CN112215383A - 一种分布式光伏发电功率预测方法和系统 - Google Patents

一种分布式光伏发电功率预测方法和系统 Download PDF

Info

Publication number
CN112215383A
CN112215383A CN201910620354.9A CN201910620354A CN112215383A CN 112215383 A CN112215383 A CN 112215383A CN 201910620354 A CN201910620354 A CN 201910620354A CN 112215383 A CN112215383 A CN 112215383A
Authority
CN
China
Prior art keywords
data
power generation
distributed photovoltaic
photovoltaic power
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.)
Pending
Application number
CN201910620354.9A
Other languages
English (en)
Inventor
庞成明
盛万兴
吴鸣
季宇
丁保迪
熊雄
张颖
胡转娣
郑楠
徐斌
潘东
焦震
马骏
陈青
丁倩
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Liuan Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Liuan Power Supply Co of State Grid Anhui 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Liuan Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910620354.9A priority Critical patent/CN112215383A/zh
Publication of CN112215383A publication Critical patent/CN112215383A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Abstract

本发明提供了一种分布式光伏发电功率预测方法和系统，包括：基于数据样本进行训练，得到分布式光伏发电功率预测算法；采用分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；其中，分布式光伏发电功率预测算法包括数据样本和分布式光伏发电功率预测值，数据样本包括：历史天气数据、分布式光伏发电数据及预测时段上一时刻实测天气数据、分布式光伏发电数据。本发明提出的分布式光伏发电功率预测方法和系统，充分考虑预测算法的实时性，利用最新数据提取新规律，做到预测算法的实时优化，保证预测算法持续保持高水平的预测效果，达到对电网调度的支持，降低高渗透率分布式光伏对电网的影响，保证电网的安全经济运行。

Description

一种分布式光伏发电功率预测方法和系统
技术领域
本发明属于光伏发电功率预测技术领域，具体涉及一种分布式光伏发电功率预测方法和系统。
背景技术
在能源枯竭与节能环保问题日趋严重的今天，分布式发电得到越来越广泛的应用。随着微电网中分布式风能及光伏等新能源在电网中渗透率的逐年提升，在缓解能源紧张、环境恶化的同时，由于风能、光伏发电的间歇性和不稳定性，也给电网安全、可靠、经济运行带来很大挑战。准确的分布式光伏发电功率预测对未来的光伏发电功率进行预测，可为电网自动发电控制和电网调度提供科学决策依据，可以有效提高分布式电源的利用效率,有效的降低分布式光伏高渗透率对电网的影响，提高供电可靠性，保障电网安全、可靠和经济运行。
目前，分布式光伏发电功率预测方法按预测原理可分为物理方法和统计预测方法。物理方法是利用太阳辐照传递方程、太阳位置模型、光伏电池模型和逆变器效率模型等物理模型建立预测算法，从而进行发电功率预测。统计预测方法通过对历史运行数据进行统计分析，找出光伏发电功率与各影响因素的内在规律，建立预测算法从而进行发电功率预测。预测算法建立后不再利用新数据进行优化，应用时间长后算法中忽略了新规律对预测算法的影响，预测算法的预测准确率会降低，从而影响了分布式光伏发电功率的预测效果。
因此，如何提供一种预测效果持续保持高水平的分布式光伏发电功率预测方法是本领域技术人员亟待解决的技术问题。
发明内容
为克服上述现有技术应用时间长后算法中忽略了新规律对预测算法的影响的不足，本发明提出一种分布式光伏发电功率预测方法，其改进之处在于，包括：
基于数据样本进行训练，得到分布式光伏发电功率预测算法；
采用所述分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；
其中，所述分布式光伏发电功率预测算法包括数据样本和分布式光伏发电功率预测值，所述数据样本包括：历史天气数据、分布式光伏发电数据以及预测时段上一时刻实测天气数据、分布式光伏发电数据。
本发明提供的第一优选技术方案，其改进之处在于，所述得到预测时段分布式光伏发电功率的预测值之后，还包括：
将预测时段实测天气数据和分布式光伏发电数据加入所述数据样本。
本发明提供的第二优选技术方案，其改进之处在于，所述基于数据样本进行训练，得到分布式光伏发电功率预测算法，包括：
采用聚类算法对所述数据样本进行分类；
分别利用最小二乘支持向量机算法对每类数据样本进行训练，得到每类数据样本对应的分布式光伏发电功率预测算法。
本发明提供的第三优选技术方案，其改进之处在于，所述采用聚类算法对所述数据样本进行分类，包括：
针对所述数据样本中的每个数据点，计算所述数据点的局域密度与最小距离；
分别将每个数据点归类至最小距离值最小的，且局域密度更高的数据点所属的类。
本发明提供的第四优选技术方案，其改进之处在于，所述局域密度的计算式如下：
Figure BDA0002125290330000021
Figure BDA0002125290330000022
其中，i和j表示同一类别中的数据点，ρi表示数据点i的局域密度，dij表示数据点i和j之间的距离，dc表示截断距离，Is表示数据样本。
本发明提供的第五优选技术方案，其改进之处在于，所述最小距离的计算式如下：
Figure BDA0002125290330000023
其中，qi表示将数据样本中的数据点按照局部密度降序排列后的第i个数据点，qj表示将数据样本中的数据点按照局部密度降序排列后的第j个数据点，
Figure BDA0002125290330000024
表示数据点qi与数据点qj间的距离,δqi表示数据点qi的最小距离。
本发明提供的第六优选技术方案，其改进之处在于，所述分布式光伏发电功率预测算法的计算式如下：
Figure BDA0002125290330000031
其中，x表示分布式光伏发电功率预测算法对应的输入数据，f(x)表示对应x的分布式光伏发电功率预测值，核参数αi表示拉格朗日乘子α的第i个分量，xi表示对应x的数据样本类中的第i个数据，b表示惩罚参数，l表示数据样本类中的数据个数，K(x,xi)表示以x和xi为参数的核函数；
α的计算式如下：
α＝A-1(Y-bI)
b的计算式如下：
Figure BDA0002125290330000032
其中，A＝Ω+γ-1I，I＝[1,1,…,1]；Ωkj＝K(xk,xj),k,j＝1,2,…,l，K(xk,xj)表示以xk和xj为参数的核函数；γ表示正则化参数；Y＝[y1,y2,…yl]，表示各数据样本对应的分布式光伏发电功率；
所述输入数据包括：最新实测天气数据和所述数据样本。
本发明提供的第七优选技术方案，其改进之处在于，所述得到预测时段分布式光伏发电功率的预测值之后，还包括：
根据各时刻的分布式光伏发电功率的预测值和实测值，计算基于平均绝对百分比误差和均方根误差的预测效果。
本发明提供的第八优选技术方案，其改进之处在于，所述采用所述分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值，包括：
根据聚类算法得到预测时段上一时刻实测天气数据和分布式光伏发电数据所在类别；
利用预测时段上一时刻实测天气数据和分布式光伏发电数据所在类别对应的分布式光伏发电功率预测算法，得到预测时段分布式光伏发电功率的预测值。
基于同一发明构思，本发明还提供了一种分布式光伏发电功率预测系统，包括：算法训练模块和预测模块；
所述算法训练模块，用于基于数据样本进行训练，得到分布式光伏发电功率预测算法；
所述预测模块，用于采用所述分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；
其中，所述分布式光伏发电功率预测算法包括数据样本和分布式光伏发电功率预测值，所述数据样本包括：历史天气数据、分布式光伏发电数据以及预测时段上一时刻实测天气数据、分布式光伏发电数据。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明基于数据样本进行训练，得到分布式光伏发电功率预测算法；采用分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；其中，分布式光伏发电功率预测算法包括数据样本和分布式光伏发电功率预测值，数据样本包括：历史天气数据、分布式光伏发电数据以及预测时段上一时刻实测天气数据、分布式光伏发电数据。本发明提出的一种分布式光伏发电功率预测方法和系统，充分考虑预测算法的实时性，利用最新数据提取新规律，做到预测算法的实时优化，保证预测算法持续保持高水平的预测效果，达到对电网调度的支持，降低高渗透率分布式光伏对电网的影响，保证电网的安全经济运行。
本发明提出的预测方法是一种框架，其原始基础算法可采用不同的智能算法或者智能算法组合，有利于预测算法的扩展。
附图说明
图1为本发明提供的一种分布式光伏发电功率预测方法流程示意图；
图2为本发明提供的一种分布式光伏发电功率预测方法整体技术框架示意图；
图3为本发明提供的一个分布式光伏电站发电功率预测结果示意图；
图4为本发明提供的一种分布式光伏发电功率预测系统基本结构示意图；
图5为本发明提供的一种分布式光伏发电功率预测系统详细结构示意图。
具体实施方式
本发明提出了一种分布式光伏发电功率预测方法和系统。分布式光伏发电受天气影响具有很强的间歇性和不稳定性，不同天气特点对光伏发电具有不同的影响，在建立预测算法时需要充分考虑最新数据中体现的天气特点，将新天气特点、规律纳入算法建立之中，并实时优化算法，才能建立预测效果持续保持高水平的预测算法，弥补当前预测算法中的不足，高精度预测分布式光伏发电功率，从而为电网自动发电控制和电网调度提供科学决策依据，有效提高分布式电源的利用效率，有效降低分布式光伏高渗透率对电网的影响，提高供电可靠性，保障电网安全、可靠和经济运行。
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种分布式光伏发电功率预测方法流程示意图如图1所示，包括：
步骤1：基于数据样本进行训练，得到分布式光伏发电功率预测算法；
步骤2：采用分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；
其中，分布式光伏发电功率预测算法包括数据样本和分布式光伏发电功率预测值，数据样本包括：历史天气数据、分布式光伏发电数据以及预测时段上一时刻实测天气数据、分布式光伏发电数据。
本发明的整体技术框架如图2所示。首先，利用历史数据做为样本，建立基于密度峰值聚类的最小二乘支持向量机预测算法，其中，历史数据包括历史发电功率数据和历史天气数据，天气数据包括辐射度数据和环境温度数据；其次，采用最新数据对分布式光伏发电功率进行首次预测，并根据平均绝对百分比误差和均方根误差计算预测效果；再次，在下一次预测之前，将最新发电功率数据、辐射度数据、环境温度数据加入数据样本，对预测算法进行再次训练，提取新天气规律对发电功率的影响规律，建立优化的预测算法；最后，利用优化算法进行预测，并根据平均绝对百分比误差和均方根误差计算预测效果。
一个分布式光伏发电功率预测方法的具体示例如下：
步骤101：获取分布式光伏历史发电数据和历史天气数据；
步骤102：利用密度峰值聚类算法对样本进行聚类，分类数据样本，并对数据样本进行归一化处理；
密度峰值聚类算法中，聚类中心的局部密度较大，其周围被一些较低密度的邻居所包围；聚类中心距离那些局部密度更大的数据点相对较远。
对数据集
Figure BDA0002125290330000051
Is＝{1,2,…,N}而言，用dij＝dist(Xi,Xj)表示数据点Xi和Xj之间的距离，定义每个Xi的局部密度ρi与最小距离δi。
Figure BDA0002125290330000052
Figure BDA0002125290330000053
其中，ρi表示Xi在dc范围内的邻居数(不计Xi本身)，即局部密度；dc表示截断距离，可设置范围为dc∈[0.01,0.02]。
将局部密度ρi按降序排列后，{qi}N i＝1为其降序序列，则：
ρq1≥ρq2≥…≥ρqN
定义qi对应的数据点Xqi到其他更高密度的数据点的最小距离δqi为：
Figure BDA0002125290330000061
即当数据点不是局部密度最大的点时，δqi为到其他更高密度的数据点的距离最小值，当数据点是局部密度最大的点时，δqi为到其他数据点距离的最大值。
此时，对于S中的任一数据点Xi，均存在对应的ρi与δi。
将每个数据点归类至距离最近的，且密度更高的数据点所属的类即可。
步骤103：利用最小二乘支持向量机算法对每一类数据样本进行训练，针对每个类别获得算法关键参数的最优值；
支持向量机(Support Vector Machine，SVM)是基于统计学习理论的一种新的通用学习方法。最小二乘支持向量机(LS-SVM)是标准支持向量机的一种改进。该方法把标准支持向量机中的不等式约束条件变为等式约束条件，将损失函数作为训练样本的经验损失，同时，把求解二次规划问题转变成求解线性方程组问题。在求解问题上，最小二乘支持向量机相比标准支持向量机，有更好的收敛速度和精度。
LS-SVM原理如下：
设训练样本集即数据样本为S＝{(xi,yi),i＝1,2,…,l},xi∈Rn是输入数据，yi∈R是输出数据，它的线性回归函数为f(x)＝ωTΦ(x)+b，其中，ω∈Rn,b∈R,Φ(·):Rn→R。将输入样本映射到高维特征空间，把输入空间中非线性拟合问题转化为高维特征空间中的线性问题。其中，l表示数据样本中的数据个数。
在LS-SVM中，上述回归问题对应的优化问题为：
Figure BDA0002125290330000062
s.t.yi＝ωTΦ(xi)+b+ei
式中，ei为第i个估计值与真实值之间的误差，γ为正则化参数。
LS-SVM优化问题相应的拉格朗日函数：
Figure BDA0002125290330000063
通过对ω，b，ei，αi求偏导，可以得到该拉格朗日函数的最优化条件为：
Figure BDA0002125290330000071
Figure BDA0002125290330000072
Figure BDA0002125290330000073
Figure BDA0002125290330000074
上述最优化条件消除ei，ω后，可以转化为以下矩阵方程的形式：
Figure BDA0002125290330000075
其中，I＝[1,1,…,1],Ωkj＝K(xk,xj),k,j＝1,2,…,l；
该矩阵方程为核函数矩阵，核函数K(xk,xj)的形式可以从多项式核函数(Polynomial)、径向基核函数(Radical Basis Function，RBF)和Sigmoid核函数中选取；γ为正则化参数；α为拉格朗日乘子，α＝[α1,α2,…αl]，其各分量为核参数；Y＝[y1,y2,…yl]。
本实施例采用RBF核函数，其表达形式如下式，其中σ为RBF核函数函数宽度系数。
Figure BDA0002125290330000076
令A＝Ω+γ-1I，可得：
Figure BDA0002125290330000077
α＝A-1(Y-bI)
最终可以得到LS-SVM预测函数为：
Figure BDA0002125290330000078
利用余一法进行核参数αi和惩罚参数b的优化。余一法是将n个样本中的n-1个样本作为训练数据，剩下一个样本作为预测数据。并且循环n次，使得每个样本都作为一次预测数据，计算交叉验证的均方误差。根据n次计算后得到的均方误差平均值估计期望泛化误差，选择一组最优的参数作为核参数和惩罚参数。核参数和惩罚参数即为关键参数。
步骤104：根据关键参数建立分布式光伏发电功率预测算法；
即将每个类别对应的核参数和惩罚参数带入LS-SVM预测函数，得到每类数据样本对应的分布式光伏发电功率预测算法。
步骤105：利用预测算法进行分布式光伏发电功率预测，获得预测结果；
进行预测时，在前面的聚类算法中得到最新实测天气数据和分布式光伏发电数据所在类别；利用最新实测天气数据和分布式光伏发电数据所在类别对应的分布式光伏发电功率预测算法，预测下一时刻分布式光伏发电功率。
步骤106：根据预测结果和实时监测数据结果，计算基于平均绝对百分比误差和均方根误差的预测效果；
平均绝对百分比误差(MAPE)计算公式如下：
Figure BDA0002125290330000081
其中，
Figure BDA0002125290330000082
是预测结果，
Figure BDA0002125290330000083
是对应的监测数据，n表示预测结果总个数。
均方根误差(RMSE)计算公式如下：
Figure BDA0002125290330000084
其中，
Figure BDA0002125290330000085
是预测结果，
Figure BDA0002125290330000086
是对应的监测数据，n表示预测结果总个数。
步骤107：在下一次预测之前，将上一次的实时监测最新天气数据和分布式光伏发电数据加入数据样本，再重复步骤102～步骤104，建立实时优化后的预测算法；
步骤108：重复步骤105和步骤106，进行新的分布式光伏发电功率预测，并计算预测效果；
步骤109：重复步骤107和步骤108，进行预测算法实时优化、功率预测和预测效果计算。
实施例2：
基于同一发明构思，本发明还提供了一种分布式光伏发电功率预测系统，由于这些设备解决技术问题的原理与分布式光伏发电功率预测方法相似，重复之处不再赘述。
该系统基本结构如图4所示，包括：算法训练模块和预测模块；
其中，算法训练模块，用于基于数据样本进行训练，得到分布式光伏发电功率预测算法；
预测模块，用于采用分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；
分布式光伏发电功率预测系统详细结构如图5所示。
该系统还包括数据补充模块；
数据补充模块，用于将预测时段实测天气数据和分布式光伏发电数据加入数据样本。
其中，算法训练模块包括：分类单元和训练单元；
分类单元，用于采用聚类算法对数据样本进行分类；
训练单元，用于分别利用最小二乘支持向量机算法对每类数据样本进行训练，得到每类数据样本对应的分布式光伏发电功率预测算法。
其中，分类单元包括：密度与距离子单元和归类子单元；
密度与距离子单元，用于针对数据样本中的每个数据点，计算数据点的局域密度与最小距离；
归类子单元，用于分别将每个数据点归类至最小距离值最小的，且局域密度更高的数据点所属的类。
其中，该系统还包括预测效果模块；
预测效果模块，用于根据各时刻的分布式光伏发电功率的预测值和实测值，计算基于平均绝对百分比误差和均方根误差的预测效果。
其中，预测模块包括算法类别单元和预测单元；
算法类别单元，用于根据聚类算法得到预测时段上一时刻实测天气数据和分布式光伏发电数据所在类别；
预测单元，用于利用预测时段上一时刻实测天气数据和分布式光伏发电数据所在类别对应的分布式光伏发电功率预测算法，得到预测时段分布式光伏发电功率的预测值。
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:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (10)

1.一种分布式光伏发电功率预测方法，其特征在于，包括：
基于数据样本进行训练，得到分布式光伏发电功率预测算法；
采用所述分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；
其中，所述分布式光伏发电功率预测算法包括数据样本和分布式光伏发电功率预测值，所述数据样本包括：历史天气数据、分布式光伏发电数据以及预测时段上一时刻实测天气数据、分布式光伏发电数据。
2.如权利要求1所述的方法，其特征在于，所述得到预测时段分布式光伏发电功率的预测值之后，还包括：
将预测时段实测天气数据和分布式光伏发电数据加入所述数据样本。
3.如权利要求1所述的方法，其特征在于，所述基于数据样本进行训练，得到分布式光伏发电功率预测算法，包括：
采用聚类算法对所述数据样本进行分类；
分别利用最小二乘支持向量机算法对每类数据样本进行训练，得到每类数据样本对应的分布式光伏发电功率预测算法。
4.如权利要求1所述的方法，其特征在于，所述采用聚类算法对所述数据样本进行分类，包括：
针对所述数据样本中的每个数据点，计算所述数据点的局域密度与最小距离；
分别将每个数据点归类至最小距离值最小的，且局域密度更高的数据点所属的类。
5.如权利要求4所述的方法，其特征在于，所述局域密度的计算式如下：
Figure FDA0002125290320000011
Figure FDA0002125290320000012
其中，i和j表示同一类别中的数据点，ρi表示数据点i的局域密度，dij表示数据点i和j之间的距离，dc表示截断距离，Is表示数据样本。
6.如权利要求4所述的方法，其特征在于，所述最小距离的计算式如下：
Figure FDA0002125290320000013
其中，qi表示将数据样本中的数据点按照局部密度降序排列后的第i个数据点，qj表示将数据样本中的数据点按照局部密度降序排列后的第j个数据点，
Figure FDA0002125290320000021
表示数据点qi与数据点qj间的距离，δqi表示数据点qi的最小距离。
7.如权利要求6所述的方法，其特征在于，所述分布式光伏发电功率预测算法的计算式如下：
Figure FDA0002125290320000022
其中，x表示分布式光伏发电功率预测算法对应的输入数据，f(x)表示对应x的分布式光伏发电功率预测值，核参数αi表示拉格朗日乘子α的第i个分量，xi表示对应x的数据样本类中的第i个数据，b表示惩罚参数，l表示数据样本类中的数据个数，K(x，xi)表示以x和xi为参数的核函数；
α的计算式如下：
α＝A-1(Y-bI)
b的计算式如下：
Figure FDA0002125290320000023
其中，A＝Ω+γ-1I，I＝[1，1，…，1]；Ωkj＝K(xk，xj)，k，j＝1，2，…，l，K(xk，xj)表示以xk和xj为参数的核函数；γ表示正则化参数；Y＝[y1，y2，…yl]，表示各数据样本对应的分布式光伏发电功率；
所述输入数据包括：最新实测天气数据和所述数据样本。
8.如权利要求1所述的方法，其特征在于，所述得到预测时段分布式光伏发电功率的预测值之后，还包括：
根据各时刻的分布式光伏发电功率的预测值和实测值，计算基于平均绝对百分比误差和均方根误差的预测效果。
9.如权利要求3所述的方法，其特征在于，所述采用所述分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值，包括：
根据聚类算法得到预测时段上一时刻实测天气数据和分布式光伏发电数据所在类别；
利用预测时段上一时刻实测天气数据和分布式光伏发电数据所在类别对应的分布式光伏发电功率预测算法，得到预测时段分布式光伏发电功率的预测值。
10.一种分布式光伏发电功率预测系统，其特征在于，包括：算法训练模块和预测模块；
所述算法训练模块，用于基于数据样本进行训练，得到分布式光伏发电功率预测算法；
所述预测模块，用于采用所述分布式光伏发电功率预测算法进行预测，得到预测时段分布式光伏发电功率的预测值；
其中，所述分布式光伏发电功率预测算法包括数据样本和分布式光伏发电功率预测值，所述数据样本包括：历史天气数据、分布式光伏发电数据以及预测时段上一时刻实测天气数据、分布式光伏发电数据。
CN201910620354.9A 2019-07-10 2019-07-10 一种分布式光伏发电功率预测方法和系统 Pending CN112215383A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910620354.9A CN112215383A (zh) 2019-07-10 2019-07-10 一种分布式光伏发电功率预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910620354.9A CN112215383A (zh) 2019-07-10 2019-07-10 一种分布式光伏发电功率预测方法和系统

Publications (1)

Publication Number Publication Date
CN112215383A true CN112215383A (zh) 2021-01-12

Family

ID=74047465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910620354.9A Pending CN112215383A (zh) 2019-07-10 2019-07-10 一种分布式光伏发电功率预测方法和系统

Country Status (1)

Country Link
CN (1) CN112215383A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115882455A (zh) * 2023-02-20 2023-03-31 国网山东省电力公司滨州供电公司 一种分布式光伏发电预测方法、系统及终端机

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927598A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于自学习径向基核函数的光伏发电功率预测方法
CN106022528A (zh) * 2016-05-26 2016-10-12 上海电力学院 一种基于密度峰值层次聚类的光伏电站短期功率预测方法
CN109086928A (zh) * 2018-07-27 2018-12-25 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927598A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于自学习径向基核函数的光伏发电功率预测方法
CN106022528A (zh) * 2016-05-26 2016-10-12 上海电力学院 一种基于密度峰值层次聚类的光伏电站短期功率预测方法
CN109086928A (zh) * 2018-07-27 2018-12-25 福州大学 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115882455A (zh) * 2023-02-20 2023-03-31 国网山东省电力公司滨州供电公司 一种分布式光伏发电预测方法、系统及终端机

Similar Documents

Publication Publication Date Title
Zhang et al. Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model
CN107766990B (zh) 一种光伏电站发电功率的预测方法
CN106779223B (zh) 一种光伏系统发电功率实时预测方法及装置
CN106447098B (zh) 一种光伏超短期功率预测方法及装置
Yang et al. Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN110556820A (zh) 用于确定能量系统操作场景的方法和设备
CN110929953A (zh) 基于聚类分析的光伏电站超短期出力预测方法
CN116031888B (zh) 基于动态负荷预测的潮流优化方法、系统及存储介质
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN114004139A (zh) 一种光伏发电功率预测方法
CN115496263A (zh) 一种基于时空遗传注意力网络的短期光伏发电预测方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN113052389A (zh) 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN115425680A (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
CN115660232A (zh) 风电功率的超短期预测方法、装置及系统
CN114154684A (zh) 基于数据挖掘和多核支持向量机的短期光伏功率预测方法
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
CN107909096A (zh) 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法
Kader et al. Active power control strategy for wind farms based on power prediction errors distribution considering regional data
Xu et al. NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method
CN115563848A (zh) 一种基于深度学习的分布式光伏总辐射预测方法及系统
CN113033136A (zh) 简化的光伏电池物理参数提取优化方法及系统
CN112232598A (zh) 一种递进式光伏发电系统输出功率组合预测方法及系统

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