CN112070303B - 参数自适应的光伏功率爬坡事件的分级概率性预测方法 - Google Patents

参数自适应的光伏功率爬坡事件的分级概率性预测方法 Download PDF

Info

Publication number
CN112070303B
CN112070303B CN202010935372.9A CN202010935372A CN112070303B CN 112070303 B CN112070303 B CN 112070303B CN 202010935372 A CN202010935372 A CN 202010935372A CN 112070303 B CN112070303 B CN 112070303B
Authority
CN
China
Prior art keywords
time point
climbing
photovoltaic power
data
prediction
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
CN202010935372.9A
Other languages
English (en)
Other versions
CN112070303A (zh
Inventor
何耀耀
王云
张婉莹
肖经凌
陈悦
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010935372.9A priority Critical patent/CN112070303B/zh
Publication of CN112070303A publication Critical patent/CN112070303A/zh
Application granted granted Critical
Publication of CN112070303B publication Critical patent/CN112070303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

Abstract

本发明公开了一种参数自适应的光伏功率爬坡事件分级概率性预测方法，包括：1获取光伏功率数据及其影响因子进行预处理，针对处理后的数据集计算光伏爬坡率；2对光伏爬坡率进行分解，获得最佳本征模态分量IMFs；3针对每个本征模态分量IMF，结合光伏功率影响因子，建立LASSO‑QR预测模型，得到相应条件分位数预测结果；4对相同分位点下的条件分位数进行求和，得到最终预测结果，并输入核密度估计KDE方法进行概率密度预测；5确定光伏发电站的爬坡阈值，实现光伏功率爬坡事件的分级概率性预测。本发明能对光伏功率中不同程度爬坡事件的发生概率进行有效地预测与度量，为电力系统的经济调度、安全运行提供有力支撑。

Description

参数自适应的光伏功率爬坡事件的分级概率性预测方法
技术领域
本发明属于电力系统预测与控制技术领域，具体涉及一种参数自适应的光伏功率爬坡事件的分级概率性预测方法。
背景技术
随着经济的快速发展，全球能源短缺、生态恶化等问题日益突出，为了应对传统化石能源的短缺以及全球范围内严峻的环境问题，以光伏发电为代表的大规模可再生能源并网发电在在电力系统装机容量中的占比越来越大。光伏发电受太阳辐射强度、温度、风速、湿度等自然条件影响，因而具有强烈的间隙性和波动性，极易发生光伏功率爬坡事件，即在较短时间内光伏功率发生大幅度的变化，这种大幅度的变化会造成电网波动，严重时影响系统的稳定运行，甚至导致大面积停电事故，从而产生重大经济损失。因此，光伏功率爬坡事件的准确预测和安全预警在电力系统安全、平稳、经济运行过程具有重要意义。
传统的光伏功率爬坡事件预测属于一种“事件预测”，主要分为间接预测法和直接预测法。目前广泛使用的是间接预测法，以光伏功率为预测对象，在此基础上识别爬坡事件，该类方法在进行光伏功率预测过程中，为提高整体预测精度，往往会忽略极端数据，从而导致爬坡信息的丢失；直接预测法根据历史爬坡数据，以光伏爬坡率作为预测对象，根据阈值判断是否发生爬坡事件。无论是直接预测还是间接预测，目前的光伏功率爬坡事件预测方法大多根据光伏功率爬坡定义，预测是否发生爬坡事件，均属于确定性预测，难以度量预测过程中的不确定性。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种参数自适应的光伏功率爬坡事件的分级概率性预测方法，以期能对光伏功率不同程度的爬坡事件进行分级概率性预测与度量，从而能针对各类爬坡事件采取相应的控制策略，降低爬坡事件对电力系统的不利影响，为电力系统的经济调度、安全运行提供有力支撑。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种参数自适应的光伏功率爬坡事件的分级概率性预测方法的特点在于，包括以下步骤：
S1)获取光伏功率数据及其影响因子并进行预处理，从而得到预处理后的数据集，包括：预处理后的光伏功率{P(t)}t＝1,2,…,T和光伏功率的S个影响因子{Fs(t)}s＝1,2,...,S；t＝1,2,...,T，其中，P(t)和Fs(t)分别为第t个时间点的光伏功率及相应第t个时间点的第s个影响因子的数据；
从所述预处理后的数据集中提取光伏功率{P(t)}t＝1,2,...,T，并根据爬坡事件的定义，计算T个时间点的光伏爬坡率{R(t)}t＝1,2,...,T，其中，R(t)表示第t个时间点的光伏爬坡率；
S2)利用VMD方法将光伏爬坡率{R(t)}t＝1,2,...,T分解成K个本征模态分量{rk(t)}k＝1,2,...,K；t＝1,2,...,T，且满足
Figure GDA0003769193200000021
其中，rk(t)表示第k个本征模态分量第t个时间点的数据；
定义优化的参数组合为<K,α>，α表示VMD方法求解过程中的惩罚因子，K表示VMD分解出的本征模态分量个数；
以K个本征模态分量{rk(t)}k＝1,2,...,K；t＝1,2,...,T的能量熵之和作为适应度函数，利用PSO算法对参数组合<K,α>进行寻优；
获取最小适应度函数值所对应的最优参数组合<K0,α0>，从而根据所述最优参数组合<K0,α0>，利用VMD方法计算得到T个时间点的光伏爬坡率{R(t)}t＝1,2,...,T的最佳本征模态分量
Figure GDA0003769193200000022
其中，
Figure GDA0003769193200000023
表示最佳本征模态分量中第k个本征模态分量的第t个时间点的数据；
S3)利用第k个本征模态分量
Figure GDA0003769193200000024
的前P个时间点的数据
Figure GDA0003769193200000025
及其S个影响因子的前P个时间点数据{Fs(t-p)}s＝1,2,...,S；p＝1,2...,P来预测第P+1个时间点的数据
Figure GDA0003769193200000026
其中，
Figure GDA0003769193200000027
是第k个本征模态分量第t个时间点前的第p个时间点的数据，Fs(t-p)是第s个影响因子的第t个时间点前的第p个时间点的历史数据，从而构建包括M＝P+S×P个解释变量和一个响应变量的数据集，记作[Xk(t),Yk(t)]t＝P+1,P+2,...,T，其中，
Figure GDA0003769193200000028
是第k个本征模态分量第t个时间点的第m个解释变量的数据，Yk(t)是第t个时间点响应变量的数据；
将所述数据集[Xk(t),Yk(t)]t＝P+1,P+2,...,T划分为训练集
Figure GDA0003769193200000029
和测试集
Figure GDA00037691932000000210
其中
Figure GDA00037691932000000211
和
Figure GDA00037691932000000212
分别表示第k个本征模态分量的训练集中第t个时间点解释变量和响应变量，
Figure GDA00037691932000000213
和
Figure GDA00037691932000000214
分别表示第k个本征模态分量的测试集中第t个时间点解释变量和响应变量；
建立LASSO-QR预测模型，利用非对称损失函数建立如式(1)所示的目标函数：
Figure GDA00037691932000000215
式(1)中，τh表示第h个分位点，且τh∈(0,1)，h＝1,2,...,H，H表示分位点的数量；βk(τh)表示第k个本征模态分量所对应的LASSO-QR预测模型中第h个分位点下解释变量的系数集合，
Figure GDA0003769193200000031
为第k个本征模态分量的第h个分位点下第m个解释变量的系数；
式(1)中，
Figure GDA0003769193200000032
表示非对称损失函数，并有：
Figure GDA0003769193200000033
式(2)中，v为随机变量，在式(1)的目标函数中，v满足：
Figure GDA0003769193200000034
式(1)中，η为L1正则化惩罚参数；
利用式(4)将所述LASSO-QR预测模型的目标函数转化成线性不等式约束规划问题：
Figure GDA0003769193200000035
式(4)中，γ是与η对应的约束参数；
利用LARS算法在所述训练集Train上对式(4)进行求解，获得训练后的LASSO-QR预测模型；
将所述测试集Test中的解释变量
Figure GDA00037691932000000312
输入所述训练后的LASSO-QR预测模型中，得到第k个本征模态分量在H个分位点下的条件分位数预测结果
Figure GDA0003769193200000036
Figure GDA0003769193200000037
表示第k个本征模态分量在第h个分位点下的条件分位数预测结果；
S4)根据步骤S3，对每个本征模态分量分别建立LASSO-QR预测模型并训练，从而得到K个本征模态分量在H个分位点下的条件分位数预测结果
Figure GDA0003769193200000038
利用式(5)将相同分位点下的条件分位数预测结果相加，从而得到第t个时间点第h个分位点下的条件分位数最终预测结果
Figure GDA0003769193200000039
进而得到第t个时间点H个分位点下的条件分位数最终预测结果
Figure GDA00037691932000000310
Figure GDA00037691932000000311
将H个分位点下的条件分位数最终预测结果
Figure GDA0003769193200000041
作为核密度估计KDE方法的输入，并确定带宽与核函数，从而求得每个时间点的概率密度函数；
将每个时间点的概率密度函数离散化，从而得到第t个时间点的J个预测值
Figure GDA0003769193200000042
以及相应的概率{πj(t)}j＝1,2,...,J，其中，
Figure GDA0003769193200000043
和πj(t)分别为第t个时间点的第j个预测值及其对应的概率，且
Figure GDA0003769193200000044
S5)将光伏功率爬坡事件分成未爬坡事件、上爬坡事件以及下爬坡事件，并将上爬坡事件和下爬坡事件分别设置I个等级，最小程度的上爬坡事件和下爬坡事件分别为1级，最大程度上爬坡事件和下爬坡事件分别为I级；
设置I+1个阈值集合{δi}i＝1,2,...,I+1，则各类爬坡事件的判断依据如式(7)所示：
Figure GDA0003769193200000045
式(7)中，δi和δi+1分别为i级上爬坡事件的阈值下限和阈值上限，-δi+1和-δi分别为i级下爬坡事件的阈值下限和阈值上限；
针对第t个时间点的J个预测值
Figure GDA0003769193200000046
根据所述判断依据确定每个预测值所在的阈值区间，并计算各个区间内的预测值对应的概率之和，即为该相应时刻点各类爬坡事件发生的概率。
与现有技术相比，本发明的有益效果在于：
1.本发明利用VMD方法对具有高度波动性和非平稳性的光伏爬坡率进行分解，可以全面分析和利用光伏功率的数据信息，获得一系列简单平稳的子序列，解决了当前光伏爬坡率难以有效预测的难题；并结合PSO优化算法进行寻优，获得了最佳分解结果，实现了VMD方法的参数自适应，针对不同数据无需进行重复调参来获取最优结果，为电力系统运行提供了便利；
2.本发明建立LASSO-QR预测模型对光伏功率爬坡率进行预测分析；QR模型能够克服传统均值回归无法全面分析响应变量的缺点，有效刻画光伏爬坡率的整体分布特征，得到更为全面的预测结果，从而降低了爬坡事件错误预报的风险；同时，光伏爬坡率预测问题建模中存在大量复杂多变的气象数据影响因子，在QR模型的基础上增加L1正则化惩罚项，将部分对光伏爬坡率没有影响或者影响较小的变量系数压缩为0，不仅大幅度地节约了时间成本，同时也避免了模型过拟合，提高了光伏爬坡率的预测精度，提高了爬坡事件正确预报的概率；
3.本发明结合KDE方法，实现了光伏爬坡率的非参数概率性预测，有效度量了爬坡事件预测结果的不确定；同时，对爬坡事件进行不同程度的划分，将传统的爬坡事件预测的二分类问题转化成分级概率性预测问题，实现了光伏功率爬坡事件的分级概率性预报。
附图说明
图1为本发明的整体流程图；
图2为本发明参数自适应的VMD分解流程图。
具体实施方式
下面结合具体实施案例对本专利的技术方案做进一步详细地说明。
如图1所示，一种参数自适应的光伏功率爬坡事件的分级概率性预测方法，包括如下步骤：
S1)获取光伏功率数据及其影响因子，包括太阳辐射强度、温度、风速以及湿度，删除光伏功率中的异常数据以及无功率输出时间点对应的影响因子数据，从而得到预处理后的数据集，包括：预处理后的光伏功率{P(t)}t＝1,2,...,T和光伏功率的S＝4个影响因子{Fs(t)}s＝1,2,...,S；t＝1,2,...,T，其中，P(t)和Fs(t)分别为第t个时间点的光伏功率及相应第t个时间点的第s个影响因子的数据；
从预处理后的数据集中提取光伏功率{P(t)}t＝1,2,...,T，并根据爬坡事件的定义，计算T个时间点的光伏爬坡率{R(t)}t＝1,2,...,T，其中，R(t)表示第t个时间点的光伏爬坡率，爬坡事件的定义为连续一段时间内的光伏功率变化量超过一定的阈值范围，可以表示为式(1)：
Figure GDA0003769193200000051
式(1)中，Δt为时间窗口，根据不同的电力系统实际情况可以设置为30分钟、60分钟，120分钟等。
S2)利用VMD方法将光伏爬坡率{R(t)}t＝1,2,…,T分解成K个本征模态分量{rk(t)}k＝1,2,…,K；t＝1,2,…,T，且满足
Figure GDA0003769193200000052
其中，rk(t)表示第k个本征模态分量第t个时间点的数据；
定义优化的参数组合为<K,α>，α表示VMD方法求解过程中的惩罚因子，K表示VMD分解出的本征模态分量个数；
如图2所示，参数自适应的VMD分解方法以K个本征模态分量{rk(t)}k＝1,2,...,K；t＝1,2,...,T的能量熵之和作为适应度函数，利用PSO算法对参数组合<K,α>进行寻优，具体过程如下：
1)确定参数K的寻优范围为[2,10]，α的寻优范围为[1000,2000]
2)初始化粒子群，将VMD参数组合<K,α>作为粒子的位置信息；
3)在参数<K,α>下进行VMD分解，得到K个本征模态分量，计算相应的适应度函数值；
4)比较所有粒子的适应度函数值，更新粒子信息；
5)重复步骤3)和4)，直到达到迭代停止条件。
获取最小适应度函数值所对应的最优参数组合<K0,α0>，从而根据最优参数组合<K0,α0>，计算得到T个时间点的光伏爬坡率{R(t)}t＝1,2,...,T的最佳本征模态分量
Figure GDA0003769193200000061
其中，
Figure GDA0003769193200000062
表示最佳本征模态分量中第k个本征模态分量的第t个时间点的数据；
S3)利用第k个本征模态分量{r0 k(t)}t＝1,2,...,T的前P个时间点的数据
Figure GDA0003769193200000063
及其S个影响因子的前P个时间点数据{Fs(t-p)}s＝1,2,...,S；p＝1,2...,P来预测第P+1个时间点的数据
Figure GDA0003769193200000064
其中，
Figure GDA0003769193200000065
是第k个本征模态分量第t个时间点前的第p个时间点的数据，Fs(t-p)是第s个影响因子的第t个时间点前的第p个时间点的历史数据，从而构建包括M＝P+S×P个解释变量和一个响应变量的数据集，记作[Xk(t),Yk(t)]t＝P+1,P+2,...,T，其中，
Figure GDA0003769193200000066
是第k个本征模态分量第t个时间点的第m个解释变量的数据，Yk(t)是第t个时间点响应变量的数据；
将数据集[Xk(t),Yk(t)]t＝P+1,P+2,...,T划分为训练集
Figure GDA0003769193200000067
和测试集
Figure GDA0003769193200000068
其中
Figure GDA0003769193200000069
和
Figure GDA00037691932000000610
分别表示第k个本征模态分量的训练集中第t个时间点解释变量和响应变量，
Figure GDA00037691932000000611
和
Figure GDA00037691932000000612
分别表示第k个本征模态分量的测试集中第t个时间点解释变量和响应变量；
建立LASSO-QR预测模型，利用非对称损失函数建立如式(2)所示的目标函数：
Figure GDA00037691932000000613
式(2)中，τh表示第h个分位点，且τh∈(0,1)，h＝1,2,...,H，H表示分位点的数量；βk(τh)表示第k个本征模态分量所对应的LASSO-QR预测模型中第h个分位点下解释变量的系数集合，
Figure GDA00037691932000000614
为第k个本征模态分量的第h个分位点下第m个解释变量的系数；
式(2)中，
Figure GDA00037691932000000615
表示非对称损失函数，并有：
Figure GDA0003769193200000071
式(3)中，v为随机变量，在式(1)的目标函数中，v满足：
Figure GDA0003769193200000072
式(2)中，η为L1正则化惩罚参数；
利用式(5)将LASSO-QR预测模型的目标函数转化成线性不等式约束规划问题：
Figure GDA0003769193200000073
式(5)中，γ是与η对应的约束参数；
利用LARS算法在训练集Train上对式(5)进行求解，获得训练后的LASSO-QR预测模型；
将测试集Test中的解释变量
Figure GDA0003769193200000074
输入训练后的LASSO-QR预测模型中，得到第k个本征模态分量在H个分位点下的条件分位数预测结果
Figure GDA0003769193200000075
表示第k个本征模态分量在第h个分位点下的条件分位数预测结果；
S4)根据步骤S3，对每个本征模态分量分别建立LASSO-QR预测模型并训练，从而得到K个本征模态分量在H个分位点下的条件分位数预测结果
Figure GDA0003769193200000076
利用式(6)将相同分位点下的条件分位数预测结果相加，从而得到第t个时间点第h个分位点下的条件分位数最终预测结果
Figure GDA0003769193200000077
进而得到第t个时间点H个分位点下的条件分位数最终预测结果
Figure GDA0003769193200000078
Figure GDA0003769193200000079
将H个分位点下的条件分位数最终预测结果
Figure GDA00037691932000000710
作为核密度估计KDE方法的输入，并确定带宽为D，Epanechnikov核函数E(.)，从而求得每个时间点的概率密度函数，则第t个时间点的预测值的概率密度函数可以表示为式(7)：
Figure GDA00037691932000000711
将每个时间点的概率密度函数离散化，从而得到第t个时间点的J个预测值
Figure GDA00037691932000000712
以及相应的概率{πj(t)}j＝1,2,...,J，其中，
Figure GDA00037691932000000713
和πj(t)分别为第t个时间点的第j个预测值及其对应的概率，且
Figure GDA0003769193200000081
S5)将光伏功率爬坡事件分成未爬坡事件、上爬坡事件以及下爬坡事件；并将上爬坡事件和下爬坡事件分别设置I个等级，最小程度的上爬坡事件和下爬坡事件分别为1级，最大程度上爬坡事件和下爬坡事件分别为I级；
设置I+1个阈值集合{δi}i＝1,2,...,I+1，则各类爬坡事件的判断依据如式(8)所示：
Figure GDA0003769193200000082
式(8)中，δi和δi+1分别为i级上爬坡事件的阈值下限和阈值上限，-δi+1和-δi分别为i级下爬坡事件的阈值下限和阈值上限；
针对第t个时间点的J个预测值
Figure GDA0003769193200000083
根据判断依据确定每个预测值所在的阈值区间，并计算各个区间内的预测值对应的概率之和，即为该相应时刻点各类爬坡事件发生的概率，针对较高概率的光伏功率爬坡事件，采取相应的控制策略，做好防御准备。

Claims (1)

1.一种参数自适应的光伏功率爬坡事件的分级概率性预测方法，其特征在于，包括以下步骤：
S1)获取光伏功率数据及其影响因子并进行预处理，从而得到预处理后的数据集，包括：预处理后的光伏功率{P(t)}t＝1,2,...,T和光伏功率的S个影响因子{Fs(t)}s＝1,2,...,S；t＝1,2,...,T，其中，P(t)和Fs(t)分别为第t个时间点的光伏功率及相应第t个时间点的第s个影响因子的数据；
从所述预处理后的数据集中提取光伏功率{P(t)}t＝1,2,...,T，并根据爬坡事件的定义，计算T个时间点的光伏爬坡率{R(t)}t＝1,2,...,T，其中，R(t)表示第t个时间点的光伏爬坡率；
S2)利用VMD方法将光伏爬坡率{R(t)}t＝1,2,...,T分解成K个本征模态分量{rk(t)}k＝1,2,...,K；t＝1,2,...,T，且满足
Figure FDA0003769193190000011
其中，rk(t)表示第k个本征模态分量第t个时间点的数据；
定义优化的参数组合为<K,α>，α表示VMD方法求解过程中的惩罚因子，K表示VMD分解出的本征模态分量个数；
以K个本征模态分量{rk(t)}k＝1,2,...,K；t＝1,2,...,T的能量熵之和作为适应度函数，利用PSO算法对参数组合<K,α>进行寻优；
获取最小适应度函数值所对应的最优参数组合<K0,α0>，从而根据所述最优参数组合<K0,α0>，利用VMD方法计算得到T个时间点的光伏爬坡率{R(t)}t＝1,2,...,T的最佳本征模态分量
Figure FDA0003769193190000012
其中，
Figure FDA0003769193190000013
表示最佳本征模态分量中第k个本征模态分量的第t个时间点的数据；
S3)利用第k个本征模态分量
Figure FDA0003769193190000014
的前P个时间点的数据
Figure FDA0003769193190000015
及其S个影响因子的前P个时间点数据{Fs(t-p)}s＝1,2,...,S；p＝1,2...,P来预测第P+1个时间点的数据
Figure FDA0003769193190000016
其中，
Figure FDA0003769193190000017
是第k个本征模态分量第t个时间点前的第p个时间点的数据，Fs(t-p)是第s个影响因子的第t个时间点前的第p个时间点的历史数据，从而构建包括M＝P+S×P个解释变量和一个响应变量的数据集，记作[Xk(t),Yk(t)]t＝P+1,P+2,...,T，其中，
Figure FDA0003769193190000018
Figure FDA0003769193190000019
是第k个本征模态分量第t个时间点的第m个解释变量的数据，Yk(t)是第t个时间点响应变量的数据；
将所述数据集[Xk(t),Yk(t)]t＝P+1,P+2,…,T划分为训练集
Figure FDA00037691931900000110
和测试集
Figure FDA0003769193190000021
其中
Figure FDA0003769193190000022
和
Figure FDA0003769193190000023
分别表示第k个本征模态分量的训练集中第t个时间点解释变量和响应变量，
Figure FDA0003769193190000024
和
Figure FDA0003769193190000025
分别表示第k个本征模态分量的测试集中第t个时间点解释变量和响应变量；
建立LASSO-QR预测模型，利用非对称损失函数建立如式(1)所示的目标函数：
Figure FDA0003769193190000026
式(1)中，τh表示第h个分位点，且τh∈(0,1)，h＝1,2,…,H，H表示分位点的数量；βk(τh)表示第k个本征模态分量所对应的LASSO-QR预测模型中第h个分位点下解释变量的系数集合，
Figure FDA0003769193190000027
Figure FDA0003769193190000028
为第k个本征模态分量的第h个分位点下第m个解释变量的系数；
式(1)中，
Figure FDA0003769193190000029
表示非对称损失函数，并有：
Figure FDA00037691931900000210
式(2)中，v为随机变量，在式(1)的目标函数中，v满足：
Figure FDA00037691931900000211
式(1)中，η为L1正则化惩罚参数；
利用式(4)将所述LASSO-QR预测模型的目标函数转化成线性不等式约束规划问题：
Figure FDA00037691931900000212
式(4)中，γ是与η对应的约束参数；
利用LARS算法在所述训练集Train上对式(4)进行求解，获得训练后的LASSO-QR预测模型；
将所述测试集Test中的解释变量
Figure FDA00037691931900000213
输入所述训练后的LASSO-QR预测模型中，得到第k个本征模态分量在H个分位点下的条件分位数预测结果
Figure FDA00037691931900000214
Figure FDA00037691931900000215
表示第k个本征模态分量在第h个分位点下的条件分位数预测结果；
S4)根据步骤S3，对每个本征模态分量分别建立LASSO-QR预测模型并训练，从而得到K个本征模态分量在H个分位点下的条件分位数预测结果
Figure FDA00037691931900000216
利用式(5)将相同分位点下的条件分位数预测结果相加，从而得到第t个时间点第h个分位点下的条件分位数最终预测结果
Figure FDA0003769193190000031
进而得到第t个时间点H个分位点下的条件分位数最终预测结果
Figure FDA0003769193190000032
Figure FDA0003769193190000033
将H个分位点下的条件分位数最终预测结果
Figure FDA0003769193190000034
作为核密度估计KDE方法的输入，并确定带宽与核函数，从而求得每个时间点的概率密度函数；
将每个时间点的概率密度函数离散化，从而得到第t个时间点的J个预测值
Figure FDA0003769193190000035
以及相应的概率{πj(t)}j＝1,2,...,J，其中，
Figure FDA0003769193190000036
和πj(t)分别为第t个时间点的第j个预测值及其对应的概率，且
Figure FDA0003769193190000037
S5)将光伏功率爬坡事件分成未爬坡事件、上爬坡事件以及下爬坡事件，并将上爬坡事件和下爬坡事件分别设置I个等级，最小程度的上爬坡事件和下爬坡事件分别为1级，最大程度上爬坡事件和下爬坡事件分别为I级；
设置I+1个阈值集合{δi}i＝1,2,…,I+1，则各类爬坡事件的判断依据如式(7)所示：
Figure FDA0003769193190000038
式(7)中，δi和δi+1分别为i级上爬坡事件的阈值下限和阈值上限，-δi+1和-δi分别为i级下爬坡事件的阈值下限和阈值上限；
针对第t个时间点的J个预测值
Figure FDA0003769193190000039
根据所述判断依据确定每个预测值所在的阈值区间，并计算各个区间内的预测值对应的概率之和，即为该相应时刻点各类爬坡事件发生的概率。
CN202010935372.9A 2020-09-08 2020-09-08 参数自适应的光伏功率爬坡事件的分级概率性预测方法 Active CN112070303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010935372.9A CN112070303B (zh) 2020-09-08 2020-09-08 参数自适应的光伏功率爬坡事件的分级概率性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010935372.9A CN112070303B (zh) 2020-09-08 2020-09-08 参数自适应的光伏功率爬坡事件的分级概率性预测方法

Publications (2)

Publication Number Publication Date
CN112070303A CN112070303A (zh) 2020-12-11
CN112070303B true CN112070303B (zh) 2022-09-20

Family

ID=73664402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010935372.9A Active CN112070303B (zh) 2020-09-08 2020-09-08 参数自适应的光伏功率爬坡事件的分级概率性预测方法

Country Status (1)

Country Link
CN (1) CN112070303B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444381A (zh) * 2021-12-30 2022-05-06 南京诺源医疗器械有限公司 一种适用于光源的控制方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1635438A2 (en) * 2004-09-13 2006-03-15 Daihen Corporation Method of controlling photovoltaic power generation system
CN109242212A (zh) * 2018-10-16 2019-01-18 中国矿业大学 一种基于变模式分解与长短记忆网络的风电预测方法
CN109376897A (zh) * 2018-08-29 2019-02-22 广东工业大学 一种基于混合算法的短期风电功率预测方法
CN109919382A (zh) * 2019-03-08 2019-06-21 中国电力科学研究院有限公司 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统
CN110070226A (zh) * 2019-04-24 2019-07-30 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN110110917A (zh) * 2019-04-30 2019-08-09 国网福建省电力有限公司 一种风电功率爬坡事件下的风储联合优化运行方法
CN110378504A (zh) * 2019-04-12 2019-10-25 东南大学 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法
CN111062512A (zh) * 2019-11-14 2020-04-24 广东电网有限责任公司 一种风电功率预测方法
CN111612262A (zh) * 2020-01-15 2020-09-01 长沙理工大学 一种基于分位数回归的风电功率概率预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8930299B2 (en) * 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1635438A2 (en) * 2004-09-13 2006-03-15 Daihen Corporation Method of controlling photovoltaic power generation system
CN109376897A (zh) * 2018-08-29 2019-02-22 广东工业大学 一种基于混合算法的短期风电功率预测方法
CN109242212A (zh) * 2018-10-16 2019-01-18 中国矿业大学 一种基于变模式分解与长短记忆网络的风电预测方法
CN109919382A (zh) * 2019-03-08 2019-06-21 中国电力科学研究院有限公司 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统
CN110378504A (zh) * 2019-04-12 2019-10-25 东南大学 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法
CN110070226A (zh) * 2019-04-24 2019-07-30 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN110110917A (zh) * 2019-04-30 2019-08-09 国网福建省电力有限公司 一种风电功率爬坡事件下的风储联合优化运行方法
CN111062512A (zh) * 2019-11-14 2020-04-24 广东电网有限责任公司 一种风电功率预测方法
CN111612262A (zh) * 2020-01-15 2020-09-01 长沙理工大学 一种基于分位数回归的风电功率概率预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Ramp Event Forecast Based Wind Power Ramp Control With Energy Storage System;Y Gong等;《IEEE Xplore》;20150731;全文 *
光伏发电功率区间概率预测;周同旭等;《铜陵学院学报》;20170415(第02期);全文 *
基于Stacking融合的短期风速预测组合模型;李永刚等;《电网技术》;20200831(第08期);全文 *
基于概率预测的储能系统辅助风电场爬坡率控制;田立亭等;《高电压技术》;20151031(第10期);全文 *

Also Published As

Publication number Publication date
CN112070303A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
Lin et al. Short-term power prediction for photovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model based on multivariate meteorological factors and historical power datasets
CN106529814B (zh) 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
CN116050665B (zh) 供热设备故障预测方法
CN110717610A (zh) 一种基于数据挖掘的风电功率预测方法
CN111898825A (zh) 一种光伏发电功率短期预测方法及装置
CN105426989A (zh) 基于eemd和组合核rvm的光伏功率短期预测方法
CN115796004A (zh) 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法
CN115034485A (zh) 一种基于数据空间的风电功率区间预测方法及装置
CN112070303B (zh) 参数自适应的光伏功率爬坡事件的分级概率性预测方法
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及系统
CN114444805A (zh) 多光伏电站共享储能系统平滑出力的控制方法
Chen et al. Interval prediction of photovoltaic power using improved NARX network and density peak clustering based on kernel mahalanobis distance
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN112949938B (zh) 改善训练样本类别不均衡的风电爬坡事件直接预报方法
CN111967660B (zh) 一种基于svr的超短期光伏预测残差修正方法
Kang et al. Research on forecasting method for effluent ammonia nitrogen concentration based on GRA-TCN
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
CN113505909A (zh) 一种面向短期风电功率趋势预测的误差补偿方法
CN112949936A (zh) 基于相似日小波变换和多层感知机的短期光伏功率预测方法
CN112633565B (zh) 一种光伏功率集合区间预测方法
Li et al. Short-term LOAD Forecasting Method of TPA-LSTNet Model Based on Time Series Clustering

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