CN113592141A - 一种光伏发电功率预测方法和装置 - Google Patents
一种光伏发电功率预测方法和装置 Download PDFInfo
- Publication number
- CN113592141A CN113592141A CN202110717450.2A CN202110717450A CN113592141A CN 113592141 A CN113592141 A CN 113592141A CN 202110717450 A CN202110717450 A CN 202110717450A CN 113592141 A CN113592141 A CN 113592141A
- Authority
- CN
- China
- Prior art keywords
- historical
- power generation
- radiometric
- photovoltaic power
- meteorological
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000005855 radiation Effects 0.000 claims abstract description 71
- 230000001186 cumulative effect Effects 0.000 claims description 24
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013077 scoring method Methods 0.000 claims description 7
- 239000000443 aerosol Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000010521 absorption reaction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 49
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请提供一种光伏发电功率预测方法和装置,获取影响光伏发电功率的辐射气象要素的权重;计算辐射气象要素的历史预报值与当前预报值之间的偏差;基于偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,并基于被选择的光伏发电功率的历史实测值对光伏发电功率进行预测。本申请能够大大减小预测误差,提高预测精度。本申请将辐射气象要素的历史预报与当前预报进行类比,得到辐射气象要素的历史预报值与当前预报值之间的偏差,并基于偏差得到了光伏的实际发电功率,提高了光伏发电功率的准确性,且具有较好的可操作性和实用性,能够辅助提升光伏发电调度能力和消纳水平。
Description
技术领域
本发明涉及新能源技术领域,具体涉及一种光伏发电功率预测方法和装置。
背景技术
随着新能源技术的发展,光伏的装机容量越来越大。但是,光伏装机容量的增大会带来功率偏差总量大幅增加,即预测绝对偏差增大、预测预见期不足,导致光伏发电消纳难度加大,弃光问题凸显。
因此,需要对光伏发电实现高精度、高可信度的预测,进而指导电力调度部门制定科学合理的调度计划。同样,对光伏发电实现高精度、高可信度的预测也是提升光伏发电消纳能力的关键措施。
光伏发电功率预测的准确度直接依赖于地表辐射要素的数值天气预报准确度,到达地表的太阳辐射受到地理位置、时间、云量、大气透明度、气溶胶光学厚度等多种要素的影响,并且对于单个太阳能电池板来说,云量等要素的瞬息万变对光伏出力的影响极为显著而又难以预测,光伏发电功率高时空分辨率预测的难度显而易见。目前,通常采用数值天气预报模式实现光伏发电功率的预测,具体是将集合成员进行平均或简单加权平均以得到集合预报。但是,数值天气预报模式往往只能对短期、超短期的光伏发电功率进行预测,且预测误差大。
发明内容
为了克服上述现有技术中预测误差大的不足,本申请提供一种光伏发电功率预测方法,包括:
获取影响光伏发电功率的辐射气象要素的权重;
基于所述辐射气象要素的权重,计算辐射气象要素的历史预报值与当前预报值之间的偏差;
基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,并基于被选择的光伏发电功率的历史实测值对光伏发电功率进行预测。
所述获取影响光伏发电功率的辐射气象要素的权重,包括:
基于时间遗忘因子计算各个辐射气象要素的多个初始权重;
获取历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数;
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数,采用连续分级概率评分法从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重。
所述各个辐射气象要素的多个初始权重按下式计算:
wi=e-h/τ
式中,wi表示第i个辐射气象要素的初始权重,h表示当前时刻与历史时刻之间的时间间隔,τ表示预先设定的各个辐射气象要素的时间遗忘因子,用于表征历史预报值对当前预报值的最长影响时间长度。
基于时间遗忘因子计算各个辐射气象要素的多个初始权重之后,且获取历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数之前,本申请还包括:
当相同历史时刻的各个辐射气象要素的初始权重加和不等于1时,对相同历史时刻的各个辐射气象要素的初始权重进行归一化处理,使得相同历史时刻的各个辐射气象要素的初始权重加和等于1。也就是说,各个辐射气象要素的初始权重的取值范围为[0,1],且满足其中,Nv表示辐射气象要素的个数,wi′表示第i个辐射气象要素的初始权重。
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数,采用连续分级概率评分法从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重,包括:
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数曲线,以连续分级概率得分函数的函数值最小为目标,从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重;
所述连续分级概率得分函数按下式确定:
式中,CRPS表示连续分级概率得分函数的函数值,Nv表示辐射气象要素的个数,Fi f(x)表示历史时段内第i个辐射气象要素的历史预报值的累积概率密度函数,Fi o(x)表示历史时段内第i个辐射气象要素的历史实测值的累积概率密度函数。
所述辐射气象要素的历史预报值与当前预报值之间的偏差按下式确定:
式中,Di,m表示第i个辐射气象要素的第m个历史预报值与当前预报值之间的偏差,Nv表示辐射气象要素的个数,w′i表示第i个辐射气象要素的权重,σfi表示第i个辐射气象要素的历史预报的标准差,Fi,t+j表示当前时刻t对第i个辐射气象要素在t+j时刻的当前预报值,Ai,m+j表示历史时段内历史时刻m对第i个辐射气象要素在m+j时刻的历史预报值,j表示预设的时间间隔,表示预先设定的时间窗。
所述基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,包括:
以所述辐射气象要素的历史预报值与当前预报值之间的偏差满足预设的偏差阈值要求为目标,从所述辐射气象要素的多个历史预报值与当前预报值之间的偏差中选取所述辐射气象要素的至少一个历史预报值所对应的历史时刻;
获取被选择的历史时刻所对应的光伏发电功率实测值。
所述基于所述被选择的历史时刻所采集的光伏发电功率实测值对光伏的发电功率进行预测,包括:
按下式计算光伏的发电功率预测值:
式中,表示光伏的发电功率预测值,w′i表示第i个辐射气象要素的权重,Nv表示辐射气象要素的个数,n表示被选择的历史时刻的个数,表示第n个历史时刻所对应的光伏发电功率实测值,Pf表示根据数值天气预报预测得到的光伏的发电功率预报值。
所述辐射气象要素包括如下要素中的任意一个或多个:地表总辐射、太阳高度、太阳高度角、云量、气溶胶光学厚度、地表短波辐射、大气透明度、能见度。
另一方面,本申请还提供一种光伏发电功率预测装置,包括:
获取模块,用于获取影响光伏发电功率的辐射气象要素的权重;
计算模块,用于基于所述辐射气象要素的权重,计算辐射气象要素的历史预报值与当前预报值之间的偏差;
预测模块,用于基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,并基于被选择的光伏发电功率的历史实测值对光伏发电功率进行预测。
其中,获取模块具体用于:
基于时间遗忘因子计算各个辐射气象要素的多个初始权重;
获取历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数;
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数,采用连续分级概率评分法从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重。
获取模块按下式计算各个辐射气象要素的初始权重:
wi=e-h/τ
式中,wi表示第i个辐射气象要素的初始权重,h表示当前时刻与历史时刻之间的时间间隔,τ表示预先设定的各个辐射气象要素的时间遗忘因子。
获取模块具体用于:
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数曲线,以连续分级概率得分函数的函数值最小为目标,从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重;
其中,连续分级概率得分函数按下式确定:
式中,CRPS表示连续分级概率得分函数的函数值,Nv表示辐射气象要素的个数,Fi f(x)表示历史时段内第i个辐射气象要素的历史预报值的累积概率密度函数,Fi o(x)表示历史时段内第i个辐射气象要素的历史实测值的累积概率密度函数。
本申请提供的预测装置还包括归一化模块,归一化模块用于:
当相同历史时刻的各个辐射气象要素的初始权重加和不等于1时,对相同历史时刻的各个辐射气象要素的初始权重进行归一化处理,使得相同历史时刻的各个辐射气象要素的初始权重加和等于1。也就是说,各个辐射气象要素的初始权重的取值范围为[0,1],且满足其中,Nv表示辐射气象要素的个数,w′i表示第i个辐射气象要素的初始权重。
计算模块按下式确定辐射气象要素的历史预报值与当前预报值之间的偏差:
式中,Di,m表示第i个辐射气象要素的第m个历史预报值与当前预报值之间的偏差,Nv表示辐射气象要素的个数,w′i表示第i个辐射气象要素的权重,σfi表示第i个辐射气象要素的历史预报值的标准差,Fi,t+j表示当前时刻t对第i个辐射气象要素在t+j时刻的当前预报值,Ai,m+j表示历史时段内历史时刻m对第i个辐射气象要素在m+j时刻的历史预报值,j表示预设的时间间隔,表示预先设定的时间窗。
预测模块用于:
以所述辐射气象要素的历史预报值与当前预报值之间的偏差满足预设的偏差阈值要求为目标,从所述辐射气象要素的多个历史预报值与当前预报值之间的偏差中选取所述辐射气象要素的至少一个历史预报值所对应的历史时刻;
获取被选择的历史时刻所对应的光伏发电功率实测值。
预测模块具体用于:
按下式计算光伏的发电功率预测值:
式中,表示光伏的发电功率预测值,wi′表示第i个辐射气象要素的权重,Nv表示辐射气象要素的个数,n表示被选择的历史时刻的个数,表示第n个历史时刻所对应的光伏发电功率实测值,Pf表示根据数值天气预报预测得到的光伏发电功率预报值。
辐射气象要素包括如下要素中的任意一个或多个:地表总辐射、太阳高度、太阳高度角、云量、气溶胶光学厚度、地表短波辐射、大气透明度、能见度。
本发明提供的技术方案具有以下有益效果:
本发明提供的光伏发电功率预测方法中,获取影响光伏发电功率的辐射气象要素的权重;基于所述辐射气象要素的权重,计算辐射气象要素的历史预报值与当前预报值之间的偏差;基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,并基于被选择的光伏发电功率的历史实测值对光伏发电功率进行预测,通过辐射气象要素的多个历史预报值与当前预报值之间的偏差实现对光伏的发电功率的预测,大大减小了预测误差,提高了预测精度;
本发明以连续分级概率得分函数的函数值最小为目标,从各个辐射气象要素的多个初始权重中选取各个辐射气象要素的权重,为光伏发电功率的预测提供可靠依据;
本发明采用了类比预报的措施,具体是将辐射气象要素的历史预报值与当前预报值进行类比,得到辐射气象要素的历史预报值与当前预报值之间的偏差,并基于偏差得到了光伏的实际发电功率,提高了光伏发电功率的准确性;
本发明采用各个辐射气象要素的权重和辐射气象要素的历史预报值对应的光伏的实际发电功率对根据数值天气预报预测得到的光伏的发电功率进行修正,得到了光伏的发电功率预测值,具有较好的可操作性和实用性,能够辅助提升光伏发电调度能力和消纳水平。
附图说明
图1是本发明实施例中光伏发电功率预测方法流程图;
图2是本发明实施例中光伏发电功率预测装置结构图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
实施例1
本发明实施例1提供了一种光伏发电功率预测方法,具体流程图如图1所示,具体过程如下:
S101:获取影响光伏发电功率的辐射气象要素的权重;
S102:基于所述辐射气象要素的权重,计算辐射气象要素的历史预报值与当前预报值之间的偏差;
S103:基于偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,并基于被选择的光伏发电功率的历史实测值对光伏发电功率进行预测。
本申请实施例1中,辐射气象要素可以包括以下要素中的任意一个或多个:地表总辐射、太阳高度、太阳高度角、云量、气溶胶光学厚度、地表短波辐射、大气透明度、能见度。
上述S101中,获取影响光伏发电功率的辐射气象要素的权重,具体过程如下:
基于时间遗忘因子计算各个辐射气象要素的多个初始权重;
获取历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数;
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数,采用连续分级概率评分法从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重。
具体的,各个辐射气象要素的初始权重按下式计算:
wi=e-h/τ
式中,wi表示第i个辐射气象要素的初始权重,h表示当前预报值与历史预报值之间的时间间隔,τ表示预先设定的各个辐射气象要素的时间遗忘因子,用于表征历史预报值对当前预报值的最长影响时间长度。本申请实施例中,τ在[400,+∞]范围内取值。当τ=+∞(极端情况)时,认为历史预报值对当前预报值的影响效力始终存在,此时所有的wi均为1。
上述的wi被量化为某一辐射气象要素历史预报值对当前预报值的影响力随着时间的衰减,即理论上来说,随着偏差历史预报或观测的越长,这个气象要素的历史预报值对当前预报值的影响权重越小。
本申请实施例采用了连续分级概率得分函数从各个辐射气象要素的多个初始权重中选取各个辐射气象要素的权重。连续分级概率得分函数是一个函数或统计量,可以量化一个连续概率分布(理论值)与确定性观测样本(真实值)间的差异。本申请实施例中的连续分级概率得分函数可以按下式确定:
式中,CRPS表示连续分级概率得分函数的函数值,Nv表示辐射气象要素的个数,Fi f(x)表示历史时段内第i个辐射气象要素的历史预报值的累积概率密度函数,Fi f(x)可以根据历史预报值和历史观测值的预报准确率计算。Fi o(x)表示第i个辐射气象要素的历史观测值的累积概率密度函数。
基于时间遗忘因子计算各个辐射气象要素的多个初始权重之后,且获取历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数之前,还包括:
当相同历史时刻的各个辐射气象要素的初始权重加和不等于1时,对相同历史时刻的各个辐射气象要素的初始权重进行归一化处理,使得相同历史时刻的各个辐射气象要素的初始权重加和等于1。也就是说,各个辐射气象要素的初始权重的取值范围为[0,1],且满足其中,Nv表示辐射气象要素的个数,w′i表示第i个辐射气象要素的初始权重。
上述辐射气象要素的历史预报值与当前预报值之间的偏差按下式确定:
式中,Di,m表示第i个辐射气象要素的第m个历史预报值与当前预报值之间的偏差,Nv表示辐射气象要素的个数,w′i表示第i个辐射气象要素的权重,σfi表示第i个辐射气象要素的历史预报的标准差,Fi,t+j表示当前时刻t对第i个辐射气象要素在t+j时刻的当前预报值,Ai,m+j表示历史时段内历史时刻m对第i个辐射气象要素在m+j时刻的历史预报值,j表示预设的时间间隔,表示预先设定的计算的Di,m时间窗(可以设定为1小时等)。
基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,包括:
以所述辐射气象要素的历史预报值与当前预报值之间的偏差满足预设的偏差阈值要求为目标,从所述辐射气象要素的多个历史预报值与当前预报值之间的偏差中选取所述辐射气象要素的至少一个历史预报值所对应的历史时刻;
获取被选择的历史时刻所对应的光伏发电功率实测值。
本申请实施例中,设定有Nv个辐射气象要素,针对某个辐射气象要素,辐射气象要素的历史预报值对应的光伏会存在n个实际发电功率。于是,基于被选择的历史时刻所采集的光伏发电功率实测值对光伏的发电功率进行预测,包括:
按下式计算光伏的发电功率预测值:
式中,表示光伏的发电功率预测值,w′i表示第i个辐射气象要素的权重,Nv表示辐射气象要素的个数,n表示被选择的历史时刻的个数,表示第n个历史时刻所对应的光伏发电功率实测值,Pf表示根据数值天气预报预测得到的光伏的发电功率预报值。
实施例2
基于同一发明构思,本发明实施例2还提供一种光伏发电功率预测装置,如图2所示,包括:
获取模块,用于获取影响光伏发电功率的辐射气象要素的权重;
计算模块,用于基于所述辐射气象要素的权重,计算辐射气象要素的历史预报值与当前预报值之间的偏差;
预测模块,用于基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,并基于被选择的光伏发电功率的历史实测值对光伏发电功率进行预测。
其中,辐射气象要素包括如下要素中的任意一个或多个:地表总辐射、太阳高度、太阳高度角、云量、气溶胶光学厚度、地表短波辐射、大气透明度、能见度。
其中,获取模块具体用于:
基于时间遗忘因子计算各个辐射气象要素的多个初始权重;
获取历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数;
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数,采用连续分级概率评分法从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重。
获取模块按下式计算各个辐射气象要素的初始权重:
wi=e-h/τ
式中,wi表示第i个辐射气象要素的初始权重,h表示当前预报值与历史预报值之间的时间间隔,τ表示预先设定的各个辐射气象要素的时间遗忘因子,用于表征历史预报值对当前预报值的最长影响时间长度。
获取模块具体用于:
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数曲线,以连续分级概率得分函数的函数值最小为目标,从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重;
其中,连续分级概率得分函数按下式确定:
式中,CRPS表示连续分级概率得分函数的函数值,Nv表示辐射气象要素的个数,Fi f(x)表示历史时段内第i个辐射气象要素的历史预报值的累积概率密度函数,Fi o(x)表示历史时段内第i个辐射气象要素的历史实测值的累积概率密度函数。
本申请提供的预测装置还包括归一化模块,归一化模块用于:
当相同历史时刻的各个辐射气象要素的初始权重加和不等于1时,对相同历史时刻的各个辐射气象要素的初始权重进行归一化处理,使得相同历史时刻的各个辐射气象要素的初始权重加和等于1。也就是说,各个辐射气象要素的初始权重的取值范围为[0,1],且满足其中,Nv表示辐射气象要素的个数,w′i表示第i个辐射气象要素的初始权重。
计算模块按下式计算辐射气象要素的历史预报值与当前预报值之间的偏差:
式中,Di,m表示第i个辐射气象要素的第m个历史预报值与当前预报值之间的偏差,Nv表示辐射气象要素的个数,w′i表示第i个辐射气象要素的权重,σfi表示第i个辐射气象要素的历史预报的标准差,Fi,t+j表示当前时刻t对第i个辐射气象要素在t+j时刻的当前预报值,Ai,m+j表示历史时段内历史时刻m对第i个辐射气象要素在m+j时刻的历史预报值,j表示预设的时间间隔,表示预先设定的时间窗。
预测模块用于:
以所述辐射气象要素的历史预报值与当前预报值之间的偏差满足预设的偏差阈值要求为目标,从所述辐射气象要素的多个历史预报值与当前预报值之间的偏差中选取所述辐射气象要素的至少一个历史预报值所对应的历史时刻;
获取被选择的历史时刻所对应的光伏发电功率实测值。
预测模块具体用于:
按下式计算光伏的发电功率预测值:
式中,表示光伏的发电功率预测值,w′i表示第i个辐射气象要素的权重,Nv表示辐射气象要素的个数,n表示被选择的历史时刻的个数,表示第n个历史时刻所对应的光伏发电功率实测值,Pf表示根据数值天气预报预测得到的光伏发电功率预报值。
为了描述的方便,以上所述装置的各部分以功能分为各种模块或单元分别描述。当然,在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
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:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的保护范围之内。
Claims (10)
1.一种光伏发电功率预测方法,其特征在于,包括:
获取影响光伏发电功率的辐射气象要素的权重;
基于所述辐射气象要素的权重,计算辐射气象要素的历史预报值与当前预报值之间的偏差;
基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,并基于被选择的光伏发电功率的历史实测值对光伏发电功率进行预测。
2.根据权利要求1所述的光伏发电功率预测方法,其特征在于,所述获取影响光伏发电功率的辐射气象要素的权重,包括:
基于时间遗忘因子计算各个辐射气象要素的多个初始权重;
获取历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数;
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数,采用连续分级概率评分法从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重。
3.根据权利要求2所述的光伏发电功率预测方法,其特征在于,所述各个辐射气象要素的多个初始权重按下式计算:
wi=e-h/τ
式中,wi表示第i个辐射气象要素的初始权重,h表示当前时刻与历史时刻之间的时间间隔,τ表示预先设定的各个辐射气象要素的时间遗忘因子。
4.根据权利要求2所述的光伏发电功率预测方法,其特征在于,所述基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数,采用连续分级概率评分法从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重,包括:
基于历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数曲线,以连续分级概率得分函数的函数值最小为目标,从各个辐射气象要素的多个初始权重中选择最优的各个辐射气象要素的权重;
所述连续分级概率得分函数按下式确定:
式中,CRPS表示连续分级概率得分函数的函数值,Nv表示辐射气象要素的个数,Fi f(x)表示历史时段内第i个辐射气象要素的历史预报值的累积概率密度函数,Fi o(x)表示历史时段内第i个辐射气象要素的历史实测值的累积概率密度函数。
5.根据权利要求2所述的光伏发电功率预测方法,其特征在于,所述基于时间遗忘因子计算各个辐射气象要素的多个初始权重之后,且获取历史时段内辐射气象要素的历史预报值和历史实测值所对应的累积概率密度函数之前,还包括:
当相同历史时刻的各个辐射气象要素的初始权重加和不等于1时,对相同历史时刻的各个辐射气象要素的初始权重进行归一化处理,使得相同历史时刻的各个辐射气象要素的初始权重加和等于1。
7.根据权利要求1所述的光伏发电功率预测方法,其特征在于,所述基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,包括:
以所述辐射气象要素的历史预报值与当前预报值之间的偏差满足预设的偏差阈值要求为目标,从所述辐射气象要素的多个历史预报值与当前预报值之间的偏差中选取所述辐射气象要素的至少一个历史预报值所对应的历史时刻;
获取被选择的历史时刻所对应的光伏发电功率实测值。
9.根据权利要求1所述的光伏发电功率预测方法,其特征在于,所述辐射气象要素包括如下要素中的任意一个或多个:
地表总辐射、太阳高度、太阳高度角、云量、气溶胶光学厚度、地表短波辐射、大气透明度、能见度。
10.一种光伏发电功率预测装置,其特征在于,包括:
获取模块,用于获取影响光伏发电功率的辐射气象要素的权重;
计算模块,用于基于所述辐射气象要素的权重,计算辐射气象要素的历史预报值与当前预报值之间的偏差;
预测模块,用于基于所述偏差从历史时段内光伏发电功率的历史实测值中选择满足偏差阈值要求的光伏发电功率的历史实测值,并基于被选择的光伏发电功率的历史实测值对光伏发电功率进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717450.2A CN113592141A (zh) | 2021-06-28 | 2021-06-28 | 一种光伏发电功率预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717450.2A CN113592141A (zh) | 2021-06-28 | 2021-06-28 | 一种光伏发电功率预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592141A true CN113592141A (zh) | 2021-11-02 |
Family
ID=78244697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110717450.2A Pending CN113592141A (zh) | 2021-06-28 | 2021-06-28 | 一种光伏发电功率预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592141A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064755A (zh) * | 2021-11-15 | 2022-02-18 | 珠海格力电器股份有限公司 | 太阳辐射量的估计方法、装置、设备及存储介质 |
WO2023216576A1 (zh) * | 2022-05-13 | 2023-11-16 | 中国电力科学研究院有限公司 | 一种光伏发电短期功率预测方法和系统 |
-
2021
- 2021-06-28 CN CN202110717450.2A patent/CN113592141A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114064755A (zh) * | 2021-11-15 | 2022-02-18 | 珠海格力电器股份有限公司 | 太阳辐射量的估计方法、装置、设备及存储介质 |
WO2023216576A1 (zh) * | 2022-05-13 | 2023-11-16 | 中国电力科学研究院有限公司 | 一种光伏发电短期功率预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramsami et al. | A hybrid method for forecasting the energy output of photovoltaic systems | |
CN103996082B (zh) | 一种基于双重随机理论的太阳辐射强度预测方法 | |
CN109325633B (zh) | 一种天气预报集合成员选取方法和系统 | |
CN113592141A (zh) | 一种光伏发电功率预测方法和装置 | |
CN108388956A (zh) | 考虑辐射衰减的光伏功率预测方法 | |
CN106803128B (zh) | 光伏发电的预测方法和装置 | |
CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
Wu et al. | Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model | |
WO2023216576A1 (zh) | 一种光伏发电短期功率预测方法和系统 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN110991725B (zh) | 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 | |
JP2012053582A (ja) | 太陽光発電設備の出力予測装置 | |
CN112183803A (zh) | 一种基于雾霾/沙尘覆盖范围的光伏功率预测方法和系统 | |
CN110598335B (zh) | 一种超短期光伏功率预测的辐照修正方法 | |
Kumar et al. | Artificial neural network based model for short term solar radiation forecasting considering aerosol index | |
CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
CN116247663A (zh) | 光伏功率突变预测方法 | |
Du et al. | Nowcasting methods for optimising building performance | |
Alet et al. | Forecasting and observability: Critical technologies for system operations with high PV penetration | |
CN112116127B (zh) | 一种基于气象过程与功率波动关联的光伏功率预测方法 | |
Roy et al. | Day-ahead Solar Power Generation Forecasting using LSTM and Random Forest Methods for North Eastern Region of India | |
Su et al. | Improving ultra-short-term photovoltaic power forecasting using advanced deep-learning approach | |
CN117634701B (zh) | 基于区域光伏集合预报的太阳辐射短期预报方法及系统 |
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 |