CN116108638A - 一种基于时段划分的光伏发电消纳预测方法及系统 - Google Patents
一种基于时段划分的光伏发电消纳预测方法及系统 Download PDFInfo
- Publication number
- CN116108638A CN116108638A CN202211682003.9A CN202211682003A CN116108638A CN 116108638 A CN116108638 A CN 116108638A CN 202211682003 A CN202211682003 A CN 202211682003A CN 116108638 A CN116108638 A CN 116108638A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- consumption
- data
- module
- power generation
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000029087 digestion Effects 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 44
- 238000010276 construction Methods 0.000 claims description 39
- 238000004088 simulation Methods 0.000 claims description 22
- 238000005265 energy consumption Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000010521 absorption reaction Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 7
- 239000002699 waste material Substances 0.000 description 5
- 238000005286 illumination Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009469 supplementation 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于时段划分的光伏发电消纳预测方法及系统,属于光伏消纳与数据智能处理技术领域。技术方案是:获取消纳统计数据;确定多类实际发电量;构建消纳预测模块;构建光伏实发电量预测模块;将光伏实发电量预测模块的输出层与消纳预测模块的输入层进行合并,生成光伏消纳预测模型;基于光伏实发电量预测模块输出实际发电量,传输至消纳预测模块中,输出光伏消纳预测结果;确定富余光伏电能;基于富余光伏电能与光伏消纳区域确定光伏消纳路径,对富余光伏电能进行富余并网消纳。本发明的有益效果是:通过优化消纳预测与分配方式,将自用消纳与富余并网消纳合理结合,在保障供消一致的基础上实现资源的最大化利用。
Description
技术领域
本发明涉及一种基于时段划分的光伏发电消纳预测方法及系统,属于光伏消纳与数据智能处理技术领域。
背景技术
为了实现能源的可持续发展,通过进行能源转换,将可再生能源转换为不可再生能源,以满足社会需求,通过光伏电站,将光能转换为电能,满足用户的用电需求,光伏电站发电后不便于进行电量存储,为了避免电能浪费,需保障电能的合理调度,实现电能最大化消纳,保障光伏发电站的供消一致性,即供能与消纳,现如今,主要通过电力市场交易,实现光伏电能的分配,但由于现有技术的局限性,使得分配结果存异,有待进一步提升。
现有技术中,进行光伏发电消纳时,由于消纳预测结果准确度不足,且分配方法智能度不足,使得光伏发电消纳结果无法达到预期要求,使得供消不一致,且存在资源浪费。
发明内容
本发明目的是提供一种基于时段划分的光伏发电消纳预测方法及系统,通过优化消纳预测与分配方式,将自用消纳与富余并网消纳合理结合,在保障供消一致的基础上实现资源的最大化利用,解决了背景技术中存在的问题。
本发明的技术方案是:
一种基于时段划分的光伏发电消纳预测方法,包含如下步骤:
①设定预设时间周期,对光伏电站进行管控区域消纳数据调取,获取消纳统计数据;
②确定光伏电站的装机容量,基于装机容量与多维环境参数确定多类实际发电量;
③基于消纳统计数据构建消纳预测模块;
④基于多类实际发电量构建光伏实发电量预测模块;
⑤将光伏实发电量预测模块的输出层与消纳预测模块的输入层进行合并,生成光伏消纳预测模型;
⑥获取实时环境参数,输入光伏消纳预测模型中,基于光伏实发电量预测模块输出实际发电量,传输至消纳预测模块中,输出光伏消纳预测结果;
⑦基于实际发电量与光伏消纳预测结果确定富余光伏电能;
⑧基于富余光伏电能与光伏消纳区域确定光伏消纳路径,对富余光伏电能进行富余并网消纳。
所述步骤①还包含如下步骤:
基于预设时间周期进行光伏电站管控区域的消纳数据调取,获取数据调取结果;对数据调取结果进行数据清洗,获取标准化统计数据;基于标准化统计数据,将累积值转换为瞬时值,构建趋势统计图;基于趋势统计图确定缺失数据,对缺失数据进行补充获取数据预处理结果;基于数据预处理结果计算节点增量;设定增量阈值,基于增量阈值对趋势统计图进行初步划分标识,确定多时段趋势统计图;将多时段趋势统计图作为消纳统计数据。
所述步骤③还包含如下步骤:
将季节性、气候性、时区性作为划分依据,对消纳统计数据进行二次划分,获取多组划分数据;基于多组划分数据随机提取一组数据,构建第一预测模型;再次基于消纳统计数据随机提取一组数据,构建第二预测模型;多次进行样本数据提取,构建N个预测模型;对第一预测模型、第二预测模型直至第N预测模型进行集成,生成消纳预测模块。
所述基于多组划分数据随机提取一组数据,构建第一预测模型,还包含如下步骤:
基于多组划分数据随机提取一组数据作为样本数据集;基于样本数据集确定光伏消纳比例,作为消纳结果;对样本数据集与消纳结果进行对应标识,生成标识样本数据集;根据标识样本数据集,基于K折交叉验证法进行神经网络训练,生成第一预测模型。
还包括如下步骤:对标识样本数据集进行等比例划分,确定K组样本数据集;基于K组样本数据集确定训练集与测试集,其中,训练集包括K-1组样本数据集,测试集包括一组样本数据;基于训练集进行神经网络训练确定第一适应性模型,基于测试集进行模型测试,获取第一测试结果;对训练集与测试集进行样本数据调整,获取第二适应性模型,生成第二测试结果;重复K次进行样本数据调整,获取第K适应性模型,生成第K测试结果;对第一测试结果、第二测试结果直至第K测试结果进行优劣排序,确定最优测试结果;对最优测试结果进行模型反向匹配,获取第一预测模型。
所述步骤⑧还包含如下步骤:
对光伏消纳区域进行3D建模,构建场景拟真空间;将富余光伏电能与光伏消纳路径生成消纳控制参数;将消纳控制参数输入场景拟真空间,进行富余电能消纳拟真实验,获取拟真训练结果;判断拟真训练结果是否满足消纳比率阈值;当满足时,将消纳控制参数作为电能调度参数,进行实时富余电能调度。
所述将富余光伏电能与光伏消纳路径生成消纳控制参数还包括:对光伏消纳区域进行负荷节点采集,构建负荷节点拓扑图;采集历史负荷节点消纳数据,进行数据划分确定多组样本构建数据;基于多组样本构建数据与负荷节点拓扑图,构建富余电能消纳规划模型;将富余光伏电能输入富余电能消纳规划模型中,获取光伏消纳路径。
一种基于时段划分的光伏发电消纳预测系统,包含数据获取模块、发电量确定模块、消纳预测模块构建模块、光伏实发电量预测模块构建模块、模型生成模块、结果输出模块、富余电能确定模块和电能消纳模块;
所述数据获取模块用于设定预设时间周期,对光伏电站进行管控区域消纳数据调取,获取消纳统计数据;
所述发电量确定模块用于确定光伏电站的装机容量,基于装机容量与多维环境参数确定多类实际发电量;
所述消纳预测模块构建模块用于基于消纳统计数据构建消纳预测模块;
所述光伏实发电量预测模块构建模块用于基于多类实际发电量构建光伏实发电量预测模块;
所述模型生成模块用于将光伏实发电量预测模块的输出层与消纳预测模块的输入层进行合并,生成光伏消纳预测模型;
所述结果输出模块用于获取实时环境参数,输入光伏消纳预测模型中,基于光伏发电量预测模块输出实际发电量,传输至消纳预测模块中,输出光伏消纳预测结果;
所述富余电能确定模块用于基于实际发电量与光伏消纳预测结果确定富余光伏电能;
所述电能消纳模块用于基于富余光伏电能与光伏消纳区域确定光伏消纳路径,对富余光伏电能进行富余并网消纳。
还包括数据调取模块、数据清洗模块、统计图构建模块、数据预处理模块、增量计算模块、多时段趋势统计图确定模块和消纳统计数据确定模块;
所述数据调取模块用于基于预设时间周期进行光伏电站管控区域的消纳数据调取,获取数据调取结果;
所述数据清洗模块用于对数据调取结果进行数据清洗,获取标准化统计数据;
所述统计图构建模块用于基于标准化统计数据,将累积值转换为瞬时值,构建趋势统计图;
所述数据预处理模块用于基于趋势统计图确定缺失数据,对缺失数据进行补充获取数据预处理结果;
所述增量计算模块用于基于数据预处理结果计算节点增量;
所述多时段趋势统计图确定模块用于设定增量阈值,基于增量阈值对趋势统计图进行初步划分标识,确定多时段趋势统计图;
所述消纳统计数据确定模块用于将多时段趋势统计图作为消纳统计数据。
本发明的有益效果是:提高消纳预测结果准确度和分配方法智能度,使得光伏发电消纳结果达到预期要求,通过优化消纳预测与分配方式,将自用消纳与富余并网消纳合理结合,在保障供消一致的基础上实现资源的最大化利用。
附图说明
图1为本发明预测方法流程示意图;
图2为本发明消纳预测模块构建流程示意图;
图3为本发明富余并网消纳流程示意图;
图4为本发明预测系统结构示意图;
图中:数据获取模块11、发电量确定模块12、消纳预测模块构建模块13、光伏实发电量预测模块构建模块14、模型生成模块15、结果输出模块16、富余电能确定模块17、电能消纳模块18。
具体实施方式
以下结合附图,通过实施例对本发明做进一步的说明。
本实施例中,参照附图1-3,一种基于时段划分的光伏发电消纳预测方法,包含如下步骤:
步骤S100:设定预设时间周期,对光伏电站进行管控区域消纳数据调取,获取消纳统计数据;
具体而言,光伏电站发电后不便于进行电量存储,为了避免电能浪费,需保障电能的合理调度,实现电能最大化消纳,保障光伏发电站的供消一致性,本发明基于发电实况进行多时段划分,确定实际发电量,在保障光伏发电站需求的基础上,对富余的电能进行合理规划调用,实现电能最大化利用。
设定预设时间周期,即进行历史数据采集的时区,确定所述光伏电站的管控区域,例如,面向整县屋顶光伏建造的光伏电站,基于所述预设时间周期对所述光伏电站的管控区域进行历史消纳数据调取,包括消纳总量、单位负荷点消纳量等,对获取的历史消纳数据进行预处理与规整,生成所述消纳统计数据,将所述消纳统计数据作为待分析数据源,为后续进行管控区域的消纳预测提供了依据。
进一步而言,步骤S100还包括:
步骤S110:基于所述预设时间周期进行所述光伏电站管控区域的消纳数据调取,获取数据调取结果;
步骤S120:对所述数据调取结果进行数据清洗,获取标准化统计数据;
步骤S130:基于所述标准化统计数据,将累积值转换为瞬时值,构建趋势统计图;
步骤S140:基于所述趋势统计图确定缺失数据,对缺失数据进行补充获取数据预处理结果;
步骤S150:基于所述数据预处理结果计算节点增量;
步骤S160:设定增量阈值,基于所述增量阈值对所述趋势统计图进行初步划分标识,确定多时段趋势统计图;
步骤S170:将所述多时段趋势统计图作为所述消纳统计数据。
具体而言,对所述光伏电站管控区域基于所述预设时间周期进行历史消纳数据调取,基于时间序列对调取数据进行整合,获取所述数据调取结果,所述数据调取结果中包含着部分异常数据,对异常数据进行识别剔除以完成数据清洗,保障数据调取结果的准确度,进一步进行数据无纲量归一化处理,以进行数据格式标准化,保障数据的有序性与规整性,获取所述标准化统计数据。
具体的,对所述标准化统计数据进行数据量化集成,将累计值转化为瞬时值,优选地,所述标准化统计数据的统计间隔时间为5分钟,将每日0时作为日统计节点,进行数据累计转化确定日统计节点对应数据;对所述标准化统计数据进行极值确定,包括峰值、谷值与稳定值,作为代表性节点数据,将时间与消纳数据作为坐标轴向构建二位坐标系,分别基于日统计节点对应数据与代表性节点数据构建于二维坐标系中构建趋势统计图,可保障所述趋势统计图的数据完备性。
进一步的,基于所述趋势统计图进行缺失数据识别定位,例如,可基于均值插补法进行缺失数据补充,获取所述数据预处理结果,进一步对两组统计数据分别进行节点数据增量计算,获取节点增量,设定增量阈值,将所述增量阈值作为数据划分的临界值,优选地,可设定多级别增量阈值,保障数据划分细度,对所述趋势统计图进行多时段划分,对划分结果进行节点数据标识,便于进行识别区分,生成所述消纳统计数据,通过对采集数据进行多维处理,为后续数据分析精准度提供了保障。
步骤S200:确定光伏电站的装机容量,基于所述装机容量与多维环境参数确定多类实际发电量;
具体而言,对所述光伏电站进行装机容量确定,即机组额定有效功率总和,所述光伏电站构建初始已进行确定,可确定光伏电站理论发电量,不同外环境状况会对光伏电站的理论发电量存在差异性,例如晴天、雨天、光照角度等,对外环境进行多类型划分,确定不同外环境状态下对应的理论发电量,同时,发电过程中存在一定的光伏损耗,例如灰尘赃物覆盖、电缆损耗等,对所述多类理论发电量进行发电损耗排除,确定所述多类实际发电量,所述多类实际发电量为待消纳电能。
步骤S300:基于所述消纳统计数据构建消纳预测模块;
进一步而言,如图2所示,所述步骤S300还包括:
步骤S310:将季节性、气候性、时区性作为划分依据,对所述消纳统计数据进行二次划分,获取多组划分数据;
步骤S320:基于所述多组划分数据随机提取一组数据,构建第一预测模型;
步骤S330:再次基于所述消纳统计数据随机提取一组数据,构建第二预测模型;
步骤S340:多次进行样本数据提取,构建N个预测模型;
步骤S350:对所述第一预测模型、所述第二预测模型直至第N预测模型进行集成,生成所述消纳预测模块。
具体而言,基于季节性、气候性与时区性确定多种环境参数,对所述消纳统计数据进行数据划分,获取所述多组划分数据,基于所述多组划分数据随机提取一组数据,对数据进行评估标识,便于进行数据识别区分,作为标识样本数据集,根据所述标识样本数据集,基于K折交叉验证法进行神经网络训练,生成所述第一预测模型;再次基于所述多组划分数据随机提取一组数据,进行数据评估标识作为标识样本数据集,基于K折交叉验证法进行神经网络训练,生成所述第二预测模型;重复上述建模步骤N次,N为所述多组划分数据的组数,获取N个预测模型,对所述第一预测模型、所述第二预测模型直至所述第N预测模型进行集成,共同构成所述消纳预测模块。
其中,所述第一预测模型、第二预测模型直至第N预测模型的建模方法相同,提取的数据组、多种环境参数与多个预测模型一一对应,便于针对实际状况进行针对性模型分析,保障预测结果准确性的基础上提升模型计算效率。
进一步而言,所述基于所述多组划分数据随机提取一组数据,构建第一预测模型,步骤S320还包括:
步骤S321:基于所述多组划分数据随机提取一组数据作为样本数据集;
步骤S322:基于所述样本数据集确定光伏消纳比例,作为消纳结果;
步骤S323:对所述样本数据集与所述消纳结果进行对应标识,生成标识样本数据集;
步骤S324:根据所述标识样本数据集,基于K折交叉验证法进行神经网络训练,生成所述第一预测模型。
进一步而言,步骤S324还包括:
步骤S3241:对所述标识样本数据集进行等比例划分,确定K组样本数据集;
步骤S3242:基于所述K组样本数据集确定训练集与测试集,其中,所述训练集包括K-1组样本数据集,所述测试集包括1组样本数据;
步骤S3243:基于所述训练集进行神经网络训练确定第一适应性模型,基于所述测试集进行模型测试,获取第一测试结果;
步骤S3244:对所述训练集与所述测试集进行样本数据调整,获取第二适应性模型,生成第二测试结果;
步骤S3245:重复K次进行样本数据调整,获取第K适应性模型,生成第K测试结果;
步骤S3246:对所述第一测试结果、所述第二测试结果直至所述第K测试结果进行优劣排序,确定最优测试结果;
步骤S3247:对所述最优测试结果进行模型反向匹配,获取所述第一预测模型。
具体而言,基于所述多组划分数据随机提取一组数据,将其作为样本数据集,即建模的初始数据,分别提取实际发电量与管控区域消纳数据,两者一一对应,将管控区域消纳数据与所述实际发电量的比值作为所述光伏消纳比例,获取所述消纳结果,进而对所述样本数据集与所述消纳结果进行对应标识,获取多组标识数据,作为所述标识样本数据集。
基于所述标识样本数据集,进行所述第一预测模型构建,所述第一预测模型对应一种环境参数,将K作为样本数据划分数据组,对所述标识样本数据集进行等比例划分,获取所述K组样本数据集,基于所述K组样本数据集随机提取K-1组作为训练集,将其余的1组作为测试集,基于所述训练集进行神经网络训练,示例性的,将提取的消纳统计数据作为数据识别节点,将对应的消纳结果作为决策节点,构建所述第一适应性模型,进而将所述测试集输入所述第一适应性模型中,通过进行模型分析确定对应的输出结果,将测试集对应的消纳结果与输出结果进行契合度分析,获取契合度信息作为所述第一测试结果。
进一步的,对所述训练集与所述测试集进行样本数据调整,即提取任一有异于上步测试集的数据进行测试集迭代,将其余组样本数据集作为训练集,基于上述建模分析步骤,构建所述第二适应性模型,并将所述测试集输入其中确定输出结果与测试集对应消纳结果的契合度信息,作为所述第二测试结果;重复上述建模与测试步骤K次,保障每组样本数据集都作为测试集进行测试,获取所述第K适应性模型,并生成所述第K测试结果,其中,适应性模型的建模机制与模型测试方法相同。
将第一测试结果、第二测试结果直至第K测试结果作为评估数据,对其进行优劣排序,将契合度信息最高者作为所述最优测试结果,进而对所述最优测试结果进行反向匹配,确定所述最优测试结果对应的适应性模型为所述第一预测模型,可有效提高所述第一预测模型的分析准确率,保障模型分析结果与光伏电站的契合度。
步骤S400:基于多类实际发电量构建光伏实发电量预测模块;
步骤S500:将光伏实发电量预测模块的输出层与消纳预测模块的输入层进行合并,生成所述光伏消纳预测模型;
步骤S600:获取实时环境参数,输入所述光伏消纳预测模型中,基于所述光伏发电量预测模块输出实际发电量,传输至所述消纳预测模块中,输出光伏消纳预测结果;
具体而言,获取所述多类实际发电量,其中,所述多类实际发电量与所述多维环境参数一一对应,一组环境参数包括季节、天气、光照角度、光照量、时刻等,将所述多维环境参数作为识别节点,将所述多类实际发电量作为决策节点,生成发电量决策树,基于所述发电量决策树构建所述光伏实发电量预测模块。
具体的,将所述消纳预测模块与所述光伏发电量预测模块嵌入所述光伏消纳预测模型中,将所述光伏发电预测模块的输出层与所述消纳预测模型的输入层进行合并,生成所述光伏消纳预测模型。对实时环境参数进行采集,例如,可基于多类型传感器进行传感数据识别,将天气预报作为数据参考,保障采集数据准确性,将所述实时环境参数输入所述光伏消纳预测模型中,首先将数据传输至所述光伏发电量预测模块中,进行数据识别匹配获取所述实际发电量,进而将所述实际发电量与所述实时环境参数传输至所述消纳预测模块中,基于所述实时环境参数匹配对应的预测模型,对所述实际发电量进行消纳预测,获取所述光伏消纳预测结果,将所述实际发电量与所述光伏消纳预测结果作为所述光伏消纳预测模型的输出结果,所述光伏消纳预测结果为所述光伏电站管控区域的消纳结果,基于所述光伏消纳预测结果进行进一步分析。
步骤S700:基于所述实际发电量与所述光伏消纳预测结果确定富余光伏电能;
步骤S800:基于所述富余光伏电能与光伏消纳区域确定光伏消纳路径,对富余光伏电能进行富余并网消纳。
具体而言,基于所述光伏消纳预测模型对所述实时环境参数进行识别分析,获取所述实际发电量与所述光伏消纳预测结果,对所述实际发电量与所述光伏消纳预测结果进行差值计算,获取所述富余光伏电能,所述富余光伏电能为所述光伏电站管控区域无法消纳的电能,通过进行并网调度实现富余光伏电能消纳。
将所述富余光伏电能作为待进行并网消纳电能,确定光伏消纳区域,即并网消纳区域,获取所述光伏消纳路径,对所述光伏消纳区域进行负荷节点分配,实现所述富余光伏电能的消纳处理,通过对所述光伏电站的发电量基于自用消纳与富余并网消纳联动,实现电能的供消一致性。
进一步而言,如图3所示,步骤S800还包括:
步骤S810:对光伏消纳区域进行3D建模,构建场景拟真空间;
步骤S820:将所述富余光伏电能与所述光伏消纳路径生成消纳控制参数;
步骤S830:将所述消纳控制参数输入所述场景拟真空间,进行富余电能消纳拟真实验,获取拟真训练结果;
步骤S840:判断所述拟真训练结果是否满足消纳比率阈值;
步骤S850:当满足时,将所述消纳控制参数作为电能调度参数,进行实时富余电能调度。
进一步而言,步骤S820还包括:
步骤S821:对所述光伏消纳区域进行负荷节点采集,构建负荷节点拓扑图;
步骤S822:采集历史负荷节点消纳数据,进行数据划分确定多组样本构建数据;
步骤S823:基于所述多组样本构建数据与所述负荷节点拓扑图,构建富余电能消纳规划模型;
步骤S824:将所述富余光伏电能输入所述富余电能消纳规划模型中,获取光伏消纳路径。
具体而言,对所述富余光伏电能进行并网消纳处理,确定所述光伏消纳区域,即异于光伏电站管控区域的一消纳区域,存在电能需求,对所述光伏消纳区域进行3D建模,构建场景拟真空间,其中,所述场景拟真空间与所述光伏消纳区域一致。
进一步的,构建所述富余电能消纳规划模型,以进行富余电能的处理,确定所述光伏消纳区域的多个负荷节点,基于电网流向进行负荷节点链接,生成所述负荷节点拓扑图,对所述负荷节点拓扑图中各节点进行历史消纳数据采集,基于所述多维环境参数进行数据划分,获取所述多组样本构建数据,对所述多组样本构建数据分别进行负荷节点标识,示例性的,基于机器学习算法构建所述富余电能消纳规划模型架构,将所述负荷节点拓扑图作为规划依据,将所述多组样本构建数据作为匹配参考数据,对所述富余电能消纳规划模型架构进行训练优化,获取所述富余电能消纳规划模型。
将所述富余光伏电能输入所述富余电能消纳规划模型中,基于负荷节点消纳能力对所述富余光伏电能进行分配,基于所述负荷电能拓扑图确定所述富余光伏电能流向,生成所述光伏消纳路径并进行输出,进一步基于所述富余光伏消纳控制参数与所述光伏消纳路径生成所述消纳控制参数,包括电能流向、负荷节点消纳量等,将所述消纳控制参数输入所述场景拟真空间内,进行场景拟真实验,获取拟真训练结果,即所述光伏消纳区域对所述富余光伏电能的消纳效果。
设定消纳比率阈值,即消纳电能合格度的评定临界值,例如,将所述富余光伏电能的95%作为所述消纳比率阈值,当所述拟真训练结果满足所述消纳比率阈值时,表明可满足消纳要求,将所述消纳控制参数作为电能调度参数,对所述富余电能进行消纳控制,当不满足时,表明所述富余光伏电能的消纳比率达不到预定要求,存在一定的电能浪费,重新基于所述富余电能消纳规划模型进行重规划,进而基于所述场景拟真空间进行拟真验证,直至满足消纳要求,可有效提高光伏消纳率,实现光伏电站发电量的最大化利用,避免存在资源浪费。
参照附图4,一种基于时段划分的光伏发电消纳预测系统,包含数据获取模块11、发电量确定模块12、消纳预测模块构建模块13、光伏实发电量预测模块构建模块14、模型生成模块15、结果输出模块16、富余电能确定模块17和电能消纳模块18;
所述数据获取模块11用于设定预设时间周期,对光伏电站进行管控区域消纳数据调取,获取消纳统计数据;
所述发电量确定模块12用于确定光伏电站的装机容量,基于所述装机容量与多维环境参数确定多类实际发电量;
所述消纳预测模块构建模块13用于基于所述消纳统计数据构建消纳预测模块;
所述光伏实发电量预测模块构建模块14用于基于多类实际发电量构建光伏实发电量预测模块;
所述模型生成模块15用于将光伏实发电量预测模块的输出层与消纳预测模块的输入层进行合并,生成光伏消纳预测模型;
所述结果输出模块16用于获取实时环境参数,输入所述光伏消纳预测模型中,基于所述光伏发电量预测模块输出实际发电量,传输至所述消纳预测模块中,输出光伏消纳预测结果;
所述富余电能确定模块17用于基于所述实际发电量与所述光伏消纳预测结果确定富余光伏电能;
所述电能消纳模块18用于基于所述富余光伏电能与光伏消纳区域确定光伏消纳路径,对富余光伏电能进行富余并网消纳。
进一步而言,所述预测系统还包括数据调取模块、数据清洗模块、统计图构建模块、数据预处理模块、增量计算模块、多时段趋势统计图确定模块和消纳统计数据确定模块;
所述数据调取模块用于基于所述预设时间周期进行所述光伏电站管控区域的消纳数据调取,获取数据调取结果;
所述数据清洗模块用于对所述数据调取结果进行数据清洗,获取标准化统计数据;
所述统计图构建模块用于基于所述标准化统计数据,将累积值转换为瞬时值,构建趋势统计图;
所述数据预处理模块用于基于所述趋势统计图确定缺失数据,对缺失数据进行补充获取数据预处理结果;
所述增量计算模块用于基于所述数据预处理结果计算节点增量;
所述多时段趋势统计图确定模块用于设定增量阈值,基于所述增量阈值对所述趋势统计图进行初步划分标识,确定多时段趋势统计图;
所述消纳统计数据确定模块用于将所述多时段趋势统计图作为所述消纳统计数据。
进一步而言,所述预测系统还包含数据划分模块、第一预测模型构建模块、第二预测模型构建模块、N个预测模型构建模块和消纳预测模块生成模块;
所述数据划分模块用于将季节性、气候性、时区性作为划分依据,对所述消纳统计数据进行二次划分,获取多组划分数据;
所述第一预测模型构建模块用于基于所述多组划分数据随机提取一组数据,构建第一预测模型;
所述第二预测模型构建模块用于再次基于所述消纳统计数据随机提取一组数据,构建第二预测模型;
所述N个预测模型构建模块用于多次进行样本数据提取,构建N个预测模型;
所述消纳预测模块生成模块用于对所述第一预测模型、第二预测模型直至第N预测模型进行集成,生成所述消纳预测模块。
进一步而言,所述预测系统还包含数据集提取模块、消纳结果确定模块、样本标识模块和第一预测模型生成模块;
所述数据集提取模块用于基于所述多组划分数据随机提取一组数据作为样本数据集;
所述消纳结果确定模块用于基于所述样本数据集确定光伏消纳比例,作为消纳结果;
所述样本标识模块用于对所述样本数据集与所述消纳结果进行对应标识,生成标识样本数据集;
所述第一预测模型生成模块用于根据所述标识样本数据集,基于K折交叉验证法进行神经网络训练,生成所述第一预测模型。
进一步而言,所述预测系统还包含样本数据集划分模块、样本数据集确定模块、第一测试结果获取模块、第二测试结果获取模块、第K测试结果获取模块、最优测试结果获取模块和模型匹配模块;
所述样本数据集划分模块用于对所述标识样本数据集进行等比例划分,确定K组样本数据集;
所述样本数据集确定模块用于基于所述K组样本数据集确定训练集与测试集,其中,所述训练集包括K-1组样本数据集,所述测试集包括1组样本数据;
所述第一测试结果获取模块用于基于所述训练集进行神经网络训练确定第一适应性模型,基于所述测试集进行模型测试,获取第一测试结果;
所述第二测试结果获取模块用于对所述训练集与所述测试集进行样本数据调整,获取第二适应性模型,生成第二测试结果;
所述第K测试结果获取模块用于重复K次进行样本数据调整,获取第K适应性模型,生成第K测试结果;
所述最优测试结果获取模块用于对所述第一测试结果、所述第二测试结果直至所述第K测试结果进行优劣排序,确定最优测试结果;
所述模型匹配模块用于对所述最优测试结果进行模型反向匹配,获取所述第一预测模型。
进一步而言,所述预测系统还包含空间构建模块、控制参数生成模块、拟真训练结果获取模块、结果判断模块和电能调度模块;
所述空间构建模块用于对光伏消纳区域进行3D建模,构建场景拟真空间;
所述控制参数生成模块用于将所述富余光伏电能与所述光伏消纳路径生成消纳控制参数;
所述拟真训练结果获取模块用于将所述消纳控制参数输入所述场景拟真空间,进行富余电能消纳拟真实验,获取拟真训练结果;
所述结果判断模块用于判断所述拟真训练结果是否满足消纳比率阈值;
所述电能调度模块用于当满足时,将所述消纳控制参数作为电能调度参数,进行实时富余电能调度。
进一步而言,所述预测系统还包含拓扑图构建模块、消纳数据采集模块、规划模型构建模块和路径规划模块;
所述拓扑图构建模块用于对所述光伏消纳区域进行负荷节点采集,构建负荷节点拓扑图;
所述消纳数据采集模块用于采集历史负荷节点消纳数据,进行数据划分确定多组样本构建数据;
所述规划模型构建模块用于基于所述多组样本构建数据与所述负荷节点拓扑图,构建富余电能消纳规划模型;
所述路径规划模块用于将所述富余光伏电能输入所述富余电能消纳规划模型中,获取光伏消纳路径。
Claims (9)
1.一种基于时段划分的光伏发电消纳预测方法,其特征在于包含如下步骤:
①设定预设时间周期,对光伏电站进行管控区域消纳数据调取,获取消纳统计数据;
②确定光伏电站的装机容量,基于装机容量与多维环境参数确定多类实际发电量;
③基于消纳统计数据构建消纳预测模块;
④基于多类实际发电量构建光伏实发电量预测模块;
⑤将光伏实发电量预测模块的输出层与消纳预测模块的输入层进行合并,生成光伏消纳预测模型;
⑥获取实时环境参数,输入光伏消纳预测模型中,基于光伏实发电量预测模块输出实际发电量,传输至消纳预测模块中,输出光伏消纳预测结果;
⑦基于实际发电量与光伏消纳预测结果确定富余光伏电能;
⑧基于富余光伏电能与光伏消纳区域确定光伏消纳路径,对富余光伏电能进行富余并网消纳。
2.根据权利要求1所述的一种基于时段划分的光伏发电消纳预测方法,其特征在于所述步骤①还包含如下步骤:
基于预设时间周期进行光伏电站管控区域的消纳数据调取,获取数据调取结果;对数据调取结果进行数据清洗,获取标准化统计数据;基于标准化统计数据,将累积值转换为瞬时值,构建趋势统计图;基于趋势统计图确定缺失数据,对缺失数据进行补充获取数据预处理结果;基于数据预处理结果计算节点增量;设定增量阈值,基于增量阈值对趋势统计图进行初步划分标识,确定多时段趋势统计图;将多时段趋势统计图作为消纳统计数据。
3.根据权利要求1或2所述的一种基于时段划分的光伏发电消纳预测方法,其特征在于所述步骤③还包含如下步骤:
将季节性、气候性、时区性作为划分依据,对消纳统计数据进行二次划分,获取多组划分数据;基于多组划分数据随机提取一组数据,构建第一预测模型;再次基于消纳统计数据随机提取一组数据,构建第二预测模型;多次进行样本数据提取,构建N个预测模型;对第一预测模型、第二预测模型直至第N预测模型进行集成,生成消纳预测模块。
4.根据权利要求3所述的一种基于时段划分的光伏发电消纳预测方法,其特征在于:所述基于多组划分数据随机提取一组数据,构建第一预测模型,还包含如下步骤:基于多组划分数据随机提取一组数据作为样本数据集;基于样本数据集确定光伏消纳比例,作为消纳结果;对样本数据集与消纳结果进行对应标识,生成标识样本数据集;根据标识样本数据集,基于K折交叉验证法进行神经网络训练,生成第一预测模型。
5.根据权利要求4所述的一种基于时段划分的光伏发电消纳预测方法,其特征在于还包括如下步骤:对标识样本数据集进行等比例划分,确定K组样本数据集;基于K组样本数据集确定训练集与测试集,其中,训练集包括K-1组样本数据集,测试集包括一组样本数据;基于训练集进行神经网络训练确定第一适应性模型,基于测试集进行模型测试,获取第一测试结果;对训练集与测试集进行样本数据调整,获取第二适应性模型,生成第二测试结果;重复K次进行样本数据调整,获取第K适应性模型,生成第K测试结果;对第一测试结果、第二测试结果直至第K测试结果进行优劣排序,确定最优测试结果;对最优测试结果进行模型反向匹配,获取第一预测模型。
6.根据权利要求5所述的一种基于时段划分的光伏发电消纳预测方法,其特征在于所述步骤⑧还包含如下步骤:
对光伏消纳区域进行3D建模,构建场景拟真空间;将富余光伏电能与光伏消纳路径生成消纳控制参数;将消纳控制参数输入场景拟真空间,进行富余电能消纳拟真实验,获取拟真训练结果;判断拟真训练结果是否满足消纳比率阈值;当满足时,将消纳控制参数作为电能调度参数,进行实时富余电能调度。
7.根据权利要求6所述的一种基于时段划分的光伏发电消纳预测方法,其特征在于:所述将富余光伏电能与光伏消纳路径生成消纳控制参数还包括:对光伏消纳区域进行负荷节点采集,构建负荷节点拓扑图;采集历史负荷节点消纳数据,进行数据划分确定多组样本构建数据;基于多组样本构建数据与负荷节点拓扑图,构建富余电能消纳规划模型;将富余光伏电能输入富余电能消纳规划模型中,获取光伏消纳路径。
8.一种基于时段划分的光伏发电消纳预测系统,其特征在于:包含数据获取模块(11)、发电量确定模块(12)、消纳预测模块构建模块(13)、光伏实发电量预测模块构建模块(14)、模型生成模块(15)、结果输出模块(16)、富余电能确定模块(17)和电能消纳模块(18);
所述数据获取模块用于设定预设时间周期,对光伏电站进行管控区域消纳数据调取,获取消纳统计数据;
所述发电量确定模块用于确定光伏电站的装机容量,基于装机容量与多维环境参数确定多类实际发电量;
所述消纳预测模块构建模块用于基于消纳统计数据构建消纳预测模块;
所述光伏实发电量预测模块构建模块用于基于多类实际发电量构建光伏实发电量预测模块;
所述模型生成模块用于将光伏实发电量预测模块的输出层与消纳预测模块的输入层进行合并,生成光伏消纳预测模型;
所述结果输出模块用于获取实时环境参数,输入光伏消纳预测模型中,基于光伏发电量预测模块输出实际发电量,传输至消纳预测模块中,输出光伏消纳预测结果;
所述富余电能确定模块用于基于实际发电量与光伏消纳预测结果确定富余光伏电能;
所述电能消纳模块用于基于富余光伏电能与光伏消纳区域确定光伏消纳路径,对富余光伏电能进行富余并网消纳。
9.根据权利要求8所述的一种基于时段划分的光伏发电消纳预测系统,其特征在于:还包括数据调取模块、数据清洗模块、统计图构建模块、数据预处理模块、增量计算模块、多时段趋势统计图确定模块和消纳统计数据确定模块;
所述数据调取模块用于基于预设时间周期进行光伏电站管控区域的消纳数据调取,获取数据调取结果;
所述数据清洗模块用于对数据调取结果进行数据清洗,获取标准化统计数据;
所述统计图构建模块用于基于标准化统计数据,将累积值转换为瞬时值,构建趋势统计图;
所述数据预处理模块用于基于趋势统计图确定缺失数据,对缺失数据进行补充获取数据预处理结果;
所述增量计算模块用于基于数据预处理结果计算节点增量;
所述多时段趋势统计图确定模块用于设定增量阈值,基于增量阈值对趋势统计图进行初步划分标识,确定多时段趋势统计图;
所述消纳统计数据确定模块用于将多时段趋势统计图作为消纳统计数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211682003.9A CN116108638A (zh) | 2022-12-27 | 2022-12-27 | 一种基于时段划分的光伏发电消纳预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211682003.9A CN116108638A (zh) | 2022-12-27 | 2022-12-27 | 一种基于时段划分的光伏发电消纳预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116108638A true CN116108638A (zh) | 2023-05-12 |
Family
ID=86255403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211682003.9A Pending CN116108638A (zh) | 2022-12-27 | 2022-12-27 | 一种基于时段划分的光伏发电消纳预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108638A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629455A (zh) * | 2023-07-19 | 2023-08-22 | 山西阳风新能售电有限公司 | 一种基于电力供电的智能定向预测方法 |
-
2022
- 2022-12-27 CN CN202211682003.9A patent/CN116108638A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629455A (zh) * | 2023-07-19 | 2023-08-22 | 山西阳风新能售电有限公司 | 一种基于电力供电的智能定向预测方法 |
CN116629455B (zh) * | 2023-07-19 | 2023-10-31 | 山西阳风新能售电有限公司 | 一种基于电力供电的智能定向预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717688B (zh) | 考虑新能源出力不确定性的水风光短期联合优化调度方法 | |
CN111681130B (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
CN109740808B (zh) | 一种风光水互补发电计划计算方法及系统 | |
CN112396220B (zh) | 一种基于场景缩减的含风电与需求侧资源的优化调度方法 | |
CN113139711A (zh) | 一种基于数据整合的智慧能源数据中心管理系统 | |
CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
CN116108638A (zh) | 一种基于时段划分的光伏发电消纳预测方法及系统 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
Cardell et al. | Analysis of the system costs of wind variability through Monte Carlo simulation | |
CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
CN116933952B (zh) | 基于物联网可视化的园区低碳能源调度系统 | |
CN113159986A (zh) | 一种台风灾害后的电网智能自愈方法 | |
CN114662922B (zh) | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 | |
CN106026161A (zh) | 一种区域可利用风能资源分析评估方法 | |
CN115034472A (zh) | 一种分布式光伏运行智能预测管理系统 | |
CN105631548B (zh) | 基于情景分析的多小水电群出力不确定性分析方法 | |
CN113537575B (zh) | 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 | |
Zhao et al. | Key Technology of Integrated Power Generation System containing Wind/Solar/Hydro/Thermal and Energy Storage | |
Xu et al. | Study on the Spatiotemporal Distribution Characteristics of Offshore Wind Power Output in East China | |
Zhang et al. | Risk analysis method for balancing positive and negative backup gaps in distributed new energy grids based on historical load peak and valley values and big data | |
Yuanyu et al. | Research on Generation and Reduction of Typical Operation Scenarios in Virtual Power Plants | |
Fugang et al. | Short-term optimal coordinated operation of a wind-solar-hydro hybrid system based on deep learning and double-layer nesting solution algorithm | |
CN116070737A (zh) | 一种基于组合优化算法的短期负荷深度学习区间预测方法 | |
CN117639248A (zh) | 一种用于能源枢纽的bms管理系统 |
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 |