CN116404647B - 计及动态汇聚特性的分布式光伏短期功率预测方法及系统 - Google Patents

计及动态汇聚特性的分布式光伏短期功率预测方法及系统 Download PDF

Info

Publication number
CN116404647B
CN116404647B CN202310677314.4A CN202310677314A CN116404647B CN 116404647 B CN116404647 B CN 116404647B CN 202310677314 A CN202310677314 A CN 202310677314A CN 116404647 B CN116404647 B CN 116404647B
Authority
CN
China
Prior art keywords
power
distributed photovoltaic
interpolation
dynamic
sequence
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
CN202310677314.4A
Other languages
English (en)
Other versions
CN116404647A (zh
Inventor
杨明
舒印彪
陈梅
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 CN202310677314.4A priority Critical patent/CN116404647B/zh
Publication of CN116404647A publication Critical patent/CN116404647A/zh
Application granted granted Critical
Publication of CN116404647B publication Critical patent/CN116404647B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • 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)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于光伏预测技术领域，具体涉及一种计及动态汇聚特性的分布式光伏短期功率预测方法及系统，包括：考虑动态时间规整的序列插值，调节分布式光伏的功率序列，得到分布式光伏插值后的功率规范曲线；考虑基波占比的无监督聚类，将所得到的功率规范曲线进行分布式光伏站点的动态集群划分，构建分布式光伏的动态汇聚模型；根据所构建的动态汇聚模型得到分布式光伏的聚类结果，根据所得到的聚类结果，将聚类后的气象输入到预设的长短期记忆网络功率预测模型，预测分布式光伏的功率。

Description

计及动态汇聚特性的分布式光伏短期功率预测方法及系统
技术领域
本发明属于光伏预测技术领域，具体涉及一种计及动态汇聚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。
当前分布式光伏装机井喷式增长，尤其是海量低压分布式光伏大量接入配电网，其出力的随机性和波动性对电网的安全稳定运行产生了一定的影响，且低压分布式光伏往往只配备电能表，受限于电能表的采样频率及传输延时，无法实现低压分布式光伏的实时量测。
同时，由于低压分布式光伏呈现“点”多“面”广分布的特点，全量加装采集装置的方式投资巨大，运维管理困难。另外，实际运行配电网中存在量测数据缺失，动态拓扑更新不及时的问题，也将进一步影响多层级分布式光伏实时观测及未来预测数据的逐层汇聚，进而降低了配电网调控指令的正确性。因此，亟需通过数据挖掘，智能估算的方式实现低压分布式光伏动态观测，为调度监控分布式光伏的实时和未来运行状态提供支撑。
据发明人了解，国内外的研究大都集中在如何利用临近气象节点的量测结果进行分布式光伏出力的估算感知，并利用历史量测数据进行拓扑校核和缺失数据补全，最终通过搭建基于大数据的拓扑模型来建立多层级拓扑辨识。因此针对分布式光伏集群的出力估算感知和拓扑校核模型不够完善，难以实现多层级快速拓扑辨识建模。
发明内容
为了解决上述问题，本发明提出了一种计及动态汇聚特性的分布式光伏短期功率预测方法及系统，综合考虑多层分布式光伏的动态逐层汇聚，提高分布式光伏功率预测的精度。
根据一些实施例，本发明的第一方案提供了一种计及动态汇聚特性的分布式光伏短期功率预测方法，采用如下技术方案：
一种计及动态汇聚特性的分布式光伏短期功率预测方法，包括：
考虑动态时间规整的序列插值，调节分布式光伏的功率序列，得到分布式光伏插值后的功率规范曲线；
考虑基波占比的无监督聚类，将所得到的功率规范曲线进行分布式光伏站点的动态集群划分，构建分布式光伏的动态汇聚模型；
根据所构建的动态汇聚模型得到分布式光伏的聚类结果，根据所得到的聚类结果，将聚类后的气象输入到预设的长短期记忆网络功率预测模型，预测分布式光伏的功率。
作为进一步的技术限定，通过动态时间规整得到消除相位延迟或超前影响的原始功率序列，通过依次计算所得到的原始功率序列的空间插值和时间插值得到分布式光伏的功率序列，再利用三次样条时序插值来调节所得到的分布式光伏的功率序列。
作为进一步的技术限定，基于时空动态插值模型的信息不完备站点功率数据插值补全，通过小波包分解将基准站功率序列分解为低频平稳序列和高频波动序列，低频波动曲线通过三角插值进行估计，高频波动曲线首先通过动态时间规整消除时序差异的影响，并通过基于Delaunay三角剖分的自然邻点插值进行估计，最后将不同时间间隔的功率序列通过三次样条插值为时间分辨率15分钟的标准功率序列，得到分布式光伏插值后的规范曲线。
作为进一步的技术限定，将所有隶属同一低压10kV母线的站点汇聚为同一节点，通过求解各节点对邻近节点注入功率的灵敏度计算，完成计及电气距离的模块度划分对地区分布式光伏站点进行动态集群汇聚，对需要满足的集群约束和整数规划采用粒子群算法求解，其所有粒子根据自己找到的当前个体极值，以及整个粒子群共享的当前全局最优解，来调整自己的速度和位置。
进一步的，在搜索过程中进行权重的动态调整，在搜索前期保证粒子以较大的速度步长探测到全局较好的区域；在搜索后期保证粒子在极值点周围做精细的搜索。
作为进一步的技术限定，采用聚类算法，将每日的实际辐照特征输入到聚类模型中，重新进行类别划分，实现对气象的动态聚类；对将待预测日的气象情况进行分类，若属于某一类则再将其输入到对应预测模型中进行预测；若判定为噪声点，则将其输入到所有预测模型中，对输出结果取均值作为噪声点的预测结果。
作为进一步的技术限定，将动态时间规整的序列插值和聚类后的气象作为输入，采用长短期记忆网络功率预测得到功率预测结果。
根据一些实施例，本发明的第二方案提供了一种计及动态汇聚特性的分布式光伏短期功率预测系统，采用如下技术方案：
一种计及动态汇聚特性的分布式光伏短期功率预测系统，包括：
调节模块，其被配置为考虑动态时间规整的序列插值，调节分布式光伏的功率序列，得到分布式光伏插值后的功率规范曲线；
建模模块，其被配置为考虑基波占比的无监督聚类，将所得到的功率规范曲线进行分布式光伏站点的动态集群划分，构建分布式光伏的动态汇聚模型；
预测模块，其被配置为根据所构建的动态汇聚模型得到分布式光伏的聚类结果，根据所得到的聚类结果，将聚类后的气象输入到预设的长短期记忆网络功率预测模型，预测分布式光伏的功率。
与现有技术相比，本发明的有益效果为：
本发明分别针对时间和功率进行三角反距离权重插值，然后利用三次样条时序插值使待插值分布式光伏功率序列的满足电力调度的时间要求，基于时空动态插值模型的信息不完备站点功率数据插值补全，得到分布式光伏插值后的规范曲线和完整的历史功率数据集。针对天气类型，选取小波包系数和累积辐照量作为聚类标准，使用DBSCAN进行无监督聚类，将分布式光伏站点基于模块度进行动态划分，得到指定天气条件下的动态集群划分结果，最后将聚类结果输入到对应的功率预测模型中，完成功率预测。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
图1为本发明实施例一中的计及动态汇聚特性的分布式光伏短期功率预测方法的流程图；
图2为本发明实施例一中的动态时间规整最优路径图；
图3为本发明实施例一中的Delaunay三角剖分的空圆准则示意图；
图4为本发明实施例一中的Delaunay三角剖分的最大化最小角准则示意图；
图5为本发明实施例一中的Delaunay三角剖分网络示意图；
图6为本发明实施例一中的Voronoi图；
图7为本发明实施例一中的Delaunay三角剖分和Voronoi图的对偶关系示意图；
图8为本发明实施例一中的自然邻点插值示意图；
图9为本发明实施例一中的原始曲面示意图；
图10为本发明实施例一中的插值前Voronoi图；
图11为本发明实施例一中的值后Voronoi图；
图12为本发明实施例一中的不同边界条件的样条插值结果示意图；
图13为本发明实施例一中的模块度动态划分结果示意图；
图14为本发明实施例一中的DBSCAN聚类示意图；
图15为本发明实施例一中的LSTM单层神经网络单元结构示意图；
图16为本发明实施例一中的分布式光伏预测流程图；
图17为本发明实施例一中的分布式光伏站点相对距离示意图；
图18为本发明实施例一中的模块度划分的光伏集群示意图；
图19为本发明实施例一中的最邻近距离及排序结果示意图；
图20为本发明实施例一中的时的DBSCAN距离结果示意图；
图21为本发明实施例一中的时的DBSCAN距离结果示意图；
图22为本发明实施例一中的时的DBSCAN距离结果示意图；
图23为本发明实施例一中的晴天条件下的不同插值方法的结果对比示意图；
图24为本发明实施例一中的阴天条件下的不同插值方法的结果对比示意图；
图25为本发明实施例一中的分布式光伏功率预测结果对比示意图；
图26为本发明实施例二中的计及动态汇聚特性的分布式光伏短期功率预测系统的结构框图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文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发明的示例性实施方式。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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本发明实施例一介绍了一种计及动态汇聚特性的分布式光伏短期功率预测方法。
如图1所示的一种计及动态汇聚特性的分布式光伏短期功率预测方法，包括：
考虑动态时间规整的序列插值，调节分布式光伏的功率序列，得到分布式光伏插值后的功率规范曲线；
考虑基波占比的无监督聚类，将所得到的功率规范曲线进行分布式光伏站点的动态集群划分，构建分布式光伏的动态汇聚模型；
根据所构建的动态汇聚模型得到分布式光伏的聚类结果，根据所得到的聚类结果，将聚类后的气象输入到预设的长短期记忆网络功率预测模型，预测分布式光伏的功率。
本实施例考虑动态时间规整的序列插值，分别针对时间和功率进行三角反距离权重插值，然后利用三次样条时序插值使待插值分布式光伏功率序列的满足电力调度的时间要求；基于时空动态插值模型的信息不完备站点功率数据插值补全，得到分布式光伏插值后的规范曲线；聚类模型动态划分，针对天气类型，选取小波包系数和累积辐照量作为聚类标准，使用DBSCAN进行无监督聚类，将分布式光伏站点基于模块度进行动态划分，得到指定天气条件下的动态集群划分结果；分布式光伏集群短期功率预测，将聚类结果输入到对应的功率预测模型中，完成功率预测。
考虑动态时间规整的序列插值
尺度数原始功率序列经过小波包分解后得到的序列本质上是由于云团空间运动造成的，因此临近站点的序列之间具有一定的时序关联关系，但在时间上具有明显的相位差异。本实施例通过动态时间规整得到消除相位延迟或超前影响的原始功率序列，然后依次进行空间插值和时间插值得到目标站点的功率序列。
动态时间规整（Dynamic Time Warping, DTW）可以通过warping扭曲技术将两个时间轴未对齐的时间序列进行时间规整。以时间序列和为例，通过构建维的矩阵网格，其中矩阵元素表示当前位置和的欧式距离，则动态时间规整的目标为在矩阵网格上寻找一条warping规整路径以最优化如下所示的目标函数：
（1）
其中，表示加权系数，目的是为了避免局部跨度比较大的路径。
同时动态时间规整对规整路径制定了一系列约束如下：
（1）端点约束：要求路径从时间序列和的起点出发，最终到达终点，也即有，；
（2）连续性约束：要求且，也即不允许跳过曲线中的任何一个点，保证规整路径遍历时间序列和的所有点；
（3）单调性约束：要求且，即规整路径随着时间单调进行，不允许回溯以及停留在原来的点。
式（1）所示的动态时间规整问题可通过动态规划求解，定义函数表示从起点到当前位置的累加距离，则可由当前位置和的欧式距离以及可到达该位置的临近前一位置的最小累加距离之和表示，即：
（2）
设，从起点按上式形成的可到达终点的路径即为最优规整路径。
以两个分布式光伏基准站点为例，经过小波包分解之后获得的功率序列分别为和，经过时间动态规整得到了最佳规整路径为，其中对应的时刻，对应的时刻。若以为基准序列，依次取，在最佳规整路径中寻找的集合，该集合中的均值即为规整后对应的时刻，该集合中所有对应的功率的均值即为规整后的功率。
图2展示了两个不同序列的动态时间规整结果，可以看出经过规整得到了细节近似且消除了时序差异的两条时间序列。由于时间规整过的各基准站点功率序列并非完全在小时的00分钟，15分钟，30分钟，45分钟时刻，因此在进行目标分布式站点的功率序列插值时，需分别针对时间和功率进行三角反距离权重插值，然后利用三次样条时序插值使待插值分布式光伏功率序列的满足电力调度的时间要求。
基于时空动态插值模型的信息不完备站点功率数据插值补全
不考虑地形差异，取所有分布式光伏站点，以站点经纬度为标准，抽象为平面离散点集，表示为：
（3）
将平面中所有点集用互不相交的线段连接，构成只有三角形的网格。但由于连接方式有多种，往往会出现过于细长的病态三角，影响插值的精度。通过基于Delaunay三角剖分原则优化，形成Delaunay三角剖分网格，其满足两个基本准则：
1、空圆准则如图3所示：Delaunay三角剖分中任意四点不能共圆，任一三角形的外接圆范围内，不存在其他点。
2、最大化最小角准则如图4所示：Delaunay三角剖分形成的所有三角形网格，所有三角形最小内角的角度和最大。即在任意两个相邻三角形构成的凸四边形中，交换剖分的对角线，最小内角不再减小。
其剖分方法有翻边法、分治法等整体剖分法，和生成法、逐点插入法等局部剖分法；图5展示了某离散点的Delaunay三角剖分结果，得到的剖分后的Delaunay网格，有以下几个特点：
（1）唯一性：对于确定的点集，三角剖分具有唯一性。
（2）局部性：增加或删除一个点的时候，只对邻近点集的局部剖分造成影响，不影响整个剖分网络。
（3）凸壳性：网络最外层边界形成一个凸多边形。
（4）对偶性：Delaunay三角剖分网格与Voronoi图有对偶关系。
Voronoi图表示了平面离散点的相互关系，由一组由连接两邻点直线的垂直平分线组成的连续多边形组成。依据平面离散点集中点的数量，将平面划分为个区域，每个区域包围一个点，此区域即为平面中到这个点距离最小的点的集合，定义此集合为，其可以表示为：
（4）
其中表示点到点的欧式距离。图6展示了与上一Delaunay三角剖分对应的Voronoi图，其中没有填充颜色的色块代表其为无界的发散区域。
Voronoi图有以下几个性质：
（1）唯一性：对于确定的点集，Voronoi图是惟一的，边的本质为两点连线的中垂线。
（2）局部性：增加或删除一个点的时候，只对邻近点集的局部Voronoi图有影响。
（3）无界性：如果此点是Delaunay凸边界的点，那么这个点所在区域可能是无界的。
（4）对偶性：Delaunay三角分解中相邻三角形外接圆圆心的连线，即为Voronoi图的边。
图7展示了标准正六边形及其中心点的Delaunay三角剖分和Voronoi图，Voronoi图的边是Delaunay边的垂直平分线，两者互为对偶。
在分布式光伏站点抽象成的Voronoi图中，每一个点代表一个分布式光伏基准站点，基于Voronoi图有局部性，待插值节点的函数值只与相邻的自然节点有关。
自然邻点插值能够依据待插值点邻近点的函数值（基函数），以及各邻近点对待插值节点的权值（贡献率），来计算待插值节点的函数值：
（5）
其中，为待插值节点相邻的自然邻点，为待插值节点的自然邻点的集合。在本实施例中，需要分别对规整后的功率序列和对应的延时时间序列进行插值。
在本实施例中，分别对规整后的功率序列和对应的延时时间序列进行插值图；图8和图9展示了自然邻点插值与原始曲面的对应关系，从图中可以看出，自然邻点插值的曲面较为平滑，有较好的连续性，通过较少的点即可大体还原始曲线的性状。
将节点插入到原Voronoi图中，得到新的Voronoi图，记待插值节点插入后围成的区域面积为，其中包含的原Voronoi图分为部分，每部分的面积记作。用分面积除以总面积，即可得到待插值节点的权重：
（6）
图10和图11展示了插值前后的Voronoi图差异，当插入新的点时，仅仅会影响到其邻近的Voronoi图，在大规模Voronoi插值时，局部性很好地避免了全局重新计算带来的冗余，并且最终插值结果有较好地连续性，插值效果较好。同时其权重系数由对应面积决定，相比于三角形插值可以利用更多周围的点。
因此，分布式光伏的延迟时间和功率的插值结果分别为：
（7）
（8）
由于分布式光伏基准站功率数据的时间分辨率是15分钟，但插值得到的时间序列的时间间隔并非严格的15分钟，需要经过插值得到标准时间的序列。
分段三次样条插值由于其连续性、收敛性和稳定性，在一维插值方法中被广泛应用。定义在区间上，有个给定数据节点：
（9）
形成个封闭子区间：
（10）
分段三次样条插值，将每个小区间的曲线用三次方程表示，构造成如下形式：
（11）
需要满足的约束为区间端点约束和曲线连续约束：
（12）
（13）
每个有4个未知数，个函数中共有个未知数，而上述约束中共有个方程，因此需要进一步定义上下边界约束，才能求解所有未知数。目前常用的边界条件有自然边界、固定边界和非扭结边界，其定义分别如下：
1、自然边界：定义端点二阶导数为0：
（14）
2、固定边界：指定端点一阶导数分别为的固定边界：
（15）
3、非扭结边界：强制首尾区间的两个端点三阶导数值相等：
（16）
图12展示了不同边界对插值结果的影响。从突出课可以看出，自然边界由于端点二阶导数为0，在边界存在较大时，其插值结果也会出现。固定边界对导数值较为敏感，当设定不满足实际时，最终的插值效果不佳，而非扭结边界可以避免端点处的，使最终插值结果有良好的边界稳定性。
本实施例采用非扭结边界约束，定义每个端点的二阶导数为，每个区间宽度为，区间斜率为：
（17）
由此构造的方程系数矩阵为：
（18）
样条曲线的系数为：
（19）
在求得的三次样条曲线后，即可得到连续的功率-时间曲线。将时间序列规范至时间分辨率为严格15分钟，得到分布式光伏插值后的规范曲线。
基于动态划分聚类的分布式光伏集群短期功率预测
在分布式光伏短期预测中，由于分布式光伏单场站的数据质量低、装机容量小，其功率性比较大，同时在对分布式光伏站点进行分别调度控制时，也会增加大量非必要的计算步骤。因此需要对离散的分布式光伏场站进行集群划分，将分布式光伏拓扑简化，通过汇聚提高集群预测精度，便于电网都集中控制和管理。为了求解各节点的电气距离，并且避免冗余计算，本实施例将所有隶属同一低压10kV母线的站点汇聚为同一节点，采用电气距离来描述节点电气耦合关系。
电气距离（Electrical Distance）可以描述各节点的电气耦合关系，可通过求解各节点对邻近节点注入功率的灵敏度计算。以节点为例，其对节点的功率灵敏度可以表示为：
（20）
其中，各电气量均为标幺值，分表表示对节点注入单位有功功率和无功功率时，节点的电压变化灵敏度。用节点的功率因数差表示权重系数：
（21）
对有功灵敏度和无功灵敏度分别归一化，二者加权后共同表示节点间的电气距离：
（22）
由于预测时无法确定网络拓扑及功率因数的变化情况，并且聚类结果对不同时刻的功率因数并不敏感，因此本实施例直接采用当前时刻的电气距离，表示预测时的电气距离。
复杂网络中的社区结构由性质近似的网络节点组成，表示了节点间由于某种相关关系而组成的集群网络，往往用模块度评价复杂网络的划分结果。模块度越大，表明划分越合理，其函数定义为：
（23）
其中，表示连接节点和边的权重；表示所有与节点相连边的权重之和；为网络中全部边的权重之和，由于矩阵为对称矩阵，此处需要除以2；函数为分区函数，和属于同一分区时为1，否则为0。
在本实施例中，用归一化后的电气距离代表相连边的权重，改进的模块度函数为：
（24）
其中，为电气距离之和，由于矩阵不对称，因此无需除以2。由于同一时刻各节点间的电气距离为定值，因此上式可以表示为0-1规划问题：
（25）
需要满足的约束为集群约束，上述整数规划可以用粒子群算法求解。粒子群中的每个粒子代表一个问题的可能解决方案，粒子群中的所有粒子根据自己找到的当前个体极值，以及整个粒子群共享的当前全局最优解，来调整自己的速度和位置。第次循环时，速度和位置的迭代过程用公式表示如下：
（26）
其中，为惯性权重，用于保证算法的全局收敛性能；分别表示个体学习因子和群体学习因子；为区间内的随机数，增加搜索的随机性；代表粒子在第次循环时搜索到的最优位置；代表群体在第次循环时搜索到的最优位置。
在搜索过程中可以对进行动态调整，在搜索前期保证粒子以较大的速度步长探测到全局较好的区域；而在搜索后期保证粒子在极值点周围做精细的搜索。此研究将用压缩因子代替，取得了较好的收敛效果，其公式如下：
（27）
图13展示了同一区域在某一特定天气条件下的模块度划分结果，整个区域的分布式光伏被划分为3个不同的模块，在不同的天气类型下，其模块的边界也会响应的发生改变，位于其边界上的分布式光伏站点会自适应地匹配所述类别，从而提高整体功率预测的准确率。
不同的天气类型对预测模型的稳定性和准确性也有一定的影响，因此在模型训练时，本实施例将天气类型依据情况和总辐照量进行聚类，对不同的天气类型分别训练预测模型，提高整体预测精度；在预测时，依据待预测日的气象情况进行分类，将数据输入到不同类别的预测模型，实现动态的辐照聚类及功率预测。
通过基波小波系数可求得各频带的能量百分比：
（28）
辐照情况可以用小波分解得到的低频能量比表示，低频分量越高，代表辐照的性越小。辐照总量采用所有站点历史日辐照的最大值归一化，表示为：
（29）
因此分布式光伏集群每一天的辐照特征被提取为，将其作为聚类的坐标。由于无法提前决定聚类簇数，且要识别出离散的噪声点，避免噪声信号污染预测模型，因此采用DBSCAN密度聚类算法进行聚类。
DBSCAN算法可以找到样本点的全部密集区域，并把这些密集区域识别为聚类簇。在聚类前需要定义两个参数，分别是邻域半径和邻域最少点数量，进一步定义点的邻域，表示为：
（30）
当某个点邻域半径内样本点的数量大于等于时，该点可标记为核心点，与邻域中的点集共同形成初始聚类簇。点与点之间存在四种关系，分别为密度直达、密度可达、密度相连和非密度相连。
密度直达：若点属于点的邻域，且是核心点，则称由密度直达，当不是核心点时，此关系不可逆。
密度可达：对于点和点，如果存在样本序列，并且由密度直达，则称点由密度可达，若存在由非密度直达时，此关系不可逆。
密度相连：对于点和点，若存在点，使得点和点均由点密度可达，则称点和点密度相连，此关系可逆。
非密度相连：如果两个点和不属于密度相连，那么这两个点非密度相连，不属于同一聚类簇，或者其中存在离散点。
因此DBSCAN的簇定义为：由密度可达关系导出的最大的密度相连样本集合。当某个点属于某一簇，但本身不构成核心点，此点被称作边界点；当某个点不属于任何簇，即与所有点的关系都是非密度相连，此点为噪声点。
图14展示了一个点集的DBSCAN无监督聚类结果，整个点集被自适应地划分为三类，各点集的四种关系也在图中有可视化展示，相比于k-means聚类，DBSCAN聚类无需提前指定簇数，并且更关注统一类别的密度关联情况，也能识别出离散点，当新数据插入后也能进行快速划分。
往往由经验确定，与样本数量和特征数目有关。最终的聚类效果对邻域半径的值较为敏感。本实施例采用手肘法确定的值。取点不断扩大其邻域的半径，直到其邻域包含点的数量为时，记此距离为最邻近距离，公式表示如下：
（31）
对进行升序排序，当其上升速度变快时，图像出现类似肘部的转折点，可取此时距离为邻域半径。
基于上述定义和参数的确定，DBSCAN的聚类步骤可以描述为：
（1）计算所有点的是否为核心点，并随机选定一个核心点A作为起始点。
（2）遍历所有与其密度可达的点，记为一个聚类簇。
（3）选取不隶属与当前聚类簇的核心点B，重复步骤（2），直到遍历所有的核心点。
（4）其余未被标记为聚类簇的点记作噪声点，聚类过程结束。
对不同气象类别分别训练预测模型，预测时先对将待预测日的气象情况进行分类，若属于某一类则再将其输入到对应预测模型中进行预测；若判定为噪声点，则将其输入到所有预测模型中，对输出结果取均值作为噪声点的预测结果。将每日的实际辐照特征输入到聚类模型中，重新进行类别划分，即可实现对气象的动态聚类。
图15为K-means聚类结果，可以看出并未对离散的类别进行有效的识别，仅仅是对平面进行了大体区域划分聚类；而图16中的DBSCAN可以动态识别密度相近的类别，划分结果较为准确，并且不需要提前设定簇数，聚类效果好。
由于本实施例采用的是无监督聚类，因此无需基准数据集，不需要借助于外部参考模型，利用样本数据集中样本点与聚类中心之间的距离来衡量聚类结果的优劣，分别采用轮廓系数（Silhouette Coefficient）、CH指数（Calinski-Harabasz Index）和DB指数（Davies-Bouldin Index）对聚类效果进行评价。
1）SC：对于一个样本集合，它的轮廓系数是所有样本轮廓系数的平均值。轮廓系数的取值范围是[-1,1]，同类别样本距离越相近，不同类别样本距离越远，分数越高。
针对某个样本的轮廓系数为：
（32）
其中，表示某个样本与其所在簇内其他样本的平均距离，表示某个样本与其他簇样本的平均距离。聚类总的轮廓系数SC为：
（33）
轮廓系数越大，表示簇内实例之间紧凑，簇间距离大，这正是聚类的标准概念。
2）CHI：其本质是簇间距离与簇内距离的比值，且整体计算过程与方差计算方式类似，所以又将其称之为方差比准则。定义其中为类间的协方差矩阵，为类内数据的协方差矩阵，详细公式如下：
（34）
（35）
其中表示类的中心点，表示数据集的中心点，表示类中的数据的数目，表示类的数据集合。定义CHI的计算公式为：
（36）
其中，表示矩阵的迹。
DBI：DBI计算任意两类别的类内距离平均之和除以该两类中心距离，并求最大值。DBI越小意味着类内距离越小同时类间距离越大。定义样本点分散度：
（37）
其中，表示第类中第个数据点；表示第类的中心；表示第类中数据点的个数；取1表示各点到中心的距离的均值，q取2时表示各点到中心距离的标准差，它们都可以用来衡量分散程度。定义类中心的距离：
（38）
其中，表示第类的中心点的第属性的值。基于上述参数定义DBI公式如下：
（39）
长短期记忆网络（Long-Short Term Memory,简称LSTM）以递归神经网络（RNN）为基础的一种神经网络模型，相比于RNN，LSTM可以通过不同的“门控单元”（Gate）来判断信息的增添或删除，从而使得神经网络能够更准确地学习长期依赖问题，提高了神经网络预测的准确程度。LSTM有1个记忆单元和3个门控单元，记忆单元可以在整个训练过程中存储最关键的信息，三个门控单元包括遗忘门，输入门和输出门。
遗忘门用于决定哪些信息应该在记忆单元中丢弃。输入门用于更新存储单元。输出门用于在此训练步骤中确定LSTM隐藏层单元的输出。这些门的公式如下：
（40）
（41）
（42）
下标字符表示变量位于当前训练步骤t中，而下标字符表示变量位于上一个训练步骤t-1中。表示门的权重矩阵，表示门的偏差，表示隐藏单元的上一输出，表示隐藏单元输入，表示sigmoid激活函数。
记忆单元需要更新函数来规范化输入。此函数将乘以，得到的用于更新记忆单元。公式为：
（43）
其中，表示更新函数的权重矩阵，表示偏差，表示tanh激活函数。
记忆单元的更新是LSTM最终要的一部分。记忆单元是由历史状态与当前状态相互拼接而成。历史状态是历史数据经神将网络训练后，关键信息被提取到上一次训练的记忆单元，与遗忘门输出相乘，构成了记忆单元的历史状态；当前状态指输入门的输出，表示了当前输入层数据在神经网络中的重要程度，决定了有哪些输入层数据要被更新到记忆单元中，这些要被更新的数据构成了当前状态。基于上述公式，记忆单元将更新为：
（44）
新的记忆单元既包含先前存储单元保留的信息，也包含当前输入更新的信息。使用新的记忆单元，隐含层的输出可以表示为：
（45）
LSTM的结构如图15所示，在LSTM的三个门结构中，激活函数不仅仅用于提高神经网络的非线性特性，不同的激活函数有不同的作用，不可替换或更改。激活函数将输入扩大到的范围内，在LSTM中起到规范输出的作用，避免在训练过程中出现梯度爆炸的现象。而激活函数则将输出限定在之间，将输入乘以权重矩阵后，增加一定随机偏置后得到输出，作为各单元的权重系数，其结果决定了训练过程中数据的保留与否，1为完全保留，0为完全遗弃。这也确保记忆单元中保留的是整个训练过程最为关键的信息，而不是仅仅利用最近时刻的信息，这使得LSTM既能提高近期输入数据的权重，又能兼顾提取关键历史信息，存储到记忆单元中，避免历史信息随时间而衰减，并在每一次训练中保持更新。
整体插值及预测流程图如图16所示：
1）首先采用动态时间规整消除时序上的延时性，将过程规整到同一时间段；之后采用基于Delaunay三角剖分的自然邻点插值，对时间数据和功率数据分别插值，得到有较高连续性的插值曲面；最后采用三次样条插值，将间隔不同的时间-功率序列插值为间隔等同的规范功率序列。
2）将两个插值后的序列结合起来，基于额定容量进行折算，即可得到所有分布式光伏站点的完整功率序列。
3）将分布式光伏站点基于模块度进行划分，得到指定天气条件下的动态集群划分结果。
4）针对天气类型，选取小波包系数和累积辐照量作为聚类标准，使用DBSCAN进行无监督聚类，得到动态天气聚类类别，将聚类后的气象输入到LSTM功率预测模型中，得到功率预测结果。
本示例以我国北方某城市为例，图17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，分别选取晴天小天气和典型的阴天天气进行测试。在进行动态聚类时，选取不同的DBSCAN聚类参数进行验证，并用不同的聚类评价系数进行评价。
在本实施例选取的算例中，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。
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。
采用模块度划分对所有站点进行集群划分，得到的集群结果如图18所示。可以看出，以模块度为标准进行集群划分，可以将电气特性相近的点划分为同一类，将离散的分布式光伏站点作为集群进行动态聚类和功率预测，能够更好地表现动态特性。
将每日累积辐照量和小波包分解的低频系数占比作为动态剧烈的标准，可以很好地区分晴天和阴天等不同天气模型，从而分别进行预测，避免数据源的相互污染。
为了提高预测准确率，本实施例采用最邻近距离的“手肘法”确定DBSCAN的参数。定义minpts参数为5，即可得到下图的最近邻距离及其排序结果。从图19中可以明显地看到，拐点在0.06附近，因此选择另一参数的取值为0.06，可以取得较好地聚类效果。
图20、图21和图22分别展示了不同的取值对聚类效果的影响。图中可以看出，在时剧类效果较为理想，其中较小、功率较大的点，即为图中的绿点，可以较好地代表晴天序列；而过程较大，总辐照量也较小的点被划分为阴天序列；其余的点集可以当做离散点集，进行分布式光伏预测。
分别采用SC、DBI、CHI作为评价标准，与K-means进行对比，结果如表1所示：
表1 聚类指标评价对比结果
由表1可得，由于K-means更注重距离远近，因此SC轮廓系数指标略高，而其余指标DBSCAN明显更好。图23和图24展示了晴天条件下和阴天条件下采用不同插值方法得到的目标站点功率曲线，其中距离反比插值和自然临点插值指的是直接利用光伏功率原始序列进行插值。晴天条件下，各插值方法效果区别不大，精度相当，所提方法略微优于两种对比方法；阴天条件下，光伏功率波动剧烈，所提方法插值结果明显优于两种对比方法，插值功率曲线和目标站点实测功率曲线更为贴合。同时可以看出在阴天天气下，两种对比方法均未有效捕捉光伏功率的峰值特性，得到的插值功率曲线较为平缓，所提方法通过将参考站点功率序列进行时序分解并对其中波动序列进行动态时间规整，有效的消除了时间相位差异，进而准确捕捉到了目标站点功率曲线中的峰值。
表2展示了晴天和阴天条件下插值功率和实测功率的归一化平均绝对误差（Normalized Mean Absolute Error，NMAE）和归一化均方根误差（Normalized Root MeanSquare Error，NRMSE），以NRMSE指标为例，可以看出晴天条件下，三种方法差距不大，所提方法略劣于自然临点插值方法，在阴天条件下，所提方法相比距离反比插值和自然临点插值分别提升了1%和0.51%，展示出了较强的优越性。
表2 不同插值方法的精度对比结果
对目标站点的所有历史功率数据，利用距离反比插值、自然邻点插值和本文所提插值方法，分别进行插值估算，得到完整的历史功率数据集。选取对应经纬度坐标的数值天气预报数据作为气象数据，训练相应的LSTM光伏功率预测模型。从图25中可以看出，仅仅考虑了空间关联性的插值方法，由于出现波动时波峰被平均，导致整体拟合的数据结果偏低，不能反映实际的历史数据情况，从而在预测模型的输入数据中引入了误差；本实施例所提的插值方法无论是在辐照较高的区段还是辐照较低的区段，都有较高的贴合度，能较好地弥补分布式光伏场站历史数据缺失的问题。
实施例二
本发明实施例二介绍了一种计及动态汇聚特性的分布式光伏短期功率预测系统。
如图26所示的一种计及动态汇聚特性的分布式光伏短期功率预测系统，包括：
调节模块，其被配置为考虑动态时间规整的序列插值，调节分布式光伏的功率序列，得到分布式光伏插值后的功率规范曲线；
建模模块，其被配置为考虑基波占比的无监督聚类，将所得到的功率规范曲线进行分布式光伏站点的动态集群划分，构建分布式光伏的动态汇聚模型；
预测模块，其被配置为根据所构建的动态汇聚模型得到分布式光伏的聚类结果，根据所得到的聚类结果，将聚类后的气象输入到预设的长短期记忆网络功率预测模型，预测分布式光伏的功率。
详细步骤与实施例一提供的计及动态汇聚特性的分布式光伏短期功率预测方法相同，在此不再赘述。
以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (7)

1.一种计及动态汇聚特性的分布式光伏短期功率预测方法，其特征在于，包括：
考虑动态时间规整的序列插值，调节分布式光伏的功率序列，得到分布式光伏插值后的功率规范曲线；
考虑基波占比的无监督聚类，将所得到的功率规范曲线进行分布式光伏站点的动态集群划分，构建分布式光伏的动态汇聚模型；
根据所构建的动态汇聚模型得到分布式光伏的聚类结果，根据所得到的聚类结果，将聚类后的气象输入到预设的长短期记忆网络功率预测模型，预测分布式光伏的功率；
基于时空动态插值模型的信息不完备站点功率数据插值补全，通过小波包分解将基准站功率序列分解为低频平稳序列和高频波动序列，低频波动曲线通过三角插值进行估计，高频波动曲线首先通过动态时间规整消除时序差异的影响，并通过基于Delaunay三角剖分的自然邻点插值进行估计，最后将不同时间间隔的功率序列通过三次样条插值为时间分辨率15分钟的标准功率序列，得到分布式光伏插值后的规范曲线。
2.如权利要求1中所述的一种计及动态汇聚特性的分布式光伏短期功率预测方法，其特征在于，通过动态时间规整得到消除相位延迟或超前影响的原始功率序列，通过依次计算所得到的原始功率序列的空间插值和时间插值得到分布式光伏的功率序列，再利用三次样条时序插值来调节所得到的分布式光伏的功率序列。
3.如权利要求1中所述的一种计及动态汇聚特性的分布式光伏短期功率预测方法，其特征在于，将所有隶属同一低压10kV母线的站点汇聚为同一节点，通过求解各节点对邻近节点注入功率的灵敏度计算，完成计及电气距离的模块度划分对地区分布式光伏站点进行动态集群汇聚，对需要满足的集群约束和整数规划采用粒子群算法求解，其所有粒子根据自己找到的当前个体极值，以及整个粒子群共享的当前全局最优解，来调整自己的速度和位置。
4.如权利要求3中所述的一种计及动态汇聚特性的分布式光伏短期功率预测方法，其特征在于，在搜索过程中进行权重的动态调整，在搜索前期保证粒子以较大的速度步长探测到全局较好的区域；在搜索后期保证粒子在极值点周围做精细的搜索。
5.如权利要求1中所述的一种计及动态汇聚特性的分布式光伏短期功率预测方法，其特征在于，采用聚类算法，将每日的实际辐照特征输入到聚类模型中，重新进行类别划分，实现对气象的动态聚类；对将待预测日的气象情况进行分类，若属于某一类则再将其输入到对应预测模型中进行预测；若判定为噪声点，则将其输入到所有预测模型中，对输出结果取均值作为噪声点的预测结果。
6.如权利要求1中所述的一种计及动态汇聚特性的分布式光伏短期功率预测方法，其特征在于，将动态时间规整的序列插值和聚类后的气象作为输入，采用长短期记忆网络功率预测得到功率预测结果。
7.一种计及动态汇聚特性的分布式光伏短期功率预测系统，其特征在于，包括：
调节模块，其被配置为考虑动态时间规整的序列插值，调节分布式光伏的功率序列，得到分布式光伏插值后的功率规范曲线；
建模模块，其被配置为考虑基波占比的无监督聚类，将所得到的功率规范曲线进行分布式光伏站点的动态集群划分，构建分布式光伏的动态汇聚模型；
预测模块，其被配置为根据所构建的动态汇聚模型得到分布式光伏的聚类结果，根据所得到的聚类结果，将聚类后的气象输入到预设的长短期记忆网络功率预测模型，预测分布式光伏的功率；
基于时空动态插值模型的信息不完备站点功率数据插值补全，通过小波包分解将基准站功率序列分解为低频平稳序列和高频波动序列，低频波动曲线通过三角插值进行估计，高频波动曲线首先通过动态时间规整消除时序差异的影响，并通过基于Delaunay三角剖分的自然邻点插值进行估计，最后将不同时间间隔的功率序列通过三次样条插值为时间分辨率15分钟的标准功率序列，得到分布式光伏插值后的规范曲线。
CN202310677314.4A 2023-06-09 2023-06-09 计及动态汇聚特性的分布式光伏短期功率预测方法及系统 Active CN116404647B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310677314.4A CN116404647B (zh) 2023-06-09 2023-06-09 计及动态汇聚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
CN202310677314.4A CN116404647B (zh) 2023-06-09 2023-06-09 计及动态汇聚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
CN116404647A CN116404647A (zh) 2023-07-07
CN116404647B true CN116404647B (zh) 2023-08-29

Family

ID=87012797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310677314.4A Active CN116404647B (zh) 2023-06-09 2023-06-09 计及动态汇聚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) CN116404647B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035184A (zh) * 2023-08-16 2023-11-10 国网山东省电力公司潍坊供电公司 基于K-means++与BILSTM的分布式光伏短期功率预测方法及装置
CN116826788B (zh) * 2023-08-30 2024-01-05 东方电气集团科学技术研究院有限公司 一种光伏发电主动支撑集群构建及控制方法
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法
CN109783828A (zh) * 2017-11-13 2019-05-21 北京普华亿能风电技术有限公司 一种风电场中风电功率预测方法及系统
CN110265996A (zh) * 2019-02-26 2019-09-20 国网吉林省电力有限公司 一种适于光伏/风电功率预测的时间特征尺度建模方法
CN111753893A (zh) * 2020-06-12 2020-10-09 国网福建省电力有限公司 一种基于聚类和深度学习的风电机组功率集群预测方法
US11070056B1 (en) * 2020-03-13 2021-07-20 Dalian University Of Technology Short-term interval prediction method for photovoltaic power output
CN113364062A (zh) * 2020-03-03 2021-09-07 卡特彼勒公司 用于利用机器学习的多电力资源管理的微电网站点预测控制
CN114530848A (zh) * 2022-02-24 2022-05-24 国网江苏省电力有限公司镇江供电分公司 一种光储虚拟电厂多时间尺度动态划分方法
CN114818925A (zh) * 2022-04-26 2022-07-29 广西电网有限责任公司 一种风电场出力数据缺失值填补方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10673273B2 (en) * 2018-05-18 2020-06-02 General Electric Company Distributed ledger based control of large-scale, power grid energy resources
CN113128793A (zh) * 2021-05-19 2021-07-16 中国南方电网有限责任公司 一种基于多源数据融合的光伏功率组合预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109783828A (zh) * 2017-11-13 2019-05-21 北京普华亿能风电技术有限公司 一种风电场中风电功率预测方法及系统
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法
CN110265996A (zh) * 2019-02-26 2019-09-20 国网吉林省电力有限公司 一种适于光伏/风电功率预测的时间特征尺度建模方法
CN113364062A (zh) * 2020-03-03 2021-09-07 卡特彼勒公司 用于利用机器学习的多电力资源管理的微电网站点预测控制
US11070056B1 (en) * 2020-03-13 2021-07-20 Dalian University Of Technology Short-term interval prediction method for photovoltaic power output
CN111753893A (zh) * 2020-06-12 2020-10-09 国网福建省电力有限公司 一种基于聚类和深度学习的风电机组功率集群预测方法
CN114530848A (zh) * 2022-02-24 2022-05-24 国网江苏省电力有限公司镇江供电分公司 一种光储虚拟电厂多时间尺度动态划分方法
CN114818925A (zh) * 2022-04-26 2022-07-29 广西电网有限责任公司 一种风电场出力数据缺失值填补方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于集群动态划分与 BLSTM 深度学习的风电集群短期功率预测;杨子民;《高电压技术》;第1195-1201页 *

Also Published As

Publication number Publication date
CN116404647A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN116404647B (zh) 计及动态汇聚特性的分布式光伏短期功率预测方法及系统
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN113572206B (zh) 一种风电出力区间预测方法
CN107591844B (zh) 考虑节点注入功率不确定性的主动配电网鲁棒重构方法
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
CN111353652B (zh) 一种风电出力短期区间预测方法
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及系统
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN108345961A (zh) 风电场群出力预测与分析方法
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN115130741A (zh) 基于多模型融合的多因素电力需求中短期预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN113468790B (zh) 一种基于改进粒子群算法的风速特征模拟方法及系统
CN111401755A (zh) 基于马尔科夫链的多新能源出力场景生成方法、装置及系统
CN111062539B (zh) 基于次级用电量特性聚类分析的总电量预测方法
CN112994017A (zh) 基于配电网概率潮流计算的分布式光伏电源选址优化方法
CN115186923A (zh) 光伏发电功率的预测方法、装置及电子设备
Aliberti et al. Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions.
CN116454875A (zh) 基于集群划分的区域风电场中期功率概率预测方法及系统
CN109829599B (zh) 基于高比例可再生能源的配电网的集群划分方法及装置
CN112446175B (zh) 基于配电网概率潮流计算的分布式电源选址优化方法
CN113659631A (zh) 考虑时变特性的风光电站群出力描述方法
CN116937563A (zh) 一种考虑时空相关性的空间负荷预测方法和系统
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
Dapoz et al. Mixed regression clustering techniques for the medium term prediction of reactive power within transmission grids

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