CN116404645B - 考虑时空相关特性的分布式光伏短期功率预测方法及系统 - Google Patents

考虑时空相关特性的分布式光伏短期功率预测方法及系统 Download PDF

Info

Publication number
CN116404645B
CN116404645B CN202310664108.XA CN202310664108A CN116404645B CN 116404645 B CN116404645 B CN 116404645B CN 202310664108 A CN202310664108 A CN 202310664108A CN 116404645 B CN116404645 B CN 116404645B
Authority
CN
China
Prior art keywords
sequence
time
power
distributed photovoltaic
fluctuation
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
Application number
CN202310664108.XA
Other languages
English (en)
Other versions
CN116404645A (zh
Inventor
杨明
陈梅
舒印彪
于一潇
王传琦
刘纯
王勃
李梦林
李鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
Shandong University
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University, China Electric Power Research Institute Co Ltd CEPRI filed Critical Shandong University
Priority to CN202310664108.XA priority Critical patent/CN116404645B/zh
Publication of CN116404645A publication Critical patent/CN116404645A/zh
Application granted granted Critical
Publication of CN116404645B publication Critical patent/CN116404645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及分布式光伏系统技术领域，具体公开了一种考虑时空相关特性的分布式光伏短期功率预测方法及系统；方法包括：获取关注时间点公共耦合点处的电压，以及各条馈线的电流数据，形成馈线电流矩阵；计算各条馈线电流的互信息值；选取互信息值大于设定值的馈线，将馈线的电流数据相加作为馈线电流矩阵中新的一列数据，同时删除馈线在馈线电流矩阵中原来的电流数据，形成新的馈线电流矩阵；利用独立矢量分析算法对新的馈线电流矩阵进行运算，得到解耦后的分离矩阵；基于公共耦合点处的电压和分离矩阵，得到h次谐波的谐波定量评估结果。本发明可以准确评估分布式光伏接入下，谐波电流相关性较高的多条馈线的谐波责任。

Description

考虑时空相关特性的分布式光伏短期功率预测方法及系统
技术领域
本发明涉及分布式光伏短期功率预测技术领域，尤其涉及一种考虑时空相关特性的分布式光伏短期功率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
太阳能是取之不尽用之不竭的能源，被认为是传统能源最受欢迎的替代品。因此，近年来光伏发电并网的比例不断增加。但太阳能的间歇性和波动性特征给电力系统带来了很大的危险，很大程度上阻碍了光伏场站的大规模部署。为了保证电力系统的安全稳定，光伏功率预测方法和系统逐步成为电力系统不可或缺的一部分。精准的光伏功率预测可以促进需求响应方案的实施，同时还能够提高电能质量。
随着分布式光伏装机容量迅速增加，对应的量测设备由于成本高昂、安装复杂等限制，没有实现全面覆盖的配置，尤其在10kV以下的低压配电网中，存在缺乏实测功率曲线及实测气象数据的站点。传统的新能源预测建模需要大量历史数据支撑，目前不完善的信息采集对分布式光伏功率预测造成了一定的困难。
发明内容
为了解决上述问题，本发明提出了一种考虑时空相关特性的分布式光伏短期功率预测方法及系统，基于小波包分解技术将分布式光伏基准站的功率数据分解为平稳序列和波动序列；通过动态时间规整得到消除延迟的影响的波动序列；对于平稳序列和动态时间规整后的波动序列分别进行插值，得到目标光伏站点的预测功率平稳序列和预测功率波动序列，进而得到目标光伏站点的短期功率预测结果，提高分布式光伏功率预测精度，实现信息不完备站点的信息补全。
在一些实施方式中，采用如下技术方案：
一种考虑时空相关特性的分布式光伏短期功率预测方法，包括：
获取分布式光伏基准站的历史功率数据；
引入由多个相互正交小波包构成的函数簇，采用时序衰减的有限长的小波基函数，通过离散小波变换分别提取功率数据中的时域信息和频域信息；经过重构将所述功率数据分解为平稳序列和波动序列；
对于平稳序列，通过静态插值得到目标光伏站点的预测功率平稳序列；
对于波动序列，通过动态时间规整和插值，得到目标光伏站点的预测功率波动序列；
将预测功率平稳序列和预测功率波动序列进行融合，得到目标光伏站点的短期功率预测结果。
对于平稳序列，通过静态插值得到目标光伏站点的预测功率平稳序列，具体为：
选取距离目标光伏站点直线距离最近的三个基准站点/>，其平稳序列分别用/>表示，则目标光伏站点的预测功率平稳序列/>表示为：
其中，为权重系数，/>。
对于波动序列进行动态时间规整，具体为：
对两个距离相近的分布式光伏基准站，将它们的波动序列进行规整，消除两个波动序列之间的时序差异。
对于分布式光伏基准站波动序列进行动态时间规整之后，采用静态插值方法分别对规整后得到的延时时间序列和对应的功率序列进行插值，得到目标光伏站点的预测功率波动序列。
在另一些实施方式中，采用如下技术方案：
一种考虑时空相关特性的分布式光伏短期功率预测系统，包括：
数据获取模块，用于获取分布式光伏基准站的历史功率数据；
数据分解模块，用于引入由多个相互正交小波包构成的函数簇，采用时序衰减的有限长的小波基函数，通过离散小波变换分别提取功率数据中的时域信息和频域信息；经过重构将所述功率数据分解为平稳序列和波动序列；
功率预测模块，用于对于平稳序列，通过静态插值得到目标光伏站点的预测功率平稳序列；对于波动序列，通过动态时间规整和插值，得到目标光伏站点的预测功率波动序列；将预测功率平稳序列和预测功率波动序列进行融合，得到目标光伏站点的短期功率预测结果。
在另一些实施方式中，采用如下技术方案：
一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的考虑时空相关特性的分布式光伏短期功率预测方法。
在另一些实施方式中，采用如下技术方案：
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的考虑时空相关特性的分布式光伏短期功率预测方法。
与现有技术相比，本发明的有益效果是：
（1）本发明针对信息不完备站点的实测功率曲线缺失，基于小波包分解技术将分布式光伏基准站的功率数据分解为平稳序列和波动序列；通过动态时间规整得到消除延迟的影响的波动序列；对于平稳序列和动态时间规整后的波动序列分别进行插值，得到目标光伏站点的预测功率平稳序列和预测功率波动序列，进而得到目标光伏站点的短期功率预测结果；避免了采用传统的静态补全方法可能会导致估算结果不精确，影响分布式光伏功率预测模型引入较大的输入误差的问题，提高分布式光伏功率预测精度，实现信息不完备站点的信息补全。
（2）本发明对连续小波变换的尺度变量和平移变量离散化，构成离散小波变换，以减少连续小波变换的冗余信息；引入由多个相互正交小波包构成的函数簇，提高了小波包对高频信号的解析度和泛化能力。避免了单个小波函数仅对低频信号有较高的解析度，对高频信号的解析度不佳的问题。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
图1为本发明实施例中分布式光伏站点分布示意图；
图2中（a）为小波分解示意图，图2中（b）分别为小波包分解示意图；
图3中（a）为本发明实施例中光伏功率数据，图3中（b）为小波包分解结果示意图；
图4中（a）为面积法质心插值示意图，图4中（b）为距离反比插值示意图；
图5为本发明实施例中动态时间规整最优路径图；
图6为本发明实施例中分布式光伏站点相对距离示意图；
图7为本发明实施例中分布式光伏3个信息全完备站点原始序列和WPD分解后序列示意图；
图8为本发明实施例中不同天气类型下距离反比插值结果各站点动态时间规整结果对比图；
图9为本发明实施例中不同天气类型下距离反比插值结果对比图；
图10为本发明实施例中不同天气类型下时间间隔不一致现象示意图；
图11为本发明实施例中不同天气类型下各序列总体插值结果示意图；
图12为本发明实施例中站点1的预测结果与真实值对比图；
图13为站点2的预测结果与真实值对比图；
图14为站点3的预测结果与真实值对比图；
图15为本发明实施例中分布式光伏短期功率预测方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
按照信息完备的程度进行划分，可将分布式光伏划分为三类——信息全完备站点、半完备站点及信息不完备站点。由于实时量测同步气象仪成本高昂，且距离较近的站点气象相差不大，因此仅在基准站中安装了实时量测同步气象仪，其余分布式光伏站点无法量测到准确的实时气象，称基准站为“信息全完备站点”。此外部分较大容量的分布式光伏站点，比如工厂片区屋顶分布式光伏，其分布式光伏出力较大，为实时监控其功率波动对地区电网稳定的影响，需要安装实时同步的功率量测设备，此类站点称为“信息半完备站点”；此外还有大部分用户自行选择安装的家用屋顶分布式光伏站点，其装机容量较小，地区分布呈现明显的离散特征，未配备成本较高的实时同步量测装置，仅可量测一天的电量数据，此类站点称为“信息不完备站点”。各类分布式光伏的信息分类标准如表1所示。
表1 分布式光伏站点量测数据情况
图1展示了分布式光伏的信息全完备站点和信息不完备站点的分布情况，其中白框带量测装置的分布式光伏站点为信息全完备站，屋顶光伏站点为信息不完备站点。
针对信息不完备站点的实测功率曲线缺失，可以利用基准站点的功率数据，采用各类插值算法估算分布式光伏的功率曲线。由于同一地区的各分布式光伏经纬度差异较小，其晴空平稳模型相似性比较大；而当天气类型为阴天或多云时，云团的位置不同和移动速度不同，会导致各分布式光伏功率波动时间和波动程度存在较大的差异。因此采用传统的静态补全方法可能会导致估算结果不精确，影响分布式光伏功率预测模型引入较大的输入误差。
基于此，在一个或多个实施方式中，公开了一种考虑时空相关特性的分布式光伏短期功率预测方法，结合图15，具体包括如下过程：
步骤（1）：获取分布式光伏基准站设定时间段内的历史功率数据；
步骤（2）：引入由多个相互正交小波包构成的函数簇，采用时序衰减的有限长的小波基函数，通过离散小波变换分别提取功率数据中的时域信息和频域信息；经过重构将所述功率数据分解为平稳序列和波动序列；
具体地，本实施例首先提取分布式光伏基准站的频率特征，将分布式光伏功率序列分为平稳序列和波动序列，分别进行估算，提高估算的可信度和准确度。
傅里叶分解以三角函数作为基函数，将原有信号用一系列不同频率的三角函数进行表示：
（1）
式中：是原始信号，/>为信号周期，在非周期信号中代表代表信号长度，/>是代表傅里叶分解中的直流分量，/>和/>代表互为正交的余弦和正弦分量，其求解公式如式（2）和式（3）所示：
（2）
（3）
与信号周期相同的交流分量称为基波，其余交流分量称为信号的谐波。
但在光伏的日功率曲线频域分解中，平稳序列可以快速地用直流分量和基波分量表示，而波动序列通过傅里叶分解只能提取信号的频率特性，无法提取各交流分量出现的时间及随时间的变化规律，而这是分布式光伏功率估算中必须考虑的因素。
因此，本实施例通过小波包分解，将不具有时序特性的三角函数基替换为时序衰减的有限长的小波基，同时提取输入信号中的时域信息和频域信息。不同于傅里叶分解仅有的频率变量，小波分解的基函数有两个变量，其一是包含频域信息的尺度变量/>，其二是包含时域信息的平移变量/>，可用公式（4）表示：
（4）
为实数。
进一步定义连续小波变换系数，用于表示信号经小波变换后的输出：
（5）
在实际应用中，由于小波变换有尺度伸缩共同变化的特点，导致其提取的不同小波包变化系数有相似性，产生了冗余信号。因此往往对连续小波变换的尺度变量和平移变量离散化，构成离散小波变换，以减少连续小波变换的冗余信息：
（6）
式中代表离散化的尺度坐标，/>代表离散化的位置坐标。在实际应用中，一般采用二进制离散，取/>，此时小波变换基函数/>可以表示为：
（7）
二进制离散小波变换的系数表示为：
（8）
式中表示二进离散小波系数，其本质上是尺度坐标/>和位置坐标/>的函数。
图2中（a）和图2中（b）展示了逐层小波分解和多分辨率小波包分解的差别。其中，S表示此次分解中的低频部分，d表示此次分解中的高频部分。从图中可以明显看出，经过3层分解后，小波分解只能在一个频率进行不断分解，对其他频率的划分不够细致；而小波包分解可以兼顾低频域和高频率的细节特征，充分提取不同频段的时频域特征。
在变化的过程中，单个小波函数仅对低频信号有较高的解析度，对高频信号的解析度不佳。因此进一步引入由多个相互正交小波包构成的函数簇，提高了小波包对高频信号的解析度和泛化能力。用代表尺度函数，/>代表小波函数，令：
（9）
（10）
那么，称定义在的正交函数集合/>为关于尺度函数/>的小波包基，其中/>分别代表尺度系数及小波系数，通过求取函数内积获得：
（11）
图3中（a）展示了某光伏级基准站一天的功率数据，其中在8-14时由于云遮挡，光伏功率出现了明显的跌落。采用小波包进行多频率分解得到图3中（b），不同频段共16条特征曲线。从图3中（b）中可以看出，低频时段较为平稳，频域越高，其局部波动特征越强，且大都集中在8-14时，说明小波包分解与重构可以充分提取光伏功率序列的时频域特征。
步骤（3）：对于平稳序列，通过静态插值得到目标光伏站点的预测功率平稳序列；
经过小波包分解重构，将原始序列，分解为低频的平稳序列/>和高频的波动序列/>。平稳序列对应的就是光伏功率的晴空模型，在分布式光伏曲线估算中，各站点的平稳序列基本一致，因此可直接采用不考虑时间特征的静态插值模型，本实施例采用三角插值进行功率曲线估算。
选取距离分布式光伏目标站点直线距离最近的三个基准站点/>，其平稳序列分别用/>表示，待估算的分布式光伏站点功率/>可表示为：
（12）
其中权重系数满足约束：
（13）
常用的三角插值有质心插值和距离反比插值（InverseDistanceWeighted, IDW）。面积法质心插值公式如下：
（14）
其中，表示端点对应曲线的面积。
质心插值往往用于颜色填充等算法，在三角形的边上仅对端点敏感，不会产生明显的锯齿。
但在分布式光伏功率的插值过程中，希望基准站点距离目标站点越近，权重系数越大，因此本实施例采用距离反比插值进行插值估算，采用二次幂进行指数平滑，其公式如下：
（15）
因此，分布式光伏平稳序列的插值估算结果，可以用以下公式表示：
（16）
图4中（a）和图4中（b）分别展示了面积法质心插值和距离反比插值的示意图。图4中（a）代表面积法质心插值，原始三角形顶点相对的小三角形面积越大，其在插值过程的权重就越大，当顶点相对的面积为零时，插值节点落在原三角形边上时，其插值结果仅与此条边的两个顶点有关。图4中（b）代表了距离反比插值，距离越近，说明原三角形顶点与待插值点关系越密切，相应的权重系数越大。
步骤（4）：对于波动序列，通过动态时间规整和插值，得到目标光伏站点的预测功率波动序列；具体过程如下：
①消除各基准站的延时，将各基准站的波动序列进行规整；
②将两个波动趋势相近的序列进行规整，得到波动细节近似，消除时序差异的两条时间序列；
③基于目标函数的解，求得最优规整路径；
④通过求解累加距离进行动态规划算法求解动态时间规整问题；
⑤通过动态时间规整得到消除延迟的影响的波动序列，先后进行空间插值和时间插值，得到目标站点波动序列。
本实施例分别通过动态时间规整得到消除延迟的影响的波动序列，先后进行空间插值和时间插值，得到目标站点波动序列，得到的结果更加准确。
具体地，本实施例的详细实现过程如下：
对于波动序列，其本质上是由于云团运动造成的分布式光伏功率波动，在不同的站点波动时间和波动程度都有所区别，各站点之间的波动序列有明显的时序关联特性。因此本实施例分别通过动态时间规整得到消除延迟的影响的波动序列，先后进行空间插值和时间插值，得到目标站点波动序列。
首先消除各基准站的延时，将各基准站的波动序列进行规整。动态时间规整（DynamicTimeWarping, DTW）可以处理时间轴不对齐但形状相似的序列，将所有序列的时间轴进行warping扭曲，让两个序列达到更好的对齐。假设需要规整的两个长度分别为的时间序列/>分别表示为：
（17）
其时间规整的路径（Root）为：
（18）
因此，其目标函数可以表示为：
（19）
式中，、/>、/>分别表示规整路径中的第/>个对应的下标对，/>序列的下标，/>序列的下标；/>代表两个序列的局部距离；/>代表加权系数，对局部距离加权，避免跨度比较大的路径，区分不同局部距离的重要性，其一般定义如下：
（20）
图5展示了两个不同序列的动态时间规整结果，将两个波动趋势相近的序列进行规整，得到波动细节近似，消除时序差异的两条时间序列。在分布式光伏中体现为两个距离相近的分布式光伏基准站，由于云遮挡的时间和效果不同，在功率曲线上体现的波动过程是时间也有一定差异，尤其经过小波包分解后的波动序列，其时序差异性越明显。因此采用动态时间规整，可以消除不同序列间时序的差异，从而提高波动过程的插值准确性。
基于目标函数的解，可以求得最优规整路径为：
（21）
此外动态时间规整对规整路径制定了一些约束，包括端点约束、连续性约束、单调性约束。
①端点约束：要求路径从时间序列起点出发，最终到达终点。但如果两序列端点附近有明显的噪声或冗余信息，可以放宽对端点的约束。端点约束的表示如下：
（22）
②连续性约束：不允许跳过曲线中的任何一个点，与端点约束一起保证规整路径遍历时间序列/>的所有点。连续性约束的表示如下：
（23）
③单调性约束：路径随着时间单调进行，不能在时间上回溯之前的点，且不允许停留在原来的点。单调性约束的表示如下：
（24）
动态时间规整问题的求解可以通过求解累加距离进行动态规划算法求解。定义累加距离函数，那么/>即表示到从起点/>到/>最短的距离之和：
（25）
设，从起点/>按顺序依次遍历所有点，求得终点/>的累加距离函数/>。按照邻近点的最小距离反溯至起点/>，即可求得最短距离的路径/>。
以两个分布式光伏功率波动序列为例，经过DTW得到了最佳路径/>。以/>为基准序列，在/>时，取/>中第一个标签为/>时，第二个时间标签/>的集合，选取的时间标签记作/>，集合记作/>：
（26）
其长度记作。将/>中时间标签为/>的数据取平均值，将其规整到同一时刻/>，得到延时时间/>和功率/>，其公式表示为：
（27）
（28）
遍历中的所有时间，得到规整后的延时时间序列/>和对应的功率序列/>，以消除不同站点波动序列的延迟。
得到这两个序列后，分别对功率和延迟时间进行插值。插值的方法可以采用与步骤（3）中相同的插值方法。
步骤（5）：将预测功率平稳序列和预测功率波动序列进行融合，得到目标光伏站点的短期功率预测结果。
下面进行实例说明。
以某城市为例，图6展示了5个信息全完备站点和12个信息不完备站点的相对位置情况，所有场站的历史数据涵盖的时间区间为2019/01/01-2021/06/30。由于信息不完备站点没有量测数据，因此在验证插值算法准确性时，选取作为验证站点，分别选取晴天小波动天气和典型的阴天天气进行测试。
在本实施例中，其中信息全完备站点和信息不完备站点的分布及相对距离如下图所示，其中待插值的节点位于其余三个信息全完备站点连线的区域中，避免出现病态多边形的插值方式。
采用3层8分辨率的小波包进行分解，每个分辨率间隔为25Hz。选取最低分辨率的0-25Hz作为低频平稳序列，其余分辨率的时间序列进行求和，得到高频波动序列。从图7中（a）-（h）可以看出，平稳序列的形状较为连续，尤其晴天序列的分解重构结果中，各站点平稳序列的相位差很小，基本能够体现其晴空模型的曲线形状；而阴天的平稳序列存在一定的相位差，总体连续性依然较好，适合不注重时间相位差的距离反比插值。波动序列能够很好地反映波动出现的时间及其幅值，相比于傅里叶分解，能够更好地从时频域进行分解重构，避免时间信息的丢失，尤其对于晴天的波动序列，更好地体现了细微波动相位差在时域上的表现形式。
对于平稳序列，可以直接采用距离反比插值。表2展示了所选取的3个分布式光伏站点与待插值节点的相对位置及用欧式距离计算的相对距离。之后采用距离反比插值，并通过二次方加权平滑，得到各原始节点对待插值节点所贡献的权重系数。
表2各站点相对距离和权重系数
而对于波动序列，首先通过动态时间规整消除各节点的时序延迟效应。
图8中（a）-（d）展示了以站点1为标准序列，站点2和站点3的动态时间规整路径。
晴天的波动过程比较相似，仅仅是在波动时间上有一定的相位差，而DTW可以很好地捕捉到相位差并进行规整；阴天的波动过程则相似性较小，站点1波动存在多个波峰，而站点2仅仅有一个大的波峰，站点3的波峰幅值也相对较小，因此采用动态时间规整，可以很好地消除延迟特性。以标准序列为准，记录对应规整序列的时间和功率，方便后续的插值操作。
对当前点集进行Delaunay三角剖分，由于展示的信息全完备站点较少，因此剖分较为简便。图9展示了波动序列经过距离反比插值后的序列形状，可以看出距离反比插值能够很好地将原始序列进行处理，得到连续性较高的波动过程插值序列。
图9中（a）-（b）时间间隔不一致的现象不够明显，图10中（a）-（b）展示了由于动态时间规整导致的间隔不一致问题。其中横坐标代表标准时间序列，纵坐标代表了动态时间规整后的时间序列。图中可以明显看出，晴天的时间序列起伏较小，尽在波动剧烈时有较大地波动；而阴天由于波动过程剧烈，因此相比于的标准时间序列，其余时间序列都出现了不同程度的超前现象。
因此为了得到时间间隔为15分钟的标准序列，必须经过三次样条插值，来进行时间间隔标准化处理。在插值处理后，得到了标准波动序列。将其与平稳序列加和，即可得到晴天和阴天的插值序列，如图11中（a）-（f）所示。
经过对比，相比于只计及空间相关性的直接距离反比插值，本实施例采用的插值方式能够更好地体现各站点的时空关联特性，插值结果更准确，更能反映所选地区的功率时空分布特性。对本地区所有信息不完备的分布式光伏站点进行插值，即可得到所有站点完备的历史功率序列。
选取LSTM作为预测模型，将补全后的历史数据作为训练集，进行预测。图12、图13和图14直观地显示了3个集群中的实际值和预测值的对比曲线，图中虚线表示光伏场站功率预测值，实线表示实际值。可以看出，本实施例预测方法可以有效的实现对光伏集群功率的预测，具有较高的预测精度。
实施例二
在一个或多个实施方式中，公开了一种考虑时空相关特性的分布式光伏短期功率预测系统，包括：
数据获取模块，用于获取分布式光伏基准站的历史功率数据；
数据分解模块，用于引入由多个相互正交小波包构成的函数簇，采用时序衰减的有限长的小波基函数，通过离散小波变换分别提取功率数据中的时域信息和频域信息；经过重构将所述功率数据分解为平稳序列和波动序列；
功率预测模块，用于对于平稳序列，通过静态插值得到目标光伏站点的预测功率平稳序列；对于波动序列，通过动态时间规整和插值，得到目标光伏站点的预测功率波动序列；将预测功率平稳序列和预测功率波动序列进行融合，得到目标光伏站点的短期功率预测结果。
上述各模块的具体实现方式已经在实施例一中进行了详细的说明，此处不再详述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在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实施例一中的考虑时空相关特性的分布式光伏短期功率预测方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的考虑时空相关特性的分布式光伏短期功率预测方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种考虑时空相关特性的分布式光伏短期功率预测方法，其特征在于，包括：
获取分布式光伏基准站的历史功率数据；
引入由多个相互正交小波包构成的函数簇，采用时序衰减的有限长的小波基函数，通过离散小波变换分别提取功率数据中的时域信息和频域信息；经过重构将所述功率数据分解为平稳序列和波动序列；
对于平稳序列，通过静态插值得到目标光伏站点的预测功率平稳序列；
对于波动序列，通过动态时间规整和插值，得到目标光伏站点的预测功率波动序列；
将预测功率平稳序列和预测功率波动序列进行融合，得到目标光伏站点的短期功率预测结果；
假设两个分布式光伏基准站的功率波动序列分别为：经过动态时间规整后得到最优路径/>
以为基准序列，在t＝t0时，取/>中第一个标签为t0时，第二个时间标签mk的集合，选取的时间标签记作mi，集合记作Mt0：
将中时间标签为mi的数据取平均值，将其规整到同一时刻t0，得到延时时间和功率/>
其中，len(mi)表示集合包含的元素个数，/>表示mi的功率值；
按照上述方法遍历中的所有时间，得到规整后的延时时间序列/>和对应的功率序列/>
2.如权利要求1所述的一种考虑时空相关特性的分布式光伏短期功率预测方法，其特征在于，对于平稳序列，通过静态插值得到目标光伏站点的预测功率平稳序列，具体为：
选取距离目标光伏站点DG直线距离最近的三个基准站点DG1,DG2,DG3，其平稳序列分别 用表示，则目标光伏站点的预测功率平稳序列 表示为：
其中，Wi为权重系数，
3.如权利要求2所述的一种考虑时空相关特性的分布式光伏短期功率预测方法，其特征在于，所述静态插值为距离反比插值方法，并采用二次幂进行指数平滑；权重系数Wi为：
其中，li表示第i个基准站点到目标光伏站点的距离。
4.如权利要求1所述的一种考虑时空相关特性的分布式光伏短期功率预测方法，其特征在于，对于波动序列进行动态时间规整，具体为：
对两个距离相近的分布式光伏基准站，将它们的波动序列进行规整，消除两个波动序列之间的时序差异。
5.如权利要求4所述的一种考虑时空相关特性的分布式光伏短期功率预测方法，其特征在于，假设需要规整的是两个长度分别为N,M的时间序列X和Y：
X:{x1,x2,…,xn,…,xN}
Y:{y1,y2,…,ym,…,yM}
对于波动序列进行动态时间规整，需要求取两条序列最为相似的对应关系，称其为最优规整路径，可表示为：
其中，xn、ym分别为时间序列X和Y中的数据，nk、mk分别第k个路径点序列X和Y的下标；d(nk,mk)代表两个序列的局部距离；wk代表加权系数。
6.如权利要求1所述的一种考虑时空相关特性的分布式光伏短期功率预测方法，其特征在于，对于分布式光伏基准站波动序列进行动态时间规整之后，采用静态插值方法分别对规整后得到的延时时间序列和对应的功率序列进行插值，得到目标光伏站点的预测功率波动序列。
7.一种考虑时空相关特性的分布式光伏短期功率预测系统，其特征在于，包括：
数据获取模块，用于获取分布式光伏基准站的历史功率数据；
数据分解模块，用于引入由多个相互正交小波包构成的函数簇，采用时序衰减的有限长的小波基函数，通过离散小波变换分别提取功率数据中的时域信息和频域信息；经过重构将所述功率数据分解为平稳序列和波动序列；
功率预测模块，用于对于平稳序列，通过静态插值得到目标光伏站点的预测功率平稳序列；对于波动序列，通过动态时间规整和插值，得到目标光伏站点的预测功率波动序列；将预测功率平稳序列和预测功率波动序列进行融合，得到目标光伏站点的短期功率预测结果；
假设两个分布式光伏基准站的功率波动序列分别为：经过动态时间规整后得到最优路径/>
以为基准序列，在t＝t0时，取/>中第一个标签为t0时，第二个时间标签mk的集合，选取的时间标签记作mi，集合记作/>
将中时间标签为mi的数据取平均值，将其规整到同一时刻t0，得到延时时间和功率/>
其中，len(mi)表示集合包含的元素个数，/>表示mi的功率值；
按照上述方法遍历中的所有时间，得到规整后的延时时间序列/>和对应的功率序列/>
8.一种终端设备，其包括处理器和存储器，处理器用于实现指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的考虑时空相关特性的分布式光伏短期功率预测方法。
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的考虑时空相关特性的分布式光伏短期功率预测方法。
CN202310664108.XA 2023-06-07 2023-06-07 考虑时空相关特性的分布式光伏短期功率预测方法及系统 Active CN116404645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310664108.XA CN116404645B (zh) 2023-06-07 2023-06-07 考虑时空相关特性的分布式光伏短期功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310664108.XA CN116404645B (zh) 2023-06-07 2023-06-07 考虑时空相关特性的分布式光伏短期功率预测方法及系统

Publications (2)

Publication Number Publication Date
CN116404645A CN116404645A (zh) 2023-07-07
CN116404645B true CN116404645B (zh) 2023-08-25

Family

ID=87018300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310664108.XA Active CN116404645B (zh) 2023-06-07 2023-06-07 考虑时空相关特性的分布式光伏短期功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN116404645B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117293826B (zh) * 2023-11-27 2024-04-05 山东大学 一种分布式光伏缺失功率实时预测方法、系统、介质及设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106786534A (zh) * 2016-12-28 2017-05-31 天津求实智源科技有限公司 一种非侵入式电力负荷暂态过程辨识方法及系统
CN106846173A (zh) * 2016-12-30 2017-06-13 国网新疆电力公司电力科学研究院 基于ewt‑esn的短期风电功率预测方法
CN109165550A (zh) * 2018-07-13 2019-01-08 首都师范大学 一种基于无监督深度学习的多模态手术轨迹快速分割方法
CN109840633A (zh) * 2019-01-29 2019-06-04 合肥工业大学 光伏输出功率预测方法、系统和存储介质
CN110516844A (zh) * 2019-07-25 2019-11-29 太原理工大学 基于emd-pca-lstm的多变量输入光伏功率预测方法
CN111044865A (zh) * 2019-12-30 2020-04-21 杭州国洲电力科技有限公司 一种直流气体绝缘电气设备局部放电小波去噪方法
WO2020215405A1 (zh) * 2019-04-25 2020-10-29 山东大学 基于并网逆变器运行数据的光伏电站功率预测方法及系统
CN112149905A (zh) * 2020-09-25 2020-12-29 福州大学 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法
CN113159102A (zh) * 2021-02-24 2021-07-23 山东大学 一种多时间尺度的光伏功率预测方法及系统
CN113903082A (zh) * 2021-10-14 2022-01-07 黑龙江省科学院智能制造研究所 一种基于动态时间规划的人体步态监测算法
CN114004424A (zh) * 2021-12-21 2022-02-01 南方电网科学研究院有限责任公司 一种光伏功率预测方法、系统、设备及存储介质
CN115577752A (zh) * 2022-10-25 2023-01-06 国网山东省电力公司枣庄供电公司 一种超短期光伏功率预测方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106786534A (zh) * 2016-12-28 2017-05-31 天津求实智源科技有限公司 一种非侵入式电力负荷暂态过程辨识方法及系统
CN106846173A (zh) * 2016-12-30 2017-06-13 国网新疆电力公司电力科学研究院 基于ewt‑esn的短期风电功率预测方法
CN109165550A (zh) * 2018-07-13 2019-01-08 首都师范大学 一种基于无监督深度学习的多模态手术轨迹快速分割方法
CN109840633A (zh) * 2019-01-29 2019-06-04 合肥工业大学 光伏输出功率预测方法、系统和存储介质
WO2020215405A1 (zh) * 2019-04-25 2020-10-29 山东大学 基于并网逆变器运行数据的光伏电站功率预测方法及系统
CN110516844A (zh) * 2019-07-25 2019-11-29 太原理工大学 基于emd-pca-lstm的多变量输入光伏功率预测方法
CN111044865A (zh) * 2019-12-30 2020-04-21 杭州国洲电力科技有限公司 一种直流气体绝缘电气设备局部放电小波去噪方法
CN112149905A (zh) * 2020-09-25 2020-12-29 福州大学 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法
CN113159102A (zh) * 2021-02-24 2021-07-23 山东大学 一种多时间尺度的光伏功率预测方法及系统
CN113903082A (zh) * 2021-10-14 2022-01-07 黑龙江省科学院智能制造研究所 一种基于动态时间规划的人体步态监测算法
CN114004424A (zh) * 2021-12-21 2022-02-01 南方电网科学研究院有限责任公司 一种光伏功率预测方法、系统、设备及存储介质
CN115577752A (zh) * 2022-10-25 2023-01-06 国网山东省电力公司枣庄供电公司 一种超短期光伏功率预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波分析和集成学习的光伏输出功率短期预测;孙永辉;范磊;卫志农;李慧杰;Kwok W Cheung;孙国强;;电力系统及其自动化学报(04);第6-11页 *

Also Published As

Publication number Publication date
CN116404645A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
Zhang et al. Wind speed interval prediction based on lorenz disturbance distribution
CN116404645B (zh) 考虑时空相关特性的分布式光伏短期功率预测方法及系统
US9977847B2 (en) Efficient forecasting for hierarchical energy systems
CN109726865A (zh) 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
Douglass et al. Kuroshio pathways in a climatologically forced model
Zhang et al. A multi-step probability density prediction model based on gaussian approximation of quantiles for offshore wind power
Mohamad et al. A case study in the tropical region to evaluate univariate imputation methods for solar irradiance data with different weather types
CN106372440B (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
CN115453193A (zh) 基于pqm、ttu和sm量测数据协同的配电网谐波状态估计方法
Zhu et al. Short-term wind speed prediction based on FEEMD-PE-SSA-BP
CN107942139B (zh) 一种电力谐波参数软件同步采样方法
Zhu et al. Support vector regression-based short-term wind power prediction with false neighbours filtered
Fan et al. Spatio-temporal denoising graph autoencoders with data augmentation for photovoltaic timeseries data imputation
Yan et al. Monthly runoff prediction using modified CEEMD-based weighted integrated model
Wang et al. Application of multiattention mechanism in power system branch parameter identification
CN116777066B (zh) 基于地基云图引导深度分解的光伏功率概率预测方法及装置
Drisya et al. Deterministic prediction of surface wind speed variations
Ajoudani et al. Improving state estimation accuracy in active distribution networks by coordinating real‐time and pseudo‐measurements considering load uncertainty
Yang et al. Investigating the predictability of photovoltaic power using approximate entropy
Chen et al. Data efficient energy disaggregation with behind-the-meter energy resources
Song et al. Combination model for day-ahead solar forecasting using local and global model input
Wang et al. Harmonic state estimation based on graph signal processing
Yang et al. A hybrid vmd-based ARIMA-LSTM model for day-ahead pv prediction and uncertainty analysis
CN117293826B (zh) 一种分布式光伏缺失功率实时预测方法、系统、介质及设备
Yildiz et al. Demand Forecasting Using Decomposition and Regressors of Natural Gas Delivered to Consumers in the US

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