据权利要求2所述的双层协同实时校正光伏预测方法，其特征在于，所述基于XGBoost的实时层光伏预测模型F2获取步骤包括：通过将强相关性因素的历史预报数据代入所述基准层光伏预测模型F1得到对应历史时期的基准层光伏预测集；从该历史时期中任意选取一时刻T’，将在时刻T’及时刻T’前Z小时内的基准层光伏预测值，结合时刻T’前Z小时内的基准层光伏预测误差作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得所述基于XGBoost的实时层光伏预测模型F2；所述时刻T’前Z小时内的基准层光伏预测误差是指时刻T’前Z小时内的光伏功率的基准层光伏预测值与光伏功率历史实测值之间的偏差。
4.根据权利要求3所述的双层协同实时校正光伏预测方法，其特征在于，在以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得的实时层光伏预测模型F2的过程中，该光伏功率的历史实测数据所对应的时刻是时刻T’或在时刻T’之后最近的一个数据记录时刻。
5.根据权利要求1所述的双层协同实时校正光伏预测方法，其特征在于，所述对光伏发电量或功率有影响的强相关性因素，获取步骤如下，S11：选取对光伏发电量可能存在影响的因素；S12：计算这些因素与光伏发电量之间的皮尔森相关系数r和相关判定系数r2；
S13：在这些因素的相关判定系数大于0.3的中，确定至少两个因素作为强相关性因素。
6.根据权利要求5所述的双层协同实时校正光伏预测方法，其特征在于，所述强相关性因素包括直接辐射值、散射值和总辐射值。
7.根据权利要求1或3所述的双层协同实时校正光伏预测方法，其特征在于，所述的前Z小时，数值Z是通过以下方法获得：利用测试数据集对实时层XGBoost逐点校正模型进行交叉验证，在XGBoost模型参数为常见典型值下比较结果与实测值的误差，得出选择预测时刻前1小时内光伏实测与基准值预测误差的集合作为模型平移特征为最优；即确定Z的数值为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010710506.7A CN111967652B (zh) | 2020-07-22 | 2020-07-22 | 一种双层协同实时校正光伏预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010710506.7A CN111967652B (zh) | 2020-07-22 | 2020-07-22 | 一种双层协同实时校正光伏预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967652A CN111967652A (zh) | 2020-11-20 |
| CN111967652B true CN111967652B (zh) | 2023-10-24 |
Family
ID=73362459
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010710506.7A Active CN111967652B (zh) | 2020-07-22 | 2020-07-22 | 一种双层协同实时校正光伏预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967652B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487093B (zh) * | 2021-07-09 | 2024-06-14 | 国网浙江省电力有限公司电力科学研究院 | 基于邻域前向时序最优组合的超短期光伏功率预测方法 |
| FR3135798B1 (fr) | 2022-05-19 | 2024-10-25 | Ifp Energies Now | Procédé de prévision d’une puissance produite par au moins un panneau photovoltaïque |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103606967A (zh) * | 2013-11-26 | 2014-02-26 | 华中科技大学 | 一种实现电力系统鲁棒运行的调度方法 |
| CN105303254A (zh) * | 2015-10-26 | 2016-02-03 | 国网浙江省电力公司电力科学研究院 | 一种对光伏电站接收辐射进行预测的方法及装置 |
| CN109120003A (zh) * | 2018-09-07 | 2019-01-01 | 中国南方电网有限责任公司 | 一种基于mpc算法的分布式光伏储能系统优化控制方法 |
| CN109447843A (zh) * | 2018-10-22 | 2019-03-08 | 北京中电普华信息技术有限公司 | 一种光伏出力预测方法及装置 |
| CN109754086A (zh) * | 2019-01-13 | 2019-05-14 | 胡燕祝 | 一种基于马尔科夫链的岭回归数值预测方法 |
| CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
| WO2020022624A1 (ko) * | 2018-07-26 | 2020-01-30 | (주)에코브레인 | 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템 |
| CN111242371A (zh) * | 2020-01-10 | 2020-06-05 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
| CN111414717A (zh) * | 2020-03-02 | 2020-07-14 | 浙江大学 | 一种基于XGBoost-LightGBM的机组功率预测方法 |
-
2020
- 2020-07-22 CN CN202010710506.7A patent/CN111967652B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103606967A (zh) * | 2013-11-26 | 2014-02-26 | 华中科技大学 | 一种实现电力系统鲁棒运行的调度方法 |
| CN105303254A (zh) * | 2015-10-26 | 2016-02-03 | 国网浙江省电力公司电力科学研究院 | 一种对光伏电站接收辐射进行预测的方法及装置 |
| WO2020022624A1 (ko) * | 2018-07-26 | 2020-01-30 | (주)에코브레인 | 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템 |
| CN109120003A (zh) * | 2018-09-07 | 2019-01-01 | 中国南方电网有限责任公司 | 一种基于mpc算法的分布式光伏储能系统优化控制方法 |
| CN109447843A (zh) * | 2018-10-22 | 2019-03-08 | 北京中电普华信息技术有限公司 | 一种光伏出力预测方法及装置 |
| CN109754086A (zh) * | 2019-01-13 | 2019-05-14 | 胡燕祝 | 一种基于马尔科夫链的岭回归数值预测方法 |
| CN110598335A (zh) * | 2019-09-17 | 2019-12-20 | 阳光电源股份有限公司 | 一种超短期光伏功率预测的辐照修正方法 |
| CN111242371A (zh) * | 2020-01-10 | 2020-06-05 | 华北电力大学 | 一种基于非迭代多模型的光伏发电短期预测校正方法 |
| CN111414717A (zh) * | 2020-03-02 | 2020-07-14 | 浙江大学 | 一种基于XGBoost-LightGBM的机组功率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于XGBoost的双层协同实时校正超短期光伏预测;唐雅洁;《电力系统自动化》;第45卷(第7期);18-27 * |
| 基于数据统计特性考虑误差修正的两阶段光伏功率预测;刘杰;《电网技术》;第44卷(第8期);2891-2897 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967652A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| EP3576029B1 (en) | Method and device for determining energy system operating scenarios | |
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN111967652B (zh) | 一种双层协同实时校正光伏预测方法 | |
| CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
| CN106600041A (zh) | 基于受限玻尔兹曼机的光伏发电短期功率概率预测方法 | |
| CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN109840633A (zh) | 光伏输出功率预测方法、系统和存储介质 | |
| CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
| CN115689055A (zh) | 一种短期太阳辐照度预测方法及装置 | |
| CN111697560A (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| CN114861555A (zh) | 一种基于Copula理论的区域综合能源系统短期负荷预测方法 | |
| CN114492923A (zh) | 一种长时间尺度功率预测方法 | |
| CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
| CN117236720A (zh) | 利用多气象因子特征的光伏电站发电功率预测方法 | |
| CN117371581A (zh) | 一种新能源发电功率预测方法、装置及存储介质 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
| 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 | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| CN110751335B (zh) | 一种区域生态质量年景预测评价方法及装置 | |
| CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 |
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 |