CN115423143A - 一种基于回归分析和lssvm的源荷一体化预测方法 - Google Patents
一种基于回归分析和lssvm的源荷一体化预测方法 Download PDFInfo
- Publication number
- CN115423143A CN115423143A CN202210830514.4A CN202210830514A CN115423143A CN 115423143 A CN115423143 A CN 115423143A CN 202210830514 A CN202210830514 A CN 202210830514A CN 115423143 A CN115423143 A CN 115423143A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- data
- station
- load
- 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 51
- 238000000611 regression analysis Methods 0.000 title claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012843 least square support vector machine Methods 0.000 claims description 30
- 238000010248 power generation Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 48
- 238000011160 research Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response 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
- 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
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
-
- 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
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于回归分析和LSSVM的源荷一体化预测方法,包括:采集数据;对所采集的数据进行预处理,剔除异常数据,并进行归一化处理;计算待预测地区的各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r,以及各个风、光电站的数据准确度C;对待预测地区的特征风、光电站的时间序列数据进行基于STL的时间序列分解;构建回归预测模型;得到待预测地区最终的风电、光伏预测功率;得到待预测地区的负荷预测结果。本发明通过STL时间序列分解,对于各个分量的特性构造不同的回归函数,以量化气象因素、时间因素对风电场、光伏电站出力的影响,本发明考虑到气象因素对不同分量的影响,预测模型更加详细。
Description
技术领域
本发明涉及电力系统源荷预测技术领域,尤其是一种基于回归分析和 LSSVM的源荷一体化预测方法。
背景技术
与常规电源不同,风电、光伏等单机容量小、台数多、出力波动性大、可预测性差、参与有功调节能力差。以高比例可再生能源、高比例电力电子装置为特征的新型电力系统中,源(风光)荷间通过电网形成一个统一整体,电网可控程度下降,而开展准确、及时的新能源发电功率预测便于电网调度部门动态调节常规机组出力,有效减少旋转备用容量,从而降低系统的运行成本,是指导新型电力系统调度控制的基础和关键。
源端逐年攀升的风光并网比例和负荷侧不断增加的需求响应负荷,使得当前电力系统的不确定性日益增强。为保证电能质量和保障电力系统的安全经济运行,不仅对风光发电功率的预测精度提出了更高的要求,也为负荷预测带来了新的挑战。亟需探索新的电力预测方法以同时实现风光荷的高精度预测,应对源荷两端的双重不确定性。
《基于KPCA与混合蛙跳算法的并网光伏电站发电量预测模型研究》建立针对阴雨天的光伏电站预测模型;《基于因子和趋势分析反馈的多元回归负荷预测》利用因子分析方法筛选气象因素,构建基于不同气象下的负荷多元回归模型;《一种结合CNN和GRU网络的超短期风电预测模型》在气象数据分析基础上考虑时序因素的影响,建立了CNN和GRU的风电预测模型。但是这些直接预测方法,未考虑到各个气象因子间的相关关系,降低了预测精度。目前国内外学者对风电功率、光伏发电功率与负荷预测已展开了大量研究,但主要集中在对单一对象的预测上,同时对风光荷中两种及以上对象的预测研究较少,且大部分为未考虑源(风光)荷间相关关系的研究,仅在研究内容中对不同预测对象分别进行独立建模预测。
因此,需要一种更先进的、具有更好预测精度的源(风光)荷一体化的预测方法。
发明内容
本发明的目的在于提供一种预测模型更加详细、实现预测精度有效提升的基于回归分析和LSSVM的源荷一体化预测方法。
为实现上述目的,本发明采用了以下技术方案:一种基于回归分析和LSSVM 的源荷一体化预测方法,该方法包括下列顺序的步骤:
(1)采集待预测地区的风、光电站的发电功率数据、负荷数据和气象数据;
(2)对步骤(1)所采集的数据进行预处理,剔除异常数据,并进行归一化处理;
(3)计算待预测地区的各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r,以及各个风、光电站的数据准确度C;
(4)对待预测地区的特征风、光电站的时间序列数据进行基于STL的时间序列分解;
(5)基于非线性多元回归分析方法,确定经时间序列分解后的特征风、光电站的时间序列和风速、温度、辐照强度气象因素之间的关系,构建回归预测模型;
(6)根据天气预报,将待预测日的气象因素代入特征风、光电站分解后的长期分量、周期波动分量和噪声分量的回归预测模型,预测后将各个分量叠加后得到特征风、光电站发电预测功率,并根据特征风、光电站的容量,得到待预测地区最终的风电、光伏预测功率;
(7)将待预测地区风、光电站的发电功率数据、气象数据和负荷数据划分为训练集和验证集,通过采用基于分段核函数的最小二乘支持向量机LSSVM 进行训练,得到负荷预测模型,将预测后的风、光电站发电功率数据和气象数据代入训练好的负荷预测模型中,得到待预测地区的负荷预测结果。
在步骤(1)中,所述发电功率数据包括n个风电场时序输出功率Pwt,i, i=1,2,…,n,以及m个光伏场时序输出功率Pvt,j,j=1,2,…,m;所述负荷数据为地区电力负荷PLt,t为时间尺度;所述气象数据包括辐照强度f1、环境风速 f2、环境温度f3、环境湿度f4和降水量f5。
所述步骤(2)具体包括以下步骤:
(2a)剔除异常数据:
f(x)<Q1-1.5×IQR,f(x)>Q3+1.5×IQR (1)
其中,f(x)为异常数据,Q1为风、光电站的发电功率数据、负荷数据的下四分位数,Q3为风、光电站的发电功率数据、负荷数据的上四分位数,IQR 为风、光电站的发电功率数据、负荷数据的上下四分位差,即Q3-Q1;
(2b)将风、光电站的发电功率数据、负荷数据统一到最短时间尺度上,对于长时间尺度上出现缺失数据采用插值法对数据进行补全,如下式所示:
(tm)=i=0nL(ti)j=0,j≠intm-tjti-tj (2)
其中,L(ti)是数据在ti时刻的值,L(t)是数据在t时刻的值,tm是数据缺失时刻,ti、tj为缺失数据时刻附近两个采样时间;
(2c)进行归一化处理。
所述步骤(3)具体包括以下步骤:
(3a)分别计算各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r:
(3b)计算各个风、光电站的数据准确度C,其值介于0到1之间:
其中,Np,d,i是为第i个风、光电站一段时间内异常数据个数;Nq,d,i为第i个风、光电站同时间段内采集数据个数;
(3c)定义RC指标,选取特征风、光电站:
RC=r+C (5)。
在步骤(4)中,所述基于STL的时间序列分解是指基于鲁棒局部加权回归的时间序列分解方法,特征风、光电电站功率时间序列分解为:
Pd,t=Td,t+Cd,t+Id,t (6)
其中,d=1时为特征风电场、d=2时为特征光伏场,t表示时间周期,Pd,t为特征风、光电站功率序列;Td,t为长期分量;Cd,t为周期波动分量;Id,t为噪声分量。
所述步骤(5)具体是指:
首先根据非线性多元回归分析方法,得到各个分量和时间、气象因素之间的回归方程:
其中,I为气象指标个数,αdT,l、αdc,l、αdI,l为各个分量对气象因素的回归系数,αd1、βd2、βd3为各个分量对时间的回归系数,εd1、εd2、εd3为各个分量下的回归残差,gd1(t)、gd2(t)、gd3(t)为各个分量对应的时间函数,gd1(t)、gd2(t)、 gd3(t)的公式为:
其中,hi(t)为能拟合长期分量的时间函数,首选线性函数,其次是指数函数;gd2(t)为拟合周期分量的时间函数,选用傅里叶进行拟合;a0、bn、an为傅里叶函数中的组合系数;ei(t)为拟合噪声分量的时间函数,选用白噪声函数进行拟合;
将式(7)、(8)联立,构建出特征风、光电站各个分量的回归模型,再根据式(6),得到特征风、光电站的回归预测模型;
所述步骤(6)具体包括以下步骤:
通过计算特征风、光电站与该地区的额定容量的变换系数,得到该地区总风、光电站预测功率;
(6a)根据天气预报,将待预测日的气象因素代入式(6)、(7)、(8)中,预测a个特征风电站发电功率pwt,a和b个特征光伏电站发电功率pvt,b;
(6b)计算特征风、光电站与该地区的额定容量的变换系数,变换系数γ如下式计算:
其中,γw和γv分别为风电和光电变换系数,PwNj和PvNj为分别该地区中风、光电站额定容量,PwNi和PvNi为特征风、光电站额定容量,该地区总风、光预测功率计算为:
其中,Pw和Pv为该地区总风、光电站预测功率。
所述步骤(7)具体包括以下步骤:
(7a)构建负荷预测所需的输入变量集合和输出变量集合,输入变量集合为x={f1,f2,f3,f4,f5,Pwt,Pvt}={x1,x2,x3,x4,x5,x6,x7},包含气象数据和该地区风电场总功率和光伏电站总功率数据,输出变量集合y=PLt为地区电力负荷;然后按比例划分为训练集和验证集;
(7b)构建基于LSSVM的回归函数,其方程用y=f(x)表示为:
其中,w为权向量,b为输出偏置,φ(x)表示输入变量与高维空间的非线性映射关系;
(7c)根据结构风险最小化原则,为求解式(9),引入松弛变量,则回归问题的目标函数及相应的约束条件为:
其中,c为惩罚函数,ξi为松弛变量,N为样本数;
(7d)再引入拉格朗日乘子,构建拉格朗日函数,以求解上述回归问题,具体如下:
其中,λi为拉格朗日乘子;
拉格朗日函数取到极值即有下式:
(7e)式(13)的解为:
其中,q为阈值,σ为带宽,A为径向基核函数的常数项;
(7f)最终求解负荷预测模型为:
根据验证集判断负荷预测模型是否满足精度,如果没有满足精度,则返回步骤(7c),修改惩罚函数、分段函数阈值和带宽,直到满足精度;如果满足精度,则按式(16)输出负荷预测模型;
(7g)根据负荷预测模型得到预测结果:
根据训练好的负荷预测模型,根据天气预报和风、光电站预测功率,代入到式(16)中,得到负荷预测结果。
由上述技术方案可知,本发明的有益效果为:第一,本发明通过STL时间序列分解,对于各个分量的特性构造不同的回归函数,以量化气象因素、时间因素对风电场、光伏电站出力的影响,相比于传统时间序列预测,本发明考虑到气象因素对不同分量的影响,预测模型更加详细;第二,本发明在预测中考虑到源荷相关性,通过建立未来风光发电功率信息的基于LSSVM的负荷预测模型,在输入变量中除历史负荷数据和气象数据外,也加入了风光发电功率预测结果,相比于单一的负荷预测,本发明考虑到了风光出力对负荷的影响;第三,本发明通过定义电站的综合指标RC,通过计算各个风、光电站的相关性和各个风、光电站的数据完整度综合选取该地区的特征风、光电站;第四,本发明利用分段核函数的LSSVM处理多源数据,以全面利用全局核函数和局部核函数的特性,使LSSVM训练更加精准。
附图说明
图1为本发明的方法流程图。
具体实施方式
如图1所示,一种基于回归分析和LSSVM的源荷一体化预测方法,该方法包括下列顺序的步骤:
(1)采集待预测地区的风、光电站的发电功率数据、负荷数据和气象数据;
(2)对步骤(1)所采集的数据进行预处理,剔除异常数据,并进行归一化处理;
(3)计算待预测地区的各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r,以及各个风、光电站的数据准确度C;
(4)对待预测地区的特征风、光电站的时间序列数据进行基于STL的时间序列分解;
(5)基于非线性多元回归分析方法,确定经时间序列分解后的特征风、光电站的时间序列和风速、温度、辐照强度气象因素之间的关系,构建回归预测模型;
(6)根据天气预报,将待预测日的气象因素代入特征风、光电站分解后的长期分量、周期波动分量和噪声分量的回归预测模型,预测后将各个分量叠加后得到特征风、光电站发电预测功率,并根据特征风、光电站的容量,得到待预测地区最终的风电、光伏预测功率;
(7)将待预测地区风、光电站的发电功率数据、气象数据和负荷数据划分为训练集和验证集,通过采用基于分段核函数的最小二乘支持向量机LSSVM 进行训练,得到负荷预测模型,将预测后的风、光电站发电功率数据和气象数据代入训练好的负荷预测模型中,得到待预测地区的负荷预测结果。
在步骤(1)中,所述发电功率数据包括n个风电场时序输出功率Pwt,i, i=1,2,…,n,以及m个光伏场时序输出功率Pvt,j,j=1,2,…,m;所述负荷数据为地区电力负荷PLt,t为时间尺度;所述气象数据包括辐照强度f1、环境风速f2、环境温度f3、环境湿度f4和降水量f5。
所述步骤(2)具体包括以下步骤:
(2a)剔除异常数据:
f(x)<Q1-1.5×IQR,f(x)>Q3+1.5×IQR (1)
其中,f(x)为异常数据,Q1为风、光电站的发电功率数据、负荷数据的下四分位数,Q3为风、光电站的发电功率数据、负荷数据的上四分位数,IQR 为风、光电站的发电功率数据、负荷数据的上下四分位差,即Q3-Q1;
(2b)将风、光电站的发电功率数据、负荷数据统一到最短时间尺度上,对于长时间尺度上出现缺失数据采用插值法对数据进行补全,如下式所示:
(tm)=i=0nL(ti)j=0,j≠intm-tjti-tj (2)
其中,L(ti)是数据在ti时刻的值,L(t)是数据在t时刻的值,tm是数据缺失时刻,ti、tj为缺失数据时刻附近两个采样时间;
(2c)进行归一化处理。
所述步骤(3)具体包括以下步骤:
(3a)分别计算各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r:
其中,d=1时为风电场、d=2时为光伏场,xt,i,d为第i个风、光电站的功率时间序列;yt,d为该地区风、光电站总功率序列;n为时间序列长度;和分别为xt,i,d和yt,d的均值;r取值介于-1到1之间,皮尔逊相关系数越大,相关性越强。
(3b)计算各个风、光电站的数据准确度C,其值介于0到1之间:
其中,Np,d,i是为第i个风、光电站一段时间内异常数据个数;Nq,d,i为第i个风、光电站同时间段内采集数据个数;
(3c)定义RC指标,选取特征风、光电站:
RC=r+C (5)
RC指标越趋近于2,表明选取的风、光电站越能代表整个区域的风、光出力特性。
在步骤(4)中,所述基于STL的时间序列分解是指基于鲁棒局部加权回归的时间序列分解方法,特征风、光电电站功率时间序列分解为:
Pd,t=Td,t+Cd,t+Id,t (6)
其中,d=1时为特征风电场、d=2时为特征光伏场,t表示时间周期,Pd,t为特征风、光电站功率序列;Td,t为长期分量;Cd,t为周期波动分量;Id,t为噪声分量。
所述STL分解方法指的是基于鲁棒局部加权回归的时间序列分解方法,即seasonal trend decomposition procedure based on locally weighted scatterplotsmoothing,该方法可以对时间序列按任意周期进行分解。
考虑到气象因素的随机波动对风、光发电量的影响较大,且各气象因素之间还存在复杂的相关关系,如果继续使用原始气象数据建立预测模型将导致部分信息被覆盖,影响了预测模型的精度,故对分解后的特征风、光电站的分量进行多元非线性回归分析
所述步骤(5)具体是指:
首先根据非线性多元回归分析方法,得到各个分量和时间、气象因素之间的回归方程:
其中,I为气象指标个数,αdT,l、αdc,l、αdI,l为各个分量对气象因素的回归系数,αd1、βd2、βd3为各个分量对时间的回归系数,εd1、εd2、εd3为各个分量下的回归残差,gd1(t)、gd2(t)、gd3(t)为各个分量对应的时间函数,gd1(t)、gd2(t)、 gd3(t)的公式为:
其中,hi(t)为能拟合长期分量的时间函数,首选线性函数,其次是指数函数;gd2(t)为拟合周期分量的时间函数,选用傅里叶进行拟合;a0、bn、an为傅里叶函数中的组合系数;ei(t)为拟合噪声分量的时间函数,选用白噪声函数进行拟合;
将式(7)、(8)联立,构建出特征风、光电站各个分量的回归模型,再根据式(6),得到特征风、光电站的回归预测模型;
所述步骤(6)具体包括以下步骤:
通过计算特征风、光电站与该地区的额定容量的变换系数,得到该地区总风、光电站预测功率;
(6a)根据天气预报,将待预测日的气象因素代入式(6)、(7)、(8)中,预测a个特征风电站发电功率pwt,a和b个特征光伏电站发电功率pvt,b;
(6b)计算特征风、光电站与该地区的额定容量的变换系数,变换系数γ如下式计算:
其中,γw和γv分别为风电和光电变换系数,PwNj和PvNj为分别该地区中风、光电站额定容量,PwNi和PvNi为特征风、光电站额定容量,该地区总风、光预测功率计算为:
其中,Pw和Pv为该地区总风、光电站预测功率。
为考虑源荷之间的互动耦合关系,基于分段核函数的LSSVM建立了考虑风光发电功率信息的负荷预测模型,即除历史负荷数据外,也将风、光电站历史功率作为输入变量。LSSVM是一种用于解决非线性回归问题的机器学习方法, LSSVM的特点是所需样本少、回归精度高。但LSSVM通常采用的是径向基核函数,在处理多源数据时可能会导致准确性不足,采用分段核函数的方法,以充分利用局部核函数和全局核函数,提高预测精度。建立基于分段核函数的LSSVM 的负荷预测模型,上述LSSVM指的是最小二乘支持向量机,即leastsquare support vector machine。
所述步骤(7)具体包括以下步骤:
(7a)构建负荷预测所需的输入变量集合和输出变量集合,输入变量集合为x={f1,f2,f3,f4,f5,Pwt,Pvt}={x1,x2,x3,x4,x5,x6,x7},包含气象数据和该地区风电场总功率和光伏电站总功率数据,输出变量集合y=PLt为地区电力负荷;然后按比例划分为训练集和验证集;
(7b)构建基于LSSVM的回归函数,其方程用y=f(x)表示为:
其中,w为权向量,b为输出偏置,φ(x)表示输入变量与高维空间的非线性映射关系;
(7c)根据结构风险最小化原则,为求解式(9),引入松弛变量,则回归问题的目标函数及相应的约束条件为:
其中,c为惩罚函数,ξi为松弛变量,N为样本数;
(7d)再引入拉格朗日乘子,构建拉格朗日函数,以求解上述回归问题,具体如下:
其中,λi为拉格朗日乘子;
拉格朗日函数取到极值即有下式:
(7e)式(13)的解为:
其中,q为阈值,σ为带宽,A为径向基核函数的常数项;
(7f)最终求解负荷预测模型为:
根据验证集判断负荷预测模型是否满足精度,如果没有满足精度,则返回步骤(7c),修改惩罚函数、分段函数阈值和带宽,直到满足精度;如果满足精度,则按式(16)输出负荷预测模型;
(7g)根据负荷预测模型得到预测结果:
根据训练好的负荷预测模型,根据天气预报和风、光电站预测功率,代入到式(16)中,得到负荷预测结果。
综上所述,本发明通过STL时间序列分解,对于各个分量的特性构造不同的回归函数,以量化气象因素、时间因素对风电场、光伏电站出力的影响,相比于传统时间序列预测,本发明考虑到气象因素对不同分量的影响,预测模型更加详细;本发明在预测中考虑到源荷相关性,通过建立未来风光发电功率信息的基于LSSVM的负荷预测模型,在输入变量中除历史负荷数据和气象数据外,也加入了风光发电功率预测结果,相比于单一的负荷预测,本发明考虑到了风光出力对负荷的影响。
Claims (7)
1.一种基于回归分析和LSSVM的源荷一体化预测方法,其特征在于:该方法包括下列顺序的步骤:
(1)采集待预测地区的风、光电站的发电功率数据、负荷数据和气象数据;
(2)对步骤(1)所采集的数据进行预处理,剔除异常数据,并进行归一化处理;
(3)计算待预测地区的各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r,以及各个风、光电站的数据准确度C;
(4)对待预测地区的特征风、光电站的时间序列数据进行基于STL的时间序列分解;
(5)基于非线性多元回归分析方法,确定经时间序列分解后的特征风、光电站的时间序列和风速、温度、辐照强度气象因素之间的关系,构建回归预测模型;
(6)根据天气预报,将待预测日的气象因素代入特征风、光电站分解后的长期分量、周期波动分量和噪声分量的回归预测模型,预测后将各个分量叠加后得到特征风、光电站发电预测功率,并根据特征风、光电站的容量,得到待预测地区最终的风电、光伏预测功率;
(7)将待预测地区风、光电站的发电功率数据、气象数据和负荷数据划分为训练集和验证集,通过采用基于分段核函数的最小二乘支持向量机LSSVM进行训练,得到负荷预测模型,将预测后的风、光电站发电功率数据和气象数据代入训练好的负荷预测模型中,得到待预测地区的负荷预测结果。
2.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法,其特征在于:在步骤(1)中,所述发电功率数据包括n个风电场时序输出功率Pwt,i,i=1,2,…,n,以及m个光伏场时序输出功率Pvt,j,j=1,2,…,m;所述负荷数据为地区电力负荷PLt,t为时间尺度;所述气象数据包括辐照强度f1、环境风速f2、环境温度f3、环境湿度f4和降水量f5。
3.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法,其特征在于:所述步骤(2)具体包括以下步骤:
(2a)剔除异常数据:
f(x)<Q1-1.5×IQR,f(x)>Q3+1.5×IQR (1)
其中,f(x)为异常数据,Q1为风、光电站的发电功率数据、负荷数据的下四分位数,Q3为风、光电站的发电功率数据、负荷数据的上四分位数,IQR为风、光电站的发电功率数据、负荷数据的上下四分位差,即Q3-Q1;
(2b)将风、光电站的发电功率数据、负荷数据统一到最短时间尺度上,对于长时间尺度上出现缺失数据采用插值法对数据进行补全,如下式所示:
(tm)=i=0nL(ti)j=0,j≠intm-tjti-tj (2)
其中,L(ti)是数据在ti时刻的值,L(t)是数据在t时刻的值,tm是数据缺失时刻,ti、tj为缺失数据时刻附近两个采样时间;
(2c)进行归一化处理。
4.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法,其特征在于:所述步骤(3)具体包括以下步骤:
(3a)分别计算各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r:
(3b)计算各个风、光电站的数据准确度C,其值介于0到1之间:
其中,Np,d,i是为第i个风、光电站一段时间内异常数据个数;Nq,d,i为第i个风、光电站同时间段内采集数据个数;
(3c)定义RC指标,选取特征风、光电站:
RC=r+C (5)。
5.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法,其特征在于:在步骤(4)中,所述基于STL的时间序列分解是指基于鲁棒局部加权回归的时间序列分解方法,特征风、光电电站功率时间序列分解为:
Pd,t=Td,t+Cd,t+Id,t (6)
其中,d=1时为特征风电场、d=2时为特征光伏场,t表示时间周期,Pd,t为特征风、光电站功率序列;Td,t为长期分量;Cd,t为周期波动分量;Id,t为噪声分量。
6.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法,其特征在于:所述步骤(5)具体是指:
首先根据非线性多元回归分析方法,得到各个分量和时间、气象因素之间的回归方程:
其中,I为气象指标个数,αdT,1、αdc,1、αdI,1为各个分量对气象因素的回归系数,βd1、βd2、βd3为各个分量对时间的回归系数,εd1、εd2、εd3为各个分量下的回归残差,gd1(t)、gd2(t)、gd3(t)为各个分量对应的时间函数,gd1(t)、gd2(t)、gd3(t)的公式为:
其中,hi(t)为能拟合长期分量的时间函数,首选线性函数,其次是指数函数;gd2(t)为拟合周期分量的时间函数,选用傅里叶进行拟合;a0、bn、an为傅里叶函数中的组合系数;ei(t)为拟合噪声分量的时间函数,选用白噪声函数进行拟合;
将式(7)、(8)联立,构建出特征风、光电站各个分量的回归模型,再根据式(6),得到特征风、光电站的回归预测模型;
所述步骤(6)具体包括以下步骤:
通过计算特征风、光电站与该地区的额定容量的变换系数,得到该地区总风、光电站预测功率;
(6a)根据天气预报,将待预测日的气象因素代入式(6)、(7)、(8)中,预测a个特征风电站发电功率pwt,a和b个特征光伏电站发电功率pvt,b;
(6b)计算特征风、光电站与该地区的额定容量的变换系数,变换系数γ如下式计算:
其中,γw和γv分别为风电和光电变换系数,PwNj和PvNj为分别该地区中风、光电站额定容量,PwNi和PvNi为特征风、光电站额定容量,该地区总风、光预测功率计算为:
其中,Pw和Pv为该地区总风、光电站预测功率。
7.根据权利要求1所述的基于回归分析和LSSVM的源荷一体化预测方法,其特征在于:所述步骤(7)具体包括以下步骤:
(7a)构建负荷预测所需的输入变量集合和输出变量集合,输入变量集合为x={f1,f2,f3,f4,f5,Pwt,Pvt}=(x1,x2,x3,x4,x5,x6,x7},包含气象数据和该地区风电场总功率和光伏电站总功率数据,输出变量集合y=PLt为地区电力负荷;然后按比例划分为训练集和验证集;
(7b)构建基于LSSVM的回归函数,其方程用y=f(x)表示为:
其中,w为权向量,b为输出偏置,φ(x)表示输入变量与高维空间的非线性映射关系;
(7c)根据结构风险最小化原则,为求解式(9),引入松弛变量,则回归问题的目标函数及相应的约束条件为:
其中,c为惩罚函数,ξi为松弛变量,N为样本数;
(7d)再引入拉格朗日乘子,构建拉格朗日函数,以求解上述回归问题,具体如下:
其中,λi为拉格朗日乘子;
拉格朗日函数取到极值即有下式:
(7e)式(13)的解为:
其中,q为阈值,σ为带宽,A为径向基核函数的常数项;
(7f)最终求解负荷预测模型为:
根据验证集判断负荷预测模型是否满足精度,如果没有满足精度,则返回步骤(7c),修改惩罚函数、分段函数阈值和带宽,直到满足精度;如果满足精度,则按式(16)输出负荷预测模型;
(7g)根据负荷预测模型得到预测结果:
根据训练好的负荷预测模型,根据天气预报和风、光电站预测功率,代入到式(16)中,得到负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210830514.4A CN115423143A (zh) | 2022-07-15 | 2022-07-15 | 一种基于回归分析和lssvm的源荷一体化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210830514.4A CN115423143A (zh) | 2022-07-15 | 2022-07-15 | 一种基于回归分析和lssvm的源荷一体化预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423143A true CN115423143A (zh) | 2022-12-02 |
Family
ID=84195696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210830514.4A Pending CN115423143A (zh) | 2022-07-15 | 2022-07-15 | 一种基于回归分析和lssvm的源荷一体化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423143A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115882454A (zh) * | 2023-02-09 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
CN116167508A (zh) * | 2023-01-16 | 2023-05-26 | 南通电力设计院有限公司 | 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 |
-
2022
- 2022-07-15 CN CN202210830514.4A patent/CN115423143A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167508A (zh) * | 2023-01-16 | 2023-05-26 | 南通电力设计院有限公司 | 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 |
CN116167508B (zh) * | 2023-01-16 | 2024-03-15 | 南通电力设计院有限公司 | 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 |
CN115882454A (zh) * | 2023-02-09 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
CN115882454B (zh) * | 2023-02-09 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 基于多元信息融合的源荷功率预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine | |
Li et al. | Multi-step wind speed prediction based on turbulence intensity and hybrid deep neural networks | |
De Giorgi et al. | Error analysis of hybrid photovoltaic power forecasting models: A case study of mediterranean climate | |
Yin et al. | A novel non-iterative correction method for short-term photovoltaic power forecasting | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN115423143A (zh) | 一种基于回归分析和lssvm的源荷一体化预测方法 | |
Graditi et al. | Energy yield estimation of thin-film photovoltaic plants by using physical approach and artificial neural networks | |
Jebli et al. | Deep learning based models for solar energy prediction | |
CN109376951B (zh) | 一种光伏概率预测方法 | |
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 | |
CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
Paulescu et al. | Nowcasting solar irradiance using the sunshine number | |
Chang et al. | Solar power generation prediction based on deep learning | |
Du et al. | A theory-guided deep-learning method for predicting power generation of multi-region photovoltaic plants | |
Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
Yang et al. | Short-term photovoltaic power prediction with similar-day integrated by BP-AdaBoost based on the Grey-Markov model | |
Wang et al. | Wind process pattern forecasting based ultra-short-term wind speed hybrid prediction | |
Sun et al. | Solar power prediction in smart grid based on NWP data and an improved boosting method | |
Yang et al. | Decomposition strategy and attention-based long short-term memory network for multi-step ultra-short-term agricultural power load forecasting | |
CN116167508B (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 | |
Fu et al. | Statistical machine learning model for uncertainty analysis of photovoltaic power | |
Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition | |
Emamian et al. | Solar power forecasting with LSTM network ensemble | |
Liu et al. | Intelligent voltage prediction of active distribution network with high proportion of distributed photovoltaics |
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 |