CN115169659A - 一种基于多分类器的超短期屋顶光伏功率预测方法及系统 - Google Patents
一种基于多分类器的超短期屋顶光伏功率预测方法及系统 Download PDFInfo
- Publication number
- CN115169659A CN115169659A CN202210724538.1A CN202210724538A CN115169659A CN 115169659 A CN115169659 A CN 115169659A CN 202210724538 A CN202210724538 A CN 202210724538A CN 115169659 A CN115169659 A CN 115169659A
- Authority
- CN
- China
- Prior art keywords
- roof
- data
- photovoltaic
- roof photovoltaic
- power
- 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 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims description 24
- 238000013441 quality evaluation Methods 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 abstract description 11
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000011157 data evaluation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009827 uniform distribution 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
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Power Engineering (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)
Abstract
本发明提供的一种基于多分类器的超短期屋顶光伏功率预测方法及系统,涉及数字电力技术领域。本发明在数据处理时,通过线性插值对其中的缺失/错误数据进行补正,使数据满足屋顶光伏功率预测要求;接着对屋顶光伏出力影响因素进行分析,通过主成分分析PCA计算各影响指标所对应的影响权重;在预测时,对待预测区域进行区块划分,并通过聚类算法对屋顶光伏区块进行分类,从而得到屋顶光伏区块的簇,在对不同簇的区块进行超短期屋顶光伏功率预测时,采用多模型集成的预测方法,每一种簇都对应独立的预测模型,在预测时,选择对应的模型进行预测,从而得到更精准的预测值;本发明相较于现有技术具备预测更精准,受环境影响较小的优点。
Description
技术领域
本发明涉及数字电力技术领域,尤其涉及一种基于多分类器的超短期屋顶光伏功率预测方法及系统。
背景技术
随着全球化石能源的枯竭,能源体系转型已成为世界各国关注的重点。中国大力发展可再生能源。其中,屋顶光伏以太阳能蕴藏量丰富、清洁无污染、发电装置安装便捷等优点,成为了中国能源体系转型的重点。屋顶光伏数量庞大,发电功率具有随机性、波动性的特点,并网时,将对电网消纳和运行安全造成影响,因此,对超短期屋顶光伏进行预测,对促进电网大规模屋顶光伏消纳具有积极的作用。
国内外许多学者对超短期光伏功率预测做了大量研究。现有文献,提出了一种基于迭代优化的光伏功率预测方法,通过空气雾霾浓度与发电损失指数进行关联分析,从而进行超短期屋顶功率预测。现有文献,提出了一种基于蒙特卡罗的光伏预测方法,采用改进密度算法,对屋顶系数、历史光照辐射度等因素进行综合分析,从而进行超短期光伏功率预测。现有文献,提出了一种基于边界交叉法的光伏功率预测方法,通过非劣解集的均匀分布分析,从而预测超短期光伏功率。现有文献,提出了一种基于关联因素聚合的光伏功率预测方法,通过四季变化、晴天、雨天等因素与光伏发电关系的聚合,从而预测超短期光伏功率。现有文献,提出了一种基于双层协同的光伏功率预测方法,通过挖掘气象变化规律和光伏功率协同关系,从而进行光伏发电功率预测。现有文献,提出了一种基于日照辐射度修正的光伏功率预测方法,通过贝叶斯算法计算气象变化及辐射度过程,从而修正光伏预测功率。由此可见,光伏预测功率方法多样,且取得了一定的成绩。但上述方法主要针对相对集中的光伏电站功率预测。屋顶光伏较分散,环境因素影响更为复杂,上述方法在屋顶光伏中预测准确率不高。
因此,有必要提供一种基于多分类器的超短期屋顶光伏功率预测方法及系统来解决上述之一技术问题。
发明内容
为解决上述技术问题之一,本发明提出一种基于多分类器的超短期屋顶光伏功率预测方法,包括屋顶光伏历史功率数据采集、屋顶光伏历史功率数据质量评估、屋顶光伏历史功率数据清洗、屋顶光伏出力影响分析、屋顶光伏区块分类和屋顶光伏功率预测。
具体的,所述屋顶光伏历史功率数据:对待预测区域的屋顶光伏装置的功率数据进行持续数据采集,得到待预测区域对应对的屋顶光伏历史功率数据。
具体的,所述屋顶光伏历史功率数据质量评估:根据不同的质量评估项,设置不同的数据质量评估规则,并对屋顶光伏历史功率数据进行目标质量评估,得到对应的评估特征因子值。
具体的,所述屋顶光伏历史功率数据清洗:通过屋顶光伏历史功率数据质量评估判断数据是否存在缺失/错误数据;若存在缺失/错误数据,则进行数据补正,直至清洗完所有缺失/错误数据;得到历史功率清洗数据。
具体的,所述屋顶光伏出力影响分析:包括屋顶光伏出力影响因素分析和屋顶光伏出力影响权重分析;所述屋顶光伏出力影响因素分析用于评估影响屋顶光伏出力的影响指标;所述屋顶光伏出力影响权重分析用于计算各影响指标所对应的影响权重;将影响指标和所对应的影响权重进行映射,得到屋顶光伏出力影响因素。
具体的,所述屋顶光伏区块分类:对待预测区域进行区块划分,得到屋顶光伏区块;再通过聚类算法对屋顶光伏区块进行分类,得到屋顶光伏区块的簇;将各簇作为屋顶光伏出力影响分析的评价对象,得到屋顶光伏出力影响因素,并将屋顶光伏出力影响因素作为同簇屋顶光伏区块的典型特征。
具体的,所述屋顶光伏功率预测:设置多个屋顶光伏基准分类器,每一个屋顶光伏基准分类器分别对应一类簇;将簇对应的典型特征和历史功率清洗数据作为训练数据,对屋顶光伏基准分类器进行训练,得到对应的基准预测模型;对待预测区域各区块进行数据采集,并分别输入对应的基准预测模型中进行超短期屋顶光伏功率预测,得到各区域的光伏功率预测值,将各区域的光伏功率预测值进行叠加,得到屋顶光伏功率预测结果数据,完成屋顶光伏功率预测。
作为更进一步的解决方案,所述质量评估项包括数据有效性、数据完整性、太阳辐照度影响因子和传输约束;所述数据有效性通过屋顶光伏发电功率进行评估;所述数据完整性通过对应数据值是否为空值进行评估;所述太阳辐照度影响因子通过太阳辐照度和屋顶光伏发电功率进行评估;所述传输约束屋顶光伏发电功率和配电网功率约束进行评估。
作为更进一步的解决方案,通过数据有效性判断数据是否存在错误,通过数据完整性判断数据是否存在缺失;对缺失/错误数据通过线性插值进行处理,得到的屋顶光伏历史功率缺失数据Ja;并通过屋顶光伏历史功率缺失数据Ja对缺失/错误数据进行替换;
其中,Jb和Jc分别为已知的屋顶光伏历史发电功率值数据,Kb和Kc分别为已知的屋顶光伏历史发电功率时间点数据;Ka为顶光伏历史功率缺失数据Ja时间点数据,并在Kb和Kc时间点之间。
作为更进一步的解决方案,所述屋顶光伏出力影响因素包括太阳能组件转换率、太阳辐射量、太阳能组件倾斜角度、组件组合损失、污秽损失、温度损失、湿度损失和大气压力。
作为更进一步的解决方案,通过主成分分析PCA计算各影响指标所对应的影响权重,其中,屋顶光伏出力影响因素标准化处理值sab为:
其中,sbc为第b个屋顶光伏出力影响因素评价对象的第c个影响指标取值,sc为第c个屋顶光伏出力影响因素的影响指标样本均值,cc为第c个屋顶光伏出力影响因素的影响指标标准差;
屋顶光伏出力影响因素相关性Ba为:
其中,ma为屋顶光伏出力影响因素相关性个数,sbi为不同的屋顶光伏出力影响因素评价对象的相关性,sci为不同样本均值与评价对象相关性;
评估屋顶光伏出力影响因素的综合得分Fa为:
其中,na为屋顶光伏出力影响因素中主成分的个数,hj为第j个屋顶光伏出力影响因素主成分的贡献率,gj为第j个屋顶光伏出力影响因素主成分的累计贡献率。
作为更进一步的解决方案,对待预测区域选用数值天气预报NWP进行区块划分;屋顶光伏的区块划分La为:
其中,nb为对待预测区域的区块数量;li为不同的区块。
作为更进一步的解决方案,通过FCM聚类方法对区块进行分类,所述FCM聚类方法的目标函数Pa为:
其中,nc为屋顶光伏区块的簇数量,ui为不同的屋顶光伏隶属于簇中心的隶属度,mc为FCM聚类中的模糊加权指数,vi为不同的屋顶光伏区块到FCM聚类中心的距离。
作为更进一步的解决方案,所述基准预测模型通过LSTM网络模型进行单独部署,并按照所对应的簇对LSTM网络模型进行单独训练,得到簇对应的LSTM基准预测模型。
作为更进一步的解决方案,通过如下步骤执行屋顶光伏功率预测:
S1构建多个基于LSTM网络的基准预测模型;
S2对各基准预测模型进行单独训练,并将预测结果满足精度要求的模型进行输出,得到LSTM基准预测模型;
S3确定LSTM基准预测模型与FCM聚类方法得到的簇的适应度;
S4确定各LSTM基准预测模型的权重;
S5对待预测区域中各屋顶光伏区块进行数据采集,并输入对应的到屋顶光伏区块所属簇对应的LSTM基准预测模型中进行超短期屋顶光伏功率预测;
S6 LSTM基准预测模型输出屋顶光伏区块的光伏功率预测值,其中,光伏功率预测值根据簇的适应度进行调整;
S7得到待预测区域各屋顶光伏区块的光伏功率预测值;
S8将各光伏功率预测值按照对应LSTM基准预测模型的权重进行叠加,得到屋顶光伏功率预测结果数据。
一种基于多分类器的超短期屋顶光伏功率预测系统,运行在硬件设备上,并通过如上任一项所述的一种基于多分类器的超短期屋顶光伏功率预测方法来实现对待预测区域的超短期屋顶光伏功率预测。
与相关技术相比较,本发明提供的一种基于多分类器的超短期屋顶光伏功率预测方法及系统具有如下有益效果:
本发明在数据处理时,通过线性插值对其中的缺失/错误数据进行补正,使数据满足屋顶光伏功率预测要求;接着对屋顶光伏出力影响因素进行分析,通过主成分分析PCA计算各影响指标所对应的影响权重;在预测时,对待预测区域进行区块划分,并通过聚类算法对屋顶光伏区块进行分类,从而得到屋顶光伏区块的簇,在对不同簇的区块进行超短期屋顶光伏功率预测时,采用多模型集成的预测方法,每一种簇都对应独立的预测模型,在预测时,选择对应的模型进行预测,从而得到更精准的预测值;本发明相较于现有技术具备预测更精准,受环境影响较小的优点。
附图说明
图1为本发明提供的一种基于多分类器的超短期屋顶光伏功率预测方法的较佳实施例流程图;
图2为本发明提供的一种基于多分类器的超短期屋顶光伏功率预测方法的较佳实施例屋顶光伏功率预测模型架构图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
如图1至图2所示,本发明提供的一种基于多分类器的超短期屋顶光伏功率预测方法,包括屋顶光伏历史功率数据采集、屋顶光伏历史功率数据质量评估、屋顶光伏历史功率数据清洗、屋顶光伏出力影响分析、屋顶光伏区块分类和屋顶光伏功率预测。
具体的,所述屋顶光伏历史功率数据:对待预测区域的屋顶光伏装置的功率数据进行持续数据采集,得到待预测区域对应对的屋顶光伏历史功率数据。
具体的,所述屋顶光伏历史功率数据质量评估:根据不同的质量评估项,设置不同的数据质量评估规则,并对屋顶光伏历史功率数据进行目标质量评估,得到对应的评估特征因子值。
具体的,所述屋顶光伏历史功率数据清洗:通过屋顶光伏历史功率数据质量评估判断数据是否存在缺失/错误数据;若存在缺失/错误数据,则进行数据补正,直至清洗完所有缺失/错误数据;得到历史功率清洗数据。
具体的,所述屋顶光伏出力影响分析:包括屋顶光伏出力影响因素分析和屋顶光伏出力影响权重分析;所述屋顶光伏出力影响因素分析用于评估影响屋顶光伏出力的影响指标;所述屋顶光伏出力影响权重分析用于计算各影响指标所对应的影响权重;将影响指标和所对应的影响权重进行映射,得到屋顶光伏出力影响因素。
具体的,所述屋顶光伏区块分类:对待预测区域进行区块划分,得到屋顶光伏区块;再通过聚类算法对屋顶光伏区块进行分类,得到屋顶光伏区块的簇;将各簇作为屋顶光伏出力影响分析的评价对象,得到屋顶光伏出力影响因素,并将屋顶光伏出力影响因素作为同簇屋顶光伏区块的典型特征。
具体的,所述屋顶光伏功率预测:设置多个屋顶光伏基准分类器,每一个屋顶光伏基准分类器分别对应一类簇;将簇对应的典型特征和历史功率清洗数据作为训练数据,对屋顶光伏基准分类器进行训练,得到对应的基准预测模型;对待预测区域各区块进行数据采集,并分别输入对应的基准预测模型中进行超短期屋顶光伏功率预测,得到各区域的光伏功率预测值,将各区域的光伏功率预测值进行叠加,得到屋顶光伏功率预测结果数据,完成屋顶光伏功率预测。
作为更进一步的解决方案,所述质量评估项包括数据有效性、数据完整性、太阳辐照度影响因子和传输约束;所述数据有效性通过屋顶光伏发电功率进行评估;所述数据完整性通过对应数据值是否为空值进行评估;所述太阳辐照度影响因子通过太阳辐照度和屋顶光伏发电功率进行评估;所述传输约束屋顶光伏发电功率和配电网功率约束进行评估。
需要说明的是:针对屋顶光伏历史功率数据的质量评估目标,配置不同的数据质量评估规则,将屋顶光伏功率数据质量评估规则中涉及到评估特征定义成一个屋顶光伏功率数据评估特征因子值。根据屋顶光伏功率数据评估规则和屋顶光伏功率特征因子进行数据评估。评估的约束规则如表1所示。(表中△f均为对应的阈值)
表1屋顶光伏历史功率数据质量评估表Tab.1Quality evaluation form of roofphotovoltaic historical power data
作为更进一步的解决方案,通过数据有效性判断数据是否存在错误,通过数据完整性判断数据是否存在缺失;对缺失/错误数据通过线性插值进行处理,得到的屋顶光伏历史功率缺失数据Ja;并通过屋顶光伏历史功率缺失数据Ja对缺失/错误数据进行替换;
其中,Jb和Jc分别为已知的屋顶光伏历史发电功率值数据,Kb和Kc分别为已知的屋顶光伏历史发电功率时间点数据;Ka为顶光伏历史功率缺失数据Ja时间点数据,并在Kb和Kc时间点之间。
需要说明的是:屋顶光伏发电设备数量多,在发电生产过程中,依赖量测系统产生了大量的发电功率数据。但海量屋顶光伏发电功率数据有由于量测装置故障、数据传输问题等因素,导致会产生无用和错误的屋顶光伏功率数据。在进行屋顶光伏功率预测数据挖掘时,由于数据的错误和缺失,会造成预测精度降低。因此,首先需对屋顶光伏历史功率数据的错误和缺失值进行清洗,提供满足屋顶光伏功率预测要求的补正数据。
屋顶光伏历史功率数据清洗是指从质量评估中检测出的缺失与错误数据,并进行屋顶光伏历史功率数据补正的过程。线性插值方法是一种屋顶光伏历史功率数据插值函数一次多项式的方法,该方法在插值节点上的误差小,具有插值过程简单、运算速度快的特点。因此,文中采用线性插值法进行数据补正。
作为更进一步的解决方案,所述屋顶光伏出力影响因素包括太阳能组件转换率、太阳辐射量、太阳能组件倾斜角度、组件组合损失、污秽损失、温度损失、湿度损失和大气压力。
需要说明的是:屋顶光伏出力影响因素分析是为了评估,分析太阳辐照度、大气压力等因素与光伏出力的关联度,寻求具有强相关性的因素。其中,屋顶光伏出力影响因素选择如表2所示。
表2屋顶光伏出力影响因素表Tab.2Influencing factors of roofphotovoltaic output
作为更进一步的解决方案,通过主成分分析PCA计算各影响指标所对应的影响权重,其中,屋顶光伏出力影响因素标准化处理值sab为:
其中,sbc为第b个屋顶光伏出力影响因素评价对象的第c个影响指标取值,sc为第c个屋顶光伏出力影响因素的影响指标样本均值,cc为第c个屋顶光伏出力影响因素的影响指标标准差;
屋顶光伏出力影响因素相关性Ba为:
其中,ma为屋顶光伏出力影响因素相关性个数,sbi为不同的屋顶光伏出力影响因素评价对象的相关性,sci为不同样本均值与评价对象相关性;
评估屋顶光伏出力影响因素的综合得分Fa为:
其中,na为屋顶光伏出力影响因素中主成分的个数,hj为第j个屋顶光伏出力影响因素主成分的贡献率,gj为第j个屋顶光伏出力影响因素主成分的累计贡献率。
需要说明的是:主成分分析(Principal Component Analysis,PCA)是一种降维分析统计方法。该方法中,通过正交变换将具有一定相关性的指标进行降维,重新组合成一组维度数量少且相关性低的变量来替代原有指标。该方法具有多变量数据优化效果好、信息损失小等特点。因此,文中采用PCA方法进行屋顶光伏出力影响因素降维。
作为更进一步的解决方案,对待预测区域选用数值天气预报NWP进行区块划分;屋顶光伏的区块划分La为:
其中,nb为对待预测区域的区块数量;li为不同的区块。
需要说明的是:屋顶光伏分布在城市、乡镇、农村不同的建筑物类型上。在不同的建筑物或不同的地形地貌中,屋顶光伏发电功率的典型特征差异较大。因此,在进行超短期屋顶光伏功率预测前,先进行屋顶光伏功率的区块分类。
数值天气预报(numerical weather prediction,NWP)是根据气象的实际情况,在确定的边界范围内,采用气象相关算法进行天气演变过程预测的一种方法,在NWP中,欧洲的天气预报区块划分较细,预测较为准确。因此,在一个具体的实施例中,选用欧洲NWP进行区块划分,划分的网格大小为3*3公里。
作为更进一步的解决方案,通过FCM聚类方法对区块进行分类,所述FCM聚类方法的目标函数Pa为:
其中,nc为屋顶光伏区块的簇数量,ui为不同的屋顶光伏隶属于簇中心的隶属度,mc为FCM聚类中的模糊加权指数,vi为不同的屋顶光伏区块到FCM聚类中心的距离。
需要说明的是:模糊C均值聚类(fuzzy c-means algorithm,FCM)是基于划分的聚类算法,该算法通过优化每个聚类样本到聚类中心的隶属程度,从而进行分类。该算法具有目标函数计算准确率高、分类速度快的特点,因此,本实施例采用FCM聚类方法进行屋顶光伏区块聚类,以获得不同区块的屋顶光伏典型特征。
需要说明的是:屋顶光伏功率预测中,根据屋顶光伏区块特征,选择对应的预测模型;然后,对分区块进行超短期屋顶光伏功率预测,最后,将各区块的屋顶光伏功率进行叠加,形成超短期屋顶光伏功率预测结果。
基于长短期记忆网络(Long Short-Term Memory,LSTM)的多模型集成预测方法,通过LSTM网络中空间的连续函数进行拟合。该方法是一种多模型集成的预测方法,每个模型的训练程度、网络结构均有不同,与普通的预测方法不同,该方法部署在屋顶光伏区块数据输入和超短期屋顶光伏功率预测输出直接的求解一个精确的函数对应关系,而是采用屋顶光伏预测模块匹配算法,寻找一组与输入的屋顶光伏输入数据对应的预测输出数据,该数据并非精确的函数,而是较接近的数值。在每次进行多分类器选择的时候,随着输入的屋顶光伏影响因素数据的变化,模型选择也会随着变化,从而达到了屋顶光伏功率动态预测的目的。屋顶光伏功率预测功能结构如图2所示。
作为更进一步的解决方案,所述基准预测模型通过LSTM网络模型进行单独部署,并按照所对应的簇对LSTM网络模型进行单独训练,得到簇对应的LSTM基准预测模型。
作为更进一步的解决方案,通过如下步骤执行屋顶光伏功率预测:
S1构建多个基于LSTM网络的基准预测模型;
S2对各基准预测模型进行单独训练,并将预测结果满足精度要求的模型进行输出,得到LSTM基准预测模型;
S3确定LSTM基准预测模型与FCM聚类方法得到的簇的适应度;
S4确定各LSTM基准预测模型的权重;
S5对待预测区域中各屋顶光伏区块进行数据采集,并输入对应的到屋顶光伏区块所属簇对应的LSTM基准预测模型中进行超短期屋顶光伏功率预测;
S6 LSTM基准预测模型输出屋顶光伏区块的光伏功率预测值,其中,光伏功率预测值根据簇的适应度进行调整;
S7得到待预测区域各屋顶光伏区块的光伏功率预测值;
S8将各光伏功率预测值按照对应LSTM基准预测模型的权重进行叠加,得到屋顶光伏功率预测结果数据。
一种基于多分类器的超短期屋顶光伏功率预测系统,运行在硬件设备上,并通过如上任一项所述的一种基于多分类器的超短期屋顶光伏功率预测方法来实现对待预测区域的超短期屋顶光伏功率预测。
以上仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于多分类器的超短期屋顶光伏功率预测方法,其特征在于,包括屋顶光伏历史功率数据采集、屋顶光伏历史功率数据质量评估、屋顶光伏历史功率数据清洗、屋顶光伏出力影响分析、屋顶光伏区块分类和屋顶光伏功率预测;
所述屋顶光伏历史功率数据:对待预测区域的屋顶光伏装置的功率数据进行持续数据采集,得到待预测区域对应对的屋顶光伏历史功率数据;
所述屋顶光伏历史功率数据质量评估:根据不同的质量评估项,设置不同的数据质量评估规则,并对屋顶光伏历史功率数据进行目标质量评估,得到对应的评估特征因子值;
所述屋顶光伏历史功率数据清洗:通过屋顶光伏历史功率数据质量评估判断数据是否存在缺失/错误数据;若存在缺失/错误数据,则进行数据补正,直至清洗完所有缺失/错误数据;得到历史功率清洗数据;
所述屋顶光伏出力影响分析:包括屋顶光伏出力影响因素分析和屋顶光伏出力影响权重分析;所述屋顶光伏出力影响因素分析用于评估影响屋顶光伏出力的影响指标;所述屋顶光伏出力影响权重分析用于计算各影响指标所对应的影响权重;将影响指标和所对应的影响权重进行映射,得到屋顶光伏出力影响因素;
所述屋顶光伏区块分类:对待预测区域进行区块划分,得到屋顶光伏区块;再通过聚类算法对屋顶光伏区块进行分类,得到屋顶光伏区块的簇;将各簇作为屋顶光伏出力影响分析的评价对象,得到屋顶光伏出力影响因素,并将屋顶光伏出力影响因素作为同簇屋顶光伏区块的典型特征;
所述屋顶光伏功率预测:设置多个屋顶光伏基准分类器,每一个屋顶光伏基准分类器分别对应一类簇;将簇对应的典型特征和历史功率清洗数据作为训练数据,对屋顶光伏基准分类器进行训练,得到对应的基准预测模型;对待预测区域各区块进行数据采集,并分别输入对应的基准预测模型中进行超短期屋顶光伏功率预测,得到各区域的光伏功率预测值,将各区域的光伏功率预测值进行叠加,得到屋顶光伏功率预测结果数据,完成屋顶光伏功率预测。
2.根据权利要求1所述的一种基于多分类器的超短期屋顶光伏功率预测方法,其特征在于,所述质量评估项包括数据有效性、数据完整性、太阳辐照度影响因子和传输约束;所述数据有效性通过屋顶光伏发电功率进行评估;所述数据完整性通过对应数据值是否为空值进行评估;所述太阳辐照度影响因子通过太阳辐照度和屋顶光伏发电功率进行评估;所述传输约束屋顶光伏发电功率和配电网功率约束进行评估。
4.根据权利要求1所述的一种基于多分类器的超短期屋顶光伏功率预测方法,其特征在于,所述屋顶光伏出力影响因素包括太阳能组件转换率、太阳辐射量、太阳能组件倾斜角度、组件组合损失、污秽损失、温度损失、湿度损失和大气压力。
5.根据权利要求1所述的一种基于多分类器的超短期屋顶光伏功率预测方法,其特征在于,通过主成分分析PCA计算各影响指标所对应的影响权重,其中,屋顶光伏出力影响因素标准化处理值sab为:
其中,sbc为第b个屋顶光伏出力影响因素评价对象的第c个影响指标取值,sc为第c个屋顶光伏出力影响因素的影响指标样本均值,cc为第c个屋顶光伏出力影响因素的影响指标标准差;
屋顶光伏出力影响因素相关性Ba为:
其中,ma为屋顶光伏出力影响因素相关性个数,sbi为不同的屋顶光伏出力影响因素评价对象的相关性,sci为不同样本均值与评价对象相关性;
评估屋顶光伏出力影响因素的综合得分Fa为:
其中,na为屋顶光伏出力影响因素中主成分的个数,hj为第j个屋顶光伏出力影响因素主成分的贡献率,gj为第j个屋顶光伏出力影响因素主成分的累计贡献率。
8.根据权利要求1所述的一种基于多分类器的超短期屋顶光伏功率预测方法,其特征在于,所述基准预测模型通过LSTM网络模型进行单独部署,并按照所对应的簇对LSTM网络模型进行单独训练,得到簇对应的LSTM基准预测模型。
9.根据权利要求8所述的一种基于多分类器的超短期屋顶光伏功率预测方法,其特征在于,通过如下步骤执行屋顶光伏功率预测:
S1构建多个基于LSTM网络的基准预测模型;
S2对各基准预测模型进行单独训练,并将预测结果满足精度要求的模型进行输出,得到LSTM基准预测模型;
S3确定LSTM基准预测模型与FCM聚类方法得到的簇的适应度;
S4确定各LSTM基准预测模型的权重;
S5对待预测区域中各屋顶光伏区块进行数据采集,并输入对应的到屋顶光伏区块所属簇对应的LSTM基准预测模型中进行超短期屋顶光伏功率预测;
S6 LSTM基准预测模型输出屋顶光伏区块的光伏功率预测值,其中,光伏功率预测值根据簇的适应度进行调整;
S7得到待预测区域各屋顶光伏区块的光伏功率预测值;
S8将各光伏功率预测值按照对应LSTM基准预测模型的权重进行叠加,得到屋顶光伏功率预测结果数据。
10.一种基于多分类器的超短期屋顶光伏功率预测系统,其特征在于,运行在硬件设备上,并通过如权利要求1至权利要求9中任一项所述的一种基于多分类器的超短期屋顶光伏功率预测方法来实现对待预测区域的超短期屋顶光伏功率预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210724538.1A CN115169659A (zh) | 2022-06-23 | 2022-06-23 | 一种基于多分类器的超短期屋顶光伏功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210724538.1A CN115169659A (zh) | 2022-06-23 | 2022-06-23 | 一种基于多分类器的超短期屋顶光伏功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169659A true CN115169659A (zh) | 2022-10-11 |
Family
ID=83487324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210724538.1A Pending CN115169659A (zh) | 2022-06-23 | 2022-06-23 | 一种基于多分类器的超短期屋顶光伏功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169659A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577857A (zh) * | 2022-11-15 | 2023-01-06 | 南方电网数字电网研究院有限公司 | 能源系统出力数据预测方法、装置和计算机设备 |
CN116205377A (zh) * | 2023-04-28 | 2023-06-02 | 江西恒能电力工程有限公司 | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
-
2022
- 2022-06-23 CN CN202210724538.1A patent/CN115169659A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115577857A (zh) * | 2022-11-15 | 2023-01-06 | 南方电网数字电网研究院有限公司 | 能源系统出力数据预测方法、装置和计算机设备 |
CN116205377A (zh) * | 2023-04-28 | 2023-06-02 | 江西恒能电力工程有限公司 | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
CN116205377B (zh) * | 2023-04-28 | 2023-08-18 | 江西恒能电力工程有限公司 | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
CN106779223B (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN115169659A (zh) | 一种基于多分类器的超短期屋顶光伏功率预测方法及系统 | |
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 | |
CN112465243B (zh) | 一种空气质量预报方法及系统 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN105069521A (zh) | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 | |
CN106059492A (zh) | 基于功率预测的光伏组件阴影故障类型判定方法 | |
CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN114781723A (zh) | 一种基于多模型融合的短期光伏出力预测方法 | |
CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
WO2024031449A1 (zh) | 一种基于网格聚类的峡谷风电短期功率预测方法 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN115204444A (zh) | 基于改进聚类分析和融合集成算法的光伏功率预测方法 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN111985690B (zh) | 一种风电基地升压站选址方法 | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
Zhou et al. | Elman-Based Forecaster Integrated by AdaboostAlgorithm in 15 min and 24 h ahead Power OutputPrediction Using PM 2.5 Values, PV ModuleTemperature, Hours of Sunshine, and Meteorological Data |
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 |