CN112052913B - 一种分布式光伏电站功率数据虚拟采集方法 - Google Patents

一种分布式光伏电站功率数据虚拟采集方法 Download PDF

Info

Publication number
CN112052913B
CN112052913B CN202011034270.6A CN202011034270A CN112052913B CN 112052913 B CN112052913 B CN 112052913B CN 202011034270 A CN202011034270 A CN 202011034270A CN 112052913 B CN112052913 B CN 112052913B
Authority
CN
China
Prior art keywords
data
neural network
power station
day
wavelet neural
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
Application number
CN202011034270.6A
Other languages
English (en)
Other versions
CN112052913A (zh
Inventor
姜小涛
方磊
牛睿
葛磊蛟
王文天
张凌浩
秦羽飞
朱红勤
周科峰
刘嘉恒
许超
嵇文路
冯隆基
马琎劼
胡君
张继东
王文帝
杨卓然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Tianjin University
Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University, Nanjing Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Tianjin University
Priority to CN202011034270.6A priority Critical patent/CN112052913B/zh
Publication of CN112052913A publication Critical patent/CN112052913A/zh
Application granted granted Critical
Publication of CN112052913B publication Critical patent/CN112052913B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种分布式光伏电站功率数据虚拟采集方法，包括根据气象特征相似性，选取待采集电站采集日的相似日，以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；构建小波神经网络，并利用蝙蝠算法优化小波神经网络的参数；使用训练样本训练小波神经网络，得到功率数据虚拟采集模型；利用功率数据虚拟采集模型进行数据拟合，实现功率数据的虚拟采集。本发明通过基于相似日与BA‑WNN相结合方法建立功率数据虚拟采集模型，实现了分布式光伏电站功率数据的虚拟采集，具有可行性与有效性。

Description

一种分布式光伏电站功率数据虚拟采集方法
技术领域
本发明属于分布式光伏数据采集技术领域，涉及一种分布式光伏电站功率数据虚拟采集方法。
背景技术
在当前全球能源危机、环境污染加剧的背景下，光伏作为一种高效、清洁的可再生能源，得到了世界各国的大力支持并得以迅速发展。我国十分重视光伏行业的发展，装机容量逐年提升，截至2019年年底，我国光伏累计并网装机容量达到204.3GW，新增装机容量15.99GW。2019年，我国光伏发电量为2242.6亿kWh，同比增长26.3％，占所有能源全年总发电量的3.1％，同比提高0.5个百分点。
目前，光伏电站主要分为集中式光伏电站与分布式光伏电站两部分。其中分布式光伏电站大多具有点多面广、分散无序的特点，导致了分布式光伏电站数据的获取需要监测数据点的数量非常庞大，仅依靠增加传感器数量和提高采集频次等方法数据采集的成本过高，且多数户用型分布式光伏的用户不愿承担该项费用，制约了分布式光伏行业的发展。为此，开发一种充分考虑分布式光伏运维的经济性，低成本、高效率的新型分布式光伏运维数据采集方案，具有重要意义。
虚拟采集作为一种实时运维数据的预测技术，可利用同区域电站的外部条件与电站内部数字数值与变化趋势的相似性，结合电站部分数据，对分布式光伏电站的数据进行拟合，利用区域范围内已安装完整采集终端的光伏数据，将未安装采集装置或采集装置不完备的分布式光伏电站的数据补充完善，实现光伏运维数据的获取，节约数据采集成本。由于光伏运维数据种类繁多，其中备受光伏业主关注的为实时功率数据，也是本发明的研究对象。
当前的分布式光伏功率数据采集方案仅仅针对未来功率的预测与历史数据的修复，而并未涉及于对于实时的光伏数据的采集与预测。因此，本发明借鉴以上经验并结合实际项目工程的需求，提出一种基于相似日与蝙蝠算法与小波神经网络(Bat algorithm andwavelet neural network,BA-WNN)结合的分布式光伏数据虚拟采集方法。
由于目前我国的分布式光伏电站，同一区域范围内的分布式光伏电站基本都为统一安装，气象因素以及各设备的各项参数基本相同，其出力情况的变化就比较相似。从成本方面考虑，电流采集终端的成本较低，且电站内的电流数据能够较好的反映该电站出力的不确定性。因此，在同一区域内，选取具有完整数据采集系统分布式光伏电站为标杆电站，其余电站只安装了价格较低的电流采集终端，利用标杆电站的部分数据与其余电站的电流数据，对未进行实时采集的功率数据进行预测，可实现区域范围内分布式光伏电站数据的“实时+虚拟”采集。
发明内容
为解决现有技术中的不足，本申请提供一种分布式光伏电站功率数据虚拟采集方法。
为了实现上述目标，本发明采用如下技术方案：
一种分布式光伏电站功率数据虚拟采集方法，所述方法包括以下步骤：
步骤1：根据气象特征相似性，选取待采集电站采集日的相似日，以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；
步骤2：构建小波神经网络，并利用蝙蝠算法优化小波神经网络的参数；
步骤3：将步骤2优化得到的小波神经网络参数作为小波神经网络的初始参数，使用训练样本训练小波神经网络，得到功率数据虚拟采集模型；
步骤4：输入采集日标杆电站的功率数据及待采集电站的电流数据，利用功率数据虚拟采集模型进行数据拟合，实现功率数据的虚拟采集。
本发明进一步包括以下优选方案：
优选地，步骤1所述标杆电站和待采集电站为同一气象区域范围内的分布式光伏电站，且标杆电站和待采集电站的设备参数相同，所述标杆电站设有功率数据采集终端，待采集电站设有电流采集终端。
优选地，步骤1具体包括以下步骤：
步骤1.1：获取采集日及采集日前P个历史日的气象数据，P＞1；
步骤1.2：对采集日和每个历史日，分别构造气象特征向量：
X＝[F1,F2,…,Fn-1,Fav]；
Fav为每日辐照度的平均值，Fm(m＝1,2,…,n-1)为该日各时刻的气象数据；
步骤1.3：对步骤1.2构造的各气象特征向量分别进行分量归一化处理；
采集日与历史日归一化后的气象特征向量分别为：
x0＝(x0(1),x0(2),…,x0(n))
xi＝(xi(1),xi(2),…,xi(n))
式中，x0为采集日归一化后的气象特征向量，xi为第i个历史日归一化后的气象特征向量；x0(n)为采集日第n个归一化后的分量，xi(n)为第i历史日第n个归一化后的分量，i＝1,…P；
步骤1.4：计算xi相对于x0的相似性综合指标Si；
步骤1.5：将各历史日的相似性综合指标值递减排列，选取前Q个历史日作为相似日，Q小于P；
步骤1.6：以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本。
优选地，步骤1.1中，获取的气象数据为辐照度。
优选地，步骤1.3中，采用如下归一化方式：
Figure BDA0002704738420000031
式中，x、xmin、xmax分别为原始数据、原始数据中的最小值、原始数据中的最大值，x'为归一化后的数据。
优选地，步骤1.4包括以下步骤：
步骤1.4.1：分别计算x0与xi在第n个分量的关联系数：
Figure BDA0002704738420000032
式中，Δ＝|x0(n)-xi(n)|，ξi(n)为关联系数，r为分辨系数；
步骤1.4.2：分别计算x0和xi的相似度：
Figure BDA0002704738420000033
式中，N为各分量的关联系数的总数；
步骤1.4.3：分别计算x0和xi的余弦相似度：
Figure BDA0002704738420000041
其中，xok、xik分别为采集日和第i个历史日气象特征向量的第k个分量；
步骤1.4.4：计算xi相对于x0的相似性综合指标Si：
Si＝αRi+(1-α)Dcosi
其中，α为经验权重系数。
优选地，所述小波神经网络将神经网络的激活函数替换成小波函数，而相应的输入层到隐含层的权值及激活阈值，由小波函数的尺度伸缩因子和平移因子所代替；
所述小波神经网络的网络结构包括三层，即输入层、隐藏层和输出层；
隐含层节点的个数为：
Figure BDA0002704738420000042
式中：n为隐含层节点的个数，i为输入层节点的个数，k为输出层节点的个数，a为1-10之间的常数；
所述小波神经网络的小波基函数为Morlet函数：
Figure BDA0002704738420000043
隐含层输出公式为：
Figure BDA0002704738420000044
式中：
Figure BDA0002704738420000045
为隐含层第j个节点的输出；n为隐含层节点总数；
输出层计算公式：
Figure BDA0002704738420000046
式中：k为输出层节点个数；
网络误差为：
Figure BDA0002704738420000047
式中：yn(k)为期望输出，y(k)为拟合输出值。
优选地，所述小波神经网络参数包括权值、伸缩因子与平移因子。
优选地，步骤2所述利用蝙蝠算法优化小波神经网络的参数，包括以下步骤：
步骤2.1：设置蝙蝠算法初始值：最大迭代次数IMAX，种群规模N，种群维度，脉冲频率的范围fi∈[fmin,fmax]，脉冲频率r0，响度A0，脉冲响度控制系数α，频度控制系数μ，精度为ε，所述种群维度为需要优化的权值、平移因子、伸缩因子的总数量；
步骤2.2：随机初始化蝙蝠个体位置Xi(i＝1,2,…,m)，并根据适应度函数Fitness的最小值找到最佳位置X*；
Figure BDA0002704738420000051
式中：yn(k)为期望输出，y(k)为拟合输出值；
步骤2.3：进行个体位置的寻优，每个个体位置、速度、回声频率更新如下：
fi＝fmin+(fmax-fmin)β
Figure BDA0002704738420000052
式中：
Figure BDA0002704738420000053
和
Figure BDA0002704738420000054
分别表示蝙蝠个体i在t+1和t时刻的位置；pbest表示当前所有蝙蝠个体的最优位置；β为均匀分布在[0,1]上的随机数；fi为蝙蝠个体的回声频率，fi∈[fmin,fmax]；
Figure BDA0002704738420000055
和
Figure BDA0002704738420000056
分别为蝙蝠i在t和t+1时刻的速度；
步骤2.4：产生随机数rand1，若rand1＜ri，则扰动处于最优位置的蝙蝠个体，以扰动后的位置取代当前位置；
步骤2.5：产生随机数rand1，若rand2＜ri，且f(Xi)＜f(X*)，则将蝙蝠个体移动到更新后位置；
步骤2.6：当满足步骤2.5时，根据下式调整脉冲频度r和音强A：
Figure BDA0002704738420000061
Figure BDA0002704738420000062
式中：α为脉冲响度控制系数，μ为频度控制系数，α和μ为常量；
Figure BDA0002704738420000063
为最大脉冲频率；
Figure BDA0002704738420000064
为t+1时刻的脉冲频率；
步骤2.7：根据蝙蝠群体适应度值，找出优化后蝙蝠个体的最佳位置；
步骤2.8：判断是否达到最大搜索次数或者满足搜索精度，若达到最大搜索次数或者满足搜索精度，则转入步骤2.9，否则转入步骤2.2进行搜索
步骤2.9：输出全局最优解，算法结束。
优选地，步骤3包括以下步骤：
步骤3.1：输入训练样本样本，训练小波神经网络；
步骤3.2：计算输出值与期望值的误差值；
步骤3.3：误差反向传播，修正小波神经网络参数，返回步骤3.1，直到达到误差精度或最大训练次数，结束训练，当前小波神经网络作为功率数据虚拟采集模型。
本申请所达到的有益效果：
在同一区域内，一座分布式光伏电站安装完备的数据采集装置，其他分布式光伏电站则安装价格较低的电流采集终端，通过本发明的基于相似日与BA-WNN相结合的方法建立功率数据虚拟采集模型，以对功率数据的虚拟预测的方式，代替依靠传感器等数据采集设备的实际数据采集，解决了由于布式光伏电站大多具有点多面广、分散无序的特点，导致了分布式光伏电站数据的获取需要监测数据点的数量非常庞大，仅依靠增加传感器等数据采集设备等方法数据采集的成本过高的问题。
附图说明
图1是本发明方法的流程图；
图2是本发明方法的实施例流程图；
图3是本发明实施例中构建的小波神经网络的网络结构图；
图4是本发明对实施例中平稳天气相似日选取结果；
图5是本发明实施例中对突变天气相似日选取结果；
图6是本发明实施例中对平稳天气各电站虚拟采集结果；
图7是本发明实施例中对突变天气各电站虚拟采集结果；
图8是本发明实施例中对平稳天气下多个虚拟采集模型求解的结果对比；
图9是本发明实施例中对突变天气下多个虚拟采集模型求解的结果对比。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1和2所示，本发明的一种分布式光伏电站功率数据虚拟采集方法，包括以下步骤：
步骤1：根据气象特征相似性，选取待采集电站采集日的相似日，以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；
所述标杆电站和待采集电站为同一气象区域范围内的分布式光伏电站，且标杆电站和待采集电站的设备参数相同，所述标杆电站设有功率数据采集终端，待采集电站设有电流采集终端。
本申请具体实施例中，步骤1基于灰色关联理论与余弦相似度相结合的进行相似日选取，并利用相似日的功率数据、电流数据作为小波神经网络的训练样本，具体包括以下步骤：
步骤1.1：获取采集日及采集日前若干历史日的气象数据：参考相关文献并结合实际现有的数据，本申请具体实施时，选取的气象数据辐照度作为相似日选取的特征向量，考虑历史数据对光伏发电影响具有“近大远小”的特点，选取近三个月的辐照度；
步骤1.2：对采集日和每个历史日，分别构造气象特征向量：
X＝[F1,F2,…,Fn-1,Fav]；
Fav为每日辐照度的平均值，Fm(m＝1,2,…,n-1)为该日各时刻的辐照度；
步骤1.3：对步骤1.2构造的各气象特征向量分别进行分量归一化处理：
Figure BDA0002704738420000071
式中，x、xmin、xmax分别为原始数据、原始数据中的最小值、原始数据中的最大值，x'为归一化后的数据。
采集日与历史日归一化后的气象特征向量分别为：
x0＝(x0(1),x0(2),…,x0(n))
xi＝(xi(1),xi(2),…,xi(n))
式中，x0为采集日归一化后的气象特征向量，xi为第i个历史日归一化后的气象特征向量；x0(n)为采集日第n个归一化后的分量，xi(n)为第i历史日第n个归一化后的分量。
步骤1.4：计算xi相对于x0的相似性综合指标Si，包括以下步骤：
步骤1.4.1：分别计算x0与xi在第n个分量的关联系数：
Figure BDA0002704738420000081
式中，Δ＝|x0(n)-xi(n)|，ξi(n)为关联系数，r为分辨系数；
步骤1.4.2：由于关联系数很多，信息过于分散，不便于比较，为综合各个分量的关联系数，一般采用求平均值来处理，即分别计算x0和xi的相似度：
Figure BDA0002704738420000082
式中，N为各分量的关联系数的总数；
步骤1.4.3：分别计算x0和xi的余弦相似度：
Figure BDA0002704738420000083
其中，xok、xik分别为采集日和第i个历史日气象特征向量的第k个分量；
步骤1.4.4：灰色关联度分析法是灰色系统分析方法的一种，根据数据序列数值之间的相似程度来判断关联程度，是衡量因素数值间关联程度的一种方法。而余弦相似度则是衡量数据序列变化趋势间的相似性的一种方法。为避免单一评价方法的局限性，综合考虑数据序列数值的相似性Dcosi与变化趋势的相似性，将总关联度Ri和余弦相似度这2个指标组合成一个相似性综合指标Si，表征总体相似性，其值越接近1代表越相似。
xi相对于x0的相似性综合指标Si计算公式为：
Si＝αRi+(1-α)Dcosi
其中，α为经验权重系数，优选取0.5。
步骤1.5：将各历史日的相似性综合指标值递减排列，选取前10个历史日作为相似日；
步骤1.6：以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本。
步骤2：构建小波神经网络，并利用蝙蝠算法优化小波神经网络的权值、伸缩因子与平移因子等参数；
所述小波神经网络将神经网络的激活函数替换成小波函数，而相应的输入层到隐含层的权值及激活阈值，由小波函数的尺度伸缩因子和平移因子所代替；
所述小波神经网络使用最广泛的紧致性结构，网络结构如图3所示；
图3中，x1,x2,…,xi为小波神经网络的输入数据，Y为拟合得到的输出数据集，ωij表示输入层和隐含层的权值，ωjk表示隐含层和输出层的权值，aj和bj分别为伸缩因子和平移因子。
Figure BDA0002704738420000091
表示小波基函数，本发明实施例中选取Morlet函数作为小波基函数：
Figure BDA0002704738420000092
隐含层输出公式为：
Figure BDA0002704738420000093
式中：
Figure BDA0002704738420000094
为隐含层第j个节点的输出；n为隐含层节点总数；
输出层计算公式：
Figure BDA0002704738420000095
式中：k为输出层节点个数；
网络误差为：
Figure BDA0002704738420000096
式中：yn(k)为期望输出，y(k)为拟合输出值。
相对于BP神经网络，小波神经网络的基元和整个结构是依据小波分析理论确定的,有效避免了BP神经网络等结构设计上的盲目性；此外，小波理论是全尺度分析，不仅有全局最优解，还保持局部细节最优解，因此小波神经网络相对来说更强的学习能力与更高的精度。但是在随着输入维数增加，训练样本增大，小波神网络的收敛速度大大下降。同时，当小波神经网络初始化参数不合理时，将导致整个网络学习过程不能收敛[15]，因此本发明就神经网络参数初始化问题采用蝙蝠算法进行优化。
隐含层节点的个数为：
Figure BDA0002704738420000101
式中：n为隐含层节点的个数，i为输入层节点的个数，k为输出层节点的个数，a为1-10之间的常数；
步骤2所述利用蝙蝠算法优化小波神经网络的参数，包括以下步骤：
蝙蝠算法(Bat algorithm，BA)是一种全局搜索优化算法，其基本思想是将蝙蝠种群个体映射为空间中的可行解，把搜索过程和优化过程模拟成蝙蝠个体搜寻猎物和移动的过程，蝙蝠所处位置的优劣以求解问题的适应度函数来衡量，将寻优过程类比为个体的优胜劣汰过程。蝙蝠算法基本原理如下：
步骤2.1：设置蝙蝠算法初始值：最大迭代次数IMAX，种群规模N，种群维度，脉冲频率的范围fi∈[fmin,fmax]，脉冲频率r0，响度A0，脉冲响度控制系数α，频度控制系数μ，精度为ε，所述种群维度为需要优化的权值、平移因子、伸缩因子的总数量；
步骤2.2：随机初始化蝙蝠个体位置Xi(i＝1,2,…,m)，并根据适应度函数Fitness的最小值找到最佳位置X*；
Figure BDA0002704738420000102
式中：yn(k)为期望输出，y(k)为拟合输出值；
步骤2.3：进行个体位置的寻优，每个个体位置、速度、回声频率更新如下：
fi＝fmin+(fmax-fmin)β
Figure BDA0002704738420000103
Figure BDA0002704738420000111
式中：
Figure BDA0002704738420000112
和
Figure BDA0002704738420000113
分别表示蝙蝠个体i在t+1和t时刻的位置；pbest表示当前所有蝙蝠个体的最优位置；β为均匀分布在[0,1]上的随机数；fi为蝙蝠个体的回声频率，fi∈[fmin,fmax]；
Figure BDA0002704738420000114
和
Figure BDA0002704738420000115
分别为蝙蝠i在t和t+1时刻的速度；
步骤2.4：产生随机数rand1，若rand1＜ri，则扰动处于最优位置的蝙蝠个体，以扰动后的位置取代当前位置；
步骤2.5：产生随机数rand1，若rand2＜ri，且f(Xi)＜f(X*)，则将蝙蝠个体移动到更新后位置；
步骤2.6：当满足步骤2.5时，根据下式调整脉冲频度r和音强A：
Figure BDA0002704738420000116
Figure BDA0002704738420000117
式中：α为脉冲响度控制系数，μ为频度控制系数，α和μ为常量；
Figure BDA0002704738420000118
为最大脉冲频率；
Figure BDA0002704738420000119
为t+1时刻的脉冲频率。响度和脉冲频率只有在解进化的时候更新，这意味着蝙蝠算法只朝着最优解方向进行。
步骤2.7：根据蝙蝠群体适应度值，找出优化后蝙蝠个体的最佳位置；
步骤2.8：判断是否达到最大搜索次数或者满足搜索精度，若达到最大搜索次数或者满足搜索精度，则转入步骤2.9，否则转入步骤2.2进行搜索
步骤2.9：输出全局最优解，算法结束。
蝙蝠算法具有较好的收敛性和全局搜索能力且没有许多参数要进行调整。若将其与小波神经网络相结合，可利用蝙蝠算法较强的全局收敛能力对小波神经网络中的权值、伸缩因子与平移因子进行不断调整优化，使小波神经网络的性能得到明显提高。
步骤3：将步骤2优化得到的小波神经网络参数作为小波神经网络的初始参数，使用训练样本训练小波神经网络，得到功率数据虚拟采集模型，包括以下步骤：
步骤3.1：输入训练样本样本，训练小波神经网络；
步骤3.2：计算输出值与期望值的误差值；即计算网络误差：
Figure BDA0002704738420000121
式中：yn(k)为期望输出，y(k)为拟合输出值。
步骤3.3：误差反向传播，修正小波神经网络参数，返回步骤3.1，直到达到误差精度或最大训练次数，结束训练，当前小波神经网络作为功率数据虚拟采集模型。
步骤4：输入采集日标杆电站的功率数据及待采集电站的电流数据，利用功率数据虚拟采集模型进行数据拟合，实现功率数据的虚拟采集。
为了验证本发明虚拟采集算法的适用性，分别选取平稳天气与波动天气作验证实验，首先分别选取各采集日的相似日数据作为神经网络的训练样本；具体选取方法为将Si按大小顺序排列，选取前10天数据作为训练样本，综合相似日选取结果如图4与图5所示，图中带星号的线条为采集日辐照度，其余实线条是相似日辐照度，观察趋势用来验证相似日选取的准确性。
从图4与图5中可以看出本发明相似日的选取方式效果较好，各相似日的辐照度无论在数值上或者变化趋势上都具有较强的相似性，可以为后续神经网络的训练提供强有力的支撑。
利用相似日的功率数据、电流数据作为小波神经网络的训练样本，将数据归一化后分别对稳定天气与突变天气进行小波神经网络的训练，小波神经网络相关参数设置为：训练次数为100次，权重因子学习效率为0.01，网络结构为三层，输入层节点个数为2，输出层节点个数为1，待采集数据的电站的输出功率隐含层节点的选取的经验公式如下所示：
Figure BDA0002704738420000122
式中：n为隐含层节点的个数，i为输入层节点的个数，k为输出层节点的个数，a为1-10之间的常数。
经过多次实验比对结果，本发明实施例中选取的隐含层节点的个数确定为4。
蝙蝠算法相关参数设置为：设定蝙蝠算法的最大迭代次数100次，种群规模25，需要优化的权值、平移因子、伸缩因子的总数量为2×4+4×1+4+4＝20，因此蝙蝠算法解空间的维度即为20，蝙蝠脉冲频率范围[fmin,fmax]＝[0,2]，响度为0.9，脉冲发射率为0.5，响度控制参数为0.98，频率发射率控制参数为0.98，精度为0.01。设置完毕后开始训练小波神经网络，得到功率数据虚拟采集模型并进行功率数据的虚拟采集，平稳天气各电站虚拟采集结果与突变天气各电站虚拟采集结果分别如图6与图7所示：
本发明实施例以均方误差RMSE与平均绝对误差MAE评价虚拟采集结果，计算方法分别如式(20)与式(21)所示：
平稳天气的误差与突变天气的误差分别如表1与表2所示：
Figure BDA0002704738420000131
Figure BDA0002704738420000132
式中：N为采集数据点的总数，
Figure BDA0002704738420000133
为虚拟采集的光伏输出功率数据，
Figure BDA0002704738420000134
为实际值，i为虚拟采集的时刻。
表1平稳天气误差指标
Figure BDA0002704738420000135
表2突变天气误差
Figure BDA0002704738420000141
由图6与图7中可以看出，虚拟采集模型的实时数据预测值十分接近于真实值，由表1与表2中可以看出，本发明虚拟采集模型的实时数据预测结果与真实值之间误差较小，虚拟采集模型采集效果较好。为进一步验证本发明的优越性，本发明还分别建立了BPNN模型、WNN模型、基于历史日-BA-WNN模型与本发明的基于相似日-BA-WNN模型，即虚拟采集模型相比较，结果如图8、图9与表3所示：
表3各模型的误差指标
Figure BDA0002704738420000142
由图8、图9与表3中的结果可以得出以下结论：
(1)基于BP神经网络的虚拟采集得到的数据误差较大，但其训练过程较好，说明其存在明显的过拟合的状态，不能很好的拟合需要的数据。
(2)无论在平稳天气还是突变天气，相比一般的基于WNN的虚拟采集模型和基于历史日的BA-WNN虚拟采集模型，本发明基于相似日-BA-WNN的虚拟采集模型都能够更好的反映光伏输出功率的情况，相似日的选取与算法的优化都在一定程度上降低了虚拟采集模型的误差，验证了本发明所提方法的有效性。
综上所述，本发明首先，为了减少预测模型的复杂度，提高数据采集的精度，本发明利用灰色关联理论与余弦相似度相结合的指标进行相似日的选取利用选取相似日的功率、电流数据建立小波神经网络的训练样本；然后，利用蝙蝠算法对小波神经网络的模型的权值、伸缩因子与平移因子进行优化，避免其陷入局部收敛，提高虚拟采集精度。最后,以仿真实验为例，本发明提出的基于相似日-BA-WNN的虚拟采集模型对区域范围内分布式电站进行光伏出力数据的虚拟采集相对于其他模型具有更加优越的性能，实现了分布式光伏电站功率数据的虚拟采集，验证了本发明所提模型的可行性与有效性。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (6)

1.一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
所述方法包括以下步骤：
步骤1：根据气象特征相似性，选取待采集电站采集日的相似日，以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；
步骤2：构建小波神经网络，并利用蝙蝠算法优化小波神经网络的参数；
步骤3：将步骤2优化得到的小波神经网络参数作为小波神经网络的初始参数，使用训练样本训练小波神经网络，得到功率数据虚拟采集模型；
步骤4：输入采集日标杆电站的功率数据及待采集电站的电流数据，利用功率数据虚拟采集模型进行数据拟合，实现功率数据的虚拟采集；
步骤1所述标杆电站和待采集电站为同一气象区域范围内的分布式光伏电站，且标杆电站和待采集电站的设备参数相同，所述标杆电站设有功率数据采集终端，待采集电站设有电流采集终端；
步骤1具体包括以下步骤：
步骤1.1：获取采集日及采集日前P个历史日的气象数据，P＞1；
步骤1.2：对采集日和每个历史日，分别构造气象特征向量：
X＝[F1,F2,…,Fn-1,Fav]；
Fav为每日辐照度的平均值，Fm(m＝1,2,…,n-1)为每日m时刻的气象数据；
步骤1.3：对步骤1.2构造的各气象特征向量分别进行分量归一化处理；
采集日与历史日归一化后的气象特征向量分别为：
x0＝(x0(1),x0(2),…,x0(n))
xi＝(xi(1),xi(2),…,xi(n))
式中，x0为采集日归一化后的气象特征向量，xi为第i个历史日归一化后的气象特征向量；x0(n)为采集日第n个归一化后的分量，xi(n)为第i历史日第n个归一化后的分量，i＝1,…P；
步骤1.4：计算xi相对于x0的相似性综合指标Si；
步骤1.5：将各历史日的相似性综合指标值递减排列，选取前Q个历史日作为相似日，Q小于P；
步骤1.6：以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；
步骤1.1中，获取的气象数据为辐照度；
步骤1.4包括以下步骤：
步骤1.4.1：分别计算x0与xi在第n个分量的关联系数：
Figure FDA0003709973970000021
式中，Δ＝|x0(n)-xi(n)|，ξi(n)为关联系数，r为分辨系数；
步骤1.4.2：分别计算x0和xi的相似度：
Figure FDA0003709973970000022
式中，N为各分量的关联系数的总数；
步骤1.4.3：分别计算x0和xi的余弦相似度：
Figure FDA0003709973970000023
其中，xok、xik分别为采集日和第i个历史日气象特征向量的第k个分量；
步骤1.4.4：计算xi相对于x0的相似性综合指标Si：
Si＝αRi+(1-α)Dcosi
其中，α为经验权重系数。
2.根据权利要求1所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
步骤1.3中，采用如下归一化方式：
Figure FDA0003709973970000024
式中，x、xmin、xmax分别为原始数据、原始数据中的最小值、原始数据中的最大值，x'为归一化后的数据。
3.根据权利要求1所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
所述小波神经网络将神经网络的激活函数替换成小波函数，而相应的输入层到隐含层的权值及激活阈值，由小波函数的尺度伸缩因子和平移因子所代替；
所述小波神经网络的网络结构包括三层，即输入层、隐藏层和输出层；
隐含层节点的个数为：
Figure FDA0003709973970000031
式中：n为隐含层节点的个数，i为输入层节点的个数，k为输出层节点的个数，a为1-10之间的常数；
所述小波神经网络的小波基函数为Morlet函数：
Figure FDA0003709973970000032
隐含层输出公式为：
Figure FDA0003709973970000033
式中：
Figure FDA0003709973970000034
为隐含层第j个节点的输出；n为隐含层节点总数；
输出层计算公式：
Figure FDA0003709973970000035
式中：k为输出层节点个数；
网络误差为：
Figure FDA0003709973970000036
式中：yn(k)为期望输出，y(k)为拟合输出值。
4.根据权利要求3所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
所述小波神经网络参数包括权值、伸缩因子与平移因子。
5.根据权利要求4所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
步骤2所述利用蝙蝠算法优化小波神经网络的参数，包括以下步骤：
步骤2.1：设置蝙蝠算法初始值：最大迭代次数IMAX，种群规模N，种群维度，脉冲频率的范围fi∈[fmin,fmax]，脉冲频率r0，响度A0，脉冲响度控制系数α，频度控制系数μ，精度为ε，所述种群维度为需要优化的权值、平移因子、伸缩因子的总数量；
步骤2.2：随机初始化蝙蝠个体位置Xi(i＝1,2,…,m)，并根据适应度函数Fitness的最小值找到最佳位置X*；
Figure FDA0003709973970000041
式中：yn(k)为期望输出，y(k)为拟合输出值；
步骤2.3：进行个体位置的寻优，每个个体位置、速度、回声频率更新如下：
fi＝fmin+(fmax-fmin)β
Figure FDA0003709973970000042
Figure FDA0003709973970000043
式中：
Figure FDA0003709973970000044
和
Figure FDA0003709973970000045
分别表示蝙蝠个体i在t+1和t时刻的位置；pbest表示当前所有蝙蝠个体的最优位置；β为均匀分布在[0,1]上的随机数；fi为蝙蝠个体的回声频率，fi∈[fmin,fmax]；
Figure FDA0003709973970000046
和
Figure FDA0003709973970000047
分别为蝙蝠i在t和t+1时刻的速度；
步骤2.4：产生随机数rand1，若rand1＜ri，则扰动处于最优位置的蝙蝠个体，以扰动后的位置取代当前位置；
步骤2.5：产生随机数rand1，若rand2＜ri，且f(Xi)＜f(X*)，则将蝙蝠个体移动到更新后位置；
步骤2.6：当满足步骤2.5时，根据下式调整脉冲频度r和音强A：
Figure FDA0003709973970000048
Figure FDA0003709973970000049
式中：α为脉冲响度控制系数，μ为频度控制系数，α和μ为常量；ri 0为最大脉冲频率；ri t+1为t+1时刻的脉冲频率；
步骤2.7：根据蝙蝠群体适应度值，找出优化后蝙蝠个体的最佳位置；
步骤2.8：判断是否达到最大搜索次数或者满足搜索精度，若达到最大搜索次数或者满足搜索精度，则转入步骤2.9，否则转入步骤2.2进行搜索
步骤2.9：输出全局最优解，算法结束。
6.根据权利要求1所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
步骤3包括以下步骤：
步骤3.1：输入训练样本，训练小波神经网络；
步骤3.2：计算输出值与期望值的误差值；
步骤3.3：误差反向传播，修正小波神经网络参数，返回步骤3.1，直到达到误差精度或最大训练次数，结束训练，当前小波神经网络作为功率数据虚拟采集模型。
CN202011034270.6A 2020-09-27 2020-09-27 一种分布式光伏电站功率数据虚拟采集方法 Active CN112052913B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011034270.6A CN112052913B (zh) 2020-09-27 2020-09-27 一种分布式光伏电站功率数据虚拟采集方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011034270.6A CN112052913B (zh) 2020-09-27 2020-09-27 一种分布式光伏电站功率数据虚拟采集方法

Publications (2)

Publication Number Publication Date
CN112052913A CN112052913A (zh) 2020-12-08
CN112052913B true CN112052913B (zh) 2022-08-23

Family

ID=73606098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011034270.6A Active CN112052913B (zh) 2020-09-27 2020-09-27 一种分布式光伏电站功率数据虚拟采集方法

Country Status (1)

Country Link
CN (1) CN112052913B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669169B (zh) * 2020-12-15 2024-04-30 国网辽宁省电力有限公司阜新供电公司 一种短期光伏功率预测装置及方法
CN113435058B (zh) * 2021-07-13 2023-09-19 广东电网有限责任公司 配网自愈测试模型的数据降维方法、系统、终端及介质
CN113962357B (zh) * 2021-09-14 2024-10-18 天津大学 基于gwo-wnn的分布式光伏功率数据虚拟采集方法
CN114021447B (zh) * 2021-10-29 2024-06-21 国网山西省电力公司电力科学研究院 一种新能源光伏发电功率预测方法
CN117973644B (zh) * 2024-04-02 2024-06-14 天津大学 一种考虑参考电站优化的分布式光伏功率虚拟采集方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108830418A (zh) * 2018-06-14 2018-11-16 东北电力大学 一种短期电力负荷预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108830418A (zh) * 2018-06-14 2018-11-16 东北电力大学 一种短期电力负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于BA-WNN的滑行道安全风险预警方法;刘俊勇等;《中国安全科学学报》;20170831;第27卷(第8期);第132-137页 *

Also Published As

Publication number Publication date
CN112052913A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN112052913B (zh) 一种分布式光伏电站功率数据虚拟采集方法
Wang et al. Deep learning method based on gated recurrent unit and variational mode decomposition for short-term wind power interval prediction
Shamshirband et al. A survey of deep learning techniques: application in wind and solar energy resources
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
Liang et al. A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers
Raza et al. An ensemble framework for day-ahead forecast of PV output power in smart grids
Ren et al. Ensemble methods for wind and solar power forecasting—A state-of-the-art review
CN111210082B (zh) 一种基于优化的bp神经网络算法的降水量预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
Nguyen et al. Hourly day ahead wind speed forecasting based on a hybrid model of EEMD, CNN-Bi-LSTM embedded with GA optimization
CN106295899B (zh) 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法
CN112561058B (zh) 基于Stacking-集成学习短期光伏功率预测方法
CN107609667B (zh) 基于Box_cox变换和UFCNN的供热负荷预测方法及系统
CN109636054A (zh) 基于分类和误差组合预测的太阳能光伏发电量预测方法
Zhang et al. Application of hybrid model based on CEEMDAN, SVD, PSO to wind energy prediction
CN110866633A (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
Li et al. A hybrid deep interval prediction model for wind speed forecasting
Wang et al. Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit
CN106446440A (zh) 基于在线贯序极限学习机的短期光伏发电功率预测方法
CN116845875A (zh) 一种基于woa-bp的短期光伏出力预测方法及装置
CN115115125A (zh) 基于深度学习融合模型的光伏功率区间概率预测方法
CN116826699A (zh) 光伏集群功率预测方法、装置、设备及介质
Li et al. Deep learning model for short-term photovoltaic power forecasting based on variational mode decomposition and similar day clustering
Wu et al. Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition
CN118095891A (zh) 考虑源荷气象特性解耦的有源配电网净负荷预测方法及系统

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