CN113780643A - 一种基于事例推理的光伏电站短期出力预测方法 - Google Patents
一种基于事例推理的光伏电站短期出力预测方法 Download PDFInfo
- Publication number
- CN113780643A CN113780643A CN202111016596.0A CN202111016596A CN113780643A CN 113780643 A CN113780643 A CN 113780643A CN 202111016596 A CN202111016596 A CN 202111016596A CN 113780643 A CN113780643 A CN 113780643A
- Authority
- CN
- China
- Prior art keywords
- case
- predicted
- photovoltaic output
- prediction
- similarity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013461 design Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims 1
- 238000010248 power generation Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于事例推理的光伏电站短期出力预测方法,包括:利用历史光伏出力预测事例建立事例库;对当前光伏出力待预测事例进行检索,找出事例库中与当前光伏出力待预测事例最相似的历史光伏出力预测事例;根据最相似的历史光伏出力预测事例与当前光伏出力待预测事例的特征差异对光伏出力待预测事例进行修正,得到当前光伏出力待预测事例的预测方案;判断当前光伏出力待预测事例的预测方案是否满足要求,否则回到检索步骤。提高了预测精度和预测效率,具有较强的实用性。
Description
技术领域
本发明属于功率预测方法技术领域,涉及一种基于事例推理的光伏电站短期出力预测方法。
背景技术
光伏发电是太阳能直接应用的一种形式。作为一种环境友好的新型发电方式,光伏发电技术正在世界范围内得到快速发展。但是其出力会随着太阳辐射强度和温度的变化而具有波动性和间歇性,难以调节,给电网安全稳定运行及电能质量控制带来了很大的挑战。因此大规模光伏发电系统的并网运行会对传统电网的安全、稳定造成较大影响,而有效的光伏发电预测技术可以减小这种影响。
目前关于光伏发电预测技术的数学模型主要有人工神经网络、最小二乘向量机、组合预测方法等,建模思路一般分为2类:第1类是物理建模预测,首先根据辐射历史数据基于统计方法建立辐射强度模型,然后根据光伏能量转化关系,利用辐照强度得到光伏出力模拟数据。由于光伏阵列的能量转化受到温度、光伏电池的衰减、故障等多种因素的影响,而这类方法难以综合全面考虑这些因素,会导致数据结果不准确。第2类方法是统计建模预测,基于历史运行数据、气象因素与数学方法相结合的模型,通过引入气象数据来提高预测精度,直接利用光伏出力历史数据模拟生成光伏出力序列。该类方法省去光电转化过程,无需考虑光伏电站内部的各种因素,在提高数据准确性同时简化了建模过程。
上述方法在一定程度上提高了预测精度,但天气数据往往反映较大区域的环境状况,无法准确反映出光伏电板所处的环境状况,因此对预测精度的提高有限。
发明内容
本发明的目的是提供一种基于事例推理的光伏电站短期出力预测方法,解决了现有技术中存在的预测方法预测精度较低的问题。
本发明所采用的技术方案是,一种基于事例推理的光伏电站短期出力预测方法,包括以下步骤:
步骤1、利用历史光伏出力预测事例建立事例库,每个历史光伏出力预测事例包括由多个特征组成的特征向量组;
步骤2、对当前光伏出力待预测事例进行检索,找出事例库中与当前光伏出力待预测事例最相似的历史光伏出力预测事例;
步骤3、根据最相似的历史光伏出力预测事例与当前光伏出力待预测事例的特征差异对当前光伏出力待预测事例进行修正,得到当前光伏出力待预测事例的预测方案;
步骤4、判断当前光伏出力待预测事例的预测方案是否满足要求,否则回到步骤2。
本发明的特点还在于:
还包括,
步骤5、根据步骤3修正后的当前光伏出力待预测事例与事例库中所有事例的相似度,判断是否将修正后的当前光伏出力待预测事例及其预测方案保存至事例库。
步骤2具体包括以下步骤:
步骤2.1、计算当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度;
步骤2.2、根据各个特征间的相似度得到当前光伏出力待预测事例和事例库中每个历史光伏出力预测事例的相似度,得到事例库中与当前光伏出力待预测事例最相似的历史光伏出力预测事例。
若步骤2.1中的特征为数值型特征,当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度的计算方法为:
设事例Ci与事例Cj的第k个特征为数值特征,其特征值分别记为Vik和Vjk,对特征值进行归一化处理,使得Vik,Vjk∈[0,1],则事例Ci与事例Cj的第k个特征的相似度为:
sim(Cik,Cjk)=1-D(Cik,Cjk)=1-|Vik,Vjk| (1);
上式中,D(Cik,Cjk)表示事例Ci和事例Cj在第k个特征上的绝对值距离,D(Cik,Cjk)∈[0,1],Cik和Cjk是事例的原始数据值,Vik和Vjk是对事例Ci与事例Cj的第k个特征的归一化处理值,则Cmaxk,Cmink是事例库中事例第k个特征的最大值和最小值。
若步骤2.1中的特征为数值区间型特征,当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度的计算方法为:
设事例Ci、Cj的第k个特征Vik、Vjk为数值区间型,Vik表示成模糊区间数的形式为[Vik -,Vik +],其中Vik -,Vik +分别为区间下限值和区间上限值,Vjk表示成模糊区间数的形式为[Vjk -,Vjk +].对区间数进行归一化处理后,事例Ci与事例Cj的第k个特征的相似度为:
式中:D(Cik,Cjk)表示事例Ci和事例Cj在第k个特征上的平均欧式距离,D(Cik,Cjk)∈[0,1]。
若步骤2.1中的特征为枚举型特征,当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度的计算方法为:
步骤2.2中当前光伏出力待预测事例和事例库中历史光伏出力预测事例的相似度的计算方式为:
步骤3具体包括以下步骤:
步骤3.1、比较最相似的历史光伏出力预测事例与当前光伏出力待预测事例的特征差异并存储;
步骤3.2、根据特征差异对事例库分类,找与当前光伏出力待预测事例中特征相同的事例,得到修改事例集;
步骤3.3、将最相似的历史光伏出力预测事例与修改事例集中的事例进行相似匹配,得到相似度最高的事例;
步骤3.4、采用相似度最高的事例作为修正后的当前光伏出力待预测事例,并将该事例的解决方案作为当前光伏出力待预测事例的预测方案。
步骤5的具体过程为:
若修正后的当前光伏出力待预测事例与事例库中所有事例的相似度小于预设值,则加入修正后的当前光伏出力待预测事例,并按照使用次数从高到低对事例库中的事例进行排列;否则无需加入。
步骤5中,当事例库中存在与修正后的当前光伏出力待预测事例相似度小于预设值的事例时,若该事例为频繁使用的事例则不替换;否则,利用修正后的当前光伏出力待预测事例替换该事例。
本发明的有益效果是:
本发明一种基于事例推理的光伏电站短期出力预测方法,将具有自学习能力的CBR技术应用到光伏出力预测中,通过以往光伏发电量及相关气象信息形成事例库,利用与当前特征问题相似的历史事例的结论(过去相似情况下预测效果最好的预测事例)来确定当前预测特征方案,对各预测点采用各自适应的最佳预测模型,实现择优选用的动态预测;提高了预测精度和预测效率,具有较强的实用性。
附图说明
图1是本发明一种基于事例推理的光伏电站短期出力预测方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于事例推理的光伏电站短期出力预测方法,如图1所示,包括以下步骤:
步骤1、对预测日气象数据和光伏电站历史发电功率进行特征提取,将历史光伏出力预测事例用由多个特征组成的特征向量组表示,以此建立事例库。
具体的,特征向量组包括事例编号、预测点的日期、预测点的具体时刻、光伏出力的实际数值、预测的数值、预测误差,还可以包括预测日天气类型(晴天、阴天、多云、雨天)、预测日的温度条件、预测日的太阳光照强度条件、预测日的季节类型(春、夏、秋、冬)。
步骤2、对当前光伏出力待预测事例进行检索,找出事例库中与当前光伏出力待预测事例最相似的历史光伏出力预测事例;
步骤2.1、计算当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度,特征为数值型特征、数值区间型特征或枚举型特征;
若特征为数值型特征,当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度的计算方法为:
设事例Ci与事例Cj的第k个特征为数值特征,其特征值分别记为Vik和Vjk,对特征值进行归一化处理,使得Vik,Vjk∈[0,1],则事例Ci与事例Cj的第k个特征的相似度为:
sim(Cik,Cjk)=1-D(Cik,Cjk)=1-|Vik,Vjk| (1);
上式中,D(Cik,Cjk)表示事例Ci和事例Cj在第k个特征上的绝对值距离,D(Cik,Cjk)∈[0,1],Cik和Cjk是事例的原始数据值,Vik和Vjk是对事例Ci与事例Cj的第k个特征的归一化处理值,则Cmaxk,Cmink是事例库中事例第k个特征的最大值和最小值。
若特征为数值区间型特征,当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度的计算方法为:
设事例Ci、Cj的第k个特征Vik、Vjk为数值区间型,Vik表示成模糊区间数的形式为[Vik -,Vik +],其中Vik -,Vik +分别为区间下限值和区间上限值,Vjk表示成模糊区间数的形式为[Vjk -,Vjk +].对区间数进行归一化处理后,事例Ci与事例Cj的第k个特征的相似度为:
式中:D(Cik,Cjk)表示事例Ci和事例Cj在第k个特征上的平均欧式距离,D(Cik,Cjk)∈[0,1]。
若特征为枚举型特征,当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度的计算方法为:
步骤2.2、根据各个特征间的相似度得到当前光伏出力待预测事例和事例库中历史光伏出力预测事例的相似度,得到了各特征的相似度以后,就可以计算事例之间的相似度。由于各特征对事例整体上的相似度有不同的贡献,需要加上权重。则两个事例之间的相似度为:
步骤2.3、对事例库中的每个历史光伏出力预测事例都重复上述计算,找出事例库中与当前光伏出力待预测事例最相似的历史光伏出力预测事例。
步骤3、根据最相似的历史光伏出力预测事例与当前光伏出力待预测事例的特征差异对当前光伏出力待预测事例进行修正,得到当前光伏出力待预测事例的预测方案。
步骤3.1、比较最相似的历史光伏出力预测事例与当前光伏出力待预测事例的特征差异并存储;
步骤3.2、根据特征差异对事例库分类,找与当前光伏出力待预测事例中特征相同的事例,得到修改事例集;
步骤3.3、将最相似的历史光伏出力预测事例与修改事例集中的事例进行相似匹配,得到相似度最高的事例;
步骤3.4、采用相似度最高的事例作为修正后的当前光伏出力待预测事例,并将该事例的解决方案作为当前光伏出力待预测事例的预测方案。
步骤4、判断当前光伏出力待预测事例的预测方案是否满足要求,否则回到步骤2。可以通过平均绝对百分比误差对预测方案进行评价,判断是否满足要求。
步骤5、根据修正后的当前光伏出力待预测事例与事例库中所有事例的相似度,判断是否将修正后的当前光伏出力待预测事例及其预测方案保存至事例库,对事例库进行更新;
具体的,若修正后的当前光伏出力待预测事例与事例库中所有事例的相似度小于预设值,则加入修正后的当前光伏出力待预测事例,并按照使用次数从高到低对事例库中的事例进行排列;否则无需加入。
进一步的,当事例库中存在相似度小于预设值的事例时,若该事例为频繁使用的事例则不替换;否则,利用修正后的当前光伏出力待预测事例替换该事例。
通过以上方式,本发明一种基于事例推理的光伏电站短期出力预测方法,将具有自学习能力的CBR技术应用到光伏出力预测中,通过以往光伏发电量及相关气象信息形成事例库,利用与当前特征问题相似的历史事例的结论(过去相似情况下预测效果最好的预测事例)来确定当前预测特征方案,对各预测点采用各自适应的最佳预测模型,实现择优选用的动态预测;提高了预测精度和预测效率,具有较强的实用性。
实施例
以中国格尔木地区某光伏电站中5000kWp多晶硅固定式光伏发电子系统为例。
根据监控系统2015年所记录数据和对应的气象数据信息进行采样,建立CBR事例库。由于夜间光伏发电出力为0,采样的时间段为6:00~21:00,采样步长为30min。选择春季小雨、夏季晴天、冬季多云三种天气类型。采用CBR对如上3种类型光伏电站发电功率进行预测。
最后,根据平均绝对百分比误差(Mean Absolute Percentage Error,MAPE),采用相同样本分别进行CBR预测和模糊灰色预测,CBR预测的日平均绝对误差为4.65%,模糊灰色预测的日平均绝对误差为17.85%。从预测结果的分析来看,相比基于传统模糊灰色预测模型来说,本CBR预测模型不论是在预测精度上还是在预测效率上,都有一定程度的提高。
Claims (10)
1.一种基于事例推理的光伏电站短期出力预测方法,其特征在于,包括以下步骤:
步骤1、利用历史光伏出力预测事例建立事例库,每个所述历史光伏出力预测事例包括由多个特征组成的特征向量组;
步骤2、对当前光伏出力待预测事例进行检索,找出事例库中与当前光伏出力待预测事例最相似的历史光伏出力预测事例;
步骤3、根据最相似的历史光伏出力预测事例与当前光伏出力待预测事例的特征差异对当前光伏出力待预测事例进行修正,得到当前光伏出力待预测事例的预测方案;
步骤4、判断当前光伏出力待预测事例的预测方案是否满足要求,否则回到步骤2。
2.根据权利要求1所述的一种基于事例推理的光伏电站短期出力预测方法,其特征在于,还包括,
步骤5、根据步骤3修正后的当前光伏出力待预测事例与事例库中所有事例的相似度,判断是否将所述修正后的当前光伏出力待预测事例及其预测方案保存至事例库。
3.根据权利要求1所述的一种基于事例推理的光伏电站短期出力预测方法,其特征在于,步骤2具体包括以下步骤:
步骤2.1、计算所述当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度;
步骤2.2、根据各个特征间的相似度得到当前光伏出力待预测事例和事例库中每个历史光伏出力预测事例的相似度,得到事例库中与当前光伏出力待预测事例最相似的历史光伏出力预测事例。
4.根据权利要求3所述的一种基于事例推理的光伏电站短期出力预测方法,其特征在于,若步骤2.1中的特征为数值型特征,当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度的计算方法为:
设事例Ci与事例Cj的第k个特征为数值特征,其特征值分别记为Vik和Vjk,对特征值进行归一化处理,使得Vik,Vjk∈[0,1],则事例Ci与事例Cj的第k个特征的相似度为:
sim(Cik,Cjk)=1-D(Cik,Cjk)=1-|Vik,Vjk| (1);
5.根据权利要求3所述的一种基于事例推理的光伏电站短期出力预测方法,其特征在于,若步骤2.1中的特征为数值区间型特征,当前光伏出力待预测事例和事例库中历史光伏出力预测事例各个特征间的相似度的计算方法为:
设事例Ci、Cj的第k个特征Vik、Vjk为数值区间型,Vik表示成模糊区间数的形式为[Vik -,Vik +],其中Vik -,Vik +分别为区间下限值和区间上限值,Vjk表示成模糊区间数的形式为[Vjk -,Vjk +].对区间数进行归一化处理后,事例Ci与事例Cj的第k个特征的相似度为:
式中:D(Cik,Cjk)表示事例Ci和事例Cj在第k个特征上的平均欧式距离,D(Cik,Cjk)∈[0,1]。
8.根据权利要求1所述的一种基于事例推理的光伏电站短期出力预测方法,其特征在于,步骤3具体包括以下步骤:
步骤3.1、比较最相似的历史光伏出力预测事例与当前光伏出力待预测事例的特征差异并存储;
步骤3.2、根据特征差异对事例库分类,找与当前光伏出力待预测事例中特征相同的事例,得到修改事例集;
步骤3.3、将最相似的历史光伏出力预测事例与修改事例集中的事例进行相似匹配,得到相似度最高的事例;
步骤3.4、采用相似度最高的事例作为修正后的当前光伏出力待预测事例,并将该事例的解决方案作为当前光伏出力待预测事例的预测方案。
9.根据权利要求1所述的一种基于事例推理的光伏电站短期出力预测方法,其特征在于,步骤5的具体过程为:
若所述修正后的当前光伏出力待预测事例与事例库中所有事例的相似度小于预设值,则加入修正后的当前光伏出力待预测事例,并按照使用次数从高到低对事例库中的事例进行排列;否则无需加入。
10.根据权利要求9所述的一种基于事例推理的光伏电站短期出力预测方法,其特征在于,步骤5中,当所述事例库中存在与修正后的当前光伏出力待预测事例相似度小于预设值的事例时,若该事例为频繁使用的事例则不替换;否则,利用修正后的当前光伏出力待预测事例替换该事例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111016596.0A CN113780643A (zh) | 2021-08-31 | 2021-08-31 | 一种基于事例推理的光伏电站短期出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111016596.0A CN113780643A (zh) | 2021-08-31 | 2021-08-31 | 一种基于事例推理的光伏电站短期出力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780643A true CN113780643A (zh) | 2021-12-10 |
Family
ID=78840409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111016596.0A Pending CN113780643A (zh) | 2021-08-31 | 2021-08-31 | 一种基于事例推理的光伏电站短期出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780643A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263119A (zh) * | 2019-07-01 | 2019-09-20 | 西北师范大学 | 一种案例推理分类器案例检索方法 |
CN111401659A (zh) * | 2020-04-09 | 2020-07-10 | 中冶华天南京电气工程技术有限公司 | 一种基于案例推理的超短期或短期光伏发电功率预测方法 |
CN111463836A (zh) * | 2020-05-13 | 2020-07-28 | 陕西燃气集团新能源发展股份有限公司 | 一种综合能源系统优化调度方法 |
CN112116028A (zh) * | 2020-09-29 | 2020-12-22 | 联想(北京)有限公司 | 模型决策解释实现方法、装置及计算机设备 |
CN112215254A (zh) * | 2020-09-03 | 2021-01-12 | 许继集团有限公司 | 一种基于改进案例推理的变电站故障诊断方法以及诊断装置 |
CN112633565A (zh) * | 2020-12-15 | 2021-04-09 | 西安理工大学 | 一种光伏功率集合区间预测方法 |
CN112785015A (zh) * | 2021-02-02 | 2021-05-11 | 中国人民解放军空军工程大学 | 基于案例推理的装备故障诊断方法 |
-
2021
- 2021-08-31 CN CN202111016596.0A patent/CN113780643A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263119A (zh) * | 2019-07-01 | 2019-09-20 | 西北师范大学 | 一种案例推理分类器案例检索方法 |
CN111401659A (zh) * | 2020-04-09 | 2020-07-10 | 中冶华天南京电气工程技术有限公司 | 一种基于案例推理的超短期或短期光伏发电功率预测方法 |
CN111463836A (zh) * | 2020-05-13 | 2020-07-28 | 陕西燃气集团新能源发展股份有限公司 | 一种综合能源系统优化调度方法 |
CN112215254A (zh) * | 2020-09-03 | 2021-01-12 | 许继集团有限公司 | 一种基于改进案例推理的变电站故障诊断方法以及诊断装置 |
CN112116028A (zh) * | 2020-09-29 | 2020-12-22 | 联想(北京)有限公司 | 模型决策解释实现方法、装置及计算机设备 |
CN112633565A (zh) * | 2020-12-15 | 2021-04-09 | 西安理工大学 | 一种光伏功率集合区间预测方法 |
CN112785015A (zh) * | 2021-02-02 | 2021-05-11 | 中国人民解放军空军工程大学 | 基于案例推理的装备故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
宋东 等: "CBR故障诊断系统中的案例自修改方法研究及应用", 测控技术, vol. 27, no. 05, 31 December 2008 (2008-12-31), pages 81 - 83 * |
罗军刚 等: "基于CBR的水库洪水调度模式", 系统工程理论与实践, no. 09, 30 September 2008 (2008-09-30), pages 122 - 130 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002915B (zh) | 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法 | |
CN110705789A (zh) | 一种光伏电站短期功率预测方法 | |
CN111008728A (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN109165774A (zh) | 一种短期光伏功率预测方法 | |
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 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
CN110880789A (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
CN114048896B (zh) | 光伏发电数据的预测方法、系统、设备及介质 | |
CN114970952B (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
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 | |
CN112508246B (zh) | 一种基于相似日的光伏发电功率预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN111242371B (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN114281846B (zh) | 一种基于机器学习的新能源发电预测方法 | |
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 |
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 |