CN114897229A - 一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法 - Google Patents
一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法 Download PDFInfo
- Publication number
- CN114897229A CN114897229A CN202210448980.6A CN202210448980A CN114897229A CN 114897229 A CN114897229 A CN 114897229A CN 202210448980 A CN202210448980 A CN 202210448980A CN 114897229 A CN114897229 A CN 114897229A
- Authority
- CN
- China
- Prior art keywords
- irradiance
- time
- clustering
- matrix
- day
- 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 37
- 239000013598 vector Substances 0.000 claims abstract description 26
- 239000011159 matrix material Substances 0.000 claims description 59
- 238000012546 transfer Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004146 energy storage Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 15
- 238000005070 sampling Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F18/23—Clustering techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法,包括:1、采用AP聚类算法将辐照度序列进行聚类;2、计算每类中各时刻的平均温度与待预测日的天气预报温度之间的欧氏距离,选择欧氏距离最小的分类,作为最相似分类;3、根据预测时段的前一时刻的辐照度实测值和最相似分类中的辐照度列向量,依次计算各时刻的辐照度概率分布;4、将辐照度概率分布与辐照度列向量相乘得到辐照度预测值。本发明能将超短期预测时段的历史数据进行全局最优聚类,结合预测时段的天气情况进行最相似时段选择,从而能在任意气候、天气和时刻均能取得较好预测效果,进而为光伏出力并网、调度和储能配置提供理论依据和科学基础。
Description
技术领域
本发明属于光伏电站辐照度超短期预测领域,具体涉及一种基于AP聚类和Markov链相结合的光伏电站辐照度超短期预测方法。
背景技术
光伏发电易受辐照度、温度、云量等气象因素影响,输出功率具有很强的随机性和波动性,对电力系统的安全稳定运行和发电调度计划造成不利影响。其中,太阳辐照度对光伏发电功率影响最大,因此需要提高光伏电站辐照度预测精度,进而提高光伏发电功率的预测精度,给电网调度提供可靠依据,扩大光伏发电对电网的支撑力度。
光伏预测按时间尺度分为超短期,短期,中期和长期。超短期预测以15分钟为分辨率,预测未来15分钟至4小时的光伏发电情况,对光伏发电纳入电力市场现货交易、安排储能系统配置、制定电力调度计划等具有重要意义。
目前光伏发电超短期预测方法主要分为物理模型和数据驱动两类。物理模型预测是根据光伏电站转换效率、光伏阵列安装角度和当地气象信息,直接对光伏发电过程进行数学建模。物理模型对电站光伏组件和环境气象参数要求较高,存在建模复杂、推广性差、更适用于中长期预测等特点。数据驱动方法主要以特定算法建立光伏电站出力与历史条件(往往是气象数据)间的映射关系,常见算法有Markov链、支持向量机、神经网络等。数据驱动建模较为简单,预测成本也较低,因此在光伏发电预测中得到广泛应用。
对于Markov链法预测辐照度,文献《基于马尔可夫链的光伏发电系统输出功率短期预测方法》证明了太阳辐照度随采样时间变化的随机过程具有单步记忆特征,因此可用离散 Markov链描述过往时间的辐照度变化。文献《应用改进马尔科夫链的光伏出力时间序列模拟》考虑季节特性、日特性和天气特性,将历史数据分为12个月、上下午2个时段和晴、云、阵雨、大雨4种天气共96类,通过随机抽样模拟光伏波动,生成光伏出力时间序列。文献《微电网光伏发电的Adaboost天气聚类超短期预测方法》先基于晴、云、阴、雨四种典型天气类型将历史数据分类,后将各步长Markov链按影响权重加权,预测下一时刻辐照度数值的概率分布矩阵。
综合上述文献,Markov链法预测光伏发电功率具有理论可行性,但应用于超短期预测时,现有数据处理方法并未适应超短期时间尺度。在对历史数据聚类时,现有方法一般考虑气候和天气因素,按一年四季、12个月或晴、云、阴、雨四种典型天气类型进行分类。这些分类方法有3个缺点:(1)分类数提前确定,较易陷入局部最优情形;(2)分类原则难以明显区分辐照度序列,如四季的日期划分不确定,再如某月最后一天与下个月第一天无明显差异但划分在不同类中;(3)分类原则与超短期时间尺度情形不一致,如某日多云天气,但其中某 4小时有日照,辐照度曲线却与晴天时相近。此外,在上述分类原则下,较多基于关键天气特征选取相似日,而相似日的关键天气特征从天气预报获取,与超短期的4小时关键天气特征并不一定一致。因此需要提出适应超短期时间尺度的辐照度预测方法。
发明内容
为了克服上述现有技术存在的不足,本发明提出一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法,以期能将超短期预测时段的历史数据进行全局最优聚类,结合预测时段的天气情况进行最相似时段选择,从而能在任意气候、天气和时刻均能取得较好预测效果,进而为光伏出力并网、调度和储能配置提供理论依据和科学基础。
为了实现上述发明目的,本发明采用的技术方案为:
本发明一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法的特点在于,包括:
步骤1:设置预测时间段为[t1,t2,…,tn],预测时间段的前一时刻为t0时刻;其中,tn表示预测时间段的第n个预测时刻;
提取历史数据中所有日期的全时间段[t0,t1,t2,…,tn]的辐照度序列,并组成共m日的全时间段辐照度序列I1,I2,…,Ii,…,Im,其中,Ii表示第i日的辐照度序列,且 表示第n个预测时刻tn的辐照度序列,i=1,2,…,m;
步骤2:采用AP聚类算法将所有日期的全时间段辐照度序列I1,I2,…,Im进行聚类,计算聚类数M和每类中所包含的辐照度序列的日期;
步骤4:根据天气预报,统计待预测日的全时间段天气预报温度[T0,T1,T2,…,Tn],其中,Tn表示待预测日的第n个预测时刻tn的天气预报温度;
步骤5:按式(1)计算待预测日的全时间段天气预报温度[T0,T1,T2,…,Tn]与第k个分类的全时间段平均温度之间的欧氏距离Dk,从而计算待预测日的全时间段天气预报温度[T0,T1,T2,…,Tn]与每类的全时间段平均温度之间的欧氏距离,并选择欧氏距离最小的分类,作为最相似分类;
步骤6:将最相似分类中,t0时刻的所有日期的辐照度按从小到大排序,并剔除相同的数值,从而得到包含x0个辐照度值的辐照度列向量其中,表示最相似分类中 t0时刻的所有不相同的辐照度按从小到大排序的第x0个辐照度值;
步骤7:根据待预测日中t0时刻的辐照度实测值I0和最相似分类中t0时刻的辐照度列向量 C0,计算得到t0时刻的辐照度概率分布P0;
步骤8:定义变量q并初始化q=1;
步骤9:将最相似分类中,tq时刻的所有日期的辐照度按从小到大排序,并剔除相同的数值后,得到包含xq个辐照度值的辐照度列向量其中,表示最相似分类中tq时刻的所有不相同的辐照度按从小到大排序的第xq个辐照度值;
步骤10:计算最相似分类中tq-1时刻转移至tq时刻的辐照度转移次数矩阵Bq-1,q和辐照度转移率矩阵Aq-1,q;
步骤11:按式(2)计算tq时刻的辐照度概率分布Pq;
Pq=Pq-1Aq-1,q (2)
本发明所述的基于AP聚类和Markov链的光伏电站辐照度超短期预测方法的特点也在于,所述步骤2包括:
步骤2.1:设置阻尼系数为λ、最大迭代次数为Nmax和聚类中心保持稳定次数为Nstable;
步骤2.3:计算相似度矩阵Sm×m的第i行第i列的对角元素s(i,i)的值,令s(i,i)为相似度矩阵Sm×m中第i行所有非对角线元素的中位数;
步骤2.4:构建初始的吸引度矩阵和归属度矩阵均为全零矩阵,并基于相似度矩阵Sm×m对吸引度矩阵和归属度矩阵进行迭代计算,直至达到聚类中心保持稳定次数Nstable或者达到最大迭代次数Nmax为止;
步骤2.5:将最终迭代后的吸引度矩阵和归属度矩阵之和作为聚类中心矩阵,并选择聚类中心矩阵的对角线元素大于零的行数为聚类中心编号,令聚类中心编号所代表的辐照度序列为聚类中心,从而计算聚类中心的个数即为聚类数M;
步骤2.6:选择聚类中心矩阵中每一行最大值所在的列数为当前行所代表的辐照度序列所归属的聚类中心,并统计每个类中所有的辐照度序列的日期。
所述步骤7包括:
步骤7.1:设t0时刻的初始辐照度概率分布序列P0是一个x0列的行向量,其元素全为0;
步骤7.2:对比待预测日中t0时刻的辐照度实测值I0和最相似分类中t0时刻的辐照度列向量C0,若C0中存在第e个数值则将初始辐照度概率分布序列P0的第e个元素重置为 1,并得到t0时刻的辐照度概率分布P0,并执行步骤8,否则,表示C0中没有与I0相等的数值,并执行步骤7.3,1≤e≤x0;
所述步骤10包括:
步骤10.1:设最相似分类中,tq-1时刻的辐照度列向量tq时刻的辐照度列向量则辐照度转移次数矩阵Bq-1,q是一个xq-1行xq列矩阵,其中,第y行第z列的元素B(y,z)是tq-1时刻辐照度为且tq时刻辐照度为的出现次数,1≤y≤xq-1; 1≤z≤xq;
步骤10.2:令转移率矩阵Aq-1,q是一个xq-1行xq列矩阵,并利用式(3)计算第y行第z列的元素A(y,z);
与已有技术相比,本发明的有益效果体现在:
1、本发明精确的光伏发电辐照度预测是光伏出力精确预测的基础,可为光伏电站并网运行、参与调度提供数值依据,降低了输入电网功率的不确定性,保证了电力系统的安全稳定运行,有效提升了光伏发电的消纳能力,从而减少了光伏电站由于限电弃光带来的经济损失,提升了运营管理效率。
2、本发明在计算Markov转移率矩阵前,对同预测时段的辐照度序列进行聚类,避免了传统采用一年四季、12个月、晴云阴雨典型天气的方法进行分类,聚类方法更加科学和明确;
3、本发明采用AP聚类方法对辐照度进行聚类,可直接获得聚类数和聚类中心,且多次计算结果相同,避免了采用传统K-means方法因聚类数和聚类中心自由选择造成的多次计算结果不同的聚类不稳定情况;
4、本发明对太阳辐照度进行聚类时,直接对超短期预测时段(不超过4小时)的辐照度数据进行聚类,而非传统对预测日全天数据进行聚类,避免了因预测日天气情况与待预测时段天气情况不同,对辐照度聚类产生影响;
5、本发明选择各类的平均温度与预测时间段的天气预报气温欧氏距离最近的分类作为最相似分类,从而能够客观的将与待预测时间段的气温特征相符合的类挑选出来,避免了出现预测日天气与预测时段天气不相符的情况。
附图说明
图1为本发明方法的流程图;
图2为本实施例中部分类的总时段平均温度图;
图3为本实施例预测结果对比图。
具体实施方式
本实施例中,以澳大利亚的DKA太阳能中心(Desert Knowledge Australia SolarCentre) 的Alice Springs站点2019年7月至2021年12月所有可用的测量数据(共812条)为样本,预测2022年1月12日的辐照度,一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法,如图1所示,包括如下步骤:
步骤1:设预测时间段为[8:05,8:10,…,12:00],即t1=8:05,tn=12:00,时间间隔5分钟,共有n=48个时刻,预测时间段前一时刻为t0=8:00,全时间段为 [8:00,8:05,8:10,…,12:00]。提取历史数据所有日期的全时间段的辐照度序列,组成共m=812日的全时间段辐照度序列I1,I2,…,Ii,…,I812,其中,Ii表示第i日的辐照度序列,且 表示第n个预测时刻tn的辐照度序列;i=1,2,…,m;
步骤2:采用AP聚类算法将所有日期的全时间段辐照度序列I1,I2,…,Im进行聚类,计算聚类数M和每类中所包含的辐照度序列的日期;
步骤2.1:设置阻尼系数λ=0.5,最大迭代次数Nmax=1000,聚类中心保持稳定次数Nstable=100;
步骤2.3:计算相似度矩阵Sm×m的第i行第i列的对角元素s(i,i)的值,令s(i,i)为相似度矩阵Sm×m中第i行所有非对角线元素的中位数;
步骤2.4:构建初始的吸引度矩阵和归属度矩阵均为全零矩阵,并基于相似度矩阵Sm×m对吸引度矩阵和归属度矩阵进行迭代计算,直至达到聚类中心保持稳定次数Nstable=100或者达到最大迭代次数Nmax=1000为止;
步骤2.5:将最终迭代后的吸引度矩阵和归属度矩阵之和作为聚类中心矩阵,并选择聚类中心矩阵的对角线元素大于零的行数为聚类中心编号,令聚类中心编号所代表的辐照度序列为聚类中心,从而计算聚类中心的个数即为聚类数M,本实施例中,聚类数M=68,聚类中心编号如表1所示;
表1本实施例聚类中心编号
84 | 91 | 92 | 124 | 136 | 137 | 148 | 149 | 153 | 176 |
188 | 236 | 60 | 248 | 253 | 346 | 380 | 386 | 387 | 388 |
389 | 390 | 391 | 392 | 393 | 394 | 401 | 403 | 769 | 416 |
429 | 256 | 453 | 457 | 458 | 463 | 469 | 471 | 479 | 444 |
481 | 482 | 484 | 486 | 498 | 541 | 549 | 573 | 291 | 614 |
639 | 643 | 732 | 733 | 734 | 735 | 736 | 737 | 741 | 742 |
743 | 744 | 749 | 753 | 775 | 777 | 765 | 795 |
步骤2.6:选择聚类中心矩阵中每一行最大值所在的列数为当前行所代表的辐照度序列所归属的聚类中心,并统计每个类中所有的辐照度序列的日期,表2列出了部分聚类中心的辐照度序列编号、对应日期,和每类中所包含的辐照度序列编号及对应日期;
表2部分聚类中心及所包含辐照序列编号和对应日期
步骤3:计算每类中全时间段[t0,t1,t2,…,tn]各时刻的平均温度,得到每类的全时间段平均温度其中,表示第k个分类中第n个预测时刻tn的平均温度,k=1,…,M,图2列出表1中5个类的总时段平均温度;
步骤4:根据天气预报,统计待预测日的全时间段天气预报温度[T0,T1,T2,…,Tn],其中,Tn表示待预测日的第n个预测时刻tn的天气预报温度,本实施例中,2022年1月12日上午 8:00至12:00的全时间段天气预报温度为[32.7 32.8 … 39.2];
步骤5:按式(1)计算待预测日2022年1月12日的全时间段天气预报温度[T0,T1,T2,…,Tn] 与第k个分类的全时间段平均温度之间的欧氏距离Dk,从而计算待预测日的全时间段天气预报温度[T0,T1,T2,…,Tn]与每类的全时间段平均温度之间的欧氏距离,并选择欧氏距离最小的分类,作为最相似分类,本实施例中,最相似分类为第8类,其欧氏距离为 D8=4.4;
步骤6:将最相似分类中,t0=8:00时刻的所有日期的辐照度按从小到大排序,并剔除相同的数值,从而得到包含x0个辐照度值的辐照度列向量其中,表示最相似分类中t0时刻的所有不相同的辐照度按从小到大排序的第x0个辐照度值,本实施例中,t0=8:00时刻共有2个辐照度序列,为则x0=2,
步骤7.1:设t0=8:00时刻的初始辐照度概率分布序列P0是一个x0=2列的行向量,其元素全为0,即P0=[0 0];
步骤8:定义变量q并初始化q=1;
步骤9:将最相似分类中,tq时刻的所有日期的辐照度按从小到大排序,剔除相同的数值,得到包含xq个辐照度值的辐照度列向量其中,表示最相似分类中tq时刻的所有不相同的辐照度按从小到大排序的第xq个辐照度值,本实施例中,x1=2,
步骤10:计算最相似分类中tq-1时刻转移至tq时刻的辐照度转移次数矩阵Bq-1,q和辐照度转移率矩阵Aq-1,q;
步骤10.1:设最相似分类中,tq-1时刻的辐照度列向量tq时刻的辐照度列向量则辐照度转移次数矩阵Bq-1,q是一个xq-1行xq列矩阵,其中第y行第z列的元素B(y,z)是tq-1时刻辐照度为且tq时刻辐照度为的出现次数,1≤y≤xq-1;1≤z≤xq,本实施例中,B(1,1)=1,
Pq=Pq-1Aq-1,q (3)
步骤13:判断q=n是否成立,若是,则表示得到预测时间段[t1,t2,…,tn]的辐照度预测序列否则,将q+1赋值给q后,返回步骤9顺序执行,本实施例中,q=1,n=48,q=n不成立,将q+1=2的赋值给q后,返回步骤9顺序执行。
Claims (4)
1.一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法,其特征在于,包括:
步骤1:设置预测时间段为[t1,t2,…,tn],预测时间段的前一时刻为t0时刻;其中,tn表示预测时间段的第n个预测时刻;
提取历史数据中所有日期的全时间段[t0,t1,t2,…,tn]的辐照度序列,并组成共m日的全时间段辐照度序列I1,I2,…,Ii,…,Im,其中,Ii表示第i日的辐照度序列,且 表示第n个预测时刻tn的辐照度序列,i=1,2,…,m;
步骤2:采用AP聚类算法将所有日期的全时间段辐照度序列I1,I2,…,Im进行聚类,计算聚类数M和每类中所包含的辐照度序列的日期;
步骤4:根据天气预报,统计待预测日的全时间段天气预报温度[T0,T1,T2,…,Tn],其中,Tn表示待预测日的第n个预测时刻tn的天气预报温度;
步骤5:按式(1)计算待预测日的全时间段天气预报温度[T0,T1,T2,…,Tn]与第k个分类的全时间段平均温度之间的欧氏距离Dk,从而计算待预测日的全时间段天气预报温度[T0,T1,T2,…,Tn]与每类的全时间段平均温度之间的欧氏距离,并选择欧氏距离最小的分类,作为最相似分类;
步骤6:将最相似分类中,t0时刻的所有日期的辐照度按从小到大排序,并剔除相同的数值,从而得到包含x0个辐照度值的辐照度列向量其中,表示最相似分类中t0时刻的所有不相同的辐照度按从小到大排序的第x0个辐照度值;
步骤7:根据待预测日中t0时刻的辐照度实测值I0和最相似分类中t0时刻的辐照度列向量C0,计算得到t0时刻的辐照度概率分布P0;
步骤8:定义变量q并初始化q=1;
步骤9:将最相似分类中,tq时刻的所有日期的辐照度按从小到大排序,并剔除相同的数值后,得到包含xq个辐照度值的辐照度列向量其中,表示最相似分类中tq时刻的所有不相同的辐照度按从小到大排序的第xq个辐照度值;
步骤10:计算最相似分类中tq-1时刻转移至tq时刻的辐照度转移次数矩阵Bq-1,q和辐照度转移率矩阵Aq-1,q;
步骤11:按式(2)计算tq时刻的辐照度概率分布Pq;
Pq=Pq-1Aq-1,q (2)
2.根据权利要求1所述的基于AP聚类和Markov链的光伏电站辐照度超短期预测方法,其特征在于,所述步骤2包括:
步骤2.1:设置阻尼系数为λ、最大迭代次数为Nmax和聚类中心保持稳定次数为Nstable;
步骤2.3:计算相似度矩阵Sm×m的第i行第i列的对角元素s(i,i)的值,令s(i,i)为相似度矩阵Sm×m中第i行所有非对角线元素的中位数;
步骤2.4:构建初始的吸引度矩阵和归属度矩阵均为全零矩阵,并基于相似度矩阵Sm×m对吸引度矩阵和归属度矩阵进行迭代计算,直至达到聚类中心保持稳定次数Nstable或者达到最大迭代次数Nmax为止;
步骤2.5:将最终迭代后的吸引度矩阵和归属度矩阵之和作为聚类中心矩阵,并选择聚类中心矩阵的对角线元素大于零的行数为聚类中心编号,令聚类中心编号所代表的辐照度序列为聚类中心,从而计算聚类中心的个数即为聚类数M;
步骤2.6:选择聚类中心矩阵中每一行最大值所在的列数为当前行所代表的辐照度序列所归属的聚类中心,并统计每个类中所有的辐照度序列的日期。
3.根据权利要求1所述的基于AP聚类和Markov链的光伏电站辐照度超短期预测方法,其特征在于,所述步骤7包括:
步骤7.1:设t0时刻的初始辐照度概率分布序列P0是一个x0列的行向量,其元素全为0;
步骤7.2:对比待预测日中t0时刻的辐照度实测值I0和最相似分类中t0时刻的辐照度列向量C0,若C0中存在第e个数值则将初始辐照度概率分布序列P0的第e个元素重置为1,并得到t0时刻的辐照度概率分布P0,并执行步骤8,否则,表示C0中没有与I0相等的数值,并执行步骤7.3,1≤e≤x0;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210448980.6A CN114897229A (zh) | 2022-04-26 | 2022-04-26 | 一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210448980.6A CN114897229A (zh) | 2022-04-26 | 2022-04-26 | 一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897229A true CN114897229A (zh) | 2022-08-12 |
Family
ID=82720125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210448980.6A Pending CN114897229A (zh) | 2022-04-26 | 2022-04-26 | 一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897229A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304519A (zh) * | 2023-05-12 | 2023-06-23 | 苏州益腾电子科技有限公司 | X射线管的实时热量计算方法、装置、系统和存储介质 |
-
2022
- 2022-04-26 CN CN202210448980.6A patent/CN114897229A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304519A (zh) * | 2023-05-12 | 2023-06-23 | 苏州益腾电子科技有限公司 | X射线管的实时热量计算方法、装置、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111091139B (zh) | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 | |
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
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 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN112418346B (zh) | 一种数值天气预报总辐射系统误差分类计算方法 | |
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 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
CN105139080A (zh) | 一种基于马尔可夫链的改进光伏功率序列预测方法 | |
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 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
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 | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN104915727A (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
CN114897229A (zh) | 一种基于AP聚类和Markov链的光伏电站辐照度超短期预测方法 | |
CN112688306B (zh) | 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 | |
CN114444805A (zh) | 多光伏电站共享储能系统平滑出力的控制方法 | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
Buonanno et al. | Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 |
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 |