CN116050187A - 秒级光伏功率预测的ts模糊异常值自修正方法及系统 - Google Patents
秒级光伏功率预测的ts模糊异常值自修正方法及系统 Download PDFInfo
- Publication number
- CN116050187A CN116050187A CN202310326265.XA CN202310326265A CN116050187A CN 116050187 A CN116050187 A CN 116050187A CN 202310326265 A CN202310326265 A CN 202310326265A CN 116050187 A CN116050187 A CN 116050187A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- photovoltaic power
- parameter
- module
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012937 correction Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004146 energy storage Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
Abstract
本发明提供秒级光伏功率预测的TS模糊异常值自修正方法及系统,方法包括:采集并处理光伏系统并网点的运行功率数据,数据间隔为3秒;建立适用于光伏功率预测的TS模糊模型;设置模糊模型前件的初始参数,利用最小二乘法,寻找能使误差的平方和最小的后件参数;结合启发式寻优算法,根据上一步得出的后件参数倒推能使误差平方和最小的前件参数,迭代数次,直至满足条件后结束;将训练好的模糊参数代入模糊预测模型中,并将新的光伏功率数据投入模型,并对异常值进行检测;当检测出异常值后,进入修正环节,直至获得无异常的输出值。本发明解决了时间最小分辨率过长、特定场景下存在的异常置零的技术问题。
Description
技术领域
本发明涉及电力系统光伏功率预测技术领域,具体涉及秒级光伏功率预测的TS模糊异常值自修正方法。
背景技术
现有并网式光伏发电系统中配置储能的一个重要目的就是平滑光伏电力输出,提升光伏电力质量,而高精度的光伏发电功率超短期预测所提供的功率瞬变信息,有助于电网优化调度,对保障电网平稳运行具有重要意义。近年来TS(Takagi-Sugen)模糊模型因其具有只需采用少量的模糊规则就能够表征复杂的非线性函数的优点,被广泛应用于低维度的光伏功率超短期预测。而在秒级的光伏功率预测场景中,现有TS模糊模型在具体应用中会有异常值出现,因此在高精度的光伏发电功率超短期预测中,如何提高TS模糊模型输出的准确性和可靠性是未来研究的一个重点。
公布号为CN115693655A的现有发明专利申请文献《一种基于TS模糊控制的负荷频率控制方法、装置及设备》,方法包括:获取负荷频率需求信号;其中,所述负荷频率需求信号包括负荷端发生扰动和系统产生的频率偏差;根据所述负荷频率需求信号,确定区域控制误差;根据预设映射关系,获取与所述区域控制误差相对应的多个控制参数集;将所述多个控制参数集作为预设TS优化模型的输入。以及公布号为CN115562032A的现有发明专利申请文献《基于模糊观测器的直流微电网动态稳定预测控制方法》包括:建立直流微电网的直流微电网动态模型;基于直流微电网动态模型,结合扇形非线性方法建立直流微电网的T-S模糊模型;基于直流微电网的T-S模糊模型构建对应的模糊观测器和模糊预测控制器;将直流微电网当前时刻的电网信号输入模糊观测器,输出对应的系统状态;然后将系统状态输入模糊预测控制器,输出对应的未来控制输入;最后基于未来控制输入求解未来的电网控制量,进而基于未来的电网控制量实现直流微电网的控制。前述现有技术中在超短期能够帮助超前优化,降低并网对电力系统的冲击,但目前国标GB/T 40607-2021中对超短期光伏功率预测的时间最小分辨率要求为15min,难以满足实时优化控制的时间尺度需求,仍需提升其功率预测的时间间隔。另一方面更短的光伏功率间隔数据,会具有更高的波动性和随机性,现有的TS模糊预测模型研究方法,主要聚焦于初始值的选取和模糊子空间的划分,以期望得到更高的预测精度,包括:模糊聚类(FCM)、粒子群算法、卡尔曼。但对TS模糊模型具体应用场景中异常值的出现少有分析。
目前超短期光伏功率预测的时间最小分辨率仍为15min,难以满足实时优化控制的时间尺度需求,此外T-S(Takagi-Sugen)模糊模型在高波动性、随机性时间序列预测中的异常置0问题仍待研究与解决。
综上,现有技术存在时间最小分辨率过长、特定场景下存在的异常置零的技术问题。
发明内容
本发明所要解决的技术问题在于:如何解决现有技术中时间最小分辨率过长、特定场景下存在的异常置零的技术问题。
本发明是采用以下技术方案解决上述技术问题的:秒级光伏功率预测的TS模糊异常值自修正方法包括:
S1、按照预置数据间隔,采集并处理光伏系统并网点的运行功率数据;
S2、根据运行功率数据建立TS模糊预测模型,供预测光伏功率;
S3、设置TS模糊预测模型的前件初始参数,利用线性最小二乘法,求取误差平方和最小后件参数;
S4、利用启发式寻优算法,根据误差平方和最小后件参数以及前件初始参数,倒推得到误差平方和最小前件参数,迭代前述倒推操作,直至满足预置前件参数条件,利用误差平方和最小前件参数及误差平方和最小后件参数,获取适用TS模糊预测模型;
S5、将预训练模糊参数代入适用TS模糊预测模型,将新光伏功率数据投入适用TS模糊预测模型,并检测是否存在异常值;
S6、在检测出异常值时,持续进行修正操作,直至获得无异常的光伏功率预测输出值,步骤S6包括:
S61、设定前提变量的隶属度函数的范围区间;
S62、在归一化的隶属度函数均为预设值时,计算每个前提变量与其相应模糊子空间的偏离程度
p i;
S63、从偏离程度
p i中,取绝对值最大偏离度
p imax,加入偏离基准数
P base,以进行反向偏离操作;
S64、在最小的偏离程度
p i反向小于或等于预设模糊子空间边值时,使各前提变量居于其自身的模糊子空间内,以得出光伏功率预测输出值;
S65、进行反向偏置复位。
本发明在秒级的光伏功率预测场景中,针对现有方法时间分辨率过长、TS模糊算法预测输出异常置0等问题,在现有TS模糊模型的基础上加入了异常值的修正机制,有效提高了TS模糊算法对秒级光伏功率序列预测的准确性和可靠性。
在更具体的技术方案中,步骤S2中,对TS模糊预测模型中的离散系统模型,以下述逻辑表示离散系统模型的一阶模糊模型的模糊蕴含条件句:
(1)
式中,表示模糊系统的第
l条规则,
k表示当前样本时刻,(.),
j= 1, … ,
d意指
u 1(.),
u 2(.),…,
u d(.)共
d个变量共同作为TS模糊模型的输入,括号中的点(.)表示不同的采样时刻,表示第l条规则下,第
j个(
j= 1, … ,
d)变量的隶属度函数,全部的隶属度函数组成模糊集,表示后件参数,
y(k)为当前样本时刻TS模糊系统的输出。
在更具体的技术方案中,利用下述逻辑,将模糊集设为三角隶属度函数:
(2)
式中,、和是模糊集的参数。
本发明在经典TS模糊模型的基础上加入了异常值检测与修正环节,利用隶属度函数检测异常值,进一步扩大了TS模糊模型的应用范围,有效提升了该模型应用于波动时间序列预测的准确性和可靠性。
在更具体的技术方案中,步骤S1中,利用下述逻辑构建TS模糊预测模型的TS模糊系统:
(3)
(4)
式中,
n为模糊规则数,
m为模糊系统输入数目,为1与输入变量组合而成的列向量[1,(.)]T,其中1表示对应的后件参数
p 0无变量相乘,T意指矩阵转置,为当前时刻的TS模糊系统。
在更具体的技术方案中,步骤S2中,利用下述逻辑定义TS模糊预测模型的归一化隶属度函数:
(5)式中,表示第
l条规则在总输出中所占的权重。
相对于现有TS模糊模型研究主要研究对象为模型建立本身,本发明所提出算法可作为模型应用的补充,与现有TS模糊模型建立算法结合,在检测到归一化的隶属度函数均为0时,对TS模糊预测模型进行异常自修正,并将该修正机制应用到秒级的光伏功率预测领域中。为秒级光伏功率预测提供更为精确与可靠的预测结果,满足电力系统稳定运行要求。
在更具体的技术方案中,步骤S3包括:
S31、利用下述逻辑表示TS模糊预测模型的一个TS模糊系统的输出
y:
(6)
式中,
u 1,
u 2, …,
u d→
y j(
j=1…
m)为输入输出数据,
M为通过取最小的方式算得的权重,此处为简化公式选取的代表性字母;
S32、根据线性最小二乘法,处理得到后件参数:,,…,(
l=1…
n);
S33、根据下述逻辑,令预置参数
X(
m×
n(
d+1))
,Y(
m×1)
,P(
n(
d+1)×1)分别为:
(7)
式中,
X为输入变量矩阵,
Y为输出变量矩阵,
P为参数向量,为第
d个输入变量在第
n条规则下对应的后件参数。
S34、根据预置参数以及后件参数,处理得到误差平方和最小后件参数。
在更具体的技术方案中,步骤S34中,利用下述逻辑处理得到参数向量
P,据以获取误差平方和最小后件参数:
。
在更具体的技术方案中,步骤S4中,预置前件参数条件包括:
稳定状态的性能指标小于预定性能值;
稳定状态的前提量大于预定提前量值。
在更具体的技术方案中,步骤S63中,根据最大的模糊子空间的交叠范围,利用下述逻辑选取偏离基准数
P base:
(9)
式中,a取值范围包括[0, 0.1],、为最大的模糊子空间,
C i为各变量所属模糊子空间范围的上限,
B i为各变量所属模糊子空间范围的下限。
在更具体的技术方案中,秒级光伏功率预测的TS模糊异常值自修正系统包括:
光伏并网点数据采集模块,用以按照预置数据间隔,采集并处理光伏系统并网点的运行功率数据;
模型构建模块,用以根据运行功率数据建立TS模糊预测模型,供预测光伏功率,模型构建模块与光伏并网点数据采集模块连接;
模型前后件参数设置模块,用以设置TS模糊预测模型的前件初始参数,利用线性最小二乘法,求取误差平方和最小后件参数,模型前后件参数设置模块与模型构建模块连接;
TS模糊预测模型参数调优模块,用以利用启发式寻优算法,根据误差平方和最小后件参数以及前件初始参数,倒推得到误差平方和最小前件参数,迭代前述倒推操作,直至满足预置前件参数条件,利用误差平方和最小前件参数及误差平方和最小后件参数,获取适用TS模糊预测模型,TS模糊预测模型参数调优模块与模型前后件参数设置模块连接;
异常值检测模块,用以将预训练模糊参数代入适用TS模糊预测模型,将新光伏功率数据投入适用TS模糊预测模型,并检测是否存在异常值,异常值检测模块与TS模糊预测模型参数调优模块连接;
输出及修正模块,用以在检测出异常值时,持续进行修正操作,直至获得无异常的光伏功率预测输出值,输出及修正模块与异常值检测模块及TS模糊预测模型参数调优模块连接,输出及修正模块包括:
前提变量设定模块,用以设定前提变量的隶属度函数的范围区间;
偏离程度计算模块,用以在归一化的隶属度函数均为预设值时,计算每个前提变量与其相应模糊子空间的偏离程度
p i,偏离程度计算模块与前提变量设定模块连接;
反向偏离模块,用以从偏离程度
p i中,取绝对值最大偏离度
p imax,加入偏离基准数
P base,以进行反向偏离操作,反向偏离模块与偏离程度计算模块连接;
光伏功率预测输出模块,用以在最小的偏离程度
p i反向不超过预设模糊子空间边值时,使各前提变量居于其自身的模糊子空间内,以得出光伏功率预测输出值,光伏功率预测输出模块与反向偏离模块连接;
复位模块,用以进行反向偏置复位,复位模块与光伏功率预测输出模块连接。
本发明相比现有技术具有以下优点:本发明在秒级的光伏功率预测场景中,针对现有方法时间分辨率过长、TS模糊算法预测输出异常置0等问题,在现有TS模糊模型的基础上加入了异常值的修正机制,有效提高了TS模糊算法对秒级光伏功率序列预测的准确性和可靠性。
本发明在经典TS模糊模型的基础上加入了异常值检测与修正环节,利用隶属度函数检测异常值,进一步扩大了TS模糊模型的应用范围,有效提升了该模型应用于波动时间序列预测的准确性和可靠性。
相对于现有TS模糊模型研究主要研究对象为模型建立本身,本发明所提出算法可作为模型应用的补充,与现有TS模糊模型建立算法结合,在检测到归一化的隶属度函数均为0时,对TS模糊预测模型进行异常自修正,并将该修正机制应用到秒级的光伏功率预测领域中。为秒级光伏功率预测提供更为精确与可靠的预测结果,满足电力系统稳定运行要求。本发明解决了现有技术中存在的时间最小分辨率过长、特定场景下存在的异常置零的技术问题。
附图说明
图1为本发明实施例1的秒级光伏功率预测的TS模糊异常值自修正方法基本步骤示意图;
图2为本发明实施例1的以平滑输出为目标的光伏储能系统一般结构示意图;
图3为本发明实施例1的以平滑输出为目标的光伏储能系统一般结构图;
图4为本发明实施例2的模型训练和测试仿真验证示意图;
图5为本发明实施例2的经典TS模糊模型预测输出结果示意图;
图6为本发明实施例2的经典TS模糊误差百分比箱线图;
图7为本发明实施例2的异常值自修正TS模糊算法预测输出结果示意图;
图8为本发明实施例2的改进TS模糊误差百分比箱线图。
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,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作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。
实施例1
如图1所示,本发明提供的秒级光伏功率预测的TS模糊异常值自修正方法,包括以下基本步骤:
步骤S1、采集并处理光伏系统并网点的运行功率数据,数据间隔为3秒;
步骤S2、建立适用于光伏功率预测的TS模糊模型;
步骤S3、设置模糊模型前件的初始参数,利用最小二乘法,寻找能使误差的平方和最小的后件参数;
步骤S4、结合启发式寻优算法,根据上一步得出的后件参数倒推能使误差平方和最小的前件参数,迭代数次,直至满足条件后结束;
步骤S5、将训练好的模糊参数代入模糊预测模型中,并将新的光伏功率数据投入模型,并对异常值进行检测;
步骤S6、当检测出异常值后,进入修正环节,直至获得无异常的输出值。
如图2所示,在本实施例中,平滑输出光伏储能系统包括:储能系统1、光伏阵列2、控制/逆变器3、变压器4以及电网5。在本实施例中,控制/逆变器3连接储能系统1以及光伏阵列2,变压器4连接控制/逆变器3,变压器4接入电网5。
在本实施例中,步骤S2中TS模糊模型是由一组IF-THEN模糊规则来描述的非线性模型,每条规则代表一个子系统,其原始形式模糊蕴含条件句可采用例如“If
xis
M, Then
y=
f(
x)”,其中
f(
x)是
x的线性函数。通常情况下
f(
x)是
x的多项式函数,当
f(
x)是一阶多项式时,对应的模糊推论系统称为一阶模糊模型。
在本实施例中,对于离散系统模型,令表示模糊系统的第
l条规则,其一阶模糊模型典型的模糊蕴含条件句为:
(1)
式中:
k表示当前样本时刻,
u j(.),
j= 1, … ,
d和
y(.)分别表示TS模糊模型的输入和输出。和分别是模糊集和后件参数。模糊集被设为三角隶属度函数:
(2)
式中:、和是模糊集的参数。
下面构建具有规则
R、单例模糊器和中心平均解模糊器的整个TS模糊系统:
(3)
式中:
n为模糊规则数,
m为模糊系统输入数目。
(4)
为归一化隶属度函数,定义为:
(5)
在本实施例中,步骤S3已知一个TS模糊系统的输出
y可以表示为:
(6)
当一系列的输入输出数据已给出
u 1,
u 2, …,
u d→
y j(
j=1…
m),可根据线性最小二乘法获得后件参数,,…,(
l=1…
n)。令
X(
m×
n(
d+1))
,Y(
m×1)
,P(
n(
d+1)×1)分别为:
(7)
式中:
式中,为第
j组输入变量中,第
i条规则在总输出中所占的归一化权重,m表示TS模糊模型的第m个输入。
则参数向量
P可以通过下式计算:
(8)
在本实施例中,步骤S4采用寻优算法在确定的后件参数基础上重新寻找能使性能指标最小的前件参数值,迭代数次直至满足搜索条件。在本实施例中,采用fmincon函数进行寻优。
在本实施例中,如果满足以下任一条件,则停止搜索:1)稳定状态的性能指标小于预定值;2)稳定状态的前提量超过了预先确定的数值。此时,依据历史数据将得到一个性能指标最优的模糊模型。
在本实施例中,在步骤S5中,如果检测到归一化的隶属度函数均为0,就进入修正环节。
如图3所示,在本实施例中,步骤S6还包括以下具体步骤:
S61、计算每次的隶属度权值;
S62、判断隶属度权值是否全为0;
S63、若否,则对各条规则加权后输出;
S64、若是,则计算最大偏离度Pimax;
S65、加上基准值Pbase后进行反向偏置;
S66、再次计算隶属度权值是否全为0,若是,则跳转执行步骤S4’;
S67、若否,则对各条规则加权后输出;
S68、反向偏置复位。
在本实施例中,在步骤S6中,进入修正环节,设每个前提变量
u i…
u j(
i,
j=1, 2,…,
d,
i≤
j)的隶属度函数范围区间为[
B i,
C i],当出现归一化的隶属度函数均为0的情况时,即
u i…
u j均偏离其各自模糊子空间时,计算每个前提变量与其相应模糊子空间的偏离程度
p i,以绝对值最大的偏离度
p imax为基础,加入一个偏离基准数
P base,进行反向偏离,同时要考虑其最小偏离度反向不超过模糊子空间边值,使各前提变量居于其各自模糊子空间范围内,得出输出值后再进行复位。偏离基准值的选取以最大模糊子空间交叠范围为准:
(9)
式中:
a取[0,0.1],根据判断语句循环次数的增加,该值逐渐降低,以保证新的数据输入的所有前提变量均处于各自隶属度函数范围区间。
实施例2
如图4至图8所示,在本实施例中,利用Matlab平台对本方法进行仿真运行,本实施例预测是基于当前及历史监测时刻的数据对未来时间间隔为3s的功率进行滚动预测,数据每3s更新1次。针对已采集的光伏功率数据,对预测输出的误差进行统计分析,并采用箱线图来分析对比改进前和改进后的统计误差。箱子的上、下限分别代表上4分位数和下4分位数,箱子范围内包含了绝对误差50%的数据;箱子中横线代表误差的中位数;虚线段则表示误差的上、下限所包含的范围,可综合反映误差的分布情况。箱子上、下高度越窄,说明预测误差越稳定;中位数和上限越小,说明绝对误差综合表现越好。上下限之外的数据,即为统计上的异常值。
综上,本发明在秒级的光伏功率预测场景中,针对现有方法时间分辨率过长、TS模糊算法预测输出异常置0等问题,在现有TS模糊模型的基础上加入了异常值的修正机制,有效提高了TS模糊算法对秒级光伏功率序列预测的准确性和可靠性。
本发明在经典TS模糊模型的基础上加入了异常值检测与修正环节,利用隶属度函数检测异常值,进一步扩大了TS模糊模型的应用范围,有效提升了该模型应用于波动时间序列预测的准确性和可靠性。
相对于现有TS模糊模型研究主要研究对象为模型建立本身,本发明所提出算法可作为模型应用的补充,与现有TS模糊模型建立算法结合,在检测到归一化的隶属度函数均为0时,对TS模糊预测模型进行异常自修正,并将该修正机制应用到秒级的光伏功率预测领域中。为秒级光伏功率预测提供更为精确与可靠的预测结果,满足电力系统稳定运行要求。本发明解决了现有技术中存在的时间最小分辨率过长、特定场景下存在的异常置零的技术问题。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,所述方法包括:
S1、按照预置数据间隔,采集并处理光伏系统并网点的运行功率数据;
S2、根据所述运行功率数据建立TS模糊预测模型,供预测光伏功率;
S3、设置所述TS模糊预测模型的前件初始参数,利用线性最小二乘法,求取误差平方和最小后件参数;
S4、利用启发式寻优算法,根据所述误差平方和最小后件参数以及所述前件初始参数,倒推得到误差平方和最小前件参数,迭代前述倒推操作,直至满足预置前件参数条件,利用所述误差平方和最小前件参数及所述误差平方和最小后件参数,获取适用TS模糊预测模型;
S5、将预训练模糊参数代入所述适用TS模糊预测模型,将新光伏功率数据投入所述适用TS模糊预测模型,并检测是否存在异常值;
S6、在检测出所述异常值时,持续进行修正操作,直至获得无异常的光伏功率预测输出值,所述步骤S6包括:
S61、设定前提变量的隶属度函数的范围区间;
S62、在归一化的所述隶属度函数均为预设值时,计算每个所述前提变量与其相应的模糊子空间的偏离程度p i;
S63、从所述偏离程度p i中,取绝对值最大偏离度p imax,加入偏离基准数P base,以进行反向偏离操作;
S64、在最小的所述偏离程度p i反向小于或等于预设模糊子空间边值时,使各所述前提变量居于其自身的所述模糊子空间内,以得出光伏功率预测输出值;
S65、进行反向偏置复位。
2.根据权利要求1所述的秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,所述步骤S2中,对所述TS模糊预测模型中的离散系统模型,以下述逻辑表示离散系统模型的一阶模糊模型的模糊蕴含条件句:
(1)
式中,表示模糊系统的第l条规则,k表示当前样本时刻,(.),j = 1, … ,d意指u 1(.),u 2(.),…,u d(.)共d个变量共同作为TS模糊模型的输入,括号中的点(.)表示不同的采样时刻,表示第l条规则下,第j个(j = 1, … ,d)变量的隶属度函数,全部的隶属度函数组成模糊集,表示后件参数,y(k)为当前样本时刻TS模糊系统的输出。
3.根据权利要求2所述的秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,利用下述逻辑,将所述模糊集设为三角隶属度函数:
(2)
式中,、和是模糊集的参数。
4.根据权利要求1所述的秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,所述步骤S1中,利用下述逻辑构建所述TS模糊预测模型的TS模糊系统:
(3)
(4)
式中,n为模糊规则数,m为模糊系统输入数目,为1与输入变量组合而成的列向量[1,(.)]T,其中1表示对应的后件参数p 0无变量相乘,T意指矩阵转置,为当前时刻的TS模糊系统。
5.根据权利要求1所述的秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,所述步骤S2中,利用下述逻辑定义所述TS模糊预测模型的归一化隶属度函数:
(5)
式中,表示第l条规则在总输出中所占的权重。
6.根据权利要求1所述的秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,所述步骤S3包括:
S31、利用下述逻辑表示所述TS模糊预测模型的一个TS模糊系统的输出y:
(6)
式中,u 1, u 2, …, u d → y j (j=1…m)为输入输出数据,M为通过取最小的方式算得的权重,此处为简化公式选取的代表性字母;
S32、根据所述线性最小二乘法,处理得到后件参数:,,…,(l=1…n));
S33、根据下述逻辑,令预置参数X(m×n(d+1)),Y(m×1),P(n(d+1)×1)分别为:
(7)
式中,X为输入变量矩阵,Y为输出变量矩阵,P为参数向量,为第d个输入变量在第n条规则下对应的后件参数;
S34、根据所述预置参数以及所述后件参数,处理得到所述误差平方和最小后件参数。
7.根据权利要求6所述的秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,所述步骤S34中,利用下述逻辑处理得到所述参数向量P,据以获取所述误差平方和最小后件参数:
。
8.根据权利要求1所述的秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,所述步骤S4中,所述预置前件参数条件包括:
稳定状态的性能指标小于预定性能值;
稳定状态的前提量大于预定提前量值。
9.根据权利要求1所述的秒级光伏功率预测的TS模糊异常值自修正方法,其特征在于,所述步骤S63中,根据最大的所述模糊子空间的交叠范围,利用下述逻辑选取所述偏离基准数P base:
(9)
式中,a取值范围包括[0, 0.1],、为最大的所述模糊子空间,C i为各变量所属模糊子空间范围的上限,B i为各变量所属模糊子空间范围的下限。
10.秒级光伏功率预测的TS模糊异常值自修正系统,其特征在于,所述系统包括:
光伏并网点数据采集模块,用以按照预置数据间隔,采集并处理光伏系统并网点的运行功率数据;
模型构建模块,用以根据所述运行功率数据建立TS模糊预测模型,供预测光伏功率,所述模型构建模块与所述光伏并网点数据采集模块连接;
模型前后件参数设置模块,用以设置所述TS模糊预测模型的前件初始参数,利用线性最小二乘法,求取误差平方和最小后件参数,所述模型前后件参数设置模块与所述模型构建模块连接;
TS模糊预测模型参数调优模块,用以利用启发式寻优算法,根据所述误差平方和最小后件参数以及所述前件初始参数,倒推得到误差平方和最小前件参数,迭代前述倒推操作,直至满足预置前件参数条件,利用所述误差平方和最小前件参数及所述误差平方和最小后件参数,获取适用TS模糊预测模型,所述TS模糊预测模型参数调优模块与所述模型前后件参数设置模块连接;
异常值检测模块,用以将预训练模糊参数代入所述适用TS模糊预测模型,将新光伏功率数据投入所述适用TS模糊预测模型,并检测是否存在异常值,所述异常值检测模块与所述TS模糊预测模型参数调优模块连接;
输出及修正模块,用以在检测出所述异常值时,持续进行修正操作,直至获得无异常的光伏功率预测输出值,所述输出及修正模块与所述异常值检测模块及所述TS模糊预测模型参数调优模块连接,所述输出及修正模块包括:
前提变量设定模块,用以设定前提变量的隶属度函数的范围区间;
偏离程度计算模块,用以在归一化的所述隶属度函数均为预设值时,计算每个所述前提变量与其相应的模糊子空间的偏离程度p i,所述偏离程度计算模块与所述前提变量设定模块连接;
反向偏离模块,用以从所述偏离程度p i中,取绝对值最大偏离度p imax,加入偏离基准数P base,以进行反向偏离操作,所述反向偏离模块与所述偏离程度计算模块连接;
光伏功率预测输出模块,用以在最小的所述偏离程度p i反向小于或等于预设模糊子空间边值时,使各所述前提变量居于其自身的所述模糊子空间内,以得出光伏功率预测输出值,所述光伏功率预测输出模块与所述反向偏离模块连接;
复位模块,用以进行反向偏置复位,所述复位模块与所述光伏功率预测输出模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310326265.XA CN116050187B (zh) | 2023-03-30 | 2023-03-30 | 秒级光伏功率预测的ts模糊异常值自修正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310326265.XA CN116050187B (zh) | 2023-03-30 | 2023-03-30 | 秒级光伏功率预测的ts模糊异常值自修正方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116050187A true CN116050187A (zh) | 2023-05-02 |
CN116050187B CN116050187B (zh) | 2023-06-09 |
Family
ID=86118504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310326265.XA Active CN116050187B (zh) | 2023-03-30 | 2023-03-30 | 秒级光伏功率预测的ts模糊异常值自修正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050187B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992551A (zh) * | 2017-06-05 | 2017-07-28 | 合肥工业大学 | 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN111626473A (zh) * | 2020-04-17 | 2020-09-04 | 国网上海市电力公司 | 一种考虑误差修正的两阶段光伏功率预测方法 |
CN112116171A (zh) * | 2020-09-29 | 2020-12-22 | 山东建筑大学 | 一种新型基于神经网络的光伏发电功率预测方法 |
EP3816675A1 (en) * | 2019-11-04 | 2021-05-05 | Siemens Aktiengesellschaft | Automatic generation of reference curves for improved short term irradiation prediction in pv power generation |
CN112906995A (zh) * | 2021-04-23 | 2021-06-04 | 河北工业大学 | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN114091317A (zh) * | 2021-11-16 | 2022-02-25 | 国网甘肃省电力公司电力科学研究院 | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 |
CN115271242A (zh) * | 2022-08-13 | 2022-11-01 | 国网安徽省电力有限公司电力科学研究院 | 光伏发电功率预测模型的训练方法、预测方法、装置 |
-
2023
- 2023-03-30 CN CN202310326265.XA patent/CN116050187B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106992551A (zh) * | 2017-06-05 | 2017-07-28 | 合肥工业大学 | 基于模糊c均值和差分进化混合算法的光伏逆变控制器参数辨识方法 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
EP3816675A1 (en) * | 2019-11-04 | 2021-05-05 | Siemens Aktiengesellschaft | Automatic generation of reference curves for improved short term irradiation prediction in pv power generation |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN111626473A (zh) * | 2020-04-17 | 2020-09-04 | 国网上海市电力公司 | 一种考虑误差修正的两阶段光伏功率预测方法 |
CN112116171A (zh) * | 2020-09-29 | 2020-12-22 | 山东建筑大学 | 一种新型基于神经网络的光伏发电功率预测方法 |
CN112906995A (zh) * | 2021-04-23 | 2021-06-04 | 河北工业大学 | 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法 |
CN114091317A (zh) * | 2021-11-16 | 2022-02-25 | 国网甘肃省电力公司电力科学研究院 | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 |
CN115271242A (zh) * | 2022-08-13 | 2022-11-01 | 国网安徽省电力有限公司电力科学研究院 | 光伏发电功率预测模型的训练方法、预测方法、装置 |
Non-Patent Citations (1)
Title |
---|
王新普;周想凌;邢杰;杨军;: "一种基于改进灰色BP神经网络组合的光伏出力预测方法", 电力系统保护与控制, no. 18, pages 81 - 87 * |
Also Published As
Publication number | Publication date |
---|---|
CN116050187B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Short-term offshore wind speed forecast by seasonal ARIMA-A comparison against GRU and LSTM | |
Li et al. | A multi-step ahead photovoltaic power prediction model based on similar day, enhanced colliding bodies optimization, variational mode decomposition, and deep extreme learning machine | |
Tascikaraoglu et al. | A review of combined approaches for prediction of short-term wind speed and power | |
Jiang et al. | Very short-term wind speed forecasting with Bayesian structural break model | |
Ma et al. | Short-term photovoltaic power forecasting method based on irradiance correction and error forecasting | |
JP6543028B2 (ja) | 異常診断装置及び異常診断方法 | |
Zhu et al. | Wind power forecasting based on new hybrid model with TCN residual modification | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 | |
CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
CN110429637A (zh) | 一种概率静态电压稳定域的可视化方法 | |
Luo et al. | An adaptive deep learning framework for day-ahead forecasting of photovoltaic power generation | |
Han et al. | Neural network ensemble method study for wind power prediction | |
CN110429636A (zh) | 一种静态电压稳定故障筛选与排序的方法 | |
CN110365053A (zh) | 基于延迟优化策略的短期风电功率预测方法 | |
Zhu et al. | Integrated data-driven power system transient stability monitoring and enhancement | |
Jing et al. | Adjustable piecewise regression strategy based wind turbine power forecasting for probabilistic condition monitoring | |
CN116050187B (zh) | 秒级光伏功率预测的ts模糊异常值自修正方法及系统 | |
Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
CN109816165A (zh) | 风电超短期功率预测方法及系统 | |
Wang et al. | Research on ultra-short term forecasting technology of wind power output based on various meteorological factors | |
CN108074045A (zh) | 风电机组整机脆弱性分析与故障排序方法及电子终端 | |
Liu et al. | A Self-Data-Driven Method for Lifetime Prediction of PV Arrays Considering the Uncertainty and Volatility | |
Chen et al. | The interpolation of missing wind speed data based on optimized LSSVM model | |
JP6818658B2 (ja) | 電力系統監視システム、電力系統監視方法、及びプログラム |
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 |