CN112508279B - 基于空间相关性的区域分布式光伏预测方法及系统 - Google Patents
基于空间相关性的区域分布式光伏预测方法及系统 Download PDFInfo
- Publication number
- CN112508279B CN112508279B CN202011439785.4A CN202011439785A CN112508279B CN 112508279 B CN112508279 B CN 112508279B CN 202011439785 A CN202011439785 A CN 202011439785A CN 112508279 B CN112508279 B CN 112508279B
- Authority
- CN
- China
- Prior art keywords
- power station
- centralized
- photovoltaic
- distributed
- correlation
- 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 abstract description 52
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 2
- 238000012549 training Methods 0.000 description 14
- 238000010248 power generation Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 241000587240 Cynanchum Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06F16/29—Geographical information databases
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本公开提出了基于空间相关性的区域分布式光伏预测方法及系统，包括：对同一地区集中式电站与该地区所有分布式电站进行相关性分析，将地区内与各自集中式电站相关性系数达到阈值的所有分布式电站等效为一虚拟集中式电站；预测得到集中式电站目标日出力，并在此基础之上，由集中式电站目标日出力通过曲线拟合方式得到虚拟集中式电站的目标日出力；将区域内所有虚拟集中式电站出力求和得到区域内分布式电站出力。通过光伏电站实例数据案例验证了该方法的有效性。
Description
技术领域
本公开属于光伏发电技术领域，尤其涉及基于空间相关性的区域分布式光伏预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
近年来光伏行业取得了飞跃式的发展。截至2019年底，全国新增太阳能发电装机容量为2681万千瓦，其中并网太阳能比去年增长26.5％。与集中式光伏相比，分布式光伏，尤其是建筑结合率高的分布式光伏更能被配电网接受和喜爱。
随着分布式光伏的发展，分布式光伏发电系统并入配电网的比重越来越多，它对配电网的优化规划、电力系统电能质量，智能电网实时性保护都有较大影响。因此，有效的预测分布式出力成为了电网规划运行的一项必要工作和热点研究问题。
常用的光伏预测方法有支持向量机、人工神经网络、马尔科夫链和多元回归分析等。这类方法依据大量的历史发电功率与历史气象记录来确保所建模型的准确性。而分布式光伏电站由于建造成本低，监管能力弱，导致其历史数据不多，甚至缺少；所以，综上所述的方法很难直接应用在分布式电站出力预测上。
光伏电站输出功率数据与相同气象条件下的历史数据具有相似性，与相邻电站输出功率存在空间相关性。因此，可由集中式光伏出力预测推算出与之相近区域内的分布式光伏的出力。在文献“张伯林,拜润卿,智勇等.基于空间相关性的分布式光伏超短期预测技术研究[J].陕西电力,2017,45(5):22-26.”中基于分层聚类算法对光伏电站间空间相关关性进行判断及匹配，得到参考电站与目标电站间的映射关系，由BP神经网络预测参考电站出力最终通过映射关系得到目标电站的出力。文献“夏冷风,黎嘉明,赵亮等.考虑光伏电站时空相关性的光伏出力序列生成方法[J].中国电机工程学报,2017,37(7):1983-1999”则是将光伏出力分解为理想归一化曲线、幅值参数和随机分量，并提出利用典型日数据的理想出力提取方法，能够较好的表征多光伏电站间的空间相关性。文献“Ruiyuan Zhang,HuiMa,Wen Hua,et al.Data-driven photovoltaic generation forecasting based on abayesian network with spatial-temporal correlation analysis[J],IEEETransactions on Industrial Informatics,2020,16(3):1635-1644.”对分布式光伏系统的光伏发电数据之间的时空相关性进行了深入研究，提出了一种基于贝叶斯网络的预测模型。文献“王志远,王守相,陈海文等.考虑空间相关性采用LSTM神经网络的光伏出力短期预测方法[J].电力系统及其自动化学报,(2019-07-22)[2019-07-22].”将与目标电站强相关性的参考光伏序列作为LSTM神经网络预测模型的输入部分，再结合目标电站NWP数据与目标电站历史光伏数据预测分布式电站的出力。文献“张家安,王琨玥,陈建等.基于空间相关性的分布式光伏出力预测[J],电力建设,2020,41(3):47-53.”依据无遮系数建立指标，聚类天气，然后通过copula函数建立各类天气下的预测模型，最终基于集中式光伏出力预测数据预测出分布式光伏出力并得出结论。
以上方法都是对单一分布式光伏电站出力进行预测，并没有对某一区域内分布式光伏电站进行预测。另外，由于分布式光伏电站投资小，不像集中式电站有自己的预测系统，而随着分布式光伏的发展，区域内分布式光伏电站的数量会快速上涨，为了减少分布式光伏并网对系统的影响，故对区域分布式光伏的预测是有必要的。存在的技术难点在于如何通过集中式光伏电站完备的预测系统来完成分布式光伏电站的预测，如何高效建立区域分布式光伏电站与集中式光伏电站出力间的联系。
发明内容
为克服上述现有技术的不足，本公开提供了基于空间相关性的区域分布式光伏预测方法，对光伏电站的部署及并网有一定的实际意义。
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
第一方面，公开了基于空间相关性的区域分布式光伏预测方法，包括：
对同一地区集中式电站与该地区所有分布式电站进行相关性分析，将地区内与各自集中式电站相关性系数达到阈值的所有分布式电站等效为一虚拟集中式电站；
预测得到集中式电站目标日出力，并在此基础之上，由集中式电站目标日出力通过曲线拟合方式得到虚拟集中式电站的目标日出力；
将区域内所有虚拟集中式电站出力求和得到区域内分布式电站出力。
进一步的技术方案，同一地区集中式电站与该地区所有分布式电站进行相关性分析时，基于分布式光伏电站在某一时刻的光伏出力与集中式光伏电站在该时刻的光伏出力之间的相关性系数表征同一区域内不同地点两段光伏序列之间相关性强弱。
进一步的技术方案，根据对区域内各自集中式光伏电站空间相关性强弱，对区域内分布式光伏电站首先进行聚类，然后将区域内分布式电站等效为多个虚拟集中式光伏电站。
进一步的技术方案，等效的虚拟集中式光伏电站的数量等于区域内集中式光伏电站数量。
进一步的技术方案，将集中式光伏电站的气象监测设备作为中心，将区域内与各自集中式光伏电站空间相关性强度达到阈值的分布式光伏电站与各自集中式电站的气象中心等效为一虚拟集中式电站。
进一步的技术方案，虚拟集中式电站的历史气象数据使用由集中式电站气象监测设备监测所得数据，历史出力数据使用所形成虚拟集中式电站的分布式历史出力和。
进一步的技术方案，若有某分布式电站与两个及以上集中式电站相关性强或者都达到阈值，将此电站归为与之相关性最强的集中式电站。
进一步的技术方案，若有某分布式电站与区域内所有集中式电站相关性都没达到阈值，将之归为最近的集中式电站。
第二方面，公开了基于空间相关性的区域分布式光伏预测系统，包括：
虚拟集中式电站等效模块，用于对同一地区集中式电站与该地区所有分布式电站进行相关性分析，将地区内与各自集中式电站相关性系数达到阈值的所有分布式电站等效为一虚拟集中式电站；
虚拟集中式电站的目标日出力获得模块，用于预测得到集中式电站目标日出力，并在此基础之上，由集中式电站目标日出力通过曲线拟合方式得到虚拟集中式电站的目标日出力；
区域内分布式电站出力获得模块，用于将区域内所有虚拟集中式电站出力求和得到区域内分布式电站出力。
以上一个或多个技术方案存在以下有益效果：
本公开技术方案提出一种基于空间相关性区域内分布式光伏预测方法。在同一区域理想的气象环境下，通过对区域内集中式电站与分布式电站空间相关性分析，将空间相关性分析作为集中式光伏电站与分布式光伏电站出力之间的联系，将与集中式电站强相关性的所有分布式电站等效为虚拟集中电站，等效而来的虚拟集中式光伏电站作为媒介电站连接区域分布式电站与集中式电站，最终由集中式电站预测出力通过曲线拟合得到虚拟集中式电站出力，通过完备的集中式电站预测系统完成区域分布式光伏预测。将虚拟集中式电站出力求和得到区域内分布式光伏出力。最后以我国北方某城市光伏电站数据为例，验证此方法的有效性。对光伏电站的部署及并网有一定的实际意义。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例BP-神经网络模型图；
图2为本公开实施例ANFIS模型图；
图3为本公开实施例北方某区域8个电站空间分布图；
图4为本公开实施例检验预测误差图；
图5为本公开实施例检验数据绝对误差图；
图6为本公开实施例均方根误差趋势图；
图7为本公开实施例集中式PV2预测出力曲线图；
图8为本公开实施例虚拟集中式XN1预测出力曲线图；
图9为本公开实施例虚拟集中式XN2预测出力曲线图；
图10为本公开实施例区域分布式总预测出力曲线图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了基于空间相关性的区域分布式光伏预测方法，首先，对同一地区集中式电站与该地区所有分布式电站进行相关性分析，将地区内与各自集中式电站相关性系数达到阈值的所有分布式电站等效为一虚拟集中式电站；再由模糊神经网络(ANFIS)预测方法得到集中式电站目标日出力。并在此基础之上，由集中式电站目标日出力通过曲线拟合方式得到虚拟集中式电站的目标日出力。将区域内所有虚拟集中式电站出力求和得到区域内分布式电站出力。最后，以我国北方某区域的光伏电站为算例，验证了该方法有效性，对未来光伏电站的建设及并网具有一定的实际意义。
首先介绍光伏出力的空间相关性，对于分布在某一区域的光伏系统，对这些分布式光伏系统所收集的光伏数据进行空间相关性分析是非常有必要的。通过空间相关性分析，可以确定同一区域内不同位置的多个光伏系统的光伏输出模式的相似性，若将分析结果集成到光伏输出预测模型中，可以提高预测的准确性。
通常采用采样交叉相关函数(sample cross correlation function，SCCF)来计算参考点与目标点在当前时刻之前一段窗口内的实测光伏之间的相关系数。本文使用Xt，Yt表示分布式光伏电站在t时刻的光伏出力与集中式光伏电站在t时刻的光伏出力，对光伏时间序列(Xt,Yt)，当k为延迟时间时，该函数可表示为：
式(1)、(2)中，Cxx(0)代表的是当延迟时间为0时，分布式电站与自身的相关性系数；Cyy(0)代表的是当延迟时间为0时，集中式电站与自身的相关性系数；Cxy(k)表示当延时为k时分布式光伏电站与集中式光伏电站的相关系数。n为时间序列的长度；XM和YM分别为Xt和Yt的平均值。由于对两点间的光照是同时发生的，故k取值为0。
|rxy|是一个小于等于1的系数，用以表征同一区域内不同地点两段光伏序列之间相关性强弱。|rxy|值的增大表征相关性的增强，反之，|rxy|值的减小表征相关性的减弱。一般我们将|rxy|值大于0.8时称为两段序列具有强相关性。
根据对区域内各自集中式光伏电站空间相关性强弱，对区域内分布式光伏电站首先进行聚类，然后将区域内分布式电站等效为多个虚拟集中式光伏电站。等效的虚拟集中式光伏电站的数量等于区域内集中式光伏电站数量。
多个虚拟集中式电站是对区域内所有分布式电站形式上的简化，它们将对各自集中式电站相关性强的分布式电站进行聚类并对聚类的分布式光伏中历史出力的不良数据进行识别、剔除与修补，将集中式光伏电站的气象监测设备作为中心，将区域内与各自集中式光伏电站空间相关性强度达到阈值的分布式光伏电站与各自集中式电站的气象中心等效为一虚拟集中式电站。即区域内有多少集中式光伏电站，就会有多少虚拟集中式电站。
虚拟集中式电站的历史气象数据使用由集中式电站气象监测设备监测所得数据，历史出力数据使用所形成虚拟集中式电站的分布式历史出力和。
若有某分布式电站与两个及以上集中式电站相关性强或者都达到阈值，将此电站归为与之相关性最强的集中式电站，上述处理是为了提高分布式光伏电站与集中式光伏电站线性拟合时的精度。
若有某分布式电站与区域内所有集中式电站相关性都没达到阈值，将之归为最近的集中式电站。由于不可能所有分布式电站与集中式电站在空间相关性阈值上达到预期值，而它们的存在又会影响区域分布式电站的预测精度，故采取这种方法减小预测误差。
在光伏预测中常用各种人工智能工具辅助(如神经网络)，预测精度也得到了有效的提升。其中BP神经网络作为最基础的神经网络算法被广泛研究。
BP神经网络是单向传输网络的一种多层转发，由输入层，隐含层和输出层组成，实现了各层之间的完全连接。图1是BP神经网络的通用结构，假设存在n个输入层，m个隐含层和p个输出层。vij是第i个输入节点和第j个隐含节点之间的权重，其中Wjk为是第j个隐含节点与第k个输出节点之间的权重。隐含节点的输入或输出节点是前一层的加权总和。BP算法也被称为误差反向传播算法。在信息正向传播时，数据由输入层输入经隐藏层后由输出层输出，前一层神经元的状态总会影响下一层神经元。当输出层的输出与所期望的输出误差很大时，误差开始进行反向传播，并通过预测误差对权重进行调整，使调整后的预测值接近期望值。
而本实施例子所使用的自适应模糊推理系统(Adaptive Network-based FuzzyInference System)，简称ANFIS；其模型如下图2所示：自适应模糊推理系统在非线性预测领域表现优异，能够简化输入数据与节省训练模型的时间。不容易陷入局部极小值，能较好的让训练模型达到最优解。在本申请的模型中只使用了太阳辐射，环境温度，历史出力等输入数据便能达到较好的预测效果。先从历史数据与气象数据中选取所需的各类输入数据输入至训练模型，训练模型采用减法聚类构建初始网络，训练步长c取0.4，在训练模型得到最优解后光伏发电预测建模完成。
将第k层的第i个节点的输出设为Ok，i。第一层：由节点函数表示各节点i。
式(3)中，O1，i表示隶属度值；α、β表示节点i的输入；Ai与Bi-2表示与节点i相关的量。
第二层：P为这一层的节点，wi为模糊规则激励强度。
第三层：N为这一层的节点，将
归一化处理
第四层：f1，f2均为自适应节点，对模糊规则进行计算。
式(6)中：pi、ri、qi均为后件参数。
第五层：该层的节点为固定节点，它是对所有输入进行计算的总输出。
ANFIS模型是由模糊推理系统与神经网络模型结合而成。它的最大优点是既能防止在人工神经网络运行时的局部最优问题又能补足传统模糊推理系统的缺点。
在此基础上，区域分布式光伏预测流程如下：
Step1：将区域内所有集中式电站与区域内所有分布式电站做空间相关性分析。
Step2：将与某一集中式电站相关性强的所有分布式电站等效为一虚拟集中式电站，即区域内集中式电站与等效而来的虚拟集中式电站数量相等。
Step3：将集中式光伏电站通过模糊神经网络方法(ANFIS)预测出力。
Step4：通过曲线拟合得出各虚拟集中式电站出力数据。
Step5：将各虚拟集中式数据求和得出该区域分布式出力数据。
本文采取北方某地区光伏电站数据作为算例，电站分布图如图3所示，其中PV2，PV6为集中式光伏电站，其余电站为分布式光伏电站。一般来说，空间相关性系数大于0.8时，电站间表征为强相关性，如下表1所示，由于算例中所选区域不大，故电站间大体都呈现出强相关性。在这里，选取相关性系数为0.85作为等效阈值。
表1 8个光伏电站空间相关系数表
由表1可知与PV2相关性系数大于等于0.85的分布式电站为PV1、PV3和PV4与PV6相关性系数大于等于0.85的分布式电站为PV4、PV5、PV7和PV8。由于PV4与PV2和PV6的相关系数都达到阈值，故由前文中所述等效原则将PV1，PV3和PV4等效为虚拟集中式电站1号，这里简称为XN1。将PV5，PV7和PV8等效为虚拟集中式电站2号，这里简称XN2。由于虚拟集中式电站是由与集中式光伏电站相关性系数达到阈值的分布式电站等效而成，故我们可以推测等效而来的虚拟集中式电站也与所对应的集中式电站呈强相关性。故将上述两对电站通过相关性分析得出如表2所示结果。
表2虚拟集中式电站空间相关性系数表
| 电站 | XN1 | XN2 |
| PV2 | 0.84 | - |
| PV6 | - | 0.82 |
由表2可知，虚拟集中式电站确实与所对应的集中式电站呈现强相关性。
由于文中所述方法需要通过数据拟合的方式得到分布式光伏的出力，故对集中式光伏电站的预测精度要求较高。这里，采取精度相对较高的模糊神经网络(ANFIS)预测方法对集中式电站出力进行预测。
现在对集中式电站PV2使用文献[12]中所示模糊神经网络(ANFIS)实现短期光伏预测。使用集中式电站PV2近2个月的历史气象数据，历史出力数据作为输出的训练样本。根据训练样本，将太阳辐射、环境温度和历史出力数据作为输入，目标日出力作为输出。对该区域每日早上6时至晚上7时，每15min取一个样本，共计3120个样本。使用随机函数在数据样本中找出2320个数据作为训练样本，将其余800个数据作为检验样本。训练次数设为200次。在训练好预测模型后，对电站PV2进行了检验预测。预测结果如下：
由图4，图5可以看出预测结果与真实值之间偏差很小。由图6可以看出，训练均方根误差(蓝色)为3.707，检验均方根误差(红色)为3.315。在训练次数达到100次的时候，均方根误差(RMSE)就已经开始收敛了。因此，将该训练模型应用于集中式电站出力预测应能满足预测精度高。
将目标日的气象数据，环境温度，与历史出力数据作为输入，通过已训练好的训练模型，预测出集中式电站PV2目标日出力。如下图7集中式电站PV2目标日预测出力与实际出力曲线所示，横轴为时间轴，从目标日早6点开始，每点表示15min。纵轴每点表示1MW。同时采用自适应模糊神经网络(ANFIS)与BP-神经网络模型进行预测。从表3可以看出,相比于BP-神经网络模型采用ANFIS预测模型的预测精度相对较高。
表3集中式PV2预测数据表
Table 3 Centralized PV2 forecast data table
在需要得到物理量之间的函数关系的时候，我们需要用到曲线拟合的方法。将集中式电站与其相关性强的虚拟集中式电历史出力进行数值拟合，就能得到两个电站间的空间相关性表达式，然后就可以通过对集中式光伏电站的预测推算出虚拟集中式电站的出力。通过由式(8)多项式拟合，可以由集中式电站PV2目标日出力预测数据得到XN1的预测出力：
f(x)＝ax3+bx2+cx+d (8)
其中，a＝-0.00001377,b＝0.0004849,c＝0.249,d＝-0.6028。x为集中式电站出力，f(x)为虚拟集中式电站出力。由于夜间光伏出力为0，故可知当x＝0时，f(x)也为0。上式中的系数并非固定不变，而是随着预测电站的变化而变化的。
由图8可知，在通过集中式电站预测数据拟合而得到的XN1的预测值并将之与XN1的实际值比较后，可以看出预测精度较高，这可能是因为所选电站地理位置相隔较近，加强了空间相关性的影响。
同理可得，可以由集中式电站PV6的预测出力得到XN2的预测出力；如图9所示。
然后，将XN1与XN2的预测出力求和便得到所求区域内分布式光伏的出力。如图10所示，可以看出，本文所述方法最后预测出算例中区域分布式出力总和，且精度较高，可能是因为算例中所选区域较小，空间相关性较强，其中电站间的出力序列极具相似性所致。当所选范围较大时，精度应该会适度下降。同时，本文所述方法能较好的预测出区域分布式光伏总出力，对于分布式光伏并网具有一定实际意义。
本文提出一种基于空间相关性区域分布式光伏出力预测方法。通过对区域内集中式电站与分布式电站的空间相关性分析将区域内分布式电站等效为若干虚拟集中式电站；采用了ANFIS方法对集中式光伏电站的出力预测；然后由多项式拟合，实现由集中式光伏电站出力预测到分布式光伏电站出力预测。通过光伏电站实例数据案例验证了该方法的有效性。
从预测条件上来看，当区域内电站数量越密集，得到的预测精度越高。而随着光伏行业的发展，分布式光伏将会越来越多的进入人们的生活，故该方法具有一定的参考价值。
实施例二
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例子一中方法的具体步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述实施例子一中方法的具体步骤。
实施例四
本实施例的目的是提供基于空间相关性的区域分布式光伏预测系统，包括：
虚拟集中式电站等效模块，用于对同一地区集中式电站与该地区所有分布式电站进行相关性分析，将地区内与各自集中式电站相关性系数达到阈值的所有分布式电站等效为一虚拟集中式电站；
虚拟集中式电站的目标日出力获得模块，用于预测得到集中式电站目标日出力，并在此基础之上，由集中式电站目标日出力通过曲线拟合方式得到虚拟集中式电站的目标日出力；
区域内分布式电站出力获得模块，用于将区域内所有虚拟集中式电站出力求和得到区域内分布式电站出力。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于空间相关性的区域分布式光伏预测方法，其特征是，包括：
对同一地区集中式电站与该地区所有分布式电站进行相关性分析，将地区内与各自集中式电站相关性系数达到阈值的所有分布式电站等效为一虚拟集中式电站；
预测得到集中式电站目标日出力，并在此基础之上，由集中式电站目标日出力通过曲线拟合方式得到虚拟集中式电站的目标日出力；
将区域内所有虚拟集中式电站出力求和得到区域内分布式电站出力；
采用采样交叉相关函数来计算参考点与目标点在当前时刻之前一段窗口内的实测光伏之间的相关系数；
使用Xt，Yt表示分布式光伏电站在t时刻的光伏出力与集中式光伏电站在t时刻的光伏出力，对光伏时间序列(Xt,Yt)，当k为延迟时间时，该函数可表示为：
上式中，Cxx(0)代表的是当延迟时间为0时，分布式电站与自身的相关性系数；Cyy(0)代表的是当延迟时间为0时，集中式电站与自身的相关性系数；Cxy(k)表示当延时为k时分布式光伏电站与集中式光伏电站的相关系数；n为时间序列的长度；XM和YM分别为Xt和Yt的平均值；由于对两点间的光照是同时发生的，故k取值为0；
|rxy|是一个小于等于1的系数，用以表征同一区域内不同地点两段光伏序列之间相关性强弱；|rxy|值的增大表征相关性的增强，反之，|rxy|值的减小表征相关性的减弱；一般我们将|rxy|值大于0.8时称为两段序列具有强相关性；
将与某一集中式电站相关性强的所有分布式电站等效为一虚拟集中式电站，即区域内集中式电站与等效而来的虚拟集中式电站数量相等；将集中式光伏电站通过模糊神经网络方法预测出力；通过曲线拟合得出各虚拟集中式电站出力数据；将各虚拟集中式数据求和得出该区域分布式出力数据。
2.如权利要求1所述的基于空间相关性的区域分布式光伏预测方法，其特征是，同一地区集中式电站与该地区所有分布式电站进行相关性分析时，基于分布式光伏电站在某一时刻的光伏出力与集中式光伏电站在该时刻的光伏出力之间的相关性系数表征同一区域内不同地点两段光伏序列之间相关性强弱。
3.如权利要求1所述的基于空间相关性的区域分布式光伏预测方法，其特征是，根据对区域内各自集中式光伏电站空间相关性强弱，对区域内分布式光伏电站首先进行聚类，然后将区域内分布式电站等效为多个虚拟集中式光伏电站。
4.如权利要求1所述的基于空间相关性的区域分布式光伏预测方法，其特征是，等效的虚拟集中式光伏电站的数量等于区域内集中式光伏电站数量。
5.如权利要求1所述的基于空间相关性的区域分布式光伏预测方法，其特征是，将集中式光伏电站的气象监测设备作为中心，将区域内与各自集中式光伏电站空间相关性强度达到阈值的分布式光伏电站与各自集中式电站的气象中心等效为一虚拟集中式电站。
6.如权利要求1所述的基于空间相关性的区域分布式光伏预测方法，其特征是，虚拟集中式电站的历史气象数据使用由集中式电站气象监测设备监测所得数据，历史出力数据使用所形成虚拟集中式电站的分布式历史出力和。
7.如权利要求1所述的基于空间相关性的区域分布式光伏预测方法，其特征是，若有某分布式电站与两个及以上集中式电站相关性强或者都达到阈值，将此电站归为与之相关性最强的集中式电站；
进一步的技术方案，若有某分布式电站与区域内所有集中式电站相关性都没达到阈值，将之归为最近的集中式电站。
8.基于空间相关性的区域分布式光伏预测系统，其特征是，包括：
虚拟集中式电站等效模块，用于对同一地区集中式电站与该地区所有分布式电站进行相关性分析，将地区内与各自集中式电站相关性系数达到阈值的所有分布式电站等效为一虚拟集中式电站；
虚拟集中式电站的目标日出力获得模块，用于预测得到集中式电站目标日出力，并在此基础之上，由集中式电站目标日出力通过曲线拟合方式得到虚拟集中式电站的目标日出力；
区域内分布式电站出力获得模块，用于将区域内所有虚拟集中式电站出力求和得到区域内分布式电站出力；
采用采样交叉相关函数来计算参考点与目标点在当前时刻之前一段窗口内的实测光伏之间的相关系数；
使用Xt，Yt表示分布式光伏电站在t时刻的光伏出力与集中式光伏电站在t时刻的光伏出力，对光伏时间序列(Xt,Yt)，当k为延迟时间时，该函数可表示为：
上式中，Cxx(0)代表的是当延迟时间为0时，分布式电站与自身的相关性系数；Cyy(0)代表的是当延迟时间为0时，集中式电站与自身的相关性系数；Cxy(k)表示当延时为k时分布式光伏电站与集中式光伏电站的相关系数；n为时间序列的长度；XM和YM分别为Xt和Yt的平均值；由于对两点间的光照是同时发生的，故k取值为0；
|rxy|是一个小于等于1的系数，用以表征同一区域内不同地点两段光伏序列之间相关性强弱；|rxy|值的增大表征相关性的增强，反之，|rxy|值的减小表征相关性的减弱；一般我们将|rxy|值大于0.8时称为两段序列具有强相关性；
将与某一集中式电站相关性强的所有分布式电站等效为一虚拟集中式电站，即区域内集中式电站与等效而来的虚拟集中式电站数量相等；将集中式光伏电站通过模糊神经网络方法预测出力；通过曲线拟合得出各虚拟集中式电站出力数据；将各虚拟集中式数据求和得出该区域分布式出力数据。
9.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述方法的具体步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述方法的具体步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011439785.4A CN112508279B (zh) | 2020-12-10 | 2020-12-10 | 基于空间相关性的区域分布式光伏预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011439785.4A CN112508279B (zh) | 2020-12-10 | 2020-12-10 | 基于空间相关性的区域分布式光伏预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112508279A CN112508279A (zh) | 2021-03-16 |
| CN112508279B true CN112508279B (zh) | 2023-04-07 |
Family
ID=74970774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011439785.4A Active CN112508279B (zh) | 2020-12-10 | 2020-12-10 | 基于空间相关性的区域分布式光伏预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508279B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487100B (zh) * | 2021-07-19 | 2023-08-15 | 国网浙江省电力有限公司电力科学研究院 | 光伏发电出力全局精准预测方法及系统 |
| CN114862023A (zh) * | 2022-05-11 | 2022-08-05 | 济南大学 | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 |
| CN116070728B (zh) * | 2022-10-25 | 2024-05-07 | 国网河北省电力有限公司营销服务中心 | 光伏发电系统发电量预测方法、设备、系统及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108199404A (zh) * | 2017-12-22 | 2018-06-22 | 国网安徽省电力有限公司电力科学研究院 | 高渗透率分布式能源系统的谱聚类集群划分方法 |
| 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 |
| CN109934367A (zh) * | 2017-12-15 | 2019-06-25 | 华北电力大学 | 一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法 |
| CN110752956A (zh) * | 2019-10-30 | 2020-02-04 | 国家电网公司华东分部 | 一种基于可信节点的分布式光伏采集布点及估计优化方法 |
-
2020
- 2020-12-10 CN CN202011439785.4A patent/CN112508279B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934367A (zh) * | 2017-12-15 | 2019-06-25 | 华北电力大学 | 一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法 |
| CN108199404A (zh) * | 2017-12-22 | 2018-06-22 | 国网安徽省电力有限公司电力科学研究院 | 高渗透率分布式能源系统的谱聚类集群划分方法 |
| 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 |
| CN110752956A (zh) * | 2019-10-30 | 2020-02-04 | 国家电网公司华东分部 | 一种基于可信节点的分布式光伏采集布点及估计优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112508279A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A novel hybrid system based on multi-objective optimization for wind speed forecasting | |
| CN112508279B (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
| 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 | |
| CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
| Xiao et al. | Research and application of a hybrid wavelet neural network model with the improved cuckoo search algorithm for electrical power system forecasting | |
| Park et al. | Predictive model for PV power generation using RNN (LSTM) | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
| Serttas et al. | Short term solar power generation forecasting: A novel approach | |
| CN106503861B (zh) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
| Xu et al. | Short-term wind speed prediction based on GRU | |
| CN117117827A (zh) | 一种基于卷积神经网络的新型配电网状态估计方法 | |
| Vosoogha et al. | An intelligent power prediction method for wind energy generation based on optimized fuzzy system | |
| CN111950811B (zh) | 基于双层人工神经网络的区域光伏功率预测方法及系统 | |
| Wang et al. | A new improved combined model algorithm for the application of photovoltaic power prediction | |
| Zhao et al. | TransOS-ELM: A short-term photovoltaic power forecasting method based on transferred knowledge from similar days | |
| Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
| Hu et al. | Source-Load Joint Probability Prediction Based on Transformer Model | |
| Amreen et al. | Solar power forecasting using hybrid model | |
| CN116579479B (zh) | 风电场功率超短期预测方法、系统、计算机及存储介质 | |
| Jyothi et al. | A machine learning based power load prediction system for smart grid energy management |
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 |