CN114372615A - 一种考虑空间相关性的短期光伏功率预测方法及系统 - Google Patents
一种考虑空间相关性的短期光伏功率预测方法及系统 Download PDFInfo
- Publication number
- CN114372615A CN114372615A CN202111573322.1A CN202111573322A CN114372615A CN 114372615 A CN114372615 A CN 114372615A CN 202111573322 A CN202111573322 A CN 202111573322A CN 114372615 A CN114372615 A CN 114372615A
- Authority
- CN
- China
- Prior art keywords
- correlation
- photovoltaic power
- prediction
- output
- spatial 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 27
- 230000000875 corresponding effect Effects 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 16
- 238000005314 correlation function Methods 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000010248 power generation Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于光伏功率预测技术领域,提供了一种考虑空间相关性的短期光伏功率预测方法及系统。其中,该方法包括获取设定数量的地理位置相邻的光伏电站的出力序列,并计算这些出力序列之间的空间相关性;将筛选的不低于预设相关程度的出力序列及其对应气象数据构成特征向量,并经训练好的预测模型得到单值预测结果;基于误差概率密度函数,确定出单值预测结果所属输出区间,再在单值预测结果中加入与所述输出区间对应的误差分布区间,得到相应光伏功率预测区间;其中,根据光伏电站的出力预测误差得到相应误差概率密度函数;根据设定置信度得到误差分布区间。
Description
技术领域
本发明属于光伏功率预测技术领域,尤其涉及一种考虑空间相关性的短期 光伏功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在 先技术。
准确的光伏功率预测是保证电力系统安全经济运行的基础,对智能电网调 度的规划和布置具有重要意义。根据预测尺度的划分,光伏发电预测主要分为 超短期预测、短期预测和中长期预测。超短期功率的预测结果主要用于实时调 整和优化调度和发电计划。中长期预测结果主要用于制定电网设备检修计划。 相对而言,短期预测结果更适合提高系统可靠性和制定电力市场策略。因此, 短期光伏功率预测方法近年来受到越来越多研究人员的关注。
根据建模方法以及原理的不同,短期光伏功率预测方法可以大致分为两类: 一类是基于物理原理模型的预测方法;另一种是数据驱动的统计方法。物理方 法主要是根据太阳的运动规律、光伏板电池及相关组件的等物理特性方程进行 预测。由于方程复杂,并未得到广泛应用。统计方法则是从大量历史数据中挖 掘规律,探究模型输入输出之间的相关性。目前在光伏功率预测中得到了广泛 的应用。统计方法也可以粗略地分为数值数据驱动的方法和图像数据驱动的方 法。数值数据驱动方法旨在建立历史序列、气象信息和电力时间序列之间的关 系,它基于各种数值数据。常见的时间序列方法有自回归移动平均和自回归积 分移动平均,还有以支持向量机和反向传播神经网络为代表的人工智能方法。 图像数据驱动的方法旨在基于图像数据判断云对太阳光的遮挡情况,进而精准 预测光伏功率的波动态势。
发明人发现,上述方法多考虑了光伏功率序列的时间相关性,而忽略了光 伏功率序列的空间相关性,从而影响了短期光伏功率预测精度。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种考虑空间相关 性的短期光伏功率预测方法及系统,其充分融合邻近场站出力序列之间的空间 相关性,能够实现光伏功率的短期预测。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种考虑空间相关性的短期光伏功率预测方法, 其包括:
获取设定数量的地理位置相邻的光伏电站的出力序列,并计算这些出力序 列之间的空间相关性;
将筛选的不低于预设相关程度的出力序列及其对应气象数据构成特征向量, 并经训练好的预测模型得到单值预测结果;
基于误差概率密度函数,确定出单值预测结果所属输出区间,再在单值预 测结果中加入与所述输出区间对应的误差分布区间,得到相应光伏功率预测区 间;
其中,根据光伏电站的出力预测误差得到相应误差概率密度函数;根据设 定置信度得到误差分布区间。
作为一种实施方式,利用互相关函数计算这些出力序列之间的空间相关性。
作为一种实施方式,出力序列之间的空间相关性采用相关系数来表征。
作为一种实施方式,当相关系数小于第一阈值时,相关程度为弱相关;当 相关系数大于或等于第一阈值且小于第二阈值时,相关程度为不显著相关;当 相关系数大于或等于第二阈值且小于第三阈值时,相关程度为显著相关;当相 关系数大于或等于第三阈值时,相关程度为强相关。
作为一种实施方式,所述预测模型使用极端梯度增强树构建。
作为一种实施方式,所述预测模型的训练集构建过程为:
获取光伏电站的历史出力序列及其对应气象数据所构成的历史数据集;
判断历史数据集中的特征向量与预测日期的特征向量之间的相关性,得到 相似的日期;
将选择出的日期的气象数据和功率数据融合来构建模型训练集。
本发明的第二个方面提供一种考虑空间相关性的短期光伏功率预测系统, 其包括:
相关性分析模块,其用于获取设定数量的地理位置相邻的光伏电站的出力 序列,并计算这些出力序列之间的空间相关性;
功率预测模块,其用于将筛选的不低于预设相关程度的出力序列及其对应 气象数据构成特征向量,并经训练好的预测模型得到单值预测结果;
概率预测模块,其用于基于误差概率密度函数,确定出单值预测结果所属 输出区间,再在单值预测结果中加入与所述输出区间对应的误差分布区间,得 到相应光伏功率预测区间;
其中,根据光伏电站的出力预测误差得到相应误差概率密度函数;根据设 定置信度得到误差分布区间。
作为一种实施方式,在所述相关性分析模块中,利用互相关函数计算这些 出力序列之间的空间相关性。
作为一种实施方式,在所述相关性分析模块中,出力序列之间的空间相关 性采用相关系数来表征。
作为一种实施方式,在所述功率预测模块中,所述预测模型使用极端梯度 增强树构建。
作为一种实施方式,在所述功率预测模块中,所述预测模型的训练集构建 过程为:
获取光伏电站的历史出力序列及其对应气象数据所构成的历史数据集;
判断历史数据集中的特征向量与预测日期的特征向量之间的相关性,得到 相似的日期;
将选择出的日期的气象数据和功率数据融合来构建模型训练集。
本发明的第三个方面提供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实现如上述所述的考虑空间相关性的短期光伏功率 预测方法中的步骤。
本发明的第四个方面提供一种电子设备,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如 上述所述的考虑空间相关性的短期光伏功率预测方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明充分分析了多个临近光伏场站出力序列之间的空间相关性,可 以获得比只考虑时间相关性更具体、更丰富的信息,而且在给出单值预测结果 的基础上,通过分析误差的分布特征实现了概率预测,相比于单一确定性预测 方法,可以提供更多元化的信息。
(2)本发明利用灰色关联度理论进行了相似日的选取,将与待预测日气象 条件更相似的日期选择出来构建训练集,正则性和准确性更优。
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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发 明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例中考虑空间相关性的短期光伏功率预测方法流程图;
图2为本发明实施例中空间相关性分析的流程步骤图;
图3为本发明实施例中相似日选择的流程步骤图;
图4为本发明实施例中邻近光伏场站出力序列间的相关系数结果图;
图5为本发明实施例中预测模型的光伏功率单值预测结果图;
图6(a)为本发明实施例中的低输出范围预测误差的概率密度 函数结果图;
图6(b)为本发明实施例中的中等输出范围预测误差的概率密 度函数结果图;
图6(c)为本发明实施例中的高输出范围预测误差的概率密度 函数结果图;
图7为本发明实施例中预测模型的光伏功率概率预测结果图;
图8为本发明实施例中的考虑空间相关性的短期光伏功率预测系统结构示 意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。 除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的 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 限制根据本发明的示例性实施方式。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。
实施例一
如图1所示,本实施例提供了一种考虑空间相关性的短期光伏功率预测方 法,其具体包括如下步骤:
S101:获取设定数量的地理位置相邻的光伏电站的出力序列,并计算这些 出力序列之间的空间相关性。
单个光伏电站的功率序列在时间场上会有一定的相关性,地理位置邻近的 多个光伏电站的功率序列间也会表现出较高的相似性。这种相关性可以用空间 相关性来表示。地理位置邻近的多个光伏电站的输出序列,相关性越强,其趋 势越相似。因此,可以利用相邻光伏电站的光伏功率序列来预测目标电站未来 几个小时的光伏输出趋势。但是,相邻电站的功率序列包含大量的冗余信息, 需要进一步筛选出相似度较高的功率序列来构建模型的输入。
在本实施例中,利用互相关函数计算这些出力序列之间的空间相关性。出 力序列之间的空间相关性采用相关系数来表征。
当相关系数小于第一阈值时,相关程度为弱相关;当相关系数大于或等于 第一阈值且小于第二阈值时,相关程度为不显著相关;当相关系数大于或等于 第二阈值且小于第三阈值时,相关程度为显著相关;当相关系数大于或等于第 三阈值时,相关程度为强相关。
两个出力序列Xt和Yt之间的互相关函数(Xt,Yt)如(1)所示:
式中:Cxy代表方差,Cxx和Cyy分别是y=x和x=y时的Cxy值,ρxy代表两个序 列之间的相关性。n为输出序列的长度,和分别表示两个输出序列的平均值。 表1展示了互相关函数的大小与序列相关程度之间的关系。因此可以根据两个 时间序列的互相关函数的值来判断它们之间的相关程度。
表1影响变量和光伏功率之间的相关系数
在本实施例中,选择多个与目标光伏电站邻近的光伏电站,通过互相关函 数分析多个电站出力序列之间的空间相关性,根据相关性的强弱判断邻近电站 对目标电站出力波动的影响,选择强相关电站的出力序列,作为预测模型的输 入数据,用以更好的预测目标电站出力的变化情况。具体空间相关性分析的流 程步骤如图2所示。
S102:将筛选的不低于预设相关程度的出力序列及其对应气象数据构成特 征向量,并经训练好的预测模型得到单值预测结果。
在本实施例中,所述预测模型使用极端梯度增强树构建。
极端梯度增强树以其高效率、性能优等优点近年广泛应用于多种场景。其 利用泰勒公式将损失函数扩展到二阶,将原优化问题转化为凸函数求解问题, 解决了分布式计算的困难。同时,极端梯度增强算法对树的复杂度进行了正则 化,减少了模型过拟合的可能性。假设模型有K棵树,则极端梯度增强树模型 可表示为(3):
式中,y′表示第i个样本的预测值,xi表示第i个样本的预测值。K表示树 的个数,F表示回归树的空间。在每次迭代时,极端梯度增强树模型都会生成一 棵新树ft(xi),新树的预测值用于拟合上一棵树的残差。如果t-1迭代时模型的 预测值为y′i(t-1),则t-1迭代时模型的预测值为y′i(t)。y′i(t)可表示为(4):
y'i(t)=ft(xi)+y'i(t-1) (4)
当样本数为N时,定义优化目标函数fobj为(5):
目标函数由损失函数l、正则项Ω(ft)和常数项C组成。将损失函数展开为二 阶,去掉常数项,目标函数可简化为(6):
其中,γ和λ为模型参数和树的叶节点总数,Gi和Hj为方便计算而定义的 中间变量。
此处需要说明的是,在其他实施例中,预测模型也可采用其他现有的神经 网络模型来实现,本领域技术人员可根据实际预测精度要求来具体选择,此处 不再累述。
在一个具体实施方式中,所述预测模型的训练集构建过程为:
获取光伏电站的历史出力序列及其对应气象数据所构成的历史数据集;
判断历史数据集中的特征向量与预测日期的特征向量之间的相关性,得到 相似的日期;
将选择出的日期的气象数据和功率数据融合来构建模型训练集。
具体地,气象因素是影响光伏发电出力波动的主要因素,不同气象条件下 光伏发电出力的变化趋势也不同。因此,寻找天气条件和功率变化趋势与待预 测日相似的历史集是提升模型预测性能的一种手段。本发明采用灰色关联度理 论实现相似日的选择,选取温度、湿度和辐照度作为特征量构建特征向量。通 过判断历史数据集中的特征向量与预测日期的特征向量之间的相关性,得到相 似的日期。将选择出的日期的气象数据、功率数据融合来构建模型训练集。具 体相似日选择的流程步骤如图3所示。
根据灰色关联理论,预测日与历史日的特征向量之间的相关系数εi(k)可表示 为公式(7):
其中L0(k)表示预测日内特征向量的第k个分量,Li(k)表示第i日内特征向 量的第k个分量。δ为分辨率系数,一般设为0.5。根据各气象特征向量分量的 相关系数,预测日与第i天的相似性Fi可表示为公式(8):
式中,n表示特征向量的维数。实例中将历史数据集里Fi>0.9的日期选择 作为相似日样本。
S103:基于误差概率密度函数,确定出单值预测结果所属输出区间,再在 单值预测结果中加入与所述输出区间对应的误差分布区间,得到相应光伏功率 预测区间;
其中,根据光伏电站的出力预测误差得到相应误差概率密度函数;根据设 定置信度得到误差分布区间。
本实施例首先测试相邻光伏电站的输出序列与目标电站的输出序列之间的 空间相关性,从而筛选出哪个电站的输出序列更接近目标电站的输出序列。其 次,利用灰色关联度理论对相似日进行筛选,选取气象条件与预测日相似的历 史日,相似日的数据构成训练数据集。然后将数据输入到极端梯度增强树模型 中,建立输入与光伏功率的映射关系,输入数据为温度、湿度、辐照度、筛选 出的邻近电站的出力序列。最后,预测结果可以用两种方式表示:一种是确定 性预测结果;二是概率预测结果。
本实施例采用了平均绝对误差(MAE)和均方根误差(RMSE)两种评价指标对 模型的性能进行了测试,分别由式(9)和式(10)得到:
本实施例通过对相邻电站多个光伏序列的空间相关性分析,选择相关性强 的参考光伏序列作为预测模型的输入。同时,基于灰色关联度理论的进行相似 日的选择。选取的相似日集合用于构建训练集。然后利用极端梯度增强树构建 预测模型,得到单值预测结果。最终根据光伏输出值得到相应的误差概率密度 函数。将误差分布区间与单值预测结果中融合,最终实现短期光伏功率的概率 预测。该方法的预测结果可以为电网调度计划的制定提供参考。
下面使用的光伏数据来自某省的多个光伏电站。数据日期为2019年1月至 2019年6月,时间分辨率为15分钟。气象预报资料由中国气象局提供。由于夜 间光伏功率为零,只选取白天8:00-17:00的数据来验证所提方法的有效性。
通过计算互相关函数,分析相似电站光伏功率序列与目标电站光伏功率序 列之间的相关性,筛选出相关性强的参考电站。图4为邻近光伏场站出力序列 间的相关系数结果。本实例中选取互相关函数值大于0.8的电站作为相关性强的 参考电站。由图4可以看出,参考电站B和C与目标电站A相关性较强,互相 关函数值分别为0.82和0.84。因此,将参考电站B和C的光伏输出序列作为预 测模型的输入变量之一。
为了验证考虑空间相关性对提高预测精度的有效性,本实例选择了其他一 些基准模型作为对比。M1表示本发明代表的方法,该方法考虑相邻电站光伏功 率序列对待预测电站光伏功率的影响。与M1相比,M2没有考虑空间相关性, 其他条件与M1一致。图5代表预测模型的光伏功率单值预测结果。从图5可以 看出,无论是晴天还是多云情况下,M1的预测曲线都更接近于实际的变化趋势。 M2曲线在某些情况下波动较大,误差较大。因此,考虑空间相关性的影响对提 高预测精度有一定的价值。
确定性预测模型不可避免地存在预测误差,导致模型的通用性较差,同时 不同条件下的预测误差也不相同。本实施例根据光伏电站的实际情况将光伏发 电输出分为三个部分。当光伏发电P∈(0,10MW]时,我们称之为低输出范围;当光 伏发电P∈(10MW,20MW]时,我们称其为中等输出范围;当涉及到光伏发电时 P∈(20MW,30MW],我们称之为高输出范围。图6(a)-图6(c)为低输出范围、中等 输出范围和高输出范围的预测误差的概率密度函数结果。从图6(a)-图6(c) 中可以看出,误差在不同输出区间的分布也是不同的。
本实例设定90%置信度以得到误差分布区间。首先需要确定预测结果属于 哪个输出区间。然后,在确定性预测结果中加入相应的误差区间,得到相应的 光伏功率预测区间。图7显示了光伏出力概率预测结果。可以看出,实际值大 多在预测区间内。
实施例二
如图8所示,本实施例提供了一种考虑空间相关性的短期光伏功率预测系 统,其具体包括如下模块:
(1)相关性分析模块,其用于获取设定数量的地理位置相邻的光伏电站的 出力序列,并计算这些出力序列之间的空间相关性。
在具体实施中,在所述相关性分析模块中,利用互相关函数计算这些出力 序列之间的空间相关性。
出力序列之间的空间相关性采用相关系数来表征。
当相关系数小于第一阈值时,相关程度为弱相关;当相关系数大于或等于 第一阈值且小于第二阈值时,相关程度为不显著相关;当相关系数大于或等于 第二阈值且小于第三阈值时,相关程度为显著相关;当相关系数大于或等于第 三阈值时,相关程度为强相关。
(2)功率预测模块,其用于将筛选的不低于预设相关程度的出力序列及其 对应气象数据构成特征向量,并经训练好的预测模型得到单值预测结果。
具体地,在所述功率预测模块中,所述预测模型使用极端梯度增强树构建。
所述预测模型的训练集构建过程为:
获取光伏电站的历史出力序列及其对应气象数据所构成的历史数据集;
判断历史数据集中的特征向量与预测日期的特征向量之间的相关性,得到 相似的日期;
将选择出的日期的气象数据和功率数据融合来构建模型训练集。
(3)概率预测模块,其用于基于误差概率密度函数,确定出单值预测结果 所属输出区间,再在单值预测结果中加入与所述输出区间对应的误差分布区间, 得到相应光伏功率预测区间。
其中,根据光伏电站的出力预测误差得到相应误差概率密度函数;根据设 定置信度得到误差分布区间。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一 对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程 序被处理器执行时实现如上述所述的考虑空间相关性的短期光伏功率预测方法 中的步骤。
实施例四
本实施例提供了一种电子设备,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如上述所述 的考虑空间相关性的短期光伏功率预测方法中的步骤。
本发明是参照本发明实施例的方法、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。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领 域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则 之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之 内。
Claims (10)
1.一种考虑空间相关性的短期光伏功率预测方法,其特征在于,包括:
获取设定数量的地理位置相邻的光伏电站的出力序列,并计算这些出力序列之间的空间相关性;
将筛选的不低于预设相关程度的出力序列及其对应气象数据构成特征向量,并经训练好的预测模型得到单值预测结果;
基于误差概率密度函数,确定出单值预测结果所属输出区间,再在单值预测结果中加入与所述输出区间对应的误差分布区间,得到相应光伏功率预测区间;
其中,根据光伏电站的出力预测误差得到相应误差概率密度函数;根据设定置信度得到误差分布区间。
2.如权利要求1所述的考虑空间相关性的短期光伏功率预测方法,其特征在于,利用互相关函数计算这些出力序列之间的空间相关性。
3.如权利要求1所述的考虑空间相关性的短期光伏功率预测方法,其特征在于,出力序列之间的空间相关性采用相关系数来表征。
4.如权利要求3所述的考虑空间相关性的短期光伏功率预测方法,其特征在于,当相关系数小于第一阈值时,相关程度为弱相关;当相关系数大于或等于第一阈值且小于第二阈值时,相关程度为不显著相关;当相关系数大于或等于第二阈值且小于第三阈值时,相关程度为显著相关;当相关系数大于或等于第三阈值时,相关程度为强相关。
5.如权利要求1所述的考虑空间相关性的短期光伏功率预测方法,其特征在于,所述预测模型使用极端梯度增强树构建。
6.如权利要求1所述的考虑空间相关性的短期光伏功率预测方法,其特征在于,所述预测模型的训练集构建过程为:
获取光伏电站的历史出力序列及其对应气象数据所构成的历史数据集;
判断历史数据集中的特征向量与预测日期的特征向量之间的相关性,得到相似的日期;
将选择出的日期的气象数据和功率数据融合来构建模型训练集。
7.一种考虑空间相关性的短期光伏功率预测系统,其特征在于,包括:
相关性分析模块,其用于获取设定数量的地理位置相邻的光伏电站的出力序列,并计算这些出力序列之间的空间相关性;
功率预测模块,其用于将筛选的不低于预设相关程度的出力序列及其对应气象数据构成特征向量,并经训练好的预测模型得到单值预测结果;
概率预测模块,其用于基于误差概率密度函数,确定出单值预测结果所属输出区间,再在单值预测结果中加入与所述输出区间对应的误差分布区间,得到相应光伏功率预测区间;
其中,根据光伏电站的出力预测误差得到相应误差概率密度函数;根据设定置信度得到误差分布区间。
8.如权利要求7所述的虑空间相关性的短期光伏功率预测系统,其特征在于,在所述相关性分析模块中,利用互相关函数计算这些出力序列之间的空间相关性;
或在所述相关性分析模块中,出力序列之间的空间相关性采用相关系数来表征;
或在所述功率预测模块中,所述预测模型使用极端梯度增强树构建;
或在所述功率预测模块中,所述预测模型的训练集构建过程为:
获取光伏电站的历史出力序列及其对应气象数据所构成的历史数据集;
判断历史数据集中的特征向量与预测日期的特征向量之间的相关性,得到相似的日期;
将选择出的日期的气象数据和功率数据融合来构建模型训练集。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的考虑空间相关性的短期光伏功率预测方法中的步骤。
10.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的考虑空间相关性的短期光伏功率预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111573322.1A CN114372615A (zh) | 2021-12-21 | 2021-12-21 | 一种考虑空间相关性的短期光伏功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111573322.1A CN114372615A (zh) | 2021-12-21 | 2021-12-21 | 一种考虑空间相关性的短期光伏功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372615A true CN114372615A (zh) | 2022-04-19 |
Family
ID=81139702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111573322.1A Pending CN114372615A (zh) | 2021-12-21 | 2021-12-21 | 一种考虑空间相关性的短期光伏功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372615A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187540A (zh) * | 2023-01-03 | 2023-05-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于时空偏差修正的风电场站超短期功率预测方法 |
-
2021
- 2021-12-21 CN CN202111573322.1A patent/CN114372615A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116187540A (zh) * | 2023-01-03 | 2023-05-30 | 国网江西省电力有限公司电力科学研究院 | 一种基于时空偏差修正的风电场站超短期功率预测方法 |
CN116187540B (zh) * | 2023-01-03 | 2023-09-12 | 国网江西省电力有限公司电力科学研究院 | 一种基于时空偏差修正的风电场站超短期功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115130741A (zh) | 基于多模型融合的多因素电力需求中短期预测方法 | |
Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生系统功率预测方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
Chen et al. | Probabilistic Prediction of Photovoltaic Power Using Bayesian Neural Network-LSTM Model | |
CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
CN110543942A (zh) | 一种多时空长短记忆深度网络精准预测方法 | |
CN115495862A (zh) | 考虑可再生能源极端场景的输电网扩展规划方法及系统 | |
CN109447843A (zh) | 一种光伏出力预测方法及装置 | |
CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 | |
CN111582567B (zh) | 一种基于递阶集成的风电功率概率预测方法 | |
Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed |
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 |