CN116260141B - 一种光伏电站功率的重构方法、系统及重构终端 - Google Patents
一种光伏电站功率的重构方法、系统及重构终端 Download PDFInfo
- Publication number
- CN116260141B CN116260141B CN202310546155.4A CN202310546155A CN116260141B CN 116260141 B CN116260141 B CN 116260141B CN 202310546155 A CN202310546155 A CN 202310546155A CN 116260141 B CN116260141 B CN 116260141B
- Authority
- CN
- China
- Prior art keywords
- station
- target
- power
- daily
- correlation coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 84
- 238000010248 power generation Methods 0.000 claims description 39
- 238000010276 construction Methods 0.000 claims description 18
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
-
- 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)
- Software Systems (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种光伏电站功率的重构方法、系统及重构终端,属于光伏电站功率曲线的重构技术领域,获取目标光伏场站的第一场站信息,解析第二场站每日云层遮挡比例序列;建立区域光伏场站最大相关系数计算模型及延时时间计算模型;再建立区域光伏场站的相关计算模型;基于相关计算模型得到最大相关系数的相关系数;并定义为第三场站,再解析出场站权重;构建目标日目标第一场站的云层遮挡比例系数序列;构建目标日目标第一场站第一功率重构曲线;再构建第二功率重构曲线。这样,通过建立风向风速与电站延时时间的关系,并提取光伏曲线中云层遮挡造成的功率下降序列,实现对光伏电站功率曲线进行重构,有效提高重构的精度。
Description
技术领域
本发明属于光伏电站功率曲线的重构技术领域,尤其涉及一种光伏电站功率的重构方法、系统及重构终端。
背景技术
目前,随着能源转型战略持续推进,光伏电站装机容量逐年上升,其中,分布式光伏新增容量占比逐年增加。但是,分布式光伏电站缺少专业的气象监测装置及高分辨率气象预报数据,绝大多数低压光伏缺乏日内功率曲线数据,造成现有数据驱动的功率预测技术无法使用,使得部分光伏电站长期处于新能源调控“盲区”,对配网的可观、可测造成影响,急需可靠的、高精度的低压分布式光伏历史日内功率数据重构技术手段。
论文《考虑时空相关性的光辐照度序列估计方法》对光辐照度序列的时空相关性进行研究,发现云层是影响辐照度的重要因素,且在一定地理范围内,云层对辐照度的影响有延时性,可理解为空间两点由于云层移动遮挡导致功率曲线受遮挡的变化有一定相关性及延时性。
基于此现象,专利《光伏场站功率的确定方法装置和计算机设备》(201911404237.5)提出一种光伏电站功率数据的重构方法。然而,此方法中对模型进行了简化,导致引入较大的误差。第一,云层移动与风向风速有一定关系,而该文件忽略了延时时间与风向风速的关系,会造成模型失真,引入重构误差;第二,云层移动产生对太阳辐照的遮挡,本身地外辐照不受云层移动影响,进行数据重构时,应将被云层遮挡产生的影响进行延时处理,而不该将功率曲线整体进行偏移。该专利则将全部功率曲线延时,造成较大的误差。
发明内容
针对上述技术问题,本发明提出一种改进方法,可将风速风向纳入考虑,并提取功率曲线中被云层遮档特征序列,形成更加可靠的光伏电站功率重构方式。
方法包括:
S101:获取目标光伏场站的第一场站信息,目标场站距离范围内的多个具有历史功率曲线的第二场站信息,气象信息及晴空日理想发电曲线模型;
S102:根据晴空日发电曲线模型及每个第二场站的历史功率曲线和日发电量,解析第二场站每日云层遮挡比例序列;
S103:建立区域光伏场站最大相关系数计算模型及延时时间计算模型;根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间信息;再根据每2个第二场站的每日最大相关系数、延时时间信息、空间位置信息及气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型;
S104:根据目标日目标第一场站与每一第二场站的空间位置信息,气象信息及最大相关系数计算模型得到目标第一场站与每一第二场站的相关系数;
S105:根据目标日目标第一场站与每一第二场站的空间位置信息,气象信息及延时时间计算模型得到目标第一场站与每一第二场站的延时时间;
S106:根据相关系数阈值,筛选出与目标日目标第一场站具有相关关系的一个或多个第二场站定义为第三场站;
S107:根据目标日目标第一场站与第三场站的相关系数,解析出场站权重;
S108:基于目标日多个场站权重、延时时间和云层遮挡比例系数序列,构建目标日目标第一场站的云层遮挡比例系数序列;
S109:根据目标日目标第一场站的云层遮挡比例系数序列和晴空日理想发电模型,构建目标日目标第一场站第一功率重构曲线;
S110:根据目标日目标第一场站日电量及第一功率重构曲线,构建第二功率重构曲线。
进一步需要说明的是,S101中,所述第一场站信息包括第一位置信息和第一日电量信息,所述多个第二场站信息包括日功率曲线信息、第二位置信息和第二日电量信息;根据所述第一位置信息和各第二位置信息,确定各场站空间信息。
进一步需要说明的是,S103中,根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间;再根据每2个第二场站的每日最大相关系数及延时时间,空间位置信息,气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
进一步需要说明的是,S103还包括:采用机器学习随机森林回归模型建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
进一步需要说明的是,S101中的晴空日理想发电曲线模型由地区内典型光伏电站历史晴空日内选取或根据理论计算获取;
根据第一位置信息和各第二位置信息,确定各场站空间信息;
根据晴空日发电曲线模型及每个第二场站历史功率曲线、日发电量,获取第二场站每日云层遮挡比例序列;
每日云层遮挡比例序列由下式获得:
其中P(t)为第二场站的历史功率曲线,C为装机容量,ref(t)为晴空日理想发电曲线;
根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间;
其中相关系数采用如下皮尔逊相关系算法:
其中,表示每2个第二场站分别的云层遮挡比例序列;
和/>为/>和/>的均值,/>和/>为/>和/>的标准差;
E[.]为期望算子;
通过将按日内预设的时间分辨率进行前向和后向平移,并计算相关系数。
进一步需要说明的是,最大相关系数及此时对应的延时时间/>通过如下公式计算:
其中,表示第一个第二场站的云层遮挡比例序列,/>表示时间平移的最大值,Z表示整数集;
根据每2个第二场站的每日最大相关系数及延时时间,空间位置信息,气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
进一步需要说明的是,S107中的相关系数阈值为0.8。
进一步需要说明的是,S109还包括:根据每个第三场站云层遮挡比例系数序列及与目标第一场站的延时时间,计算每个第三场站延时后的云层遮挡比例系数序列,构建目标日目标第一场站的云层遮挡比例系数序列;
如含有多个第三场站,按下式计算场站权重:
则目标日目标第一场站的重构云层遮挡比例系数序列为:
根据目标日目标第一场站的云层遮挡比例系数序列及晴空日理想发电模型,按下式构建目标日目标第一场站第一功率重构曲线,
根据目标日目标第一场站日电量及第一功率重构曲线,通过如下公式构建第二功率重构曲线,
Q为目标日目标第一场站的日电量。
本发明还提供一种光伏电站功率的重构系统,系统包括:场站信息获取模块、第二场站云层遮挡比例序列解析模块、计算模型建立模块、系数及时间模型计算模块、相关系数计算模块、延时时间计算模块、第三场站定义模块、场站权重获取模块、场站云层遮挡比例系数序列构建模块、功率重构曲线构建模块以及第二功率重构曲线构建模块;
场站信息获取模块,用于获取目标光伏场站的第一场站信息,目标场站距离范围内的多个具有历史功率曲线的第二场站信息,气象信息及晴空日理想发电曲线模型;
第二场站云层遮挡比例序列解析模块,用于根据晴空日发电曲线模型及每个第二场站的历史功率曲线和日发电量,解析第二场站每日云层遮挡比例序列;
计算模型建立模块,用于建立区域光伏场站最大相关系数计算模型及延时时间计算模型;
系数及时间模型计算模块,用于根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间信息;再根据每2个第二场站的每日最大相关系数、延时时间信息、空间位置信息及气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型;
相关系数计算模块,用于根据区域光伏场站最大相关系数计算模型、目标日目标第一场站分别与每一第二场站的空间位置信息、气象信息计算得到与每一第二场站的相关系数;
延时时间计算模块,用于根据延时时间计算模型计算及目标日目标第一场站分别与每一第二场站的空间位置信息、气象信息计算得到与每一第二场站的延时时间;
第三场站定义模块,用于根据相关系数阈值,筛选出与目标日目标第一场站具有相关关系的一个或多个第二场站定义为第三场站;
场站权重获取模块,用于根据目标日目标第一场站与第三场站的相关系数,解析出场站权重;
场站云层遮挡比例系数序列构建模块,用于基于目标日多个场站权重、延时时间和云层遮挡比例系数序列,构建目标日目标第一场站的云层遮挡比例系数序列;
功率重构曲线构建模块,用于根据目标日目标第一场站的云层遮挡比例系数序列和晴空日理想发电模型,构建目标日目标第一场站第一功率重构曲线;
第二功率重构曲线构建模块,用于根据目标日目标第一场站日电量及第一功率重构曲线,构建第二功率重构曲线。
本发明还提供一种重构终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现光伏电站功率的重构方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供的光伏电站功率的重构方法通过建立风向风速与电站延时时间的关系,并提取光伏曲线中云层遮挡造成的功率下降序列,实现对光伏电站功率曲线进行重构,有效提高重构的精度。
本发明解决了现有技术中对模型进行了简化,导致引入较大误差的问题。而且本发明的重构方法可以基于云层移动与风向风速有一定关系,考虑了延时时间与风向风速的关系,保证模型准确度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为光伏电站功率的重构方法流程图;
图2为光伏电站功率的重构系统示意图;
图3为重构终端示意图。
具体实施方式
如图1是本发明提供的光伏电站功率的重构方法流程图,本发明是为了解决现有技术中对模型进行了简化,导致引入较大误差的问题。而且本发明的重构方法可以基于云层移动与风向风速有一定关系,考虑了延时时间与风向风速的关系,保证模型准确度。
当然本发明的实现过程可以基于人工智能技术对光伏电站功率数据进行获取和重构。其中,光伏电站功率的重构方法中既有硬件层面的技术也有软件层面的技术。硬件层面一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。软件层面主要包括机器学习/深度学习、Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。实现将风速风向纳入考虑,并提取功率曲线中被云层遮档特征序列,形成更加可靠的光伏电站功率重构方式。
本发明的光伏电站功率的重构方法应用于一个或者多个重构终端中,如图3所示,所述重构终端是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于处理器401、存储器402、输入装置403、输出装置404等。输入装置403可以是鼠标键盘,或者采用触摸屏。输出装置404可以采用显示屏和语音播放器。
重构终端可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(PersonalDigitalAssistant,PDA)、交互式网络电视(InternetProtocolTelevision,IPTV)、智能式穿戴式设备等。
重构终端还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
重构终端所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork,VPN)等。
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,所描述的实施例仅仅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。
具体步骤如下:
获取目标光伏场站的第一场站信息和目标场站距离范围内的多个具有历史功率曲线的第二场站信息,包含风向和风速的区域内气象信息及晴空日理想发电曲线模型。
所述第一场站信息包括第一位置信息和第一日电量信息,所述多个第二场站信息包括日功率曲线信息、第二位置信息和第二日电量信息;所述气象信息需包含风向、风速,及其他如PM2.5、天气类型等指标;其中,晴空日理想发电模型序列记为ref(t)。
本发明涉及了两种可选处理方式,可选的方式一,晴空日理想发电模型可由理论计算方式获得。
地外任意斜面太阳辐照度可由下式进行计算:
其中为太阳常数,k为日低距离修正系数,α为太阳方位角,θ为斜面倾斜角,γ为斜面方位角,h为太阳高度角,i为太阳入射角。
对于太阳方位角,使用下式计算
当,则改用下式计算
其中,为太阳赤纬,/>为当地纬度,/>为太阳时角。
日地距离修正系数可由下式近似计算:
其中,为日地平均距离,r为日地实际距离,N为积日。
通过库珀方程近似计算:/>
太阳时角可由下式计算:
其中,是地方时,单位分钟;/>是时差,单位分钟;/>是时区时,单位分钟;是精度修正值(4分钟/度);/>是当地时区的标准子午线精度;/>是当地的精度。
按照上式,选取区域中心,可计算日内每十五分钟的辐照度序列值。
按下式处理序列值,并将处理后的序列值后作为晴空日理想发电曲线。
,其中,/>为G(t)中的最大值
本发明还涉及另一种方式,具体来讲,晴空日理想发电曲线可由地区内典型光伏电站历史晴空日内选取。一般选取较平滑曲线,且当日电量较大为宜。
根据第一位置信息和各第二位置信息,确定各场站空间信息;
根据晴空日发电曲线模型及每个第二场站历史功率曲线、日发电量,获取第二场站每日云层遮挡比例序列。
每日云层遮挡比例序列由下式获得:
其中P(t)为第二场站的历史功率曲线,C为装机容量,ref(t)为晴空日理想发电曲线。
根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间。
其中,相关系数可以通过皮尔逊相关系算法的如下进行计算:
其中,表示每2个第二场站分别的云层遮挡比例序列。/>和/>为/>和/>的均值,/>和/>为/>和/>的标准差。E[.]为期望算子。
通过将按日内预设的时间分辨率进行前向和后向平移,并计算相关系数。取最大相关系数及此时对应的延时时间,分为记为/>及/>。具体计算公式如下:
其中,表示第一个第二场站的云层遮挡比例序列,/>表示时间平移的最大值,它应该保证在时间平移之后用于计算的云层遮挡比例序列属于同一天。Z表示整数集。
根据每2个第二场站的每日最大相关系数及延时时间,空间位置信息,气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
本实施例中,采用机器学习随机森林回归模型建立最大相关系数计算模型及延时时间计算模型。将每2个第二场站的空间距离解析为经度方向上距离和纬度方向距离/>,风速解析为经度方向上平均风速/>和纬度方向上平均风速/>。
对于最大相关系数计算模型,随机森林输入经度方向上距离、纬度方向距离/>、经度方向上平均风速/>、纬度方向上平均风速/>、以及辅助气象信息包括但不限于PM2.5、温度、天气类型等,随机森林输出为最大相关系数/>。通过将每个历史日每2个第二场站间的数据输入随机森林模型进行训练,从而建立最大相关系数计算模型。
对于延时时间计算模型,随机森林输入经度方向上距离、纬度方向距离/>、经度方向上平均风速/>、纬度方向上平均风速/>、以及辅助气象信息包括但不限于PM2.5、温度、天气类型等,随机森林输出为延时时间/>。通过将每个历史日每2个第二场站间的数据输入随机森林模型进行训练,从而建立延时时间计算模型。
根据目标日目标第一场站与每一第二场站的空间位置信息,气象信息,及最大相关系数计算模型得到目标第一场站与每一第二场站的相关系数。
根据目标日目标第一场站与每一第二场站的空间位置信息,气象信息,及延时时间计算模型得到目标第一场站与每一第二场站的延时时间。
本发明的实施例中,根据目标日目标第一场站与每一第二场站的空间位置信息得到经度方向上距离和纬度方向距离/>,根据气象信息得到经度方向上平均风速/>、纬度方向上平均风速/>,PM2.5、温度、天气类型等。将所述信息输入最大相关系数计算模型,得到目标日目标第一场站与每一第二场站的最大相关系数。将所述信息输入延时时间计算模型,得到目标日目标第一场站与每一第二场站的延时时间。
根据相关系数阈值,筛选出与目标日目标第一场站具有强相关关系的一个或多个第二场站,称为第三场站。
可选地,相关系数阈值为0.8,筛选出多个第三场站。
本实施例中,根据每个第三场站云层遮挡比例系数序列及与目标第一场站的延时时间,计算每个第三场站延时后的云层遮挡比例系数序列,构建目标日目标第一场站的云层遮挡比例系数序列。如含有多个第三场站,按下式计算场站权重:
则目标日目标第一场站的重构云层遮挡比例系数序列为:
根据目标日目标第一场站的云层遮挡比例系数序列及晴空日理想发电模型,构建目标日目标第一场站第一功率重构曲线,本实施例按下式进行计算,
根据目标日目标第一场站日电量,及第一功率重构曲线,获得第二功率重构曲线,计算公式如下:
Q为目标日目标第一场站的日电量。
这样,本发明提供的光伏电站功率的重构方法中,通过风速风向及距离、气象信息建立的最大相关系数模型和延时时间模型。再通过云层遮挡系数序列进行数据重构。实现对光伏电站功率曲线进行重构,有效提高重构的精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下是本公开实施例提供的光伏电站功率的重构系统的实施例,该系统与上述各实施例的光伏电站功率的重构方法属于同一个发明构思,在光伏电站功率的重构系统的实施例中未详尽描述的细节内容,可以参考上述光伏电站功率的重构方法的实施例。
如图2所示,系统包括:场站信息获取模块、第二场站云层遮挡比例序列解析模块、计算模型建立模块、系数及时间模型计算模块、相关系数计算模块、延时时间计算模块、第三场站定义模块、场站权重获取模块、场站云层遮挡比例系数序列构建模块、功率重构曲线构建模块以及第二功率重构曲线构建模块。
场站信息获取模块,用于获取目标光伏场站的第一场站信息,所述目标场站距离范围内的多个具有历史功率曲线的第二场站信息,气象信息及晴空日理想发电曲线模型。
第二场站云层遮挡比例序列解析模块,用于根据晴空日发电曲线模型及每个第二场站的历史功率曲线和日发电量,解析第二场站每日云层遮挡比例序列。
计算模型建立模块,用于建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
系数及时间模型计算模块,用于根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间信息;再根据每2个第二场站的每日最大相关系数、延时时间信息、空间位置信息及气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
相关系数计算模块,用于根据区域光伏场站最大相关系数计算模型、目标日目标第一场站分别与每一第二场站的空间位置信息、气象信息计算得到与每一第二场站的相关系数。
延时时间计算模块,用于根据延时时间计算模型计算及目标日目标第一场站分别与每一第二场站的空间位置信息、气象信息计算得到与每一第二场站的延时时间。
第三场站定义模块,用于根据相关系数阈值,筛选出与目标日目标第一场站具有相关关系的一个或多个第二场站定义为第三场站。
场站权重获取模块,用于根据目标日目标第一场站与第三场站的相关系数,解析出场站权重。
场站云层遮挡比例系数序列构建模块,用于基于目标日多个场站权重、延时时间和云层遮挡比例系数序列,构建目标日目标第一场站的云层遮挡比例系数序列。
功率重构曲线构建模块,用于根据目标日目标第一场站的云层遮挡比例系数序列和晴空日理想发电模型,构建目标日目标第一场站第一功率重构曲线。
第二功率重构曲线构建模块,用于根据目标日目标第一场站日电量及第一功率重构曲线,构建第二功率重构曲线。
本发明提供的光伏电站功率的重构方法及系统中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种光伏电站功率的重构方法,其特征在于,方法包括:
S101:获取目标光伏场站的第一场站信息,目标场站距离范围内的多个具有历史功率曲线的第二场站信息,气象信息及晴空日理想发电曲线模型;
S102:根据晴空日理想发电曲线及每个第二场站的历史功率曲线和日发电量,解析第二场站每日云层遮挡比例序列;
S103:建立区域光伏场站最大相关系数计算模型及延时时间计算模型;根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间信息;再根据每2个第二场站的每日最大相关系数、延时时间信息、空间位置信息及气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型;
S104:根据目标日目标第一场站与每一第二场站的空间位置信息,气象信息及最大相关系数计算模型得到目标第一场站与每一第二场站的相关系数;
S105:根据目标日目标第一场站与每一第二场站的空间位置信息,气象信息及延时时间计算模型得到目标第一场站与每一第二场站的延时时间;
S106:根据相关系数阈值,筛选出与目标日目标第一场站具有相关关系的一个或多个第二场站定义为第三场站;
S107:根据目标日目标第一场站与第三场站的相关系数,解析出场站权重;
S108:基于目标日多个场站权重、延时时间和云层遮挡比例系数序列,构建目标日目标第一场站的云层遮挡比例系数序列;
S109:根据目标日目标第一场站的云层遮挡比例系数序列和晴空日理想发电模型,构建目标日目标第一场站第一功率重构曲线;
根据每个第三场站云层遮挡比例系数序列及与目标第一场站的延时时间,计算每个第三场站延时后的云层遮挡比例系数序列,构建目标日目标第一场站的云层遮挡比例系数序列;
如含有多个第三场站,按下式计算场站权重:
则目标日目标第一场站的重构云层遮挡比例系数序列为:
根据目标日目标第一场站的云层遮挡比例系数序列及晴空日理想发电模型,按下式构建目标日目标第一场站第一功率重构曲线,
根据目标日目标第一场站日电量及第一功率重构曲线,通过如下公式构建第二功率重构曲线,
Q为目标日目标第一场站的日电量;
S110:根据目标日目标第一场站日电量及第一功率重构曲线,构建第二功率重构曲线。
2.根据权利要求1所述的光伏电站功率的重构方法,其特征在于,
S101中,所述第一场站信息包括第一位置信息和第一日电量信息,所述多个第二场站信息包括日功率曲线信息、第二位置信息和第二日电量信息;根据所述第一位置信息和各第二位置信息,确定各场站空间信息。
3.根据权利要求1所述的光伏电站功率的重构方法,其特征在于,
S103中,根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间;再根据每2个第二场站的每日最大相关系数及延时时间,空间位置信息,气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
4.根据权利要求1所述的光伏电站功率的重构方法,其特征在于,
S103还包括:采用回归模型建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
5.根据权利要求1所述的光伏电站功率的重构方法,其特征在于,
S101中的晴空日理想发电曲线模型由地区内典型光伏电站历史晴空日内选取;
根据第一位置信息和各第二位置信息,确定各场站空间信息;
根据晴空日发电曲线模型及每个第二场站历史功率曲线、日发电量,获取第二场站每日云层遮挡比例序列;
每日云层遮挡比例序列由下式获得:
其中P”(t)为第二场站的历史功率曲线,C为装机容量,ref(t)为晴空日理想发电曲线;
根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间;
其中相关系数采用如下皮尔逊相关系算法:
其中,表示每2个第二场站分别的云层遮挡比例序列;
和/>为/>和/>的均值,/>和/>为/>和/>的标准差;
E[.]为期望算子;
通过将按日内预设的时间分辨率进行前向和后向平移,并计算相关系数。
6.根据权利要求5所述的光伏电站功率的重构方法,其特征在于,
最大相关系数及此时对应的延时时间/>通过如下公式计算:
其中,表示第一个第二场站的云层遮挡比例序列,/>表示时间平移的最大值, Z表示整数集;
根据每2个第二场站的每日最大相关系数及延时时间,空间位置信息,气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型。
7.一种光伏电站功率的重构系统,其特征在于,系统采用如权利要求1至6任意一项所述的光伏电站功率的重构方法;
系统包括:场站信息获取模块、第二场站云层遮挡比例序列解析模块、计算模型建立模块、系数及时间模型计算模块、相关系数计算模块、延时时间计算模块、第三场站定义模块、场站权重获取模块、场站云层遮挡比例系数序列构建模块、功率重构曲线构建模块以及第二功率重构曲线构建模块;
场站信息获取模块,用于获取目标光伏场站的第一场站信息,目标场站距离范围内的多个具有历史功率曲线的第二场站信息,气象信息及晴空日理想发电曲线模型;
第二场站云层遮挡比例序列解析模块,用于根据晴空日发电曲线模型及每个第二场站的历史功率曲线和日发电量,解析第二场站每日云层遮挡比例序列;
计算模型建立模块,用于建立区域光伏场站最大相关系数计算模型及延时时间计算模型;
系数及时间模型计算模块,用于根据每2个第二场站的每日云层遮挡比例序列,计算场站最大相关系数及延时时间信息;再根据每2个第二场站的每日最大相关系数、延时时间信息、空间位置信息及气象信息,建立区域光伏场站最大相关系数计算模型及延时时间计算模型;
相关系数计算模块,用于根据区域光伏场站最大相关系数计算模型、目标日目标第一场站分别与每一第二场站的空间位置信息、气象信息计算得到与每一第二场站的相关系数;
延时时间计算模块,用于根据延时时间计算模型计算及目标日目标第一场站分别与每一第二场站的空间位置信息、气象信息计算得到与每一第二场站的延时时间;
第三场站定义模块,用于根据相关系数阈值,筛选出与目标日目标第一场站具有相关关系的一个或多个第二场站定义为第三场站;
场站权重获取模块,用于根据目标日目标第一场站与第三场站的相关系数,解析出场站权重;
场站云层遮挡比例系数序列构建模块,用于基于目标日多个场站权重、延时时间和云层遮挡比例系数序列,构建目标日目标第一场站的云层遮挡比例系数序列;
功率重构曲线构建模块,用于根据目标日目标第一场站的云层遮挡比例系数序列和晴空日理想发电模型,构建目标日目标第一场站第一功率重构曲线;
第二功率重构曲线构建模块,用于根据目标日目标第一场站日电量及第一功率重构曲线,构建第二功率重构曲线。
8.一种重构终端,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述光伏电站功率的重构方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546155.4A CN116260141B (zh) | 2023-05-16 | 2023-05-16 | 一种光伏电站功率的重构方法、系统及重构终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310546155.4A CN116260141B (zh) | 2023-05-16 | 2023-05-16 | 一种光伏电站功率的重构方法、系统及重构终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116260141A CN116260141A (zh) | 2023-06-13 |
CN116260141B true CN116260141B (zh) | 2023-10-20 |
Family
ID=86682941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310546155.4A Active CN116260141B (zh) | 2023-05-16 | 2023-05-16 | 一种光伏电站功率的重构方法、系统及重构终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116260141B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
CN110514298A (zh) * | 2019-08-30 | 2019-11-29 | 河海大学常州校区 | 一种基于地基云图的太阳辐照强度计算方法 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN112052430A (zh) * | 2020-08-17 | 2020-12-08 | 重庆大学 | 一种基于改进topsis的光伏场站相关性综合评估系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8165811B2 (en) * | 2011-07-25 | 2012-04-24 | Clean Power Research, L.L.C. | Computer-implemented system and method for determining point-to-point correlation of sky clearness for photovoltaic power generation fleet output estimation |
-
2023
- 2023-05-16 CN CN202310546155.4A patent/CN116260141B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
CN110514298A (zh) * | 2019-08-30 | 2019-11-29 | 河海大学常州校区 | 一种基于地基云图的太阳辐照强度计算方法 |
CN111754026A (zh) * | 2020-05-28 | 2020-10-09 | 国网冀北电力有限公司 | 光伏电站群功率预测方法、装置、计算机设备及存储介质 |
CN112052430A (zh) * | 2020-08-17 | 2020-12-08 | 重庆大学 | 一种基于改进topsis的光伏场站相关性综合评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116260141A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Draxl et al. | The wind integration national dataset (wind) toolkit | |
Zhang et al. | Future projections of offshore wind energy resources in China using CMIP6 simulations and a deep learning-based downscaling method | |
CN107491833B (zh) | 一种光伏发电功率预测的方法和装置 | |
EP3629282A1 (en) | Photovoltaic power generation facility design assistance device, design assistance method, design assistance program, and design assistance learned model creation device | |
CN110781458B (zh) | 一种基于混合回归模型预测地表太阳辐照度的方法 | |
Weekes et al. | Long-term wind resource assessment for small and medium-scale turbines using operational forecast data and measure–correlate–predict | |
Yongsheng et al. | A Short‐Term Power Output Forecasting Model Based on Correlation Analysis and ELM‐LSTM for Distributed PV System | |
Moreno et al. | A day-ahead irradiance forecasting strategy for the integration of photovoltaic systems in virtual power plants | |
CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
Zhen et al. | Ultra‐short‐term irradiance forecasting model based on ground‐based cloud image and deep learning algorithm | |
Laslett et al. | A method for generating synthetic hourly solar radiation data for any location in the south west of Western Australia, in a world wide web page | |
Hatanaka et al. | Diffusion models for high-resolution solar forecasts | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
CN111652126A (zh) | 一种基于卫星云图的反演辐射方法 | |
CN116384583A (zh) | 一种基于多神经网络的光伏功率预测方法 | |
Espinosa-Gavira et al. | Cloud motion estimation from small-scale irradiance sensor networks: General analysis and proposal of a new method | |
Mamassis et al. | Topography-adjusted solar radiation indices and their importance in hydrology | |
CN114819264A (zh) | 一种基于时空依赖的光伏电站辐照度超短期预测方法及存储介质 | |
CN116260141B (zh) | 一种光伏电站功率的重构方法、系统及重构终端 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
CN114418167A (zh) | 一种基于高原山地多元气象新能源发电功率预测优化方法 | |
Song et al. | Combination model for day-ahead solar forecasting using local and global model input | |
CN114707769B (zh) | 一种光伏发电出力短期预测方法及其相关装置 | |
Zhao et al. | An Integrated Fishery Meteorological Information Service Terminal Based on End-Side Deep Learning Technology | |
Hernández-Yepes et al. | Influence of spatial resolution in mesoscale modeling to reproduce wind power production in southern Mexico |
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 |