CN112688306B - 基于天气预报和历史功率数据的光伏周出力场景预测方法 - Google Patents

Abstract

本发明公开基于天气预报和历史功率数据的光伏周出力场景预测方法，步骤为：1)基于光伏场站历史功率数据集P建立光伏历史出力曲线，并对光伏历史出力曲线进行分类；2)利用基于双三次插值和双向长短期记忆网络的超分辨率方法对气象预报数据集F进行处理；3)基于门控循环单元和卷积神经网络建立场景预测网络；4)将气象预报数据集合F2输入到场景预测网络中，得到光伏周出力场景集合S；6)建立场景质量评价指标体系；7)将光伏周出力场景集合S与光伏场站观测功率曲线对比，验证光伏周出力场景集合S的可行性。本发明可广泛应用于含光伏场站的电力系统周运行计划的制定，能够为含光伏的电力系统运行问题分析提供有益的参考。

Description

基于天气预报和历史功率数据的光伏周出力场景预测方法

技术领域

本发明涉及光伏出力预测领域，具体是基于天气预报和历史功率数据联合驱动的光伏周出力场景预测方法。

背景技术

太阳能是目前最有发展前景的可再生能源之一，截至2019年，全球装机容量已突破627GW。毫无疑问，光伏渗透率的提高有利于促进电力系统的绿色发展。然而，光伏的波动性和间歇性可能造成冲击电压、潮流倒送、电压波形畸变等问题，极大增加了电网的调度难度。

电网公司会制定不同时间尺度的调度计划，以满足不同的调度需求。其中，周调度计划涵盖了工作日和周末的不同负荷特性，以及每日间电网状态的转移信息，对于慢响应或耦合设备的调度以及设备检修计划的制定具有重要意义。

作为一种依赖于天气的发电技术，光伏发电功率的预测是电网调度计划制定的基础，已成为目前备受关注的研究内容。天气预报信息可为光伏发电功率预测提供翔实的依据。然而，由于天气预报时效的限制，超过48小时的天气预报精度难以满足功率预测的精度。与之相比，场景预测方法能够提供一个场景集合，每个场景均代表未来可能发生的一种情况。场景预测方法不仅追求预测的准确性，更强调捕捉影响决策的关键不确定性因素，为决策者提供多种未来可能发生的情况，因此更适用于周尺度等中长期光伏出力模拟。

现有方法中，未见基于天气预报数据的光伏场站周功率场景预测方法的报道。

发明内容

本发明的目的是提供基于天气预报和历史功率数据联合驱动的光伏周出力场景预测方法，包括以下步骤：

1)获取气象预报数据集F、光伏场站历史功率数据集P、观测数据集O。

光伏场站历史功率数据集的时间分辨率为r_h，数据采集的起始年份为y₁，终止年份为y₂。

所述气象预报数据集F的预报时效为D天，数据的起报时间为每天0点，数据的时间分辨率为r_l，气象预报数据集F中的元素包括气温、气压、湿度、云量。

所示观测数据集O包括与气象预报数据集F时间和地点相对应的气温、气压、湿度、云量观测数据。

2)基于光伏场站历史功率数据集P建立光伏历史出力曲线，并对光伏历史出力曲线进行分类。基于观测数据集O建立光伏场站观测功率曲线。

对光伏历史出力曲线进行分类的步骤包括：

2.1)建立光伏出力和气象要素之间的关系方程，即：

p_s＝ηSI[1-0.005(T+kI+25)] (1)

式中，η为光伏电池阵列的转换效率。S为光伏阵列的总面积。I为太阳辐射强度。t₀为光伏电池工作温度，T为气温，k为温度系数。P_s代表面积为S的光伏阵列的总输出功率。

2.2)计算到达光伏板表面的辐射能，即：

h＝15°×(t_local-12) (4)

式中，I_t为第t时刻光伏板单位面积上接收到的太阳辐照强度。I_a为太阳常数。n_d是日序，

为当地纬度。δ、h分别代表和太阳赤纬角和太阳时角，t_local代表地方时。

2.3)设定削弱太阳辐照强度的因素，包括云量、水蒸气和气溶胶。

2.4)设定光伏场站周功率分类的天气依据，包括晴天、多云、降雨和阵雪。

2.5)设定每个光伏场站当天的天气类型，包括晴、云、雨、雪。

2.6)结合D天中每天的天气类型，划分出天气过程。所述天气过程包括晴天主导、多云主导、短时降雨、连续降雨、短时降雪和连续降雪。晴天主导指D天内仅有晴天和多云，且晴天天数多于多云天数。多云主导指D天内仅有晴天和多云，且多云天数多于晴天天数。短时降雨指D天内有降雨，且降雨天数不超过1天。连续降雨指D天内有降雨，且降雨天数超过1天。短时降雪指D天内有降雪，且降雪天数不超过1天。连续降雪指D天内有降雪，且降雪天数超过1天。

2.7)将场站集群中多数场站的天气类型确定为场站集群的整体天气类型。

2.8)根据天气过程对光伏历史出力曲线进行分类。

3)利用基于双三次插值和双向长短期记忆网络的超分辨率方法对气象预报数据集F进行处理，得到气象预报数据集合F2。

利用基于双三次插值和双向长短期记忆网络的超分辨率方法对气象预报数据集F进行处理的步骤包括：

3.1)调整气象预报数据集F的数据格式，得到：

式中，T_i、P_i、H_i、C_i分别代表第i个时刻的气温、气压、湿度和云量。i＝1,2,…,n。n为数据的时刻数。

3.2)利用双三次插值算法将气象预报数据集F的列数由n更新为n’＝(r_l/r_h)×n，从而更新气象预报数据的时间分辨率为r_h。更新后的气象预报数据集记为F1。

利用双三次插值算法将气象预报数据集F的列数由n更新为n’＝(r_l/r_h)×n的方法为：在气象预报数据集F中插入若干气温数据x，气温数据x在气象预报数据集F中的横坐标为x’＝x×(n/n’)＝[x]+u。其中[x]表示整数部分，u表示小数部分。

其中，气温数据x如下所示：

式中，T_i+j表示与气温数据x最接近的点。

其中，双三次插值的基函数W(j-u)如下所示：

式中，a为系数。

3.3)调整观测数据集O的数据格式，令观测数据集O在时间维度上的排列顺序与气象预报数据集F1一致，调整格式后的观测数据集记为O1。

3.4)以气象预报数据集F1为输入数据，以观测数据集O1为监督标签，建立用于超分辨率的双向长短期记忆网络。双向长短期记忆网络的学习率为l₁，批大小为BS₁。

所述双向长短期记忆网络包括若干堆叠的BiLSTM单元。每层BiLSTM单元包括两个独立的LSTM记忆单元。每个LSTM记忆单元包括遗忘门f_t、输入门i_t和输出门o_t。

LSTM记忆单元的数据如下所示：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (8)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (9)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (10)

式中，f_t、i_t和o_t分别代表遗忘门、输入门和输出门。x_t表示t时刻输入数据，即t时刻输入的气象预报数据集F1。

为信息流的中间状态。W_fx,W_ix,W_ox,W_cx分别为t时刻输入数据x_t在遗忘门f_t、输入门i_t、输出门o_t、中间状态

中的权重矩阵。W_jh,W_ih,W_ho,W_ch分别为短期状态h_t-1在遗忘门f_t、输入门i_t、输出门o_t、中间状态

中的权重矩阵。b_f、b_i、b_o、b_c为遗忘门f_t、输入门i_t和输出门o_t、中间状态

的偏置项。σ(·)为激活函数。

3.5)将气象预报数据集F1输入到双向长短期记忆网络中。双向长短期记忆网络在t时刻输出的修正预报数据y_t和长期状态c_t分别如下所示：

式中，符号

代表向量按位相乘。

3.6)以修正预报数据y_t组成气象预报数据集合F2。

4)建立场景预测网络，步骤包括：

4.1)根据气象预报数据集合F2的数据格式调整光伏历史功率集合P的数据格式，得到光伏历史功率集合P1。

4.2)针对光伏历史功率集合P1中连续D天的观测功率曲线S_i，选取与观测功率曲线S_i相关性最高的N_a条曲线作为备选功率曲线，备选功率曲线和观测功率曲线S_i时刻一一对应。观测功率曲线S_i和备选功率曲线组成的集合记为功率观测数据集合P2。

其中，观测功率曲线S_i和其他时间出力曲线的相关性如下所示：

式中，x_i和y_i分别为第i个元素在功率曲线x和y中的降序位置，

为平均降序位置。n为曲线x或y中的时间断面个数。

4.3)以气象预报数据集合F2为输入，以功率观测数据集合P2为监督标签，结合门控循环单元和卷积神经网络建立场景预测网络。所述场景预测网络包括GRU层和若干层叠的CNN层。

5)将气象预报数据集合F2输入到场景预测网络中，得到光伏周出力场景集合S，步骤包括：

5.1)将气象预报数据集合F2输入到GRU层，提取气象预报数据的时序特征，得到二维矩阵I(i,j)。所述GRU层的记忆单元包括重置门r_t和更新门z_t。GRU层记忆单元的数据如下所示：

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (15)

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (16)

式中，

为信息流的中间状态。x_t为当前时刻的输入。h_t-1和h_t分别为上一时刻和当前时刻的输出。W_rx、W_zx、W_x分别为输入x_t在重置门r_t、更新门z_t、中间状态

的权重矩阵。W_rh,W_zh,W_h分别为上一时刻输出h_t-1在重置门r_t、更新门z_t、中间状态

的权重矩阵。b_r,b_z,b_h为偏置项。

5.2)将所述二维矩阵I(i,j)输入到第q层CNN层中，提取气象预报数据的空间特征。q初始值为1。CNN层的输出Y(i,j)如下所示：

式中，Y(i,j)为CNN层的输出。K(i,j)为二维卷积核函数。i,j为变量。e、g为常数。

5.3)将第q层CNN层的输出输入到第q+1层CNN层中，得到第q+1层CNN层的输出。

5.4)重复步骤5.3)，直至得到最后一层CNN层的输出，即光伏周出力场景集合S。

6)建立场景质量评价指标体系。

所述场景质量评价指标体系包括概率分布相似度CE、场站日功率峰值误差DPPE、场站日发电量误差DEE、场景集时间相关性ACF、空间相关性ρ。

概率分布相似度CE如下所示：

式中，N_p为实际出力和预测出力等分的区间数，N为数据点总数，n_p(i)为实际出力落入第i个子区间内的数据个数，n_q(i)为预测出力落到第i个子区间内的数据个数。

场站日功率峰值误差DPPE如下所示：

式中，m为实际出力曲线条数，Y_ij ^max为第i条实际出力曲线在第j天的峰值功率。y_ij ^max为第i条出力曲线对应的场景集内，在第j天与实际出力曲线在峰值时刻相差最小的峰值功率。

场站日发电量误差DEE如下所示：

式中，m为实际出力曲线条数，W_ij为第i条实际出力曲线在第j天的日电量，w_ij为第i条实际出力曲线对应的场景集内，与第j天实际电量最接近的日电量。

场景集时间相关性ACF如下所示：

式中，ACF_k为时序功率曲线X在时延k下的自相关系数。X_i为X中的第i个元素，

为时间序列的平均值，n为时间点个数。

空间相关性ρ如下所示：

式中，x_i和y_i分别为第i个元素在功率曲线x和y中的降序位置，

为平均降序位置，n为曲线x或y中的时间断面个数。

7)将光伏周出力场景集合S输入到场景质量评价指标体系中，计算得到光伏周出力场景集合S的场景质量评价指标。

本发明的技术效果是毋庸置疑的，本发明可广泛应用于含光伏场站的电力系统周运行计划的制定，能够为含光伏的电力系统运行问题分析提供有益的参考。

附图说明

图1为集合P1的数据格式；

图2为原始预报数据格式；

图3为气温数据超分辨率修正曲线与观测曲线对比；

图4为场景曲线与观测曲线对比；

图5为场景集与观测数据的时间相关性对比；

图6为场景集与观测数据的空间相关性对比；

图7为预测流程。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

参见图1至图7，基于天气预报和历史功率数据联合驱动的光伏周出力场景预测方法，包括以下步骤：

1)获取气象预报数据集F、光伏场站历史功率数据集P、观测数据集O。

光伏场站历史功率数据集的时间分辨率为r_h，数据采集的起始年份为y₁，终止年份为y₂。

所述气象预报数据集F的预报时效为D天，数据的起报时间为每天0点，数据的时间分辨率为r_l，气象预报数据集F中的元素包括气温、气压、湿度、云量。

所示观测数据集O包括与气象预报数据集F时间和地点相对应的气温、气压、湿度、云量观测数据。

2)基于光伏场站历史功率数据集P建立光伏历史出力曲线，并对光伏历史出力曲线进行分类。基于观测数据集O建立光伏场站观测功率曲线。

对光伏历史出力曲线进行分类的步骤包括：

2.1)建立光伏出力和气象要素之间的关系方程，即：

p_s＝ηSI[1-0.005(T+kI+25)] (1)

式中，η为光伏电池阵列的转换效率。S为光伏阵列的总面积。I为太阳辐射强度。t₀为光伏电池工作温度，T为气温，k为温度系数。P_s代表面积为S的光伏阵列的总输出功率。

2.2)计算到达光伏板表面的辐射能，即：

h＝15°×(t_local-12) (4)

式中，I_t为第t时刻光伏板单位面积上接收到的太阳辐照强度。I_a为太阳常数。n_d是日序，

为当地纬度。δ、h分别代表和太阳赤纬角和太阳时角，t_local代表地方时。

2.3)设定削弱太阳辐照强度的因素，包括云量、水蒸气和气溶胶。

2.4)设定光伏场站周功率分类的天气依据，包括晴天、多云、降雨和阵雪。

2.5)设定每个光伏场站当天的天气类型，包括晴、云、雨、雪。

2.6)结合D天中每天的天气类型，划分出天气过程。所述天气过程包括晴天主导、多云主导、短时降雨、连续降雨、短时降雪和连续降雪。晴天主导指D天内仅有晴天和多云，且晴天天数多于多云天数。多云主导指D天内仅有晴天和多云，且多云天数多于晴天天数。短时降雨指D天内有降雨，且降雨天数不超过1天。连续降雨指D天内有降雨，且降雨天数超过1天。短时降雪指D天内有降雪，且降雪天数不超过1天。连续降雪指D天内有降雪，且降雪天数超过1天。

2.7)将场站集群中多数场站的天气类型确定为场站集群的整体天气类型。

2.8)根据天气过程对光伏历史出力曲线进行分类。

3)利用基于双三次插值和双向长短期记忆网络的超分辨率方法对气象预报数据集F进行处理，得到气象预报数据集合F2。

利用基于双三次插值和双向长短期记忆网络的超分辨率方法对气象预报数据集F进行处理的步骤包括：

3.1)调整气象预报数据集F的数据格式，得到：

式中，T_i、P_i、H_i、C_i分别代表第i个时刻的气温、气压、湿度和云量。i＝1,2,…,n。n为数据的时刻数。

3.2)利用双三次插值算法将气象预报数据集F的列数由n更新为n’＝(r_l/r_h)×n，从而更新气象预报数据的时间分辨率为r_h。更新后的气象预报数据集记为F1。

利用双三次插值算法将气象预报数据集F的列数由n更新为n’＝(r_l/r_h)×n的方法为：在气象预报数据集F中插入若干气温数据x，气温数据x在气象预报数据集F中的横坐标为x’＝x×(n/n’)＝[x]+u。其中[x]表示整数部分，u表示小数部分。

其中，气温数据x如下所示：

式中，T_i+j表示与气温数据x最接近的点。

其中，双三次插值的基函数W(j-u)如下所示：

式中，a为系数。

3.3)调整观测数据集O的数据格式，令观测数据集O在时间维度上的排列顺序与气象预报数据集F1一致，调整格式后的观测数据集记为O1。

3.4)以气象预报数据集F1为输入数据，以观测数据集O1为监督标签，建立用于超分辨率的双向长短期记忆网络。双向长短期记忆网络的学习率为l₁，批大小为BS₁。

所述双向长短期记忆网络包括若干堆叠的BiLSTM单元。每层BiLSTM单元包括两个独立的LSTM记忆单元。每个LSTM记忆单元包括遗忘门f_t、输入门i_t和输出门o_t。

LSTM记忆单元的数据如下所示：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (8)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (9)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (10)

式中，f_t、i_t和o_t分别代表遗忘门、输入门和输出门。x_t表示t时刻输入数据，即t时刻输入的气象预报数据集F1。

为信息流的中间状态。W_fx,W_ix,W_ox,W_cx分别为t时刻输入数据x_t在遗忘门f_t、输入门i_t、输出门o_t、中间状态

中的权重矩阵。W_jh,W_ih,W_ho,W_ch分别为短期状态h_t-1在遗忘门f_t、输入门i_t、输出门o_t、中间状态

中的权重矩阵。b_f、b_i、b_o、b_c为遗忘门f_t、输入门i_t和输出门o_t、中间状态

的偏置项。σ(·)为激活函数。

3.5)将气象预报数据集F1输入到双向长短期记忆网络中。双向长短期记忆网络在t时刻输出的修正预报数据y_t和长期状态c_t分别如下所示：

式中，符号

代表向量按位相乘。c_t-1代表双向长短期记忆网络在t-1时刻输出的长期状态。

3.6)以修正预报数据y_t组成气象预报数据集合F2。

4)建立场景预测网络，步骤包括：

4.1)根据气象预报数据集合F2的数据格式调整光伏历史功率集合P的数据格式，得到光伏历史功率集合P1。

4.2)针对光伏历史功率集合P1中连续D天的观测功率曲线S_i，选取与观测功率曲线S_i相关性最高的N_a条曲线作为备选功率曲线，备选功率曲线和观测功率曲线S_i时刻一一对应。观测功率曲线S_i和备选功率曲线组成的集合记为功率观测数据集合P2。

其中，观测功率曲线S_i和其他时间出力曲线的相关性如下所示：

式中，x_i和y_i分别为第i个元素在功率曲线x和y中的降序位置，

为平均降序位置。n为曲线x或y中的时间断面个数，也即时间点个数。

4.3)以气象预报数据集合F2为输入，以功率观测数据集合P2为监督标签，结合门控循环单元和卷积神经网络建立场景预测网络。所述场景预测网络包括GRU层和若干层叠的CNN层。

5)将气象预报数据集合F2输入到场景预测网络中，得到光伏周出力场景集合S，步骤包括：

5.1)将气象预报数据集合F2输入到GRU层，提取气象预报数据的时序特征，得到二维矩阵I(i,j)。所述GRU层的记忆单元包括重置门r_t和更新门z_t。GRU层记忆单元的数据如下所示：

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (15)

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (16)

式中，

为信息流的中间状态。x_t为当前时刻的输入。h_t-1和h_t分别为上一时刻和当前时刻的输出。W_rx、W_zx、W_x分别为输入x_t在重置门r_t、更新门z_t、中间状态

的权重矩阵。W_rh,W_zh,W_h分别为上一时刻输出h_t-1在重置门r_t、更新门z_t、中间状态

的权重矩阵。b_r,b_z,b_h为偏置项。

5.2)将所述二维矩阵I(i,j)输入到第q层CNN层中，提取气象预报数据的空间特征。q初始值为1。CNN层的输出Y(i,j)如下所示：

式中，Y(i,j)为CNN层的输出。K(i,j)为二维卷积核函数。i,j为变量。e,g为常数。I(i+e,j+g)为二维矩阵，K(e,g)为二维核函数。

5.3)将第q层CNN层的输出输入到第q+1层CNN层中，得到第q+1层CNN层的输出。

5.4)重复步骤5.3)，直至得到最后一层CNN层的输出，即光伏周出力场景集合S。

6)建立场景质量评价指标体系。

所述场景质量评价指标体系包括概率分布相似度CE、场站日功率峰值误差DPPE、场站日发电量误差DEE、场景集时间相关性ACF、空间相关性ρ。

概率分布相似度CE如下所示：

式中，N_p为实际出力和预测出力等分的区间数，N为数据点总数，n_p(i)为实际出力落入第i个子区间内的数据个数，n_q(i)为预测出力落到第i个子区间内的数据个数。

场站日功率峰值误差DPPE如下所示：

式中，m为实际出力曲线条数，Y_ij ^max为第i条实际出力曲线在第j天的峰值功率。y_ij ^max为第i条出力曲线对应的场景集内，在第j天与实际出力曲线在峰值时刻相差最小的峰值功率。

场站日发电量误差DEE如下所示：

式中，m为实际出力曲线条数，W_ij为第i条实际出力曲线在第j天的日电量，w_ij为第i条实际出力曲线对应的场景集内，与第j天实际电量最接近的日电量。

场景集时间相关性ACF如下所示：

式中，ACF_k为时序功率曲线X在时延k下的自相关系数。X_i为X中的第i个元素，

为时间序列的平均值，n为时间点个数。

空间相关性ρ如下所示：

式中，x_i和y_i分别为第i个元素在功率曲线x和y中的降序位置，

为平均降序位置，n为曲线x或y中的时间断面个数。

7)将光伏周出力场景集合S输入到场景质量评价指标体系中，计算得到光伏周出力场景集合S的场景质量评价指标。其中，CE、ACF、ρ和光伏周出力场景集合S可行性正相关。DPPE、DEE和光伏周出力场景集合S可行性负相关。当CE大于预设阈值ε₁、ACF大于预设阈值ε₂、ρ大于预设阈值ε₃、DPPE小于预设阈值ε₄、DEE小于预设阈值ε₅时，光伏周出力场景集合S为最终预测出的光伏周出力场景。

分别采用本专利所提方法与现有方法对光伏周出力场景进行模拟，基于上述场景质量评价指标体系，对比不同方法与光伏场站观测功率曲线的差异，验证本专利所提方法生成的光伏周出力场景集合S的可行性。

实施例2：

在同时考虑光伏场站历史出力数据和当地气象预报数据的基础上，预测我国东北某地的多个光伏场站的周出力场景集合。具体实施步骤如下：

1)输入数据：我国东北某地的5座光伏场站的历史时序功率数据集P，数据的时间分辨率为r_h＝1h，数据采集的年份为2017-2018年；该区域内2017-2018年的气象预报数据集F，预报时效为7天，数据的起报时间为每天0点，数据的时间分辨率为r_l＝3h，气象预报要素包括气温、气压、湿度、云量；与数据集F时间和地点相对应的气温、气压、湿度、云量观测数据集O；BiLSTM网络的学习率l₁＝0.001，批大小BS₁＝32；GRU网络的学习率l₂＝0.001，批大小BS₂＝32；

2)基于天气过程，对光伏历史出力曲线进行分类。

2.1)根据下式，确定直接决定光伏出力的气象要素为辐照度和气温：

p_s＝ηSI[1-0.005(T+kI+25)] (1)

式中，η为光伏电池阵列的转换效率(％)，可计算为光电转换效率和损耗效率的乘积；S为光伏阵列的总面积(m²)；I为太阳辐射强度(MJ/m²)；t₀为光伏电池工作温度(℃)，T为气温，k为温度系数。

2.2)当不考虑大气层对于辐射能的削弱作用时，计算到达光伏板表面的辐射能。计算公式为：

h＝15°×(t_local-12) (4)

式中，I_t为第t时刻光伏板单位面积上接收到的太阳辐照强度；I_a为太阳常数，可取1367W/m²；n_d是日序，

为当地纬度，δ、h分别代表和太阳赤纬角和太阳时角，t_local代表地方时。

2.3)根据太阳辐射在大气层内的传输物理过程，确定云量、水蒸气、气溶胶作为削弱辐照度的因素。

2.4)考虑气象要素与宏观天气的对应关系，确定晴天、多云、降雨、阵雪作为光伏场站周功率分类的天气依据。

2.5)给出基于周天气过程的分类策略，其步骤包括：

2.5.1)根据气象预报的结果，将各场站当天的天气类型分为晴、云、雨、雪四类；

2.5.2)结合一周中每天的天气类型，划分出不同的天气过程。根据该地气候特点，可将天气过程分为6类，定义如表1所示：

表1基于天气过程的功率分类方法

编号	功率类型	分类标准
			1	晴天主导	仅有晴天和多云，且晴天天数多于多云
2	多云主导	仅有晴天和多云，且多云天数多于晴天
			3	短时降雨	包括降雨，且降雨天数不超过1天
4	连续降雨	包括降雨，且降雨天数超过1天
			5	短时降雪	包括降雪，且降雪天数不超过1天
6	连续降雪	包括降雪，且降雪天数超过1天

2.5.3)将场站集群中多数场站的天气类型确定为场站集群的整体天气类型；

2.5.4)将光伏场站观测曲线根据天气过程归入相应的组别中。

3)针对原始气象预报数据，采用超分辨率算法提高数据的时间分辨率和数据精度。

3.1)调整原始预报数据的数据格式。

将原始预报数据整理为如图2所示的矩阵。图中，T_i、P_i、H_i、C_i分别代表第i个时刻的气温、气压、湿度和云量(i＝1,2,…,n)，n＝17520为数据的时间断面数。

3.2)采用双三次插值算法，提高原始气象预报数据的分辨率。

采用双三次插值算法，将原始气象预报数据的时间分辨率由r_l＝3h提高至r_h＝1h，也即，将原始预报数据矩阵的列数由n＝40544提高至n’＝(r_l/r_h)×n＝121632，而行数不变。

假设在原始数据矩阵中的气温数据T₁和T₂中插入x₁、x₂，用以将时间分辨率由3h提高至1h，则其在原始预报数据矩阵中的横坐标为x₁’＝x₁×(n/n’)，x₂’＝x₂×(n/n’)。由于该坐标会出现小数部分，因此表示为x₁’＝[x₁]+u₁，x₂’＝[x₂]+u₂，其中[x]表示整数部分，而u表示小数部分。以x₁、x₂计算为例，在原始矩阵中选择与数据点x₁最接近的三个点，即：T₁＝-16.38℃,T₂＝-16.84℃,T₃＝-17.39℃，并将其重新记为T_-1,T₁,T₂(x可视为T₀)，则插值数据点x₁的值为：

式中，W(j-u)为双三次插值的基函数：

重复公式(5)-(6)，可计算出每个插值点数据的值，进而得到插值后的数据集F1。

3.2)调整输入数据格式

调整观测数据集O的数据格式，使其在时间维度上的排列顺序与数据集F1一致，并记调整格式后的观测数据集为O1。

3.3)以数据集F1为超分辨率算法的输入数据，以数据集O1为超分辨率算法的监督标签，构建用于超分辨率的双向长短期记忆网络(Bidirectional long-short termmemory,BiLSTM)，提高插值后预报数据的精度。通常，BiLSTM网络由多层BiLSTM单元堆叠而成，每层BiLSTM单元由两个独立的LSTM记忆单元组成，每个LSTM内部，通过门结构控制信息流的过程可由如下公式表示：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (7)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (8)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (9)

式中，f_t、i_t和o_t分别代表遗忘门、输入门和输出门；x_t为t时刻输入的数据集F1；

为信息流的中间状态；W_fx,W_ix,W_ox,W_cx分别为x_t与f_t,i_t,o_t,

的权重矩阵；W_jh,W_ih,W_ho,W_ch分别为短期状态h_t-1与f_t,i_t,o_t,

的权重矩阵；b_f,b_i,b_o,b_c为相应的偏置项。σ(·)为激活函数。

经过信息流的传输，记忆单元在t时刻输出的修正后的预报数据y_t和长期状态c_t为：

式中，符号

代表向量按位相乘。

BiLSTM网络输出的数据y_t组成修正后的预报数据集合F2。

以7天的气温数据为例，经过双三次插值处理后的数据、超分辨率算法修正后的数据、以及真实观测数据的对比如图3所示。

4)建立基于深度神经网络的光伏周出力场景预测方法。

4.1)调整输入数据格式。

按照数据集合F2的数据格式(即：以一周为一个单元，每个单元内包含第1天0点预报的7天内的气温、气压、湿度、云量数据，相邻单元之间只相差1天)，调整集合P的数据格式，即：以一周为一个单元，每个单元内包含连续7天的光伏场站出力数据，相邻单元之间只相差1天，且有6天的数据重复。将调整输入数据格式后的集合记为P1，其数据格式可由图1表示。

4.2)定义“备选功率曲线”为：与一周内的观测出力曲线相比，“备选功率曲线”的整体趋势(即相关性)与观测出力曲线相似，但相应时刻的功率数值可能不相等。

4.3)从历史功率数据中，选择“备选功率曲线”。

针对连续7天的观测功率序列S_i，计算其他连续7天的曲线与S_i的Spearman秩相关系数，功率曲线x和y的Spearman秩相关系数计算公式如下：

式中，x_i和y_i分别为第i个元素在功率曲线x和y中的降序位置，

为平均降序位置，n为曲线x或y中的时间断面个数。

选择与序列S_i相关性最高的N_a＝10条曲线作为“备选功率曲线”，“备选功率曲线”与观测功率曲线时刻一一对应。观测功率曲线和“备选功率曲线”组成的集合记为P2。

4.4)以修正后的预报数据集合F2为输入，以调整格式后的功率观测数据集合P2为监督标签，结合门控循环单元(Gated Recurrent Unit,GRU)和卷积神经网络(Convolutional Neural Network,CNN)，构建场景预测网络。

4.4.1)输入数据首先进入GRU层，用于提取数据的时序特征。单个GRU记忆单元由重置门r_t和更新门z_t构成，记忆单元内的信息流动过程如下：

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (14)

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (15)

式中，

为信息流的中间状态，x_t为当前时刻的输入，h_t-1和h_t分别为上一时刻和当前时刻的输出；W_rx,W_zx,W_x分别为x_t与r_t,z_t,

的权重矩阵；W_rh,W_zh,W_h分别为h_t-1与r_t,z_t,

的权重矩阵；b_r,b_z,b_h为相应的偏置项。

4.4.2)GRU层输出的二维矩阵，进入CNN层，用于提取数据的空间特征。CNN层的卷积操作可表示为：

式中，Y(i,j)为卷积层的输出，I(i,j)为输入卷积层的二维矩阵，K(i,j)为二维卷积核函数，i,j为变量，e,g为常数。

4.4.3)经过多层CNN的特征提取，即可生成光伏周出力场景集合S。

以第一类天气过程为例，光伏场站的周出力场景集和功率观测数据的对比如图4所示。

5)建立场景质量评价体系，将场景预测方法输出的光伏周出力场景集合S与光伏场站的观测功率曲线对比，验证场景预测方法的有效性。

5.1)概率分布相似度CE：

式中，N_p为实际出力和预测出力等分的区间数，N为数据点总数，n_p(i)为实际出力落入第i个子区间内的数据个数，n_q(i)为预测出力落到第i个子区间内的数据个数。

5.2)场站日功率峰值误差DPPE：

式中，m为实际出力曲线条数，Y_ij ^max为第i条实际出力曲线在第j天的峰值功率；y_ij ^max为第i条出力曲线对应的场景集内，在第j天与实际出力曲线在峰值时刻相差最小的峰值功率。

5.3)场站日发电量误差DEE：

式中，m为实际出力曲线条数，W_ij为第i条实际出力曲线在第j天的日电量，w_ij为第i条实际出力曲线对应的场景集内，与第j天实际电量最接近的日电量。

5.4)场景集时间相关性ACF。该指标用于量化单个场站出力的时间相关性：

式中，ACF_k为时序功率曲线X在时延k下的自相关系数；X_i为X中的第i个元素，

为时间序列的平均值，n为时间点个数。

5.5)空间相关性ρ。该指标用于量化不同场站出力之间的空间相关性：

式中，x_i和y_i分别为第i个元素在功率曲线x和y中的降序位置，

为平均降序位置，n为曲线x或y中的时间断面个数。

根据5.1)～5.3)给出的指标，与如下两个现有方法进行对比：

对比方法1：基于自回归集合滑动平均模型(ARIMA)的场景预测方法；

对比方法2：基于传统Elman神经网络的场景预测方法；

三个方法的仿真计算结果如表2所示。

表2评价指标计算结果

指标	本方法	对比方法1	对比方法2
				概率分布相似度CE	1.8844	2.5501	4.4149
指标降低率	——	26.10％	57.32％
				场站日功率峰值误差DPPE	1.4485	2.7075	2.1674
指标降低率	——	46.50％	33.17％
				场站日发电量误差DEE	2.0951	2.9651	2.2470
指标降低率	——	29.34％	6.76％

分析表2可知，相对于对比方法1-2，本方法在各项指标均有明显提升，可以证明本方法相对于现有方法的有效性。

根据5.4)～5.5)给出的指标，可做出时延k＝0,1,…,23下的功率观测数据和场景数据的自相关系数对比图，如图5所示；并可做出观测数据和场景数据的空间相关性矩阵对比图，如图6所示。由图可见，本方法能够较好的还原真实数据的时空相关特性。

Claims (9)

1.基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于，包括以下步骤：

1)获取气象预报数据集F、光伏场站历史功率数据集P、观测数据集O；

2)基于光伏场站历史功率数据集P建立光伏历史出力曲线，并对光伏历史出力曲线进行分类；基于观测数据集O建立光伏场站观测功率曲线；

3)利用基于双三次插值和双向长短期记忆网络的超分辨率方法对气象预报数据集F进行处理，得到气象预报数据集合F2；

4)基于门控循环单元和卷积神经网络建立场景预测网络；

5)将气象预报数据集合F2输入到场景预测网络中，得到光伏周出力场景集合S；

6)建立场景质量评价指标体系；

7)将光伏周出力场景集合S输入到场景质量评价指标体系中，计算得到光伏周出力场景集合S的场景质量评价指标。

2.根据权利要求1所述的基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于：光伏场站历史功率数据集的时间分辨率为r_h，数据采集的起始年份为y₁，终止年份为y₂；

所述气象预报数据集F的预报时效为D天，数据的起报时间为每天0点，数据的时间分辨率为r_l，气象预报数据集F中的元素包括气温、气压、湿度、云量；

所示观测数据集O包括与气象预报数据集F时间和地点相对应的气温、气压、湿度、云量观测数据。

3.根据权利要求2所述的基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于，对光伏历史出力曲线进行分类的步骤包括：

1)建立光伏出力和气象要素之间的关系方程，即：

P_s＝ηSI[1-0.005(T+kI+25)] (1)

式中，η为光伏电池阵列的转换效率；S为光伏阵列的总面积；I为太阳辐射强度；t₀为光伏电池工作温度，T为气温，k为温度系数；P_s代表面积为S的光伏阵列的总输出功率；

2)计算到达光伏板表面的辐射能，即：

h＝15°×(t_local-12) (4)

式中，I_t为第t时刻光伏板单位面积上接收到的太阳辐照强度；I_a为太阳常数；n_d是日序，

为当地纬度；δ、h分别代表和太阳赤纬角和太阳时角，t_local代表地方时；

3)设定削弱太阳辐照强度的因素，包括云量、水蒸气和气溶胶；

4)设定光伏场站周功率分类的天气依据，包括晴天、多云、降雨和阵雪；

5)设定每个光伏场站当天的天气类型，包括晴、云、雨、雪；

6)结合D天中每天的天气类型，划分出天气过程；所述天气过程包括晴天主导、多云主导、短时降雨、连续降雨、短时降雪和连续降雪；晴天主导指D天内仅有晴天和多云，且晴天天数多于多云天数；多云主导指D天内仅有晴天和多云，且多云天数多于晴天天数；短时降雨指D天内有降雨，且降雨天数不超过1天；连续降雨指D天内有降雨，且降雨天数超过1天；短时降雪指D天内有降雪，且降雪天数不超过1天；连续降雪指D天内有降雪，且降雪天数超过1天；

7)将光伏场站集群中多数场站的天气类型确定为光伏场站集群的整体天气类型；

8)根据天气过程对光伏历史出力曲线进行分类。

4.根据权利要求2所述的基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于，利用基于双三次插值和双向长短期记忆网络的超分辨率方法对气象预报数据集F进行处理的步骤包括：

1)调整气象预报数据集F的数据格式，得到：

式中，T_i、P_i、H_i、C_i分别代表第i个时刻的气温、气压、湿度和云量；i＝1,2,…,n；n为数据的时刻数；

2)利用双三次插值算法将气象预报数据集F的列数由n更新为n’＝(r_l/r_h)×n，从而更新气象预报数据的时间分辨率为r_h；更新后的气象预报数据集记为F1；r_l为数据的时间分辨率；

3)调整观测数据集O的数据格式，令观测数据集O在时间维度上的排列顺序与气象预报数据集F1一致，调整格式后的观测数据集记为O1；

4)以气象预报数据集F1为输入数据，以观测数据集O1为监督标签，建立用于超分辨率的双向长短期记忆网络；双向长短期记忆网络的学习率为l₁，批大小为BS₁；

所述双向长短期记忆网络包括若干堆叠的BiLSTM单元；每层BiLSTM单元包括两个独立的LSTM记忆单元；每个LSTM记忆单元包括遗忘门f_t、输入门i_t和输出门o_t；

LSTM记忆单元的数据如下所示：

f_t＝σ(W_fxx_t+W_fhh_t-1+b_f) (6)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (7)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (8)

式中，f_t、i_t和o_t分别代表遗忘门、输入门和输出门；x_t表示t时刻输入数据，即t时刻输入的气象预报数据集F1；

为信息流的中间状态；W_fx,W_ix,W_ox,W_cx分别为t时刻输入数据x_t在遗忘门f_t、输入门i_t、输出门o_t、中间状态

中的权重矩阵；W_jh,W_ih,W_ho,W_ch分别为短期状态h_t-1在遗忘门f_t、输入门i_t、输出门o_t、中间状态

中的权重矩阵；b_f、b_i、b_o、b_c为遗忘门f_t、输入门i_t和输出门o_t、中间状态

的偏置项；σ(·)为激活函数；

5)将气象预报数据集F1输入到双向长短期记忆网络中；双向长短期记忆网络在t时刻输出的修正预报数据y_t和长期状态c_t分别如下所示：

式中，符号

代表向量按位相乘；

6)以修正预报数据y_t组成气象预报数据集合F2。

5.根据权利要求4所述的基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于，利用双三次插值算法将气象预报数据集F的列数由n更新为n’＝(r_l/r_h)×n；插值方法为：在气象预报数据集F中插入若干插入数据x，插入数据x在气象预报数据集F中的横坐标为x’＝x×(n/n’)＝[x]+u；其中[x]表示整数部分，u表示小数部分；

其中，插入数据x如下所示：

式中，T_i+j表示与插入数据x最接近的点；

其中，双三次插值的基函数W(j-u)如下所示：

式中，a为系数。

6.根据权利要求5所述的基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于，所述插入数据x为气温数据。

7.根据权利要求1所述的基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于，建立场景预测网络的步骤包括：

1)根据气象预报数据集合F2的数据格式调整光伏历史功率集合P的数据格式，得到光伏历史功率集合P1；

2)针对光伏历史功率集合P1中连续D天的观测功率曲线S_i，选取与观测功率曲线S_i相关性最高的N_a条曲线作为备选功率曲线，备选功率曲线和观测功率曲线S_i时刻一一对应；观测功率曲线S_i和备选功率曲线组成的集合记为功率观测数据集合P2；

其中，观测功率曲线S_i和其他时间出力曲线的相关性如下所示：

式中，x_i和y_i分别为第i个元素在功率曲线x和y中的降序位置，

为平均降序位置；n为曲线x或y中的时间断面个数；

3)以气象预报数据集合F2为输入，以功率观测数据集合P2为监督标签，结合门控循环单元和卷积神经网络建立场景预测网络；所述场景预测网络包括GRU层和若干层叠的CNN层。

8.根据权利要求1所述的基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于，将气象预报数据集合F2输入到场景预测网络中，得到光伏周出力场景集合S的步骤包括：

1)将气象预报数据集合F2输入到GRU层，提取气象预报数据的时序特征，得到二维矩阵I(i,j)；所述GRU层的记忆单元包括重置门r_t和更新门z_t；GRU层记忆单元的数据如下所示：

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (15)

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (16)

式中，

为信息流的中间状态；x_t为当前时刻的输入；h_t-1和h_t分别为上一时刻和当前时刻的输出；W_rx、W_zx、W_x分别为输入x_t在重置门r_t、更新门z_t、中间状态

的权重矩阵；W_rh,W_zh,W_h分别为上一时刻输出h_t-1在重置门r_t、更新门z_t、中间状态

的权重矩阵；b_r,b_z,b_h为偏置项；

2)将所述二维矩阵I(i,j)输入到第q层CNN层中，提取气象预报数据的空间特征；q初始值为1；CNN层的输出Y(i,j)如下所示：

式中，Y(i,j)为CNN层的输出；K(i,j)为二维卷积核函数；i,j为变量；e、g为常数；K(e,g)为二维核函数；

3)将第q层CNN层的输出输入到第q+1层CNN层中，得到第q+1层CNN层的输出；

4)重复步骤3)，直至得到最后一层CNN层的输出，即光伏周出力场景集合S。

9.根据权利要求1所述的基于天气预报和历史功率数据的光伏周出力场景预测方法，其特征在于，所述场景质量评价指标体系包括概率分布相似度CE、场站日功率峰值误差DPPE、场站日发电量误差DEE、场景集时间相关性ACF、空间相关性ρ；

概率分布相似度CE如下所示：

式中，N_p为实际出力和预测出力等分的区间数，N为数据点总数，n_p(i)为实际出力落入第i个子区间内的数据个数，n_q(i)为预测出力落到第i个子区间内的数据个数；

场站日功率峰值误差DPPE如下所示：

式中，m为实际出力曲线条数，Y_ij ^max为第i条实际出力曲线在第j天的峰值功率；y_ij ^max为第i条出力曲线对应的场景集内，在第j天与实际出力曲线在峰值时刻相差最小的峰值功率；

场站日发电量误差DEE如下所示：

式中，m为实际出力曲线条数，W_ij为第i条实际出力曲线在第j天的日电量，w_ij为第i条实际出力曲线对应的场景集内，与第j天实际电量最接近的日电量；

场景集时间相关性ACF如下所示：

式中，ACF_k为时序功率曲线X在时延k下的自相关系数；X_i为X中的第i个元素，

为时间序列的平均值，n为时间点个数；

空间相关性ρ如下所示：

式中，x_i和y_i分别为第i个元素在功率曲线x和y中的降序位置，

为平均降序位置，n为曲线x或y中的时间断面个数。

Images