CN114385962A - 一种基于相似日的日前光伏发电功率预测方法及系统 - Google Patents

一种基于相似日的日前光伏发电功率预测方法及系统 Download PDF

Info

Publication number
CN114385962A
CN114385962A CN202111221997.XA CN202111221997A CN114385962A CN 114385962 A CN114385962 A CN 114385962A CN 202111221997 A CN202111221997 A CN 202111221997A CN 114385962 A CN114385962 A CN 114385962A
Authority
CN
China
Prior art keywords
day
predicted
power generation
value
similar
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
Application number
CN202111221997.XA
Other languages
English (en)
Inventor
苑军军
李献伟
王坤
岳帅
李亚辉
窦尚轶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xuji Group Co Ltd
XJ Electric Co Ltd
Xuchang XJ Software Technology Co Ltd
Original Assignee
Xuji Group Co Ltd
XJ Electric Co Ltd
Xuchang XJ Software Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xuji Group Co Ltd, XJ Electric Co Ltd, Xuchang XJ Software Technology Co Ltd filed Critical Xuji Group Co Ltd
Priority to CN202111221997.XA priority Critical patent/CN114385962A/zh
Publication of CN114385962A publication Critical patent/CN114385962A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于相似日的日前光伏发电功率预测方法及系统，方法包括：S1，将气象因素进行量化，赋予特定天气状况对应的取值；S2，确定待预测日与特定历史日针对不同的天气特征的关联系数；S3，计算待预测日与特定历史日的综合关联度，根据综合关联度确认相似日，得到待预测日的光伏发电功率预测值；S4，对待预测日光伏发电功率预测值进行修正。系统包括：天气状况赋值装置，关联系数设置装置，计算装置和修正装置。本发明能够，根据相似日的光伏发电功率值计算得到待预测日光伏发电功率的预测值，提高相似日法光伏发电功率的预测精度。

Description

一种基于相似日的日前光伏发电功率预测方法及系统
技术领域
本发明涉及光伏发电技术领域，特别涉及一种基于相似日的日前光伏 发电功率预测方法及系统。
背景技术
光伏发电功率除了受光伏组件自身属性因素和安装因素的影响外，还 与周围的气象因素(太阳辐照强度、温度、相对湿度、风速、降雨量等) 以及面板上的积尘密切相关，是一种间歇性强、波动性大的发电技术。在 无法预知其发电功率的情况下并网会给电力系统造成较大冲击，会打破供 电系统的供需平衡、安全可靠性和稳定性，给电力系统带来不可预估的损 失，而准确有效的预测光伏发电功率可以为电力系统提供制定合理计划的 依据。通过制定合理调度计划可以保证电力系统平稳运行、降低运行风险。 因而，进行有效的功率预测成为推广光伏发电技术的关键所在。
目前国内外专家学者对光伏发电短期预测方法研究居多，短期预测即 是对未来一到三天光伏发电功率进行预测，可及时对电网短期运行调度合 理有效规划。在研究光伏发电短期预测法相对较为成熟的方法为间接预测 法，该方法是建立光伏发电系统的物理预测模型，它对气象数据信息要求 较高，需搭建较为复杂的光伏发电系统模型，且在组件参数改变时，运用 经验公式会产生较大误差，增加了短期预测的难度。
直接预测法中传统相似日的基本原理：选取待预测日的相似日进行待 预测日各基值点光伏发电功率预测，但是，受气象条件的不确定性影响， 光伏发电功率也会相应的发生改变，所以直接应用相似日各基值点功率值 求得的光伏发电功率预测值误差会较大，造成光伏发电功率预测结果的准 确度低。
发明内容
有鉴于此，本发明实施例的目的在于提供一种基于相似日的日前光伏 发电功率预测方法及系统，能够提高相似日法光伏发电功率的预测精度。
第一方面，本发明实施例提供了一种基于相似日的日前光伏发电功率 预测方法，其中，包括：
S1，将气象因素进行量化，赋予特定天气状况对应的取值。
S2，确定待预测日与特定历史日针对不同的天气特征的关联系数。
S3，计算待预测日与特定历史日的综合关联度，根据综合关联度确认 相似日，得到待预测日的光伏发电功率预测值。
S4，对待预测日光伏发电功率预测值进行修正。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方 式，其中，所述确定待预测日与特定历史日针对不同的天气特征的关联系 数，包括：
S21，设定第j个历史日的天气向量，为Xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}，其中1代表天气状况，2代表最高温度， 3代表最低温度，4代表湿度，5代表风速。
S22，确定待预测日与第j个历史日在第m个特征值的差异，为 Δj′(m)＝|Xj′(m)-X0′(m)|。
S23，确定待预测日与第j个历史日在第m个特征的关联系数，为
Figure RE-GDA0003559145430000021
其中，
Figure RE-GDA0003559145430000022
为第一级最小差，表示在第j个历史日中，与待预测 日差异最小的特征值，
Figure RE-GDA0003559145430000023
为第二级最小差，表示所有历史日中差 异最小的特征值，
Figure RE-GDA0003559145430000024
为第二级最大差，表示所有历史日中差异 最大的特征值，ρ为常数，介于-1与1之间。
结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方 式，其中，S21中，所述设定第j个历史日的天气向量，为Xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}，包括：
S211，设定第j个历史日天气向量为Xj＝{xj(1)，xj(2)，xj(3)，xj(4)，xj(5)}。
S212，对第j个历史日天气向量进行归一化处理，按照
Figure BDA0003312975600000031
得到第j个历史日的天气向量为Xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}。
结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方 式，其中，S3中，所述计算待预测日与特定历史日的综合关联度，根据综 合关联度确认相似日，得到待预测日的光伏发电功率预测值，包括：
S31，综合各个天气特征的关联系数，得到待预测日与第j个历史日 的综合关联度为
Figure BDA0003312975600000032
其中，λj(m)为第m个因素对于发电预测结果影响的权重系数，
Figure BDA0003312975600000033
S32，根据待预测日与历史日的综合关联度，筛选出综合关联度前五 高的历史日，确定为相似日。
S33，根据五个相似日第i个基值点的光伏发电历史功率值，得到待 预测日第i个基点光伏发电功率的预测值，
Figure BDA0003312975600000034
其中，pdi为第d个相似日第i个基值点的光伏发电功率实际值。
结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方 式，其中，S4中，所述对待预测日光伏发电功率预测值进行修正，包括：
S41，计算相似日第i个基值点光伏发电功率预测误差率，为
Figure BDA0003312975600000041
其中，p′di为第d个相似日第i个基值点的光伏发电功率预测值，C为 光伏电站可用容量。
S42，判断是否符合预测误差率范围，若相似日光伏发电功率预测误 差率在0～a％范围内的基值点，待预测日内对应基值点的光伏发电功率预 测值不做修正，若不符合，则进行修正。
S43，若相似日光伏发电功率预测误差率在a％～2a％范围内的基值点， 则采用相似日各基值点光伏发电功率预测误差的期望值进行修正。
S44，若相似日光伏发电功率预测误差率在2a％(以上的基值点，则根 据修正功率预测值进行修正。
结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方 式，其中，S43中，采用相似日各基值点光伏发电功率预测误差的期望值 进行修正，包括：
S431，设置误差期望值
Figure BDA0003312975600000042
S432，计算预测日第i个基值点光伏发电功率的预测修正值 p″i＝p′i+Ei。
结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方 式，其中，S44中，根据修正功率预测值进行修正，包括：
设定待预测日前一日第i个基值点的功率预测值为p′i1，实际功率值为 pi1，待预测日第i个基值点的修正前功率预测值为p′i2，得到修正后功率预 测值
Figure BDA0003312975600000043
设定修正系数，
Figure BDA0003312975600000044
得到第(t-1)预测日第i个基值点修正后功率预测值，
Figure BDA0003312975600000051
t为正奇数，
Figure BDA0003312975600000052
t为正偶数；
其中，t为修正的预测日数。
第二方面，本发明实施例还提供了一种基于相似日的日前光伏发电功 率预测系统，其中，包括：
天气状况赋值装置，用于将气象因素进行量化，赋予特定天气状况对 应的取值。
关联系数设置装置，用于确定待预测日与特定历史日针对不同的天气 特征的关联系数。
计算装置，用于计算待预测日与特定历史日的综合关联度，根据综合 关联度确认相似日，得到待预测日的光伏发电功率预测值。
修正装置，用于对待预测日光伏发电功率预测值进行修正。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方 式，其中，所述关联系数设置装置包括：
向量设定模块，用于设定第j个历史日的天气向量，为 Xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}，其中1代表天气状况，2代表最高温度， 3代表最低温度，4代表湿度，5代表风速。
差异设定模块，用于确定待预测日与第j个历史日在第m个特征值的 差异，为Δj′(m)＝|Xj′(m)-X0′(m)|。
差异代入模块，用于确定待预测日与第j个历史日在第m个特征的关 联系数，为
Figure RE-GDA0003559145430000053
其中，
Figure RE-GDA0003559145430000061
为第一级最小差，
Figure RE-GDA0003559145430000062
为第二级最小差，
Figure RE-GDA0003559145430000063
为第二级最大差，ρ为常数，介于-1与1之间。
结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方 式，其中，所述向量设定模块包括：
向量预设单元，用于设定第j个历史日天气向量为 Xj＝{xj(1)，xj(2)，xj(3)，xj(4)，xj(5)}。
预处理单元，用于对第j个历史日天气向量进行归一化处理，按照
Figure BDA0003312975600000064
得到第j个历史日的天气向量为 Xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}。
结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方 式，其中，所述计算装置包括：
综合关联模块，用于综合各个天气特征的关联系数，得到待预测日与 第j个历史日的综合关联度为
Figure BDA0003312975600000065
其中，λj(m)为第m个因素对于发电预测结果影响的权重系数，
Figure BDA0003312975600000066
相似日确定模块，用于根据待预测日与历史日的综合关联度，筛选出 综合关联度前五高的历史日，确定为相似日。
预测模块，用于根据五个相似日第i个基值点的光伏发电历史功率值， 得到待预测日第i个基点光伏发电功率的预测值，
Figure BDA0003312975600000067
其中，pdi为第d个相似日第i个基值点的光伏发电功率实际值。
结合第二方面，本发明实施例提供了第二方面的第四种可能的实施方 式，其中，所述修正装置包括：
误差率计算模块，计算相似日第i个基值点光伏发电功率预测误差率， 为
Figure BDA0003312975600000071
其中，p′di为第d个相似日第i个基值点的光伏发电功率预测值，C为 光伏电站可用容量。
判断模块，用于判断是否符合预测误差率范围，若相似日光伏发电功 率预测误差率在0～a％范围内的基值点，待预测日内对应基值点的光伏发 电功率预测值不做修正，若不符合，则进行修正。
期望修正模块，用于若相似日光伏发电功率预测误差率在a％～2a％范 围内的基值点，则采用相似日各基值点光伏发电功率预测误差的期望值进 行修正。
功率预测修正模块，用于若相似日光伏发电功率预测误差率在2a％以 上的基值点，则根据修正功率预测值进行修正。
结合第二方面，本发明实施例提供了第二方面的第五种可能的实施方 式，其中，所述期望修正模块包括：
误差期望设定单元，用于设置误差期望值
Figure BDA0003312975600000072
修正计算单元，用于计算预测日第i个基值点光伏发电功率的预测修 正值p″i＝p′i+Ei。
结合第二方面，本发明实施例提供了第二方面的第六种可能的实施方 式，其中，所述功率预测修正模块包括：
预修正单元，用于设定待预测日前一日第i个基值点的功率预测值为 p′i1，实际功率值为pi1，待预测日第i个基值点的修正前功率预测值为p′i2， 得到修正后功率预测值
Figure BDA0003312975600000081
修正系数设定单元，用于设定修正系数，
Figure BDA0003312975600000082
类推计算单元，用于得到第(t-1)预测日第i个基值点修正后功率预 测值，
Figure BDA0003312975600000083
t为正奇数，
Figure BDA0003312975600000084
t为正偶数；
其中，t为修正的预测日数。
本发明实施例的有益效果是：
本发明根据气象台获得的气象数据与历史日的气象数据进行关联分 析，根据天气情况，温度，湿度等，同历史日进行相似度匹配；先对气象 因素进行量化，然后计算每个特征的关联系数，最后算出整个气象因素的 综合关联度，从而对历史日与待预测日的综合关联度进行对比得到相似 日，根据相似日的光伏发电功率值计算得到待预测日光伏发电功率的预测 值，最后进行修正，可以提高相似日法光伏发电功率的预测精度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需 要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些 实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲， 在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附 图。
图1为本发明基于相似日的日前光伏发电功率预测方法的流程图；
图2为本发明待预测日第i个基值点光伏发电功率预测流程示意图；
图3为本发明待预测日第i个基值点光伏发电功率预测值修正流程示 意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本 发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。 通常在此处附图中描述和示出的本发明实施例的组件能够以各种不同的 配置来布置和设计。
请参照图1至图3，本发明的第一个实施例提供一种基于相似日的日 前光伏发电功率预测方法，其中，包括：
S1，将气象因素进行量化，赋予特定天气状况对应的取值。
S2，确定待预测日与特定历史日针对不同的天气特征的关联系数。
S3，计算待预测日与特定历史日的综合关联度，根据综合关联度确认 相似日，得到待预测日的光伏发电功率预测值。
S4，对待预测日光伏发电功率预测值进行修正。
其中，S1中，将气象因素进行量化，赋予特定天气状况对应的取值， 参考表一。
表一：天气情况取值
天气情况 参照取值
晴天 1
多云 0.8
阴天/小雨/小雪 0.5
中雨/中雪 0.3
大雨/大雪 0.2
其中，所述确定待预测日与特定历史日针对不同的天气特征的关联系 数，包括：
S21，设定第j个历史日的天气向量，为 Xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}，其中1代表天气状况，2代表最高温度， 3代表最低温度，4代表湿度，5代表风速。
S22，确定待预测日与第j个历史日在第m个特征值的差异，为 Δj′(m)＝|Xj′(m)-X0′(m)|。
S23，确定待预测日与第j个历史日在第m个特征的关联系数，为
Figure RE-GDA0003559145430000101
其中，
Figure RE-GDA0003559145430000102
为第一级最小差，表示在第j个历史日中，与待预测 日差异最小的特征值，
Figure RE-GDA0003559145430000103
为第二级最小差，表示所有历史日中差 异最小的特征值，
Figure RE-GDA0003559145430000104
为第二级最大差，表示所有历史日中差异 最大的特征值，ρ为常数，介于-1与1之间，一般取0.5。
其中，S21中，所述设定第j个历史日的天气向量，为 Xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}，包括：
S211，设定第j个历史日天气向量为 Xj＝{xj(1)，xj(2)，xj(3)，xj(4)，xj(5)}。
对于单位不同、初值不同的序列作关联度分析时，为了使各数列之间 具有可比性，首先要做无量纲化、归一化预处理。
S212，对第j个历史日天气向量进行归一化处理，按照
Figure BDA0003312975600000106
得到第j个历史日的天气向量为Xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}。
其中，S3中，所述计算待预测日与特定历史日的综合关联度，根据综 合关联度确认相似日，得到待预测日的光伏发电功率预测值，包括：
S31，综合各个天气特征的关联系数，得到待预测日与第j个历史日 的综合关联度为
Figure BDA0003312975600000111
其中，λj(m)为第m个因素对于发电预测结果影响的权重系数，
Figure BDA0003312975600000112
S32，根据待预测日与历史日的综合关联度，筛选出综合关联度前五 高的历史日，确定为相似日。
S33，根据五个相似日第i个基值点的光伏发电历史功率值，得到待 预测日第i个基点光伏发电功率的预测值，
Figure BDA0003312975600000113
其中，pdi为第d个相似日第i个基值点的光伏发电功率实际值。
其中，是受气象条件的不确定性影响，光伏发电功率也会相应的发生 改变，所以直接应用相似日各基值点功率值得的光伏发电功率预测值误差 会较大，本方法通过分析相似日光伏发电功率预测误差，根据误差大小分 为三个区间，分别采用不同的方法对预测日光伏发电功率预测值进行修 正。
S4中，所述对待预测日光伏发电功率预测值进行修正，包括：
S41，计算相似日第i个基值点光伏发电功率预测误差率，为
Figure BDA0003312975600000114
其中，p′i为第d个相似日第i个基值点的光伏发电功率预测值，C为 光伏电站可用容量。
S42，判断是否符合预测误差率范围，若相似日光伏发电功率预测误 差率在0～a％范围内的基值点，待预测日内对应基值点的光伏发电功率预 测值不做修正，若不符合，则进行修正。
S43，若相似日光伏发电功率预测误差率在a％～2a％(2a％可整定)范围 内的基值点，则采用相似日各基值点光伏发电功率预测误差的期望值进行 修正。
S44，若相似日光伏发电功率预测误差率在2a％(2a％可整定)以上的基 值点，则根据修正功率预测值进行修正。
其中，S43中，采用相似日各基值点光伏发电功率预测误差的期望值 进行修正，包括：
S431，设置误差期望值
Figure BDA0003312975600000121
S432，计算预测日第i个基值点光伏发电功率的预测修正值 p″i＝p′i+Ei。
其中，S44中，根据修正功率预测值进行修正，包括：
设定待预测日前一日第i个基值点的功率预测值为p′i1，实际功率值为 pi1，待预测日第i个基值点的修正前功率预测值为p′i2，得到修正后功率预 测值
Figure BDA0003312975600000122
设定修正系数，
Figure BDA0003312975600000123
设定待预测日第i个基值点的实际功率值为pi2，第二预测日第i个基 值点修正前功率预测值为p′i3，得到修正后功率预测值
Figure BDA0003312975600000124
得到第(t-1)预测日第i个基值点修正后功率预测值，
Figure BDA0003312975600000125
t为正奇数，
Figure BDA0003312975600000126
t为正偶数；
其中，t为修正的预测日数。
本发明的第二个实施例提供一种基于相似日的日前光伏发电功率预 测系统，其中，包括：
天气状况赋值装置，用于将气象因素进行量化，赋予特定天气状况对 应的取值。
关联系数设置装置，用于确定待预测日与特定历史日针对不同的天气 特征的关联系数。
计算装置，用于计算待预测日与特定历史日的综合关联度，根据综合 关联度确认相似日，得到待预测日的光伏发电功率预测值。
修正装置，用于对待预测日光伏发电功率预测值进行修正。
其中，所述关联系数设置装置包括：
向量设定模块，用于设定第j个历史日的天气向量，为 xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}，其中1代表天气状况，2代表最高温度， 3代表最低温度，4代表湿度，5代表风速。
差异设定模块，用于确定待预测日与第j个历史日在第m个特征值的 差异，为Δj′(m)＝|Xj′(m)-X0′(m)|。
差异代入模块，用于确定待预测日与第j个历史日在第m个特征的关 联系数，为
Figure RE-GDA0003559145430000131
其中，
Figure RE-GDA0003559145430000132
为第一级最小差，
Figure RE-GDA0003559145430000133
为第二级最小差，
Figure RE-GDA0003559145430000134
为第二级最大差，ρ为常数，介于-1与1之间。
其中，所述向量设定模块包括：
向量预设单元，用于设定第j个历史日天气向量为 Xj＝{xj(1)，xj(2)，xj(3)，xj(4)，xj(5)}。
预处理单元，用于对第j个历史日天气向量进行归一化处理，按照
Figure BDA0003312975600000141
得到第j个历史日的天气向量为 xj′＝{xj′(1)，xj′(2)，xj′(3)，xj′(4)，xj′(5)}。
其中，所述计算装置包括：
综合关联模块，用于综合各个天气特征的关联系数，得到待预测日与 第j个历史日的综合关联度为
Figure BDA0003312975600000142
其中，λj(m)为第m个因素对于发电预测结果影响的权重系数，
Figure BDA0003312975600000143
相似日确定模块，用于根据待预测日与历史日的综合关联度，筛选出 综合关联度前五高的历史日，确定为相似日。
预测模块，用于根据五个相似日第i个基值点的光伏发电历史功率值， 得到待预测日第i个基点光伏发电功率的预测值，
Figure BDA0003312975600000144
其中，pdi为第d个相似日第i个基值点的光伏发电功率实际值。
其中，所述修正装置包括：
误差率计算模块，计算相似日第i个基值点光伏发电功率预测误差率， 为
Figure BDA0003312975600000145
其中，p′di为第d个相似日第i个基值点的光伏发电功率预测值，C为 光伏电站可用容量。
判断模块，用于判断是否符合预测误差率范围，若相似日光伏发电功 率预测误差率在0～a％范围内的基值点，待预测日内对应基值点的光伏发 电功率预测值不做修正，若不符合，则进行修正。
期望修正模块，用于若相似日光伏发电功率预测误差率在a％～ 2a％(2a％可整定)范围内的基值点，则采用相似日各基值点光伏发电功率预 测误差的期望值进行修正。
功率预测修正模块，用于若相似日光伏发电功率预测误差率在 2a％(2a％可整定)以上的基值点，则根据修正功率预测值进行修正。
其中，所述期望修正模块包括：
误差期望设定单元，用于设置误差期望值
Figure BDA0003312975600000151
修正计算单元，用于计算预测日第i个基值点光伏发电功率的预测修 正值p″i＝p′i+Ei。
其中，所述功率预测修正模块包括：
预修正单元，用于设定待预测日前一日第i个基值点的功率预测值为 p′i1，实际功率值为pi1，待预测日第i个基值点的修正前功率预测值为p′i2， 得到修正后功率预测值
Figure BDA0003312975600000152
修正系数设定单元，用于设定修正系数，
Figure BDA0003312975600000153
类推计算单元，用于得到第(t-1)预测日第i个基值点修正后功率预 测值，
Figure BDA0003312975600000154
t为正奇数，
Figure BDA0003312975600000155
t为正偶数；
其中，t为修正的预测日数。
本发明实施例旨在保护一种基于相似日的日前光伏发电功率预测方 法及系统，具备如下效果：
本发明根据气象台获得的气象数据与历史日的气象数据进行关联分 析，根据天气情况，温度，湿度等，同历史日进行相似度匹配；先对气象 因素进行量化，然后计算每个特征的关联系数，最后算出整个气象因素的 综合关联度，从而对历史日与待预测日的综合关联度进行对比得到相似 日，根据相似日的光伏发电功率值计算得到待预测日光伏发电功率的预测 值，最后进行修正，可以提高相似日法光伏发电功率的预测精度。
本发明实施例所提供的基于相似日的日前光伏发电功率预测方法及 装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程 序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见 方法实施例，在此不再赘述。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等， 该存储介质上的计算机程序被运行时，能够执行上述基于相似日的日前光 伏发电功率预测方法，从而能够提高相似日法光伏发电功率的预测精度。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或 使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质 中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡 献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算 机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设 备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、 只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用 以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于 此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围 内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变 化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都 应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利 要求的保护范围为准。

Claims (14)

1.一种基于相似日的日前光伏发电功率预测方法，其特征在于，包括：
S1，将气象因素进行量化，赋予特定天气状况对应的取值；
S2，确定待预测日与特定历史日针对不同的天气特征的关联系数；
S3，计算待预测日与特定历史日的综合关联度，根据综合关联度确认相似日，得到待预测日的光伏发电功率预测值；
S4，对待预测日光伏发电功率预测值进行修正。
2.根据权利要求1所述的基于相似日的日前光伏发电功率预测方法，其特征在于，S2中，所述确定待预测日与特定历史日针对不同的天气特征的关联系数，包括：
S21，设定第j个历史日的天气向量，为Xj′＝{xj′(1),xj′(2),xj′(3),xj′(4),xj′(5)}，其中1代表天气状况，2代表最高温度，3代表最低温度，4代表湿度，5代表风速；
S22，确定待预测日与第j个历史日在第m个特征值的差异，为Δj′(m)＝|Xj′(m)-X0′(m)|；
S23，确定待预测日与第j个历史日在第m个特征的关联系数，为
Figure RE-FDA0003559145420000011
其中，
Figure RE-FDA0003559145420000012
为第一级最小差，
Figure RE-FDA0003559145420000013
为第二级最小差，
Figure RE-FDA0003559145420000014
为第二级最大差，ρ为常数，介于-1与1之间。
3.根据权利要求2所述的基于相似日的日前光伏发电功率预测方法，其特征在于，S21中，所述设定第j个历史日的天气向量，为Xj′＝{xj′(1),xj′(2),xj′(3),xj′(4),xj′(5)}，包括：
S211，设定第j个历史日天气向量为Xj＝{xj(1),xj(2),xj(3),xj(4),xj(5)}；
S212，对第j个历史日天气向量进行归一化处理，按照
Figure FDA0003312975590000021
得到第j个历史日的天气向量为Xj′＝{xj′(1),xj′(2),xj′(3),xj′(4),xj′(5)}。
4.根据权利要求2所述的基于相似日的日前光伏发电功率预测方法，其特征在于，S3中，所述计算待预测日与特定历史日的综合关联度，根据综合关联度确认相似日，得到待预测日的光伏发电功率预测值，包括：
S31，综合各个天气特征的关联系数，得到待预测日与第j个历史日的综合关联度为
Figure FDA0003312975590000022
其中，λj(m)为第m个因素对于发电预测结果影响的权重系数，
Figure FDA0003312975590000023
S32，根据待预测日与历史日的综合关联度，筛选出综合关联度前五高的历史日，确定为相似日；
S33，根据五个相似日第i个基值点的光伏发电历史功率值，得到待预测日第i个基点光伏发电功率的预测值，
Figure FDA0003312975590000024
其中，pdi为第d个相似日第i个基值点的光伏发电功率实际值。
5.根据权利要求4所述的基于相似日的日前光伏发电功率预测方法，其特征在于，S4中，所述对待预测日光伏发电功率预测值进行修正，包括：
S41，计算相似日第i个基值点光伏发电功率预测误差率，为
Figure FDA0003312975590000025
其中，p′di为第d个相似日第i个基值点的光伏发电功率预测值，C为光伏电站可用容量；
S42，判断是否符合预测误差率范围，若相似日光伏发电功率预测误差率在0～a％范围内的基值点，待预测日内对应基值点的光伏发电功率预测值不做修正，若不符合，则进行修正；
S43，若相似日光伏发电功率预测误差率在a％～2a％范围内的基值点，则采用相似日各基值点光伏发电功率预测误差的期望值进行修正；
S44，若相似日光伏发电功率预测误差率在2a％以上的基值点，则根据修正功率预测值进行修正。
6.根据权利要求5所述的基于相似日的日前光伏发电功率预测方法，其特征在于，S43中，采用相似日各基值点光伏发电功率预测误差的期望值进行修正，包括：
S431，设置误差期望值
Figure FDA0003312975590000031
S432，计算预测日第i个基值点光伏发电功率的预测修正值p″i＝p′i+Ei。
7.根据权利要求5所述的基于相似日的日前光伏发电功率预测方法，S44中，根据修正功率预测值进行修正，包括：
设定待预测日前一日第i个基值点的功率预测值为p′i1，实际功率值为pi1，待预测日第i个基值点的修正前功率预测值为p′i2，得到修正后功率预测值
Figure FDA0003312975590000032
设定修正系数，
Figure FDA0003312975590000033
得到第(t-1)预测日第i个基值点修正后功率预测值，
Figure FDA0003312975590000034
t为正奇数，
Figure FDA0003312975590000035
t为正偶数；
其中，t为修正的预测日数。
8.一种基于相似日的日前光伏发电功率预测系统，其特征在于，包括：
天气状况赋值装置，用于将气象因素进行量化，赋予特定天气状况对应的取值；
关联系数设置装置，用于确定待预测日与特定历史日针对不同的天气特征的关联系数；
计算装置，用于计算待预测日与特定历史日的综合关联度，根据综合关联度确认相似日，得到待预测日的光伏发电功率预测值；
修正装置，用于对待预测日光伏发电功率预测值进行修正。
9.根据权利要求8所述的基于相似日的日前光伏发电功率预测系统，其特征在于，所述关联系数设置装置包括：
向量设定模块，用于设定第j个历史日的天气向量，为Xj′＝{xj′(1),xj′(2),xj′(3),xj′(4),xj′(5)}，其中1代表天气状况，2代表最高温度，3代表最低温度，4代表湿度，5代表风速；
差异设定模块，用于确定待预测日与第j个历史日在第m个特征值的差异，为Δj′(m)＝|Xj′(m)-X0′(m)|；
差异代入模块，用于确定待预测日与第j个历史日在第m个特征的关联系数，为
Figure RE-FDA0003559145420000041
其中，
Figure RE-FDA0003559145420000042
为第一级最小差，
Figure RE-FDA0003559145420000043
为第二级最小差，
Figure RE-FDA0003559145420000044
为第二级最大差，ρ为常数，介于-1与1之间。
10.根据权利要求9所述的基于相似日的日前光伏发电功率预测系统，其特征在于，所述向量设定模块包括：
向量预设单元，用于设定第j个历史日天气向量为Xj＝{xj(1),xj(2),xj(3),xj(4),xj(5)}；
预处理单元，用于对第j个历史日天气向量进行归一化处理，按照
Figure FDA0003312975590000051
得到第j个历史日的天气向量为Xj′＝{xj′(1),xj′(2),xj′(3),xj′(4),xj′(5)}。
11.根据权利要求9所述的基于相似日的日前光伏发电功率预测系统，其特征在于，所述计算装置包括：
综合关联模块，用于综合各个天气特征的关联系数，得到待预测日与第j个历史日的综合关联度为
Figure FDA0003312975590000052
其中，λj(m)为第m个因素对于发电预测结果影响的权重系数，
Figure FDA0003312975590000053
相似日确定模块，用于根据待预测日与历史日的综合关联度，筛选出综合关联度前五高的历史日，确定为相似日；
预测模块，用于根据五个相似日第i个基值点的光伏发电历史功率值，得到待预测日第i个基点光伏发电功率的预测值，
Figure FDA0003312975590000054
其中，pdi为第d个相似日第i个基值点的光伏发电功率实际值。
12.根据权利要求11所述的基于相似日的日前光伏发电功率预测系统，其特征在于，所述修正装置包括：
误差率计算模块，计算相似日第i个基值点光伏发电功率预测误差率，为
Figure FDA0003312975590000055
其中，p′di为第d个相似日第i个基值点的光伏发电功率预测值，C为光伏电站可用容量；
判断模块，用于判断是否符合预测误差率范围，若相似日光伏发电功率预测误差率在0～a％范围内的基值点，待预测日内对应基值点的光伏发电功率预测值不做修正，若不符合，则进行修正；
期望修正模块，用于若相似日光伏发电功率预测误差率在a％～2a％范围内的基值点，则采用相似日各基值点光伏发电功率预测误差的期望值进行修正；
功率预测修正模块，用于若相似日光伏发电功率预测误差率在2a％以上的基值点，则根据修正功率预测值进行修正。
13.根据权利要求12所述的基于相似日的日前光伏发电功率预测系统，其特征在于，所述期望修正模块包括：
误差期望设定单元，用于设置误差期望值
Figure FDA0003312975590000061
修正计算单元，用于计算预测日第i个基值点光伏发电功率的预测修正值p″i＝p′i+Ei。
14.根据权利要求12所述的基于相似日的日前光伏发电功率预测系统，其特征在于，所述功率预测修正模块包括：
预修正单元，用于设定待预测日前一日第i个基值点的功率预测值为p′i1，实际功率值为pi1，待预测日第i个基值点的修正前功率预测值为p′i2，得到修正后功率预测值
Figure FDA0003312975590000062
修正系数设定单元，用于设定修正系数，
Figure FDA0003312975590000063
类推计算单元，用于得到第(t-1)预测日第i个基值点修正后功率预测值，
Figure FDA0003312975590000064
t为正奇数，
Figure FDA0003312975590000071
t为正偶数；
其中，t为修正的预测日数。
CN202111221997.XA 2021-10-20 2021-10-20 一种基于相似日的日前光伏发电功率预测方法及系统 Pending CN114385962A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111221997.XA CN114385962A (zh) 2021-10-20 2021-10-20 一种基于相似日的日前光伏发电功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111221997.XA CN114385962A (zh) 2021-10-20 2021-10-20 一种基于相似日的日前光伏发电功率预测方法及系统

Publications (1)

Publication Number Publication Date
CN114385962A true CN114385962A (zh) 2022-04-22

Family

ID=81194502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111221997.XA Pending CN114385962A (zh) 2021-10-20 2021-10-20 一种基于相似日的日前光伏发电功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN114385962A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116742622A (zh) * 2023-08-09 2023-09-12 山东理工职业学院 一种基于光伏发电的发电量预测方法及系统
CN117477563A (zh) * 2023-12-27 2024-01-30 深圳力高新能技术有限公司 一种光伏发电功率预测用样本日搜索方法、系统及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930358A (zh) * 2012-11-28 2013-02-13 江西九江供电公司 一种光伏电站发电功率的神经网络预测方法
WO2017035884A1 (zh) * 2015-08-31 2017-03-09 中国科学院广州能源研究所 适用于光伏系统全生命周期的输出功率分类预测系统
CN110598896A (zh) * 2019-07-26 2019-12-20 陕西省水利电力勘测设计研究院 基于预测误差校正的光伏功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930358A (zh) * 2012-11-28 2013-02-13 江西九江供电公司 一种光伏电站发电功率的神经网络预测方法
WO2017035884A1 (zh) * 2015-08-31 2017-03-09 中国科学院广州能源研究所 适用于光伏系统全生命周期的输出功率分类预测系统
CN110598896A (zh) * 2019-07-26 2019-12-20 陕西省水利电力勘测设计研究院 基于预测误差校正的光伏功率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋人杰;刘福盛;马冬梅;王林;: "基于相似日和WNN的光伏发电功率超短期预测模型", 电测与仪表, no. 07, 10 April 2017 (2017-04-10) *
李刚;刘佳林;王腾飞;丁坤;: "基于相似日理论和IPSO-Elman模型的短期光伏发电功率预测", 测控技术, no. 02, 18 February 2020 (2020-02-18) *
葛乐: "基于改进相似日和ABC-SVM的光伏电站功率预测", 《太阳能学报》, 28 March 2018 (2018-03-28), pages 775 - 777 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116742622A (zh) * 2023-08-09 2023-09-12 山东理工职业学院 一种基于光伏发电的发电量预测方法及系统
CN116742622B (zh) * 2023-08-09 2023-11-03 山东理工职业学院 一种基于光伏发电的发电量预测方法及系统
CN117477563A (zh) * 2023-12-27 2024-01-30 深圳力高新能技术有限公司 一种光伏发电功率预测用样本日搜索方法、系统及设备
CN117477563B (zh) * 2023-12-27 2024-05-24 深圳力高新能技术有限公司 一种光伏发电功率预测用样本日搜索方法、系统及设备

Similar Documents

Publication Publication Date Title
Antonanzas et al. Review of photovoltaic power forecasting
Ezzat et al. Spatio-temporal short-term wind forecast: A calibrated regime-switching method
US20200057175A1 (en) Weather dependent energy output forecasting
US10956993B2 (en) Method and device for determining energy system operating scenario
US20130013233A1 (en) Electric-power-generation level predicting apparatus, method and program
CN114385962A (zh) 一种基于相似日的日前光伏发电功率预测方法及系统
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
CN110689190A (zh) 一种电网负荷预测方法、装置及相关设备
JP6481468B2 (ja) 予測分布推定システム、予測分布推定方法、および予測分布推定プログラム
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN116402203A (zh) 计及天气情况的短时光伏发电量预测方法、系统及介质
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
Gensler et al. An analog ensemble-based similarity search technique for solar power forecasting
CN115169746A (zh) 基于融合模型的电力负荷短期预测方法、装置及相关介质
CN116629416A (zh) 光伏电站功率预测方法及装置
CN116307039A (zh) 一种计及气象差异性的光伏出力智能预测方法
CN110795841A (zh) 一种间歇性能源出力不确定性的数学建模方法
CN111697560A (zh) 一种基于lstm预测电力系统负荷的方法及系统
Kim et al. Predicting 24-hours ahead photovoltaic power output using forecast information
CN116167508A (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
CN116484998A (zh) 基于气象相似日的分布式光伏电站功率预测方法及系统
Lukhyswara et al. Solar irradiation forecasting uses time series analysis
CN112990533B (zh) 一种稀疏约束和动态权重分配的风电集群功率预测方法
CN114971081A (zh) 一种基于时间序列分析与日统计的辐照预测方法
CN115526376A (zh) 多特征融合的生成对抗网络超短期风功率预测方法

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