CN115544895B - 光伏电站年出力保证率模型优化方法 - Google Patents
光伏电站年出力保证率模型优化方法 Download PDFInfo
- Publication number
- CN115544895B CN115544895B CN202211343632.9A CN202211343632A CN115544895B CN 115544895 B CN115544895 B CN 115544895B CN 202211343632 A CN202211343632 A CN 202211343632A CN 115544895 B CN115544895 B CN 115544895B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power station
- annual output
- guarantee rate
- data set
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 238000005375 photometry Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000005654 stationary process Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及光伏电站出力领域,具体涉及一种光伏电站年出力保证率模型优化方法,极大地提高了光伏电站年出力保证率模型的精度。方案包括:收集测光塔和气象站点的观测数据,对收集的数据进行Kriging插值处理,将插值的结果数据输入PVsyst软件进行仿真,获取拟建光伏电站的年出力保证率数据集;通过拟建光伏电站的年出力保证率数据集对神经网络进行训练,获得优化年出力保证率数据集,将优化年出力保证率数据集与实际年出力保证率数据集进行对比,得到优化误差;将拟建光伏电站的年出力保证率数据集与实际年出力保证率数据集进行对比,得到初始误差,通过优化误差与初始误差的对比结果对模型优化程度进行判断。本发明适用于光伏电站年出力模型的优化。
Description
技术领域
本发明涉及光伏电站出力领域,具体涉及一种光伏电站年出力保证率模型优化方法。
背景技术
随着风电、太阳能发电等新能源总装机容量逐渐增加的情况下,新能源的电站规划尤为重要。
对于现有的新能源电站规划,例如光伏电站的规划过程中,光伏电站的年出力保证率是影响光伏电站规划的一项重要指标。在研究光伏电站年出力情况时,通常使用模拟仿真的光伏电站出力情况,但模拟仿真的出力过程与实际运行情况有较大差异,主要表现为两个方面,一是模拟仿真时的高出力概率高,一般还有5%~10%的概率满发,但实际运行过程中由于光伏组件间的同时率问题,年内满发的概率不足1%;二是模拟仿真的出力情况日内分布较为平滑,而光伏电站实际运行的出力过程受云层遮挡、降雨等的影响,日内波动较为强烈。
因此,通过上述方式研究光伏电站年出力保证率会导致光伏电站年出力情况与实际年出力情况误差较大,极大影响光伏电站的规划。
发明内容
本发明的目的是提供一种光伏电站年出力保证率模型优化方法,极大地提高了光伏电站年出力保证率模型的精度。
本发明采取如下技术方案实现上述目的,光伏电站年出力保证率模型优化方法,包括:
步骤1、获取拟建光伏电站的年出力保证率数据集;
步骤2、收集拟开发光伏电站位置区域内已投产光伏电站的某一年的逐小时出力数据集,计算得到实际光伏电站运行年出力保证率数据集;
步骤3、将部分拟建光伏电站的年出力保证率数据集作为训练样本,输入年出力保证率模型的神经网络,以对应的实际光伏电站运行年出力保证率数据集为期望输出,进行神经网络拟合;
步骤4、将剩余部分拟建光伏电站的年出力保证率数据集作为检验数据,输入训练后的神经网络,将得到的输出与实际光伏电站运行年出力保证率数据集作比较,输出无误则神经网络分析模块训练成功,并对应输出优化的年出力保证率数据集;
步骤5、将拟建光伏电站的年出力保证率数据集与对应的实际光伏电站运行年出力保证率数据集进行对比及拟合,得到初始误差;
步骤6、将优化输出的年出力保证率数据集与对应的实际光伏电站运行年出力保证率数据集进行对比及拟合,得到优化误差;
步骤7、将初始误差与优化误差比较,根据比较结果对光伏电站年出力保证率模型的优化程度进行判断。
通过对神经网络的训练及拟合过程,提高了神经网络的准确度;通过初始误差与优化误差的对比来判断模型的优化,极大地提高了光伏电站年出力保证率模型的精度,使得年出力保证率更符合实际情况。
进一步的是,步骤1中,所述获取拟建光伏电站的年出力保证率数据集具体包括:
步骤101、收集拟建光伏电站设置距离内的多个测光塔和气象站点的观测数据;
步骤102、通过Kriging插值后得到拟建光伏电站位置的气象数据;
步骤103、将插值的结果数据输入PVsyst软件进行仿真,获取拟建光伏电站的逐小时出力数据集;
步骤104、通过拟建光伏电站的逐小时出力数据集计算得到拟建光伏电站的年出力保证率数据集。
通过Kriging插值对数据进行处理,提高了数据的准确度,使数据更接近实际情况;通过逐小时出力数据集计算得到年出力保证率数据集,提高了年出力保证率数据集的精度。
进一步的是,步骤5中,所述初始误差包括平均绝对误差与平均相对误差;
所述平均绝对误差的计算公式如下:
Δi=|Xi-Yi|,Δi为第i个数据的绝对误差值,为平均绝对误差,Xi为第i个Kriging插值计算后得到的年出力保证率数据,Yi为第i个实际光伏电站计算后得到的年出力保证率数据,N为时段内出力保证率个数,N为大于0的整数。
所述平均相对误差的计算公式如下:
通过插值计算后得到的年出力保证率数据与实际光伏电站计算后得到的年出力保证率数据计算得到的平均绝对误差与平均相对误差,提高了其准确性。
进一步的是,步骤3,输入年出力保证率模型的神经网络之前还包括:设置神经网络参数,参数具体包括隐含层的数量、隐含层神经元的个数以及训练函数。
通过设置隐含层的数量、隐含层神经元的个数以及训练函数,能够进行针对性的训练,提高训练的正对性与效率。
进一步的是,步骤7中,根据比较结果对光伏电站年出力保证率优化程度进行判断具体包括:
若优化误差低于初始误差,并且优化后的年出力保证率在高出力及低出力的情况下与实际运行年出力保证率的误差降低,则判断光伏电站年出力保证率模型优化成功。
本发明的有益效果为:
本发明降低了仿真出力保证率与实际出力保证率的误差,尤其对低出力和高出力保证率进行了优化。
通过初始误差与优化误差的对比来判断模型的优化,极大地提高了光伏电站年出力保证率模型的精度,误差不断减小,表示对模型优化程度越高,这样使得年出力保证率更符合实际情况。
附图说明
图1为本发明实施例提供的光伏电站年出力保证率模型优化流程图。
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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于对本发明进行理解,在进行方案陈述之前,本发明对相关术语进行解释。
本发明Kriging指克里金法,克里金法是依据协方差函数对随机过程/随机场进行空间建模和预测(插值)的回归算法。在特定的随机过程,例如固有平稳过程中,克里金法能够给出最优线性无偏估计。克里金法是基于一般最小二乘算法的随机插值技术,用方差图作为权重函数。
逐小时出力,指每个小时内的输出有功功率的平均值,按照一年8760/8761个小时排序。
高出力指90%到满负荷输出有功功率这个出力区间。
低出力指0%到10%满负荷有功功率这个出力区间。
本发明光伏电站年出力保证率模型优化方法,如图1所示,包括:
收集拟建光伏电站附近的多个测光塔和气象站点的观测数据;
通过Kriging插值后得到拟建光伏电站位置的气象数据,气象数据包括辐射数据、温度、风速、湿度等;
将插值的结果数据输入PVsyst软件进行仿真,获取拟建光伏电站的逐小时出力数据集,并通过拟建光伏电站的逐小时出力数据集计算得到拟建光伏电站的年出力保证率数据集;
收集拟开发光伏电站位置区域内已投产光伏电站的某一年的逐小时出力数据集,计算得到实际光伏电站运行年出力保证率数据集;
将部分拟建光伏电站的年出力保证率数据集作为训练样本,输入年出力保证率模型的神经网络,以对应的实际光伏电站运行年出力保证率数据集为期望输出,进行神经网络拟合;
将剩余部分拟建光伏电站的年出力保证率数据集作为检验数据,输入训练后的神经网络,将得到的输出与实际光伏电站运行年出力保证率数据集作比较,输出无误则神经网络分析模块训练成功,并对应输出优化的年出力保证率数据集;
将拟建光伏电站的年出力保证率数据集与对应的实际光伏电站运行年出力保证率数据集进行对比及拟合,得到初始误差;
同时将优化输出的年出力保证率数据集与对应的实际光伏电站运行年出力保证率数据集进行对比及拟合,得到优化误差;
将初始误差与优化误差比较,根据比较结果对光伏电站年出力保证率模型的优化结果进行判断,具体包括:若优化误差低于初始误差,并且优化后的年出力保证率在高出力及低出力的情况下与实际运行年出力保证率的误差降低,则判断光伏电站年出力保证率模型优化成功。
上述方法通过对神经网络的训练及拟合过程,提高了神经网络的准确度;通过初始误差与优化误差的对比来判断模型的优化,极大地提高了光伏电站年出力保证率模型的精度,使得年出力保证率更符合实际情况。
通过Kriging插值对数据进行处理,提高了数据的准确度,使数据更接近实际情况;通过逐小时出力数据集计算得到年出力保证率数据集,提高了年出力保证率数据集的精度。
在本发明的一种实施例中,初始误差包括平均绝对误差与平均相对误差;
所述平均绝对误差的计算公式如下:
Δi=|Xi-Yi|,Δi为第i个数据的绝对误差值,为平均绝对误差,Xi为第i个Kriging插值计算后得到的年出力保证率数据,Yi为第i个实际光伏电站计算后得到的年出力保证率数据,N为时段内出力保证率个数,N为大于0的整数。
所述平均相对误差的计算公式如下:
通过插值计算后得到的年出力保证率数据与实际光伏电站计算后得到的年出力保证率数据计算得到的平均绝对误差与平均相对误差,提高了其准确性。
在本发明的一种实施例中,输入年出力保证率模型的神经网络之前还包括:设置神经网络参数,参数具体包括隐含层的数量、隐含层神经元的个数以及训练函数。
通过设置隐含层的数量、隐含层神经元的个数以及训练函数,能够进行针对性的训练,提高训练的正对性与效率。
综上所述,本发明通过上述优化方法极大地提高了光伏电站年出力保证率模型的精度,使得年出力保证率更符合实际情况。对光伏电站规划提供了重要指导意义。
Claims (4)
1.光伏电站年出力保证率模型优化方法,其特征在于,包括:
步骤1、获取拟建光伏电站的年出力保证率数据集;所述获取拟建光伏电站的年出力保证率数据集具体包括:
步骤101、收集拟建光伏电站设置距离内的多个测光塔和气象站点的观测数据;
步骤102、通过Kriging插值后得到拟建光伏电站位置的气象数据;
步骤103、将插值的结果数据输入PVsyst软件进行仿真,获取拟建光伏电站的逐小时出力数据集;
步骤104、通过拟建光伏电站的逐小时出力数据集计算得到拟建光伏电站的年出力保证率数据集;
步骤2、收集拟开发光伏电站位置区域内已投产光伏电站的某一年的逐小时出力数据集,计算得到实际光伏电站运行年出力保证率数据集;
步骤3、将部分拟建光伏电站的年出力保证率数据集作为训练样本,输入年出力保证率模型的神经网络,以对应的实际光伏电站运行年出力保证率数据集为期望输出,进行神经网络拟合;
步骤4、将剩余部分拟建光伏电站的年出力保证率数据集作为检验数据,输入训练后的神经网络,将得到的输出与实际光伏电站运行年出力保证率数据集作比较,输出无误则神经网络分析模块训练成功,并对应输出优化的年出力保证率数据集;
步骤5、将拟建光伏电站的年出力保证率数据集与对应的实际光伏电站运行年出力保证率数据集进行对比及拟合,得到初始误差;
步骤6、将优化输出的年出力保证率数据集与对应的实际光伏电站运行年出力保证率数据集进行对比及拟合,得到优化误差;
步骤7、将初始误差与优化误差比较,根据比较结果对光伏电站年出力保证率模型的优化程度进行判断,若优化误差低于初始误差,并且优化后的年出力保证率在高出力及低出力的情况下与实际运行年出力保证率的误差降低,则判断光伏电站年出力保证率模型优化成功。
4.根据权利要求1所述的光伏电站年出力保证率模型优化方法,其特征在于,步骤3,输入年出力保证率模型的神经网络之前还包括:设置神经网络参数,参数具体包括隐含层的数量、隐含层神经元的个数以及训练函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343632.9A CN115544895B (zh) | 2022-10-31 | 2022-10-31 | 光伏电站年出力保证率模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343632.9A CN115544895B (zh) | 2022-10-31 | 2022-10-31 | 光伏电站年出力保证率模型优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115544895A CN115544895A (zh) | 2022-12-30 |
CN115544895B true CN115544895B (zh) | 2023-05-05 |
Family
ID=84717729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211343632.9A Active CN115544895B (zh) | 2022-10-31 | 2022-10-31 | 光伏电站年出力保证率模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544895B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596162B (zh) * | 2023-07-05 | 2023-10-20 | 浙江正泰新能源开发有限公司 | 一种光伏发电量测算方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IES20020063A2 (en) * | 2001-01-31 | 2002-08-07 | Predictions Dynamics Ltd | Neutral network training |
CN103996073B (zh) * | 2014-05-06 | 2017-11-24 | 国家电网公司 | 测光网络实时校正自学习arma模型光伏功率预测方法 |
CN106570593A (zh) * | 2016-11-10 | 2017-04-19 | 甘肃省电力公司风电技术中心 | 一种基于天气信息的光伏电站出力数据修复方法 |
CN111525615B (zh) * | 2020-04-30 | 2021-08-06 | 贵州电网有限责任公司 | 一种基于保证率的山地光伏电站出力特性评估方法及系统 |
CN113311512A (zh) * | 2021-06-24 | 2021-08-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 基于卫星辐射产品的光伏电站太阳辐射短期预报方法 |
-
2022
- 2022-10-31 CN CN202211343632.9A patent/CN115544895B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115544895A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN111695736B (zh) | 一种基于多模型融合的光伏发电短期功率预测方法 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
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 | |
CN114970952A (zh) | 一种考虑环境因素的光伏出力短期预测方法及系统 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
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 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 | |
CN116485139A (zh) | 一种基于多特征融合的短期光伏发电量预测方法 | |
CN111242371A (zh) | 一种基于非迭代多模型的光伏发电短期预测校正方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN113887839A (zh) | 一种基于聚类的风电场超短期风功率预测方法及系统 | |
CN112949936A (zh) | 基于相似日小波变换和多层感知机的短期光伏功率预测方法 | |
CN111539577A (zh) | 基于风速变化率和高斯过程回归的短期风电功率预测方法 | |
CN113516320B (zh) | 基于多目标遗传算法风速订正和预测风速优化方法及装置 | |
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 | |
CN116956753B (zh) | 基于模拟退火与循环卷积的分布式光伏预测方法与装置 | |
Fang et al. | A FCM-XGBoost-GRU Model for Short-Term Photovoltaic Power Forecasting Based on Weather Classification | |
CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 | |
Kishore et al. | Ultra-Short-term PV Power Forecasting Based on a Support Vector Machine with Improved Dragonfly Algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |