CN115374991A - 一种基于改进统计升尺度的光伏集群出力预测方法 - Google Patents

一种基于改进统计升尺度的光伏集群出力预测方法 Download PDF

Info

Publication number
CN115374991A
CN115374991A CN202210600471.0A CN202210600471A CN115374991A CN 115374991 A CN115374991 A CN 115374991A CN 202210600471 A CN202210600471 A CN 202210600471A CN 115374991 A CN115374991 A CN 115374991A
Authority
CN
China
Prior art keywords
power station
output
cluster
data
photovoltaic
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
CN202210600471.0A
Other languages
English (en)
Inventor
陈清泰
宋森涛
李波
廖绍成
谢志铎
王峰
潘国兵
欧阳静
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.)
State Grid Zhejiang Electric Power Co Ltd Xinchang County Power Supply Co
Zhejiang University of Technology ZJUT
Zhejiang Huayun Information Technology Co Ltd
Original Assignee
State Grid Zhejiang Electric Power Co Ltd Xinchang County Power Supply Co
Zhejiang University of Technology ZJUT
Zhejiang Huayun Information 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 State Grid Zhejiang Electric Power Co Ltd Xinchang County Power Supply Co, Zhejiang University of Technology ZJUT, Zhejiang Huayun Information Technology Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd Xinchang County Power Supply Co
Priority to CN202210600471.0A priority Critical patent/CN115374991A/zh
Publication of CN115374991A publication Critical patent/CN115374991A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/004—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进统计升尺度的光伏集群出力预测方法，涉及电网运维领域。目前光伏集群出力预测精度不高。本发明包括步骤：光伏电站相关性度量与特征空间构建；EOF‑DBSCAN聚类划分出力集群；基准电站选取与权重时间序列构建，各电站出力与集群总出力之间的皮尔逊相关系数选取基准电站，同时计算每个时间节点基准电站出力在集群总出力中的占比，构建权重时间序列；基准电站出力预测与集群出力预测。本技术方案将光伏电站数据纳入考量，有效改善集群电站出力特性的一致性；在确定权重系数时，通过挖掘权重时间规律，预测权重时间序列的方式来提升集群预测的精度；增强集群内电站出力一致性，优化基准电站权重系数，实现光伏集群预测精度的提升。

Description

一种基于改进统计升尺度的光伏集群出力预测方法
技术领域
本发明涉及电网运维领域，尤其涉及一种基于改进统计升尺度的光伏集群出力预测方法。
背景技术
目前，进行分布式光伏集群出力预测方面的研究的基础是准确的光伏单体出力预测技术。单体光伏出力预测大体上可分为统计方法和物理方法，物理方法主要通过辐照度与光伏功率之间的物理关系进行建模，这种建模方法对电站的地理信息和气象信息质量要求很高。统计法主要是依赖大量的历史数据来寻找自变量和因变量功率之间的关系，通过这种关系求出光伏电站的出力。目前常用的统计学方法预测光伏出力主要有自回归滑动平均算法，人工智能算法等。区域内分布式光伏集群出力预测技术主要有统计升尺度法、传统叠加法等。
在传统的基于统计升尺度的区域内分布式光伏集群预测中，通过母线电压等级、地理位置数据构建特征空间并在此基础上进行电站集群划分。统计升尺度法仅考虑了地理、电压等级等外界因素，特征空间包含的信息量较少且缺乏电站出力相关性分析，导致同一集群内光伏电站出力特性一致性不强，每时刻基准电站出力在本集群总出力的占比所构成的权重系数时间序列波动大，不规律性强，使得基准电站在该集群内的代表性不强，从而降低集群出力预测的精度，提升了精准集群出力预测的难度。
同时在传统的基于统计升尺度的区域内分布式光伏集群预测中，基准电站出力的权重系数是固定的，然而每时每刻，基准电站出力占集群总出力的占比是变动的，这就势必对集群预测结果的精度产生影响。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于改进统计升尺度的光伏集群出力预测方法，以提高光伏集群预测精度目的。为此，本发明采取以下技术方案。
一种基于改进统计升尺度的光伏集群出力预测方法包括以下步骤：
1)光伏电站相关性度量与特征空间构建
通过皮尔逊相关系数计算各电站出力时间序列之间相关性，结合各电站地理位置与母线电压信息一同构成原始特征空间；
2)EOF-DBSCAN聚类划分出力集群
通过EOF分解提升特征重要度，优化原始特征空间；在优化后的特征空间进行DBSCAN聚类，通过轮廓系数评价选取范围内最优参数，完成DBSCAN聚类划分；
3)基准电站选取与权重时间序列构建
根据步骤2)划分集群后集群内，各电站出力与集群总出力之间的皮尔逊相关系数选取基准电站，同时计算每个时间节点基准电站出力在集群总出力中的占比，构建权重时间序列；
4)基准电站出力预测与集群出力预测
基于GRU神经网络模型，分别对基准电站出力与权重时间序列进行预测；根据权重时间序列对基准电站出力预测结果进行放大，从而实现光伏电站集群出力预测。
本技术方案在划分集群步骤时将光伏电站数据(包含光伏出力数据)纳入考量，有效改善集群电站出力特性的一致性；同时在确定权重系数时，通过挖掘权重时间规律，预测权重时间序列的方式来提升集群预测的精度；增强集群内电站出力一致性，优化基准电站权重系数，实现光伏集群预测精度的提升；而且，在待预测日权重序列预测方面，GRU自身的结构可以挖掘时间序列的特性和规律，最终逐步接近随机变化性很强的高频分量，因此，用GRU能够对权重时间序列进行准确预测；以上方法综合使用有效保证预测结果的精度。
作为优选技术手段：步骤1)包括以下步骤：
1.1)获取区域内光伏电站的数据信息，数据信息包括：历史出力数据、历史天气数据、电站地理位置信息、与电站相连的母线电压等级、电站装机容量信息；并对数据信息进行异常值与缺失值的检测与处理；
1.2)对步骤1.1)中的数据中离散型数值且类别多于设定值的数据进行标签编码，类别小于设定值的数据进行独热编码处理，对连续型数据进行最大-最小规范化处理；
1.3)对步骤1.2)处理后的数据中各电站历史出力数据通过皮尔逊相关系数计算相关性，各光伏电站皮尔逊出力相关性信息与包括历史天气数据、电站地理位置信息、与电站相连的母线电压等级、电站装机容量的数据信息一同构成原始特征空间,以确保后续电站划分后集群内电站出力一致性。
作为优选技术手段：步骤2)包括以下步骤：
2.1)EOF分析数据样本中的结构特征数据，并提取主要特征数据和挖掘空间共性，通过EOF优化重构原始特征空间以提升模型运行速度；
2.2)在优化重构后的特征空间，根据基于轮廓系数的DBSCAN聚类划分电站出力集群以提升分类精度，在DBSCAN中设置eps和min_samples范围，通过轮廓系数评价选取范围内最优的eps和min_samples参数，最终完成DBSCAN聚类划分。
作为优选技术手段：步骤3)包括以下步骤:
3.1)根据皮尔逊相关系数计算集群内各电站出力与集群总出力之间的相关性，选择系数最大的电站作为该集群基准电站；
3.2)计算每时刻基准电站出力在总集群出力的权重占比，构建权重系数时间序列。
作为优选技术手段：步骤4)包括以下步骤：
4.1)特征衍生，将包括天气数据、电站信息、光伏出力数据的特征做交叉特征、一阶，二阶差分特征，得到数据特征；
4.2)将数据特征作为输入量输入GRU神经网络模型中，GRU神经网络模型输出待预测日的权重时间序列与基准电站出力结果；
4.3)通过权重时间序列放大基准电站出力预测结果，得到光伏电站集群处理预测结果。
作为优选技术手段：在步骤4.2)中，通过GRU时序预测模型挖掘权重系数时间序列与光伏电站出力的时序规律和与步骤4.1)中数据特征的关联。
作为优选技术手段：在步骤2.1)中，对结构特征数据进行标准化处理，之后将电站原始数据矩阵处理成矩平的形式，得到一个新的数据矩阵X＝Xm×n；m为特征数量，n为时间序列长度；
计算矩阵X的协方差矩阵：
Figure BDA0003669685340000051
计算方差C的特征根(λ1,...,λm)和特征向量Vm×m，二者满足关系:
Cm×m×Vm×m＝Vm×m×Em×m (2)
其中：E是m×m对角阵，
Figure BDA0003669685340000052
将λ按照从大到小的顺序排序，λ1＞λ2＞…＞λm,V1,V2,…Vm分别为各个特征向量，其中V1,V2,…Vm就是原始场的特征空间特征向量；计算主成分，将空间模态Vm×m特征向量投影到原始数据矩阵Xm×n上，就得到所有空间特征向量的主成分，及
Figure BDA0003669685340000053
其中PC中每行数据就是对应每个特征向量的主成分；最后各个特征向量的方差贡献率；矩阵X的方差大小可以用特征根的大小来表示，λ越大说明相应特征向量越重要说明贡献越大，第k个特征向量Vk的方差贡献率：
Figure BDA0003669685340000054
如此将电站原始特征空间重构为特征之间差异更大的新特征空间，并将特征的数量压缩至K个，减少了后续DBSCAN算法的输入量与运行时间。
作为优选技术手段：在步骤2.2)中，DBSCAN聚类时，仅用参数(∈,Minpts)描述邻域的样本分布紧密程度，∈描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为∈的邻域中样本个数的阈值，并且运用轮廓系数进行参数调优，优化聚类结果；综上EOF-DBSCAN聚类算法简单有效，能够快速准确的划分出光伏电站集群。
有益效果：本技术方案从多方面对现有光伏集群出力预测进行改进，包括：一、步骤1中：在传统上根据地理位置划分子集群的方法进行了改进，先通过PEARSON相关系数计算各电站出力时间序列之间相关性，在电站原始特征空间中加入电站出力相关性信息。二、步骤2中：在传统的Kmeans方法聚类划分集群的方法上进行了改进，通过经验正交函数(EOF)分解整体光伏集群电站特征进行优化分解以提高模型运行速度；将分解的向量空间作为DBSCAN算法模型的输入量进行子集群划分，并通过轮廓系数来选择合适的模型参数以提升模型分类精度。三、步骤3中，摈弃传统的根据相关性系数确定权重系数的方法，通过构建GRU时序预测模型挖掘权重系数时间序列的规律，对代表电站与子集群之间的权重系数进行了预测。
本技术方案采用EOF-DBSCAN-GRU改进统计升尺度，从多方面、多角度考虑，进行有机组合优化，实现光伏集群预测精度的提升。特别是在：在划分集群步骤时将光伏电站数据(包含光伏出力数据)纳入考量，有效改善集群电站出力特性的一致性；在确定权重系数时，挖掘权重时间规律，预测权重时间序列，提升集群预测的精度；通过增强集群内电站出力一致性、优化基准电站权重系数的方法，保证光伏集群预测精度，且EOF-DBSCAN聚类算法简单有效，使得本技术方案兼顾了预测的快速性、准确性。
附图说明
图1是本发明的流程图。
图2是本发明的EOF-DBSCAN聚类流程图。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示，一种基于改进统计升尺度的光伏集群出力预测方法包括以下步骤：
S1:光伏电站相关性度量与特征空间构建
通过皮尔逊相关系数计算各电站出力时间序列之间相关性，结合各电站地理位置与母线电压信息一同构成原始特征空间；具体包括步骤：
S1.1：获取区域内光伏电站的数据信息，数据信息包括：历史出力数据、历史天气数据、电站地理位置信息、与电站相连的母线电压等级、电站装机容量信息；并对数据信息进行异常值与缺失值的检测与处理；
S1.2：对步骤S1.1中的数据中离散型数值且类别多于设定值的数据进行标签编码，类别小于设定值的数据进行独热编码处理，对连续型数据进行最大-最小规范化处理；
S1.3：对步骤S1.2处理后的数据中各电站历史出力数据通过皮尔逊相关系数计算相关性，各光伏电站皮尔逊出力相关性信息与包括历史天气数据、电站地理位置信息、与电站相连的母线电压等级、电站装机容量的数据信息一同构成原始特征空间,以确保后续电站划分后集群内电站出力一致性。
S2：EOF-DBSCAN聚类划分出力集群
EOF-DBSCAN聚类流程如图2所示，通过EOF分解提升特征重要度，优化原始特征空间；在优化后的特征空间进行DBSCAN聚类，通过轮廓系数评价选取范围内最优参数，完成DBSCAN聚类划分；具体包括：
S2.1：EOF分析数据样本中的结构特征数据，并提取主要特征数据和挖掘空间共性，通过EOF优化重构原始特征空间以提升模型运行速度；
EOF对结构特征数据进行标准化处理，之后将电站原始数据矩阵处理成矩平的形式，得到一个新的数据矩阵X＝Xm×n；m为特征数量，n为时间序列长度。
计算矩阵X的协方差矩阵：
Figure BDA0003669685340000081
计算方差C的特征根(λ1,...,λm)和特征向量Vm×m，二者满足关系:
Cm×m×Vm×m＝Vm×m×Em×m (2)
其中：E是m×m对角阵，
Figure BDA0003669685340000082
将λ按照从大到小的顺序排序，λ1＞λ2＞…＞λm,V1,V2,…Vm分别为各个特征向量，其中V1,V2,…Vm就是原始场的特征空间特征向量。计算主成分，将空间模态Vm×m特征向量投影到原始数据矩阵Xm×n上，就得到所有空间特征向量的主成分，及
Figure BDA0003669685340000091
其中PC中每行数据就是对应每个特征向量的主成分。最后各个特征向量的方差贡献率。矩阵X的方差大小可以用特征根的大小来表示，λ越大说明相应特征向量越重要说明贡献越大，第k个特征向量Vk的方差贡献率：
Figure BDA0003669685340000092
如此将电站原始特征空间重构为特征之间差异更大的新特征空间，并将特征的数量压缩至K个，减少了后续DBSCAN算法的输入量与运行时间。
S2.2：在优化重构后的特征空间，根据基于轮廓系数的DBSCAN聚类划分电站出力集群以提升分类精度，在DBSCAN中设置eps和min_samples范围，通过轮廓系数评价选取范围内最优的eps和min_samples参数，最终完成DBSCAN聚类划分。DBSCAN聚类时，仅用参数(∈,Minpts)描述邻域的样本分布紧密程度，∈描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为∈的邻域中样本个数的阈值，并且运用轮廓系数进行参数调优，优化聚类结果。综上EOF-DBSCAN聚类算法简单有效，能够快速准确的划分出光伏电站集群；
S3：基准电站选取与权重时间序列构建
根据步骤S2：划分集群后集群内，各电站出力与集群总出力之间的皮尔逊相关系数选取基准电站，同时计算每个时间节点基准电站出力在集群总出力中的占比，构建权重时间序列；
具体包括步骤：
S3.1：根据皮尔逊相关系数计算集群内各电站出力与集群总出力之间的相关性，选择系数最大的电站作为该集群基准电站；
S3.2：计算每时刻基准电站出力在总集群出力的权重占比，构建权重系数时间序列。
S4：基准电站出力预测与集群出力预测
基于GRU神经网络模型，分别对基准电站出力与权重时间序列进行预测；根据权重时间序列对基准电站出力预测结果进行放大，从而实现光伏电站集群出力预测。
具体包括步骤：
S4.1：特征衍生，将包括天气数据、电站信息、光伏出力数据的特征做交叉特征、一阶，二阶差分特征，得到数据特征；
S4.2：将S4.1中的数据特征作为输入量输入GRU神经网络模型中，GRU神经网络模型输出待预测日的权重时间序列与基准电站出力结果；通过GRU时序预测模型挖掘权重系数时间序列与光伏电站出力的时序规律和与步骤S4.1中数据特征的关联；
S4.3：通过权重时间序列放大基准电站出力预测结果，得到光伏电站集群处理预测结果。
在待预测日权重序列预测方面，GRU自身的结构可以挖掘时间序列的特性和规律，最终逐步接近随机变化性很强的高频分量，因此，用GRU能够对权重时间序列进行准确预测。以上方法综合使用有效保证预测结果的精度。
以上图1、2所示的一种基于改进统计升尺度的光伏集群出力预测方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行形状、结构等方面的等同修改，均在本方案的保护范围之列。

Claims (8)

1.一种基于改进统计升尺度的光伏集群出力预测方法，其特征在于：包括以下步骤：
1)光伏电站相关性度量与特征空间构建
通过皮尔逊相关系数计算各电站出力时间序列之间相关性，结合各电站地理位置与母线电压信息一同构成原始特征空间；
2)EOF-DBSCAN聚类划分出力集群
通过EOF分解提升特征重要度，优化原始特征空间；在优化后的特征空间进行DBSCAN聚类，通过轮廓系数评价选取范围内最优参数，完成DBSCAN聚类划分；
3)基准电站选取与权重时间序列构建
根据步骤2)划分集群后集群内，各电站出力与集群总出力之间的皮尔逊相关系数选取基准电站，同时计算每个时间节点基准电站出力在集群总出力中的占比，构建权重时间序列；
4)基准电站出力预测与集群出力预测
基于GRU神经网络模型，分别对基准电站出力与权重时间序列进行预测；根据权重时间序列对基准电站出力预测结果进行放大，从而实现光伏电站集群出力预测。
2.根据权利要求1所述的一种基于改进统计升尺度的光伏集群出力预测方法，其特征在于：步骤1)包括以下步骤：
1.1)获取区域内光伏电站的数据信息，数据信息包括：历史出力数据、历史天气数据、电站地理位置信息、与电站相连的母线电压等级、电站装机容量信息；并对数据信息进行异常值与缺失值的检测与处理；
1.2)对步骤1.1)中的数据中离散型数值且类别多于设定值的数据进行标签编码，类别小于设定值的数据进行独热编码处理，对连续型数据进行最大-最小规范化处理；
1.3)对步骤1.2)处理后的数据中各电站历史出力数据通过皮尔逊相关系数计算相关性，各光伏电站皮尔逊出力相关性信息与包括历史天气数据、电站地理位置信息、与电站相连的母线电压等级、电站装机容量的数据信息一同构成原始特征空间,以确保后续电站划分后集群内电站出力一致性。
3.根据权利要求2所述的一种基于改进统计升尺度的光伏集群出力预测方法，其特征在于：步骤2)包括以下步骤：
2.1)EOF分析数据样本中的结构特征数据，并提取主要特征数据和挖掘空间共性，通过EOF优化重构原始特征空间以提升模型运行速度；
2.2)在优化重构后的特征空间，根据基于轮廓系数的DBSCAN聚类划分电站出力集群以提升分类精度，在DBSCAN中设置eps和min_samples范围，通过轮廓系数评价选取范围内最优的eps和min_samples参数，最终完成DBSCAN聚类划分。
4.根据权利要求3所述的一种基于改进统计升尺度的光伏集群出力预测方法，其特征在于：步骤3)包括以下步骤:
3.1)根据皮尔逊相关系数计算集群内各电站出力与集群总出力之间的相关性，选择系数最大的电站作为该集群基准电站；
3.2)计算每时刻基准电站出力在总集群出力的权重占比，构建权重系数时间序列。
5.根据权利要求4所述的一种基于改进统计升尺度的光伏集群出力预测方法，其特征在于：步骤4)包括以下步骤：
4.1)特征衍生，将包括天气数据、电站信息、光伏出力数据的特征做交叉特征、一阶，二阶差分特征，得到数据特征；
4.2)将数据特征作为输入量输入GRU神经网络模型中，GRU神经网络模型输出待预测日的权重时间序列与基准电站出力结果；
4.3)通过权重时间序列放大基准电站出力预测结果，得到光伏电站集群处理预测结果。
6.根据权利要求5所述的一种基于改进统计升尺度的光伏集群出力预测方法，其特征在于：在步骤4.2)中，通过GRU时序预测模型挖掘权重系数时间序列与光伏电站出力的时序规律和与步骤4.1)中数据特征的关联。
7.根据权利要求3所述的一种基于改进统计升尺度的光伏集群出力预测方法，其特征在于：在步骤2.1)中，对结构特征数据进行标准化处理，之后将电站原始数据矩阵处理成矩平的形式，得到一个新的数据矩阵X＝Xm×n；m为特征数量，n为时间序列长度；
计算矩阵X的协方差矩阵：
Figure FDA0003669685330000031
计算方差C的特征根(λ1,...,λm)和特征向量Vm×m，二者满足关系:
Cm×m×Vm×m＝Vm×m×Em×m (2)
其中：E是m×m对角阵，
Figure FDA0003669685330000041
将λ按照从大到小的顺序排序，λ1＞λ2＞…＞λm,V1,V2,…Vm分别为各个特征向量，其中V1,V2,…Vm就是原始场的特征空间特征向量；计算主成分，将空间模态Vm×m特征向量投影到原始数据矩阵Xm×n上，就得到所有空间特征向量的主成分，及
Figure FDA0003669685330000042
其中PC中每行数据就是对应每个特征向量的主成分；最后各个特征向量的方差贡献率；矩阵X的方差大小可以用特征根的大小来表示，λ越大说明相应特征向量越重要说明贡献越大，第k个特征向量Vk的方差贡献率：
Figure FDA0003669685330000043
如此将电站原始特征空间重构为特征之间差异更大的新特征空间，并将特征的数量压缩至K个，减少后续DBSCAN算法的输入量与运行时间。
8.根据权利要求7所述的一种基于改进统计升尺度的光伏集群出力预测方法，其特征在于：在步骤2.2)中，DBSCAN聚类时，仅用参数(ε,Minpts)描述邻域的样本分布紧密程度，ε描述某一样本的邻域距离阈值，MinPts描述某一样本的距离为ε的邻域中样本个数的阈值，并且运用轮廓系数进行参数调优，优化聚类结果。
CN202210600471.0A 2022-05-30 2022-05-30 一种基于改进统计升尺度的光伏集群出力预测方法 Pending CN115374991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210600471.0A CN115374991A (zh) 2022-05-30 2022-05-30 一种基于改进统计升尺度的光伏集群出力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210600471.0A CN115374991A (zh) 2022-05-30 2022-05-30 一种基于改进统计升尺度的光伏集群出力预测方法

Publications (1)

Publication Number Publication Date
CN115374991A true CN115374991A (zh) 2022-11-22

Family

ID=84062614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210600471.0A Pending CN115374991A (zh) 2022-05-30 2022-05-30 一种基于改进统计升尺度的光伏集群出力预测方法

Country Status (1)

Country Link
CN (1) CN115374991A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056326A (zh) * 2023-08-11 2023-11-14 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于灰色关联自适应确权的gnss数据质量评价方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117056326A (zh) * 2023-08-11 2023-11-14 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于灰色关联自适应确权的gnss数据质量评价方法及系统
CN117056326B (zh) * 2023-08-11 2024-05-03 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于灰色关联自适应确权的gnss数据质量评价方法及系统

Similar Documents

Publication Publication Date Title
US20220373984A1 (en) Hybrid photovoltaic power prediction method and system based on multi-source data fusion
CN109919353B (zh) 一种基于空间相关性的arima模型的分布式光伏预测方法
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
CN109376772B (zh) 一种基于神经网络模型的电力负荷组合预测方法
CN112257941A (zh) 基于改进型Bi-LSTM的光伏电站短期功率预测方法
CN112232543B (zh) 一种基于图卷积网络的多站点预测方法
CN110163429A (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN104865827B (zh) 一种基于多工况模型的抽油机采油优化方法
CN110659672B (zh) 一种风电机组出力分步不确定性预测方法及装置
CN111861023A (zh) 基于统计学的混合风电功率预测方法、装置
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN113033081A (zh) 一种基于som-bpnn模型的径流模拟方法及系统
CN113627674A (zh) 一种分布式光伏电站出力预测方法、装置及存储介质
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN112418476A (zh) 一种超短期电力负荷预测方法
CN115222106A (zh) 一种自适应模型的用户日前负荷预测方法
CN111882114B (zh) 一种短时交通流量预测模型构建方法及预测方法
CN115374991A (zh) 一种基于改进统计升尺度的光伏集群出力预测方法
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN109858667A (zh) 一种基于雷电气候对负荷影响的短期负荷聚类方法
CN116826745B (zh) 一种电力系统背景下的分层分区短期负荷预测方法及系统
CN109726862A (zh) 一种用户日电量模式预测方法
CN116885703B (zh) 一种高维多元气象数据融合的短期风光功率预测方法
CN110852628B (zh) 考虑发展模式影响的农村中长期负荷预测方法

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