CN116722544B - 分布式光伏短期预测方法、装置、电子设备及存储介质 - Google Patents
分布式光伏短期预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116722544B CN116722544B CN202310961866.8A CN202310961866A CN116722544B CN 116722544 B CN116722544 B CN 116722544B CN 202310961866 A CN202310961866 A CN 202310961866A CN 116722544 B CN116722544 B CN 116722544B
- Authority
- CN
- China
- Prior art keywords
- power station
- short
- determining
- distributed
- power
- 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 84
- 230000005855 radiation Effects 0.000 claims abstract description 116
- 238000011160 research Methods 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000004807 localization Effects 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 17
- 238000002310 reflectometry Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000002834 transmittance Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013016 damping Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000039077 Copula Species 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种分布式光伏短期预测方法、装置、电子设备及存储介质,包括:获取研究区中每个分布式电站的多源数据集合;通过降尺度及订正模型基于多源数据集合确定气象预报数据集;以及通过反演辐射模型基于多源数据集合确定辐射数据;将研究区划分为多个电站集群,并从每个电站集群包含的分布式电站中确定每个电站集群的基准电站;确定基准电站所处位置处的当前天气类型,以通过当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,确定基准电站的短期光伏功率预测值;根据每个电站集群内基准电站的短期光伏功率预测值,确定研究区的目标短期光伏功率预测值。本发明可以显著提高分布式光伏短期预测的准确率。
Description
技术领域
本发明涉及电力技术领域,尤其是涉及一种分布式光伏短期预测方法、装置、电子设备及存储介质。
背景技术
随着世界经济的高速发展与能源需求的日益增长,全球性的能源短缺和环境污染成为全世界面临的重大课题,建设多能互补、高效互动、绿色发展的能源互联网己成为电力工业应对未来挑战的必然选择。未来新型电力系统将表现为面向新能源、以多元融合高弹性电网为基础平台,具有广泛互联、多能互补、高效互动、智能开放等特征的能源互联网形态。随着光伏在电网中的渗透率不断提高,由气象参数突变所带来的分布式新能源出力波动将会对电力系统的稳定经济运行带来负面影响。同时,在城市配网中各类规格不一的分布式电站密集接入,其中具有短时间尺度数据采集功能的电站仅占少数,导致区域内所有分布式新能源出力信息难以掌握;同时部分分布式电站也存在着信息盲区,且单电站的预测方法和结果难以应用到区域电网,这都将给电网精准调度带来极大挑战。
光伏电站功率预测方法为两类:(1)通过物理建模;(2)通过统计学习方法。统计学习方法是目前单场预测研究的主要趋势,通常结合电站历史运行数据与气象数据来作为预测模型的输入,在输入数据与功率预测输出之间建立映射关系。然而,无论如何改进预测模型,光伏功率预测的准确度始终难以超越气象数据的预测准确度。
分布式光伏功率预测的方法可以分为两类,一是累加法,即对区域内每个电站的发电单独预测,并相加得到区域总功率预测结果。累加法对各电站的数据完备性和预测准确度都有较高的要求,计算资源消耗较高,适用于分布稀疏且电站数量较小的区域功率预测,然而使用累加法预测的发电功率时,预测精度会受各个电场或电站预测精度的影响,各个电场或电站的预测误差累计会造成精度偏低;二是统计升尺度法,其典型思路是选取少数预测精度高、发电相关系数高的代表电站,基于代表电站的预测功率以升尺度的方式得到区域功率预测结果。升尺度方法是目前区域光伏功率预测研究方法的主流,基于统计升尺度的区域功率预测各个场站的数据信息,不用预测每个场站的功率,可减少对人力和计算资源的消耗,而且能有效降低预测误差大的单场对区域总功率预测结果的影响。然而,该方法的缺点是实际中很难找到预测效果一直较好的场站,基准场站的选取不当会直接影响功率预测结果。
发明内容
有鉴于此,本发明的目的在于提供一种分布式光伏短期预测方法、装置、电子设备及存储介质,可以显著提高分布式光伏短期预测的准确率。
第一方面,本发明实施例提供了一种分布式光伏短期预测方法,包括:获取研究区中每个分布式电站的多源数据集合;通过降尺度及订正模型,基于所述多源数据集合确定每个所述分布式电站的气象预报数据集;以及,通过反演辐射模型,基于所述多源数据集合确定每个所述分布式电站的辐射数据;将所述研究区划分为多个电站集群,并从每个所述电站集群包含的分布式电站中确定每个所述电站集群的基准电站;确定所述基准电站所处位置处的当前天气类型,以通过所述当前天气类型对应的短期光伏功率预测模型,基于所述基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站的短期光伏功率预测值;根据每个所述电站集群内所述基准电站的所述短期光伏功率预测值,确定所述研究区的目标短期光伏功率预测值。
在一种实施方式中,降尺度及订正模型包括降尺度模型和本地化订正模型,所述降尺度模型包括依次连接的多个数据重构子模型;通过降尺度及订正模型,基于所述多源数据集合确定每个所述分布式电站的气象预报数据集,包括:对于每个所述分布式电站,通过所述降尺度模型中的每个所述数据重构子模型,提取该分布式电站的多源数据集合的高维空间特征,并基于所述高维空间特征进行数据重构得到该分布式电站的高分辨率气象图像;其中,所述高分辨率气象图像的分辨率大于预设分辨率阈值,所述数据重构子模型采用SRCNN网络;对该分布式电站不同模式的高分辨率气象图像进行融合;通过本地化订正模型,对该分布式电站的融合结果进行本地化订正,以得到该分布式电站的气象预报数据集;其中,所述本地化订正模型采用Encoder-Decoder网络。
在一种实施方式中,通过反演辐射模型,基于所述多源数据集合确定每个所述分布式电站的辐射数据,包括:对于每个所述分布式电站,基于该分布式电站的所述多源数据集合,分别确定该分布式电站的晴空直射辐射和晴空散射辐射,并将所述晴空直射辐射和所述晴空散射辐射的和值确定为该分布式电站的晴空水平总辐射;根据该分布式站点的卫星图像确定地表反射率,并基于所述地表反射率确定该分布式站点的云指数;根据云指数与晴空指数的映射关系,确定该分布式站点的所述云指数对应的目标晴空指数;将所述晴空水平总辐射与所述目标晴空指数的乘积,确定为该分布式电站的辐射数据。
在一种实施方式中,将所述研究区划分为多个电站集群,并从每个所述电站集群包含的分布式电站中确定每个所述电站集群的基准电站,包括:获取每个所述分布式电站的光伏功率数据;基于所述光伏功率数据确定所述研究区中任意两个所述分布式电站之间的相似度,并根据任意两个所述分布式电站之间的所述相似度构建所述研究区的相似度矩阵;根据所述相似度矩阵分别确定吸引度矩阵和归属度矩阵,并基于所述吸引度矩阵和所述归属度矩阵,对所述研究区包含的所述分布式电站进行迭代聚类,以将所述研究区划分为多个电站集群;对于每个所述电站集群,确定该电站集群中任意两个分布式电站之间的联合概率分布,以根据所述联合概率分布从该电站集群包含的所述分布式电站中确定基准电站。
在一种实施方式中,确定所述基准电站所处位置处的当前天气类型,以通过所述当前天气类型对应的短期光伏功率预测模型,基于所述基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站的短期光伏功率预测值,包括:通过随机森林分类器,基于该基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站所处位置处的当前天气类型;其中,所述当前天气类型包括晴天类型、阴天类型或雨天类型;从多个短期光伏功率预测模型中,确定所述当前天气类型对应的短期光伏功率预测模型;其中,所述短期光伏功率预测模型采用PredRNN网络;通过所述当前天气类型对应的短期光伏功率预测模型,基于所述基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站的短期光伏功率预测值。
在一种实施方式中,根据每个所述电站集群内所述基准电站的所述短期光伏功率预测值,确定所述研究区的目标短期光伏功率预测值,包括:对于每个所述电站集群,基于该电站集群内所述基准电站的所述短期光伏功率预测值,确定该电站集群内除所述基准电站之外的其他分布式电站的所述短期光伏功率预测值;对该电站集群内每个所述分布式电站的所述短期光伏功率预测值进行累加,得到该电站集群的短期光伏功率预测值;基于所述研究区中每个所述电站集群的总出力值,以及每个所述电站集群的出力值,确定所述研究区对应的权重系数矩阵;其中,所述权重系数矩阵用于表征所述研究区内每个所述电站集群的权重系数;基于所述权重系数矩阵,对每个所述电站集群的短期光伏功率预测值进行加权,以得到所述研究区的目标短期光伏功率预测值。
在一种实施方式中,基于该电站集群内所述基准电站的所述短期光伏功率预测值,确定该电站集群内除所述基准电站之外的其他分布式电站的所述短期光伏功率预测值,包括:按照该电站集群内所述基准电站的装机容量转换率,和该电站集群内除所述基准电站之外的其他分布式电站的装机容量转换率,将所述基准电站的所述短期光伏功率预测值转换为其他分布式电站的所述短期光伏功率预测值;或者,对于该电站集群内除所述基准电站之外的每个分布式电站,构建该分布式电站对应的随机森林拟合模型;其中,所述随机森林拟合模型包括多个回归树子模型;通过每个所述回归树子模型,基于所述基准电站的所述短期光伏功率预测值,确定该分布式电站的预测结果;将每个所述回归树子模型的所述预测结果的均值,确定为该分布式电站的所述短期光伏功率预测值。
第二方面,本发明实施例还提供一种分布式光伏短期预测装置,包括:数据获取模块,用于获取研究区中每个分布式电站的多源数据集合;数据处理模块,用于通过降尺度及订正模型,基于所述多源数据集合确定每个所述分布式电站的气象预报数据集;以及,通过反演辐射模型,基于所述多源数据集合确定每个所述分布式电站的辐射数据;电站确定模块,用于将所述研究区划分为多个电站集群,并从每个所述电站集群包含的分布式电站中确定每个所述电站集群的基准电站;电站预测值确定模块,用于确定所述基准电站所处位置处的当前天气类型,以通过所述当前天气类型对应的短期光伏功率预测模型,基于所述基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站的短期光伏功率预测值;研究区预测值确定模块,用于根据每个所述电站集群内所述基准电站的所述短期光伏功率预测值,确定所述研究区的目标短期光伏功率预测值。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的一种分布式光伏短期预测方法、装置、电子设备及存储介质,在获取研究区中每个分布式电站的多源数据集合之后,将通过降尺度及订正模型,基于多源数据集合确定每个分布式电站的气象预报数据集;以及通过反演辐射模型,基于多源数据集合确定每个分布式电站的辐射数据;然后将研究区划分为多个电站集群,并从每个电站集群包含的分布式电站中确定每个电站集群的基准电站;再确定基准电站所处位置处的当前天气类型,以通过当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,确定基准电站的短期光伏功率预测值;最后根据每个电站集群内基准电站的短期光伏功率预测值,确定研究区的目标短期光伏功率预测值。上述方法提供了一种基于精细化气象数据考虑不同天气类型的分布式光伏短期预测方法,在将研究区划分为多个电站集群并确定每个基准集群的基准电站之后,基于基准电站所处位置处的当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,预测基准电站的短期光伏功率预测值,以实现不同天气状况下的短期光伏功率的预测,并在此基础上确定出研究区的目标短期光伏功率预测值,从而显著提高分布式光伏短期预测的准确率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种分布式光伏短期预测方法的流程示意图;
图2为本发明实施例提供的一种DeepSD模降尺度型的流程图;
图3为本发明实施例提供的一种SRCNN网络的框架图;
图4为本发明实施例提供的一种数据重建效果对比图;
图5为本发明实施例提供的一种Seq2Seq模型结构图;
图6为本发明实施例提供的一种卫星反演太阳辐射流程图;
图7为本发明实施例提供的一种晴空指数与云反照率之间的经验关系示意图;
图8为本发明实施例提供的一种划分后不同电站集群内各电站的实际功率数据;
图9为本发明实施例提供的一种随机森林分类过程示意图;
图10为本发明实施例提供的一种不同天气分类下电站光伏功率情况;
图11为本发明实施例提供的一种PredRNN网络的结构图;
图12为本发明实施例提供的一种电站集群中基准电站与其余部分电站关系;
图13为本发明实施例提供的另一种分布式光伏短期预测方法的流程示意图;
图14为本发明实施例提供的一种分布式光伏短期预测装置的结构示意图;
图15为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有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。
目前,现有技术中基准场站的选取不当会直接影响功率预测结果,导致分布式光伏短期预测的准确率较低,基于此,本发明实施提供了一种分布式光伏短期预测方法、装置、电子设备及存储介质,可以显著提高分布式光伏短期预测的准确率。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种分布式光伏短期预测方法进行详细介绍,参见图1所示的一种分布式光伏短期预测方法的流程示意图,该方法主要包括以下步骤S102至步骤S110:
步骤S102,获取研究区中每个分布式电站的多源数据集合。
其中,多源数据集合包括多模式数据、气象站监测数据、再分析数据、卫星图像、时间数据、经纬度数据、分布式电站历史出功数据、分布式电站实时出功数据、历史气象实况数据、实时气象实况数据、分布式电站信息(包括地理位置、额定功率等)。
步骤S104,通过降尺度及订正模型,基于多源数据集合确定每个分布式电站的气象预报数据集;以及,通过反演辐射模型,基于多源数据集合确定每个分布式电站的辐射数据。
其中,降尺度及订正模型包括降尺度模型和本地化订正模型;降尺度模型包括依次连接的多个数据重构子模型,每个数据重构子模型包括至少三层卷积神经网络,前两层卷积神经网络用于提取地形地貌以及原始数据的高维空间特征,第三层卷积神经网络用于基于高维空间特征进行数据重构;本地化订正模型用于对模式预报进行本地化订正,以减少各预报模式存在的误差。反演辐射模型用于确定各分布式电站的晴空直射辐射和晴空散射辐射,以在此基础上确定分布式电站的晴空水平总辐射,并结合分布式站点的云指数,确定出分布式电站的辐射数据。
在一种实施方式中,可以通过上述降尺度及订正模型,对多模式数据、气象站监测数据进行处理,以得到气象预报数据集;另外,可以通过上述反演辐射模型,对再分析数据、卫星图像、时间数据、经纬度数据进行处理,以得到辐射数据。
步骤S106,将研究区划分为多个电站集群,并从每个电站集群包含的分布式电站中确定每个电站集群的基准电站。
在一种实施方式中,可以采用AP(Affinity propagation)聚类算法将研究区划分为多个电站集群,对于每个电站集群,确定该电站集群中任意两个分布式电站之间的联合概率分布,并按照联合概率分布从分布式电站中选择该电站集群的基准电站。
步骤S108,确定基准电站所处位置处的当前天气类型,以通过当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,确定基准电站的短期光伏功率预测值。
其中,当前天气类型至少包括晴天类型、阴天类型和雨天类型,晴天类型对应的短期光伏功率预测模型也可以称之为晴天天气条件下的人工智能算法模型,阴天类型对应的短期光伏功率预测模型也可以称之为阴天天气条件下的人工智能算法模型,雨天类型对应的短期光伏功率预测模型也可以称之为雨天天气条件下的人工智能算法模型。
在一种实施方式中,可基于基准电站的气象预报数据集和辐射数据确定出基准电站所处位置处的当前天气类型,从而将基准电站所处位置处的当前天气类型输入至相应的短期光伏功率预测模型,以通过该短期光伏功率预测模型输出基准电站的短期光伏功率预测值。
步骤S110,根据每个电站集群内基准电站的短期光伏功率预测值,确定研究区的目标短期光伏功率预测值。
在一种实施方式中,对于每个电站集群,可以基于该电站集群的基准电站的短期光伏功率预测值,预测该电站集群中除基准电站之外的其他分布式电站的短期光伏功率预测值,从而得到该基准电站的短期光伏功率预测值;利用动态权重修正加权系数,对每个基准电站的短期光伏功率预测值进行加权,即可得到研究区的目标短期光伏功率预测值。
本发明实施例提供了一种基于精细化气象数据考虑不同天气类型的分布式光伏短期预测方法,在将研究区划分为多个电站集群并确定每个基准集群的基准电站之后,基于基准电站所处位置处的当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,预测基准电站的短期光伏功率预测值,以实现不同天气状况下的短期光伏功率的预测,并在此基础上确定出研究区的目标短期光伏功率预测值,从而显著提高分布式光伏短期预测的准确率。
为便于对上述实施例进行理解,本发明实施例提供了一种分布式光伏短期预测方法的具体实施方式。
对于前述步骤S104,本发明实施例提供了一种通过降尺度及订正模型,基于多源数据集合确定每个分布式电站的气象预报数据集的实施方式,可以基于MPAS-GSI的进行多源数据的循环同化系统模拟的数值预报数据,构建DeepSD降尺度模型和订正模型,实现精细化气象预报数据集的构建。
具体的,可以参见如下步骤a1至步骤a3:
步骤a1,对于每个分布式电站,通过降尺度模型中的每个数据重构子模型,提取该分布式电站的多源数据集合的高维空间特征,并基于高维空间特征进行数据重构得到该分布式电站的高分辨率气象图像。其中,高分辨率气象图像的分辨率大于预设分辨率阈值。
可选的,降尺度模型可以采用DeepSD(Deep Shape Descriptor)降尺度模型,DeepSD降尺度模型可以包括至少3个数据重构子模型,数据重构子模型采用SRCNN网络,每个SRCNN网络均包括至少3个卷积神经网络。
在实际应用中,为了更加高效、准确的实现降尺度,可以选择基于深度学习的DeepSD模降尺度型,诸如图2所示的一种DeepSD模降尺度型的流程图。DeepSD模降尺度型可以捕捉大尺度的气候信息忽略掉的区域小尺度信息,还考虑到区域因素以及地形因素。具体实现过程为:每个数据重构子模型均构建三层卷积神经网络,前两层用于提取地形地貌以及原始数据的高维空间特征(即找寻大尺度气候模式输出变量和地形信息中对于小尺度气象要素相关性较高的特征),第三层卷积神经网络进行数据重构(即构建高维空间特征与小尺度气象要素之间的非线性关系并实现转变)。
为便于对上述数据重构子模型进行理解,本发明实施例还提供了一种数据重构子模型的实施方式。DeepSD是由多层的SRCNN堆积而成,SRCNN降尺度则是利用了卷积神经网络提取高维特征并进行数据重构,从而实现降尺度。参见图3所示的一种SRCNN网络的框架图,SRCNN将深度学习与传统稀疏编码之间的关系作为依据,将3层网络划分为图像块提取(Patch extraction and representation)、非线性映射(Non-linear mapping)以及最终的重建(Reconstruction)。
SRCNN的具体流程参见如下(A)至(D):
(A)输入数据(input):先将低分辨率图像使用双三次差值放大至目标尺寸,此时仍然称放大至目标尺寸后的图像为低分辨率图像(Low-resolution image),即图中的输入(input);
(B)图像块提取(Patch extraction and representation):在图像修复领域,一个流行的策略是密集提取斑点,然后用一组预先训练好的基数来表示,如PCA、DCT、Haar等。这相当于通过一组滤波器对图像进行卷积,每个滤波器都是一个基数。在SRCNN中,本发明实施例将这些基数的优化涉及到网络的优化中。形式上,SRCNN的第一层表示为:
;
其中W1和B1分别代表滤波器和偏置。这里W1的大小为c×f1×f1×n1,其中c是输入图像的通道数,f1是滤波器的空间大小,n1是滤波器的数量。直观地讲,W1对图像应用n1个卷积,每个卷积的核大小为c×f1×f1,输出由n1个特征图组成。B1是一个n1维向量,其每个元素与一个滤波器相关联。最后将其输入一个ReLU函数。
(C)非线性映射(Non-linear mapping):将第一层输出的向量输入到第二层,将n1维度的向量映射为n2维度。其具体操作为:
;
W2 的大小为n1×1×1×n2,B2是一个n2维度的向量。
(D)重建(Reconstruction):在传统的方法中,预测的重叠高分辨斑点通常被平均化,以产生最终的完整图像。平均化可以被视为一组特征图上的预设过滤器。与此类似,SCRCNN定义了一个卷积层来产生最终的高分辨率图像:
;
其中W3 的大小为n2 × f3 × f3 × c,B3是一个c维度的向量。
相较于其他现有方法,本发明实施例利用SRCNN进行数据重建,至少存在以下特点:结构简单,与其他现有方法相比具有优越的正确性;滤波器和层的数量适中,即使在CPU(Central Processing Unit,中央处理器)上运行速度也比较快;实验证明,SRCNN的复原质量可以在大的数据集或者大的模型中进一步提高。参见图4所示的一种数据重建效果对比图,图4示意出了SRCNN与传统算法在图像超分辨率问题上的效果对比,可见SRCNN的表现优于其他模型。
步骤a2,对该分布式电站不同模式的高分辨率气象图像进行融合。
示例性的,假设预报模式包括EC(European Centre for Medium-Range WeatherForecasts,欧洲中期天气预报中心)模式和NCEP(National Centers for EnvironmentalPrediction,美国国家环境预报中心)模式,不同预报模式的误差可能不同,例如EC模式的预报前N天准确度高于NCEP模式的预报前N天准确度,NCEP模式的预报后N天准确度高于EC模式的预报后N天准确度,此时可以将EC模式中前N天的预报与NCEP模式中后N天的预报进行融合。
步骤a3,通过本地化订正模型,对该分布式电站的融合结果进行本地化订正,以得到该分布式电站的气象预报数据集。
在实际应用中,数值模式中的物理模型和参数化方案只是对大气状态的估计描述,不能完全反映真实状态,因此各预报模式均存在一定的误差。为了减少这种误差,需要对模式预报进行本地化订正。
可选的,本地化订正模型采用Encoder-Decoder网络,不仅需要考虑到历史数据的影响,还要考虑到区域范围的影响,因此,在建模时,需要考虑时间因素和空间因素。考虑到深度学习中的卷积神经网络(CNN)擅长处理空间数据,长短时记忆网络(LSTM)由于其特殊的结构设置擅长处理时序数据,所以利用这两种网络建立订正模型Seq2Seq。参见图5所示的一种Seq2Seq模型结构图,Seq2Seq模型的核心是CNN和LSTM,模型由Encoder和Deconder两部分组成,其中Encoder是用来解析历史信息,而Decoder是用来编译历史信息生成订正结果,该订正结果也即气象预报数据集。图5中也即时间序列形式的融合结果。
在训练过程中,模型先训练Encoder,之后将Encoder模型训练状态传递给Decoder,继续训练Decoder,其中Decoder和Encoder的cell结构可以不同,其权重也可不共享。正是由于模型中不仅有历史信息的传递,而且有空间信息的对比,使得可以准确的进行格点预报订正。
对于前述步骤S104,本发明实施例提供了一种通过反演辐射模型,基于多源数据集合确定每个分布式电站的辐射数据的实施方式,可以利用卫星反演辐射模型反演区域中各分布式电站的辐射数据解决分布式电站辐射监测数据缺失的问题。
在卫星反演太阳辐射的建模过程中,地球外层太阳辐射与地球大气、表面和物体之间的相互作用都应该考虑进去。
云作为强度最大的地表太阳辐射调节器(远强于其他大气成分),在地表太阳辐射估算中起着关键作用。鉴于云对地表太阳辐射的决定性影响,地表太阳辐射卫星的估算在一定程度上是围绕着如何准确地考虑云在大气中的辐射衰减(云散射和云吸收)进行的。
在一种实施方式中,参见图6所示的一种卫星反演太阳辐射流程图,首先,通过晴空模型计算晴空辐照度(对晴朗无云时到达地面的辐照度进行设定)。然后,用卫星数据通过计算云指数进而计算晴空指数,来量化云层的削弱效应。最后,通过结合晴空辐照度和晴空指数得出全天辐照度。
具体可参见如下步骤b1至步骤b4:
步骤b1,对于每个分布式电站,基于该分布式电站的多源数据集合,分别确定该分布式电站的晴空直射辐射和晴空散射辐射,并将晴空直射辐射和晴空散射辐射的和值确定为该分布式电站的晴空水平总辐射。
在ESRA5[i]晴空模型中,晴空的晴空水平总辐射被分成两部分:直射分量/>和散射分量/>。辐照度的单位是/>。为便于对步骤b1进行理解,本发明实施例分别提供了确定晴空直射辐射和晴空散射辐射的实施方式,参见如下(一)至(二):
(一)确定晴空直射辐射:
晴空条件下水平面直射辐照度由下式给出:
;
其中为太阳常数,即在平均日地距离处的地外辐照度,等于/>;/>是用于考虑日地距离与其平均值的变化的修正值;/>是太阳高度角。日出日落时/>为0°;为大气质量等于2时的林克浊度因子,林克浊度因子是气溶胶散射和气体(主要是水蒸气)吸收的函数,当与大气分子散射相结合时,它总结了大气的浊度,从而总结了直接光束的衰减和扩散分数的重要性,林克浊度因子越大,晴空大气对辐射的衰减越大;/>为相对大气质量,/>)为积分瑞利光学厚度。
;
表示无云天空下直射辐射的透射率。相对大气质量表示太阳光束通过大气层的光程长度与太阳在天顶时通过海平面标准大气的光程长度之比。随着太阳高度的降低,相对光程长度增加。相对光程长度也随着站点海拔高度z的增加而减小。采用一种校正方法,得到站点海拔的平均大气压力p与海平面平均大气压力p0的比值。相对光学质量没有单位,它的计算方式为:
;
站点高度修正为
;
其中z为站点高程,等于8434.5 m。
式中使用的太阳高度角,对折射进行了修正:
;
;
瑞利光学厚度的参数化如下:
;
直射透过率随大气质量的变化包含在的乘积中。
(二)确定晴空散射辐射:
晴空水平面上的散射辐照度的计算也取决于林克浊度因子/>。实际上,大气中散射能量的比例随着浑浊度的增加而增加,并且随着直射辐照度的下降,散射辐照度通常会上升。然而,在非常低的太阳高度和高浑浊度的条件下,由于总辐射能量损失较高,散射辐照度可能随着浑浊度的增加而下降。因此,散射水平辐照度/>由下式确定:
;
在这个方程中,散射辐射被表示为天顶处的散射透射函数与散射角函数/>的乘积。
;
对于非常晴朗的天空,散射透射率很低,即几乎没有散射。随着浊度的增大,散射透射率增大,直射透射率减小。通常,的范围为从晴朗天空(/>=2)下的0.05到浑浊的大气(/>=7)下的0.22。散射角函数/>依赖于太阳仰角,并借助二阶正弦多项式函数进行拟合:
;
系数,/>和/>,仅取决于林克浊度因子。
在上述(一)至(二)的基础上,将无云天气条件下的直射辐照度和散射辐照度相加,得到晴空水平总辐射:。
步骤b2,根据该分布式站点的卫星图像确定地表反射率,并基于地表反射率确定该分布式站点的云指数。
为解决全天空条件下高效、准确地估算太阳辐射这一问题,以往许多研究将大量的大气和地表参数作为辐射传输模型的输入以考虑云对辐射的影响。虽然这些模型具有明确的物理过程,但由于涉及的变量多,计算量大,使得最终结果的空间分辨率受到了限制。与此不同的是,Heliosat-2[ii]方法选择云反照率作为云衰减效应综合指标,尝试利用整个大气层的综合特性来确定云的影响,不需要大气层垂直结构假设,计算效率更高,因而得到了广泛的应用。
Heliosat-2采用了一个半参数化的太阳辐射模型,且采用了卫星数据来识别云特性,计算方案中还考虑了多数太阳辐射的大气衰减过程,也采用了一些输入的物理参数。因此,此计算方案可充分模拟实际状况。其估算效果普遍优于全球能量和水循环实验、ERA再分析数据等辐射产品。由于Heliosat-2方法具有足够的通用性和灵活性,因此将该方法应用非常广泛。
Heliosat-2模型将晴空模型与“云指数”相结合。云指数方法基于以下假设:在像素上出现云会导致可见图像的反射率增加;大气对一个像素的下行短波辐照度的衰减,与在无云天空下应观测到的反射率与当前观测到的反射率之间的变化幅度有关。这种变化的幅度可以通过引入云指数和晴空指数来进行表征。云指数定义如下:
;
其中,为云指数,/>是卫星观测到的表观反射率。/>最明亮云层的表观反射率,/>为地表反射率。
步骤b3,根据云指数与晴空指数的映射关系,确定该分布式站点的云指数对应的目标晴空指数。
在一种实施方式中,晴空指数定义为实际水平辐照度与晴空水平辐照度的比值,即:
;/>
其中,和/>分别为实际地表辐照度和晴空辐照度。最后,建立晴空指数与云反照率之间的经验关系,如图7所示的一种晴空指数与云反照率之间的经验关系示意图,在图7的基础上,得到晴空指数与云反照率之间具体的数值关系:
;
基于此,可以根据云指数与晴空指数的映射关系,将云指数代入至相应的公式中,即可得到该分布式站点的目标晴空指数。
步骤b4,将晴空水平总辐射与目标晴空指数的乘积,确定为该分布式电站的辐射数据。在一种实施方式中,在完成晴空条件下晴空水平总辐射与晴空指数的计算后,相乘可得全天空情况下的辐射数据。
在前述步骤S104的基础上,可以继续执行步骤S106至步骤S110,以确定得到研究区的目标短期光伏功率预测值。在一种实施方式中,从各方面优化区域预测的统计升尺度法,即采用AP聚类划分电站集群;然后基于信息熵和互信息结合技术在每个电站集群内选择基准电站并通过分析基准电站的光伏功率与气象,时间等信息在不同天气状况下的非线性关系,通过天气分类器区分晴-阴-雨以及它们之间的天气状况,采用人工智能算法建立不同天气状况的短期功率预测模型,最终实现不同天气状况下的短期预测预测其功率;再通过基准电站与电站集群其他电站构建映射模型实现其他电站的功率预测并进行电站集群功率累和;最后采用动态权重修正系数进行多电站集群的整合实现区域集群短期光伏短期预测。
为便于理解,本发明实施例分别对步骤S106至步骤S110进行解释说明。
对于前述步骤S106,本发明实施例提供了一种将研究区划分为多个电站集群,并从每个电站集群包含的分布式电站中确定每个电站集群的基准电站的实施方式,可以采用AP聚类算法将研究区划分为多个电站集群,并从每个电站集群包含的分布式电站中确定每个电站集群的基准电站。其中,AP聚类算法的基本思想是将全部数据点都当作潜在的聚类中心(称为exemplar),然后数据点两两之间连线构成一个网络(相似度矩阵),再通过网络中各条边的消息(吸引度responsibility和归属度availability)传递计算出各样本的聚类中心。直到产生m个高质量的Exemplar(类似于质心),同时将其余的数据点分配到相应的聚类中。
在具体实现时,可参见如下步骤c1至步骤c4:
步骤c1,获取每个分布式电站的光伏功率数据。在一种实施方式中,可以将光伏功率数据划分为 4 个季节,分别进行标准化处理。
步骤c2,基于光伏功率数据确定研究区中任意两个分布式电站之间的相似度,并根据任意两个分布式电站之间的相似度构建研究区的相似度矩阵。
在一种实施方式中,计算分布式光伏电站功率样本间的相似度,得到相似度矩阵/>,其对角线元素/>是电站/>样本/>能否成为站群聚类中心的评判标准,被称为参考值,其大小会影响聚类数量。/>
;
式中:表示求欧氏距离。
步骤c3,根据相似度矩阵分别确定吸引度矩阵和归属度矩阵,并基于吸引度矩阵和归属度矩阵,对研究区包含的分布式电站进行迭代聚类,以将研究区划分为多个电站集群。
具体的,参见如下步骤c3-1至步骤c3-5:
步骤c3-1,按照如下公式计算吸引度矩阵元素/>和归属度矩阵/>元素/>:
;
;
。
步骤c3-2,更新和/>,引入阻尼系数λ调节其收敛速度及迭代稳定性,如下所示:
;
式中:表示迭代次数。
步骤c3-3,若超过预设的迭代次数或聚类划分不再改变,转向步骤 c3-4;否则,重复步骤c3-1至步骤c3-2,继续计算。
步骤c3-4,在当前参考值下根据聚类结果计算轮廓系数,确定聚类中心及各类光伏电站群簇,转向步骤c2并改变参考值。
步骤c3-5,分析不同聚类数下的轮廓系数,选定最佳聚类结果,完成光伏电站群划分,从而得到多个电站集群。诸如图8所示的一种划分后不同电站集群内各电站的实际功率数据,图8示意出将研究区划分为A、B、C 3个电站集群(也可称之为,子区域)。
步骤c4,对于每个电站集群,确定该电站集群中任意两个分布式电站之间的联合概率分布,以根据联合概率分布从该电站集群包含的分布式电站中确定基准电站。
示例性的,假设某分布式电站与其他分布式电站之间的联合概率分布,均高于其他两个分布式电站之间的联合概率分布,则可以将该分布式电站作为基准电站。
在实际应用中,对于非线性关系,互信息就显得比较重要了,在进行特征分析时,本发明实施例不该把焦点放在数据关系的类型(线性关系)上,而是要考虑在已经给定另一个特征的情况下一个特征可以提供多少信息量。互信息会通过计算两个特征所共有的信息,把上述推理工程形式化表达出来。与相关性不同,它依赖的不是数据序列,而是数据的分布。互信息是概率论中的基本概念,是变量间的相互依靠性的量度。不同于相关系数,本身不局限于随机变量值的变化,用来描述点间相关性的期望值。互信息决定着变量的相似程度,主要通过变量间的联合概率分布和边缘概率分布的比值判断两者的相关程度。根据概率论原理,系统的输出量为的概率/>,那么本发明实施例中的电站边缘概率分布表示:
;
另一个电站的出力为时,其分布概率为:
;
其中表示/>确定时,/>的条件概率。
两个电站的联合概率分布为:
;
在机器学习中,理想情况下,当互信息最大,可以认为从数据集中拟合出来的随机变量的概率分布与真实分布相同。
需要注意的是,互信息也是只能处理离散的特征。如果连续的情况,需要先离散化,计算每一对特征之间的归一互信息量。对于具有较高互信息量的特征对,本发明实施例会把其中一个特征扔掉。在进行回归的时候,本发明实施例可以把互信息量非常低的特征扔掉。对于较小的特征集合这种方式的效果或许还可以。但是,在某种程度上,这个过程会非常缓慢,计算量会以平方级别增长,因为本发明实施例要计算的是每对特征之间的互信息量。
对于前述步骤S108,本发明实施例提供了一种确定基准电站所处位置处的当前天气类型,以通过当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,确定基准电站的短期光伏功率预测值的实施方式,参见如下步骤d1至步骤d3:
步骤d1,通过随机森林分类器,基于该基准电站的气象预报数据集和辐射数据,确定基准电站所处位置处的当前天气类型;其中,当前天气类型包括晴天类型、阴天类型或雨天类型。
在一种实施方式中,可以采用随机森林进行天气分类,即随机森林是一个包含多个决策树的分类器(内部一般为CART决策树),并且其输出的类别是由个别树输出的类别的众数而定。其实从直观角度来解释,每棵决策树都是一个分类器,那么对于一个输入样本,N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出,这就是一种最简单的 Bagging 思想,诸如图9所示的一种随机森林分类过程示意图。
光伏站的历史气象监测和光伏功率数据经过质量控制后,先基于历史气象监测数据、光伏功率数据、光伏站基本信息(额定功率、地理信息等)、太阳高度角、方位角等数据采用Copula 函数分析不同气象要素(太阳辐射强度、相对湿度、环境温度、湿度、风速、气压等)下中各光伏站的光伏功率特性。通过上述分析可以发现在某些气象因素在特定的天气会产生较大的影响,而在常规天气影响较小。因此,基于分析得到不同气象要素下光伏电站的光伏功率特性,利用随机森林算法对天气类型按中央气象台提供的天气类型(如晴、阴雨、多云等)进行分类,参见图10所示的一种不同天气分类下电站光伏功率情况,图10中从左到右依次为:晴天、多云突变、阴雨,具体的不同天气分类下电站光伏功率情况如下所示:
(1)晴天,光伏功率曲线较为圆滑,呈现单峰变化趋势,光伏功率峰值较大;
(2)多云或突变天气,光伏功率短时波动频繁且幅值较大;
(3)阴雨天气,光伏功率随机性大,波动性强,出功峰值较低。
步骤d2,从多个短期光伏功率预测模型中,确定当前天气类型对应的短期光伏功率预测模型;其中,短期光伏功率预测模型采用PredRNN网络。
在一种实施方式中,PredRNN模型认为时空预测的学习应该在一个统一的记忆池中同时记录空间和时间的变化,内存状态不再局限于每个LSTM单元内,它们可以在两个方向上进行传递:垂直穿过堆叠的RNN层,水平穿过所有的RNN状态。诸如图11所示的一种PredRNN网络的结构图。模型结构的核心是一个新的时空LSTM(ST-LSTM),该LSTM可以同时提取和存储空间和时间表示。
示例性的,在晴天条件下,则选择晴天天气条件下的人工智能算法模型;在阴天条件下,则选择阴天天气条件下的人工智能算法模型;在雨天条件下,则选择雨天天气条件下的人工智能算法模型。
步骤d3,通过当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,确定基准电站的短期光伏功率预测值。
在一种实施方式中,将基准电站的气象预报数据集和辐射数据输入至相应的短期光伏功率预测模型,即可得到短期光伏功率预测模型输出的基准电站的短期光伏功率预测值。
对于前述步骤S110,本发明实施例提供了一种根据每个电站集群内基准电站的短期光伏功率预测值,确定研究区的目标短期光伏功率预测值的实施方式,参见如下步骤e1至步骤e4:
步骤e1,对于每个电站集群,基于该电站集群内基准电站的短期光伏功率预测值,确定该电站集群内除基准电站之外的其他分布式电站的短期光伏功率预测值。
在一种实施方式中,在分析了基准电站与集群中其余电站的历史实际功率数据后,有些电站与基准电站呈现简单的线性关系,但有些电站可能由于光伏面板设备、安装角度等多方面的影响与基准电站呈现非线性关系或比较复杂的线性关系,因此本发明实施例采用两种的功率转换方式,参见如下方式一至方式二:
方式一:直接采用装机容量转换率进行转换。具体的按照该电站集群内基准电站的装机容量转换率,和该电站集群内除基准电站之外的其他分布式电站的装机容量转换率,将基准电站的短期光伏功率预测值转换为其他分布式电站的短期光伏功率预测值。
方式二:采用机器学习方法对基准电站与电站构建随机森林拟合模型,基于基准电站功率拟合得到电站的功率。随机森林回归模型由多棵回归树构成,且森林中的每一棵决策树之间没有关联,模型的最终输出由森林中的每一棵决策树共同决定。具体算法原理如下步骤e1-1至步骤e1-3:
步骤e1-1,对于该电站集群内除基准电站之外的每个分布式电站,构建该分布式电站对应的随机森林拟合模型;其中,随机森林拟合模型包括多个回归树子模型,回归树子模型也即CART回归树(决策树) 子模型。
在一种实施方式中,对于每个分布式电站,可以从训练样本集S中随机的抽取m个样本点,得到一个新的S1…Sn个子训练集。
进一步的,使用子训练集,训练多个CART回归树子模型,这里在训练的过程中,对每个节点的切分规则是先从所有特征中随机的选择k个特征,然后在从这k个特征中选择最优的切分点在做左右子树的划分,通过该步骤,可以生成很多个CART回归树子模型。其中,本发明实施例得到决策树都是二叉树。
步骤e1-2,通过每个回归树子模型,基于基准电站的短期光伏功率预测值,确定该分布式电站的预测结果。
在一种实施方式中,可以将基准电站的短期光伏功率预测值分别输入至每个CART回归树子模型,即可得到每个CART回归树子模型输出的预测结果。其中,每个CART回归树子模型最终的预测结果为该样本点所到叶节点的均值。
步骤e1-3,将每个回归树子模型的预测结果的均值,确定为该分布式电站的短期光伏功率预测值。
在一种实施方式中,将所有回归树子模型的预测结果的均值,作为该分布式电站最终的短期光伏功率预测值。诸如图12所示的一种电站集群中基准电站与其余部分电站关系,其中左边为基准电站和其余电的实际功率,图标签表示基准电站与该电站的距离;右边为采用方式一或方式二方法映射后的其他电站功率,图标签表示转换率和准确率;所有图中间的黑色实线均表示y=x的一条线。
步骤e2,对该电站集群内每个分布式电站的短期光伏功率预测值进行累加,得到该电站集群的短期光伏功率预测值。
步骤e3,基于研究区中每个电站集群的总出力值,以及每个电站集群的出力值,确定研究区对应的权重系数矩阵;其中,权重系数矩阵用于表征研究区内每个电站集群的权重系数。
在一种实施方式中,可以采用最小二乘法(又称最小平方法),确定研究区对应的权重系数矩阵。其中,最小二乘法可以求得与真实数据之间误差平方和最小的未知数据,来达到获得最优函数的目的。最小二乘法还可用于曲线拟合,其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。最小二乘组合模型中单一预测算法的权重值利用最小二乘法确定,最小二乘法以误差的平方和最小值Q为目标:
;
式中:为区域分布式电站集群在/>时刻的总出力值,/>为其中一个电站集群在/>时刻电站出力值。
区域分布式电站集群中各电站集群的权重系数矩阵为,即:
;
式中: “·” 表示矩阵的阿达马乘积;为统计常数;/>为历史数据计算电站集群出力数据与区域分布式电站集群的出力数据相关系数,/>为电站集群预测出功与电站集群实际出功的相关系数矩阵,/>为矩阵/>中第/>个变量,用最小二乘法,由历史数据可得各电站集群的权重系数矩阵/>,/>为/>时刻的区域分布式电站集群预测总出力值;/>为时刻的各电站集群预测出力值。
步骤e4,基于权重系数矩阵,对每个电站集群的短期光伏功率预测值进行加权,以得到研究区的目标短期光伏功率预测值。
综上所述,本发明实施例提供的分布式光伏短期预测方法,先基于MPAS-GSI的进行多源数据的循环同化系统模拟的数值预报数据采用时序网络模型TCN与transformer结构,构建降尺度和本地订正模型,实现对各要素的本地化订正,提供精细化的光伏范围气象预报数据,能有效的预测未来的气象数据;同时结合卫星反演模型反演得到大量的历史辐射数据弥补部分电站监测数据的不足,为及时后续的短期功率预测模型提供数据支撑;最后提出优化统计升尺度法,即有效的对区域进行划分,选取基准电站,并考虑不同天气类型下电站的短期功率预测模型以及电站映射模型并结合动态区域权重修正系数得到区域短期功率预测,对提升分布式光伏短期功率预测准确率实现高效并网有十分重要的意义。
为了便于理解,本发明实施例提供了另一种分布式光伏短期预测方法,公开了一种基于精细化气象数据考虑不同天气分类以及动态权重修正加权系数的分布式光伏短期预测技术,该方法方法将人工智能应用在电力行业预测领域。具体的,参见图13所示的另一种分布式光伏短期预测方法的流程示意图,图13示意出分布式光伏短期预测方法主要包括三个部分:
(一)构建基于MPAS-GSI快速循环同化系统,模拟短期数值预报气象数据,采用人工智能算法,构建降尺度模型,以及本地化订正模型,构建精细化气象预报数据,解决现有数值预报模式分辨率较低、无法有效预测小尺度天气现象且精度差的情况,以提高气象要素预报时空精度。
(二)基于卫星反演辐射模型反演区域中各分布式电站的辐射数据,解决分布式电站辐射监测数据缺失的问题。
(三)提出优化统计升尺度法,首先采用AP聚类划分子n个小集群(也即,上述电站集群);然后基于信息熵和互信息结合技术,在每个小集群内选择基准电站;通过分析基准电站的光伏功率与气象、时间等信息在不同天气状况下的非线性关系,通过天气分类器,区分晴-阴-雨等天气状况,采用人工智能算法,建立不同天气状况的短期功率预测模型,最终实现不同天气状况下的短期功率预测;再通过基准电站与小集群其他电站构建映射模型,实现其他电站的功率预测,并进行小集群功率累和;最后采用动态权重修正系数,进行多小集群的整合,实现研究区短期光伏短期预测。
本发明考虑到国内新能源发展呈现集中式、区域分布式电源联产联供与技术产业化新趋势,对集中式以及区域多元分布式集群发电准确预测技术的需求明显,低碳或无碳能源多能互补综合利用、向更清洁能源结构转型将是未来新型电力系统的重要发展方向。本发明将通过基于MPAS-GSI快速循环同化系统模拟短期数值预报气象数据,利用深度学习算法进行空间降尺度和本地化预报订正等关键技术的研究,实现光伏电站小尺度范围气象要素本地化、精细化、网格化预报,提升数值天气预报的时空分辨率和精度,为后续功率预测提供数据支撑;并基于卫星反演模型反演得到大量历史电站辐射监测数据弥补电站数据的空白为后续功率预测模型的构建提供数据支撑;以及针对不同天气类型,采用深度学习算法的单站光伏短期功率预测模型;最后通过自研的区域集群预测核心技术,建立基于深度学习算法的短期集群预测模型,实现区域光伏预测,为低碳优化调度提供数据基础,有力支撑高弹性电网发展。
对于前述实施例提供的分布式光伏短期预测方法,本发明实施例提供了一种分布式光伏短期预测装置,参见图14所示的一种分布式光伏短期预测装置的结构示意图,该装置主要包括以下部分:
数据获取模块1402,用于获取研究区中每个分布式电站的多源数据集合;
数据处理模块1404,用于通过降尺度及订正模型,基于多源数据集合确定每个分布式电站的气象预报数据集;以及,通过反演辐射模型,基于多源数据集合确定每个分布式电站的辐射数据;
电站确定模块1406,用于将研究区划分为多个电站集群,并从每个电站集群包含的分布式电站中确定每个电站集群的基准电站;
电站预测值确定模块1408,用于确定基准电站所处位置处的当前天气类型,以通过当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,确定基准电站的短期光伏功率预测值;
研究区预测值确定模块1410,用于根据每个电站集群内基准电站的短期光伏功率预测值,确定研究区的目标短期光伏功率预测值。
本发明实施例提供了一种基于精细化气象数据考虑不同天气类型的分布式光伏短期预测装置,在将研究区划分为多个电站集群并确定每个基准集群的基准电站之后,基于基准电站所处位置处的当前天气类型对应的短期光伏功率预测模型,基于基准电站的气象预报数据集和辐射数据,预测基准电站的短期光伏功率预测值,以实现不同天气状况下的短期光伏功率的预测,并在此基础上确定出研究区的目标短期光伏功率预测值,从而显著提高分布式光伏短期预测的准确率。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法 。
图15为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器150,存储器151,总线152和通信接口153,所述处理器150、通信接口153和存储器151通过总线152连接;处理器150用于执行存储器151中存储的可执行模块,例如计算机程序。
其中,存储器151可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口153(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线152可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图15中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器151用于存储程序,所述处理器150在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器150中,或者由处理器150实现。
处理器150可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器150中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器150可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器151,处理器150读取存储器151中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种分布式光伏短期预测方法,其特征在于,包括:
获取研究区中每个分布式电站的多源数据集合;
通过降尺度及订正模型,基于所述多源数据集合确定每个所述分布式电站的气象预报数据集;以及,通过反演辐射模型,基于所述多源数据集合确定每个所述分布式电站的辐射数据;
将所述研究区划分为多个电站集群,并从每个所述电站集群包含的分布式电站中确定每个所述电站集群的基准电站;
确定所述基准电站所处位置处的当前天气类型,以通过所述当前天气类型对应的短期光伏功率预测模型,基于所述基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站的短期光伏功率预测值;
根据每个所述电站集群内所述基准电站的所述短期光伏功率预测值,确定所述研究区的目标短期光伏功率预测值;
降尺度及订正模型包括降尺度模型和本地化订正模型,所述降尺度模型包括依次连接的多个数据重构子模型;
通过降尺度及订正模型,基于所述多源数据集合确定每个所述分布式电站的气象预报数据集,包括:
对于每个所述分布式电站,通过所述降尺度模型中的每个所述数据重构子模型,提取该分布式电站的多源数据集合的高维空间特征,并基于所述高维空间特征进行数据重构得到该分布式电站的高分辨率气象图像;其中,所述高分辨率气象图像的分辨率大于预设分辨率阈值,所述数据重构子模型采用SRCNN网络;
对该分布式电站不同模式的高分辨率气象图像进行融合;
通过本地化订正模型,对该分布式电站的融合结果进行本地化订正,以得到该分布式电站的气象预报数据集;其中,所述本地化订正模型采用Encoder-Decoder网络;
通过反演辐射模型,基于所述多源数据集合确定每个所述分布式电站的辐射数据,包括:
对于每个所述分布式电站,基于该分布式电站的所述多源数据集合,分别确定该分布式电站的晴空直射辐射和晴空散射辐射,并将所述晴空直射辐射和所述晴空散射辐射的和值确定为该分布式电站的晴空水平总辐射;其中,晴空直射辐射如下所示:
;/>为太阳常数,/>是用于考虑日地距离与其平均值的变化的修正值,/>是太阳高度角,/>为大气质量等于2时的林克浊度因子,/>为相对大气质量,/>为积分瑞利光学厚度;
晴空散射辐射如下所示:
;/>为散射透射函数,/>为散射角函数;
晴空水平总辐射如下所示:/>;
根据该分布式电站的卫星图像确定地表反射率,并基于所述地表反射率确定该分布式电站的云指数;云指数定义如下:
;
其中,为云指数,/>是卫星观测到的表观反射率,/>最明亮云层的表观反射率,/>为地表反射率;
根据云指数与晴空指数的映射关系,确定该分布式电站的所述云指数对应的目标晴空指数;目标晴空指数如下所示:
;
将所述晴空水平总辐射与所述目标晴空指数的乘积,确定为该分布式电站的辐射数据。
2.根据权利要求1所述的分布式光伏短期预测方法,其特征在于,将所述研究区划分为多个电站集群,并从每个所述电站集群包含的分布式电站中确定每个所述电站集群的基准电站,包括:
获取每个所述分布式电站的光伏功率数据;
基于所述光伏功率数据确定所述研究区中任意两个所述分布式电站之间的相似度,并根据任意两个所述分布式电站之间的所述相似度构建所述研究区的相似度矩阵;
根据所述相似度矩阵分别确定吸引度矩阵和归属度矩阵,并基于所述吸引度矩阵和所述归属度矩阵,对所述研究区包含的所述分布式电站进行迭代聚类,以将所述研究区划分为多个电站集群;
对于每个所述电站集群,确定该电站集群中任意两个分布式电站之间的联合概率分布,以根据所述联合概率分布从该电站集群包含的所述分布式电站中确定基准电站。
3.根据权利要求1所述的分布式光伏短期预测方法,其特征在于,确定所述基准电站所处位置处的当前天气类型,以通过所述当前天气类型对应的短期光伏功率预测模型,基于所述基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站的短期光伏功率预测值,包括:
通过随机森林分类器,基于该基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站所处位置处的当前天气类型;其中,所述当前天气类型包括晴天类型、阴天类型或雨天类型;
从多个短期光伏功率预测模型中,确定所述当前天气类型对应的短期光伏功率预测模型;其中,所述短期光伏功率预测模型采用PredRNN网络;
通过所述当前天气类型对应的短期光伏功率预测模型,基于所述基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站的短期光伏功率预测值。
4.根据权利要求1所述的分布式光伏短期预测方法,其特征在于,根据每个所述电站集群内所述基准电站的所述短期光伏功率预测值,确定所述研究区的目标短期光伏功率预测值,包括:
对于每个所述电站集群,基于该电站集群内所述基准电站的所述短期光伏功率预测值,确定该电站集群内除所述基准电站之外的其他分布式电站的所述短期光伏功率预测值;
对该电站集群内每个所述分布式电站的所述短期光伏功率预测值进行累加,得到该电站集群的短期光伏功率预测值;
基于所述研究区中每个所述电站集群的总出力值,以及每个所述电站集群的出力值,确定所述研究区对应的权重系数矩阵;其中,所述权重系数矩阵用于表征所述研究区内每个所述电站集群的权重系数;
基于所述权重系数矩阵,对每个所述电站集群的短期光伏功率预测值进行加权,以得到所述研究区的目标短期光伏功率预测值。
5.根据权利要求4所述的分布式光伏短期预测方法,其特征在于,基于该电站集群内所述基准电站的所述短期光伏功率预测值,确定该电站集群内除所述基准电站之外的其他分布式电站的所述短期光伏功率预测值,包括:
按照该电站集群内所述基准电站的装机容量转换率,和该电站集群内除所述基准电站之外的其他分布式电站的装机容量转换率,将所述基准电站的所述短期光伏功率预测值转换为其他分布式电站的所述短期光伏功率预测值;
或者,对于该电站集群内除所述基准电站之外的每个分布式电站,构建该分布式电站对应的随机森林拟合模型;其中,所述随机森林拟合模型包括多个回归树子模型;
通过每个所述回归树子模型,基于所述基准电站的所述短期光伏功率预测值,确定该分布式电站的预测结果;
将每个所述回归树子模型的所述预测结果的均值,确定为该分布式电站的所述短期光伏功率预测值。
6.一种分布式光伏短期预测装置,其特征在于,包括:
数据获取模块,用于获取研究区中每个分布式电站的多源数据集合;
数据处理模块,用于通过降尺度及订正模型,基于所述多源数据集合确定每个所述分布式电站的气象预报数据集;以及,通过反演辐射模型,基于所述多源数据集合确定每个所述分布式电站的辐射数据;
电站确定模块,用于将所述研究区划分为多个电站集群,并从每个所述电站集群包含的分布式电站中确定每个所述电站集群的基准电站;
电站预测值确定模块,用于确定所述基准电站所处位置处的当前天气类型,以通过所述当前天气类型对应的短期光伏功率预测模型,基于所述基准电站的所述气象预报数据集和所述辐射数据,确定所述基准电站的短期光伏功率预测值;
研究区预测值确定模块,用于根据每个所述电站集群内所述基准电站的所述短期光伏功率预测值,确定所述研究区的目标短期光伏功率预测值;
降尺度及订正模型包括降尺度模型和本地化订正模型,所述降尺度模型包括依次连接的多个数据重构子模型;
数据处理模块还用于:
对于每个所述分布式电站,通过所述降尺度模型中的每个所述数据重构子模型,提取该分布式电站的多源数据集合的高维空间特征,并基于所述高维空间特征进行数据重构得到该分布式电站的高分辨率气象图像;其中,所述高分辨率气象图像的分辨率大于预设分辨率阈值,所述数据重构子模型采用SRCNN网络;
对该分布式电站不同模式的高分辨率气象图像进行融合;
通过本地化订正模型,对该分布式电站的融合结果进行本地化订正,以得到该分布式电站的气象预报数据集;其中,所述本地化订正模型采用Encoder-Decoder网络;
数据处理模块还用于:
对于每个所述分布式电站,基于该分布式电站的所述多源数据集合,分别确定该分布式电站的晴空直射辐射和晴空散射辐射,并将所述晴空直射辐射和所述晴空散射辐射的和值确定为该分布式电站的晴空水平总辐射;其中,晴空直射辐射如下所示:
;/>为太阳常数,/>是用于考虑日地距离与其平均值的变化的修正值,/>是太阳高度角,/>为大气质量等于2时的林克浊度因子,/>为相对大气质量,/>为积分瑞利光学厚度;
晴空散射辐射如下所示:
;/>为散射透射函数,/>为散射角函数;
晴空水平总辐射如下所示:/>;
根据该分布式电站的卫星图像确定地表反射率,并基于所述地表反射率确定该分布式电站的云指数;云指数定义如下:
;
其中,为云指数,/>是卫星观测到的表观反射率,/>最明亮云层的表观反射率,/>为地表反射率;
根据云指数与晴空指数的映射关系,确定该分布式电站的所述云指数对应的目标晴空指数;目标晴空指数如下所示:
;
将所述晴空水平总辐射与所述目标晴空指数的乘积,确定为该分布式电站的辐射数据。
7.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961866.8A CN116722544B (zh) | 2023-08-02 | 2023-08-02 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310961866.8A CN116722544B (zh) | 2023-08-02 | 2023-08-02 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116722544A CN116722544A (zh) | 2023-09-08 |
CN116722544B true CN116722544B (zh) | 2023-10-20 |
Family
ID=87871798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310961866.8A Active CN116722544B (zh) | 2023-08-02 | 2023-08-02 | 分布式光伏短期预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116722544B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933950B (zh) * | 2023-09-19 | 2024-01-16 | 国能日新科技股份有限公司 | 功率预测数据的传输方法、装置、设备和存储介质 |
CN118115008A (zh) * | 2024-04-19 | 2024-05-31 | 三峡电能有限公司 | 基于风、光、水集成控制的智慧能源管理方法及平台 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537450A (zh) * | 2015-01-28 | 2015-04-22 | 国家电网公司 | 一种分布式光伏发电系统的功率预测系统 |
CN105868529A (zh) * | 2016-03-18 | 2016-08-17 | 北京师范大学 | 一种基于遥感的近地表日均大气温度反演方法 |
CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
CN107767448A (zh) * | 2017-10-09 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 考虑云‑地形效应的地表太阳辐射遥感计算方法及系统 |
CN109344865A (zh) * | 2018-08-24 | 2019-02-15 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN113237554A (zh) * | 2021-05-07 | 2021-08-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 云下地表温度图像生成方法、装置和终端设备 |
CN113378459A (zh) * | 2021-06-02 | 2021-09-10 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
CN113610264A (zh) * | 2021-06-22 | 2021-11-05 | 国网浙江省电力有限公司电力科学研究院 | 精细化电网台风洪涝灾害预测模型 |
CN114510513A (zh) * | 2021-12-31 | 2022-05-17 | 国网浙江省电力有限公司绍兴供电公司 | 用于光伏功率超短期预测的短临气象预报数据处理方法 |
CN114812496A (zh) * | 2022-02-11 | 2022-07-29 | 北京市水文地质工程地质大队(北京市地质环境监测总站) | 一种基于多源异构数据的区域地面沉降预警方法 |
CN115374995A (zh) * | 2022-06-22 | 2022-11-22 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式光伏、小风电场站功率预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013526824A (ja) * | 2010-05-07 | 2013-06-24 | アドバンスド エナージィ インダストリーズ,インコーポレイテッド | 太陽光発電予測システム並びに方法 |
US20210334441A1 (en) * | 2020-04-28 | 2021-10-28 | The Texas A&M University System | Apparatus and systems for power system protective relay control using reinforcement learning |
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 |
-
2023
- 2023-08-02 CN CN202310961866.8A patent/CN116722544B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537450A (zh) * | 2015-01-28 | 2015-04-22 | 国家电网公司 | 一种分布式光伏发电系统的功率预测系统 |
CN105868529A (zh) * | 2016-03-18 | 2016-08-17 | 北京师范大学 | 一种基于遥感的近地表日均大气温度反演方法 |
CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
CN107767448A (zh) * | 2017-10-09 | 2018-03-06 | 中国科学院遥感与数字地球研究所 | 考虑云‑地形效应的地表太阳辐射遥感计算方法及系统 |
CN109344865A (zh) * | 2018-08-24 | 2019-02-15 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN113237554A (zh) * | 2021-05-07 | 2021-08-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 云下地表温度图像生成方法、装置和终端设备 |
CN113378459A (zh) * | 2021-06-02 | 2021-09-10 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
CN113610264A (zh) * | 2021-06-22 | 2021-11-05 | 国网浙江省电力有限公司电力科学研究院 | 精细化电网台风洪涝灾害预测模型 |
CN114510513A (zh) * | 2021-12-31 | 2022-05-17 | 国网浙江省电力有限公司绍兴供电公司 | 用于光伏功率超短期预测的短临气象预报数据处理方法 |
CN114812496A (zh) * | 2022-02-11 | 2022-07-29 | 北京市水文地质工程地质大队(北京市地质环境监测总站) | 一种基于多源异构数据的区域地面沉降预警方法 |
CN115374995A (zh) * | 2022-06-22 | 2022-11-22 | 国网浙江省电力有限公司丽水供电公司 | 一种分布式光伏、小风电场站功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116722544A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumari et al. | Long short term memory–convolutional neural network based deep hybrid approach for solar irradiance forecasting | |
Choi et al. | GIS-based solar radiation mapping, site evaluation, and potential assessment: A review | |
Liu et al. | Ensemble spatiotemporal forecasting of solar irradiation using variational Bayesian convolutional gate recurrent unit network | |
CN116722544B (zh) | 分布式光伏短期预测方法、装置、电子设备及存储介质 | |
Liu et al. | Prediction of short-term PV power output and uncertainty analysis | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
CN116760031B (zh) | 基于气象数据的高时间分辨率光伏功率预测方法和装置 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
Vakitbilir et al. | Hybrid deep learning models for multivariate forecasting of global horizontal irradiation | |
Liu et al. | Probabilistic spatiotemporal solar irradiation forecasting using deep ensembles convolutional shared weight long short-term memory network | |
Li et al. | Short-term Forecasting Approach Based on bidirectional long short-term memory and convolutional neural network for Regional Photovoltaic Power Plants | |
Zhen et al. | Ultra‐short‐term irradiance forecasting model based on ground‐based cloud image and deep learning algorithm | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
Tian et al. | Multi-scale solar radiation and photovoltaic power forecasting with machine learning algorithms in urban environment: A state-of-the-art review | |
CN117374956A (zh) | 一种针对综合能源站光伏发电的短期预测方法 | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
Yu et al. | Prediction of solar irradiance one hour ahead based on quantum long short-term memory network | |
Zhang et al. | SolarGAN: Synthetic annual solar irradiance time series on urban building facades via Deep Generative Networks | |
Dhanalakshmi et al. | [Retracted] Application of Machine Learning in Multi‐Directional Model to Follow Solar Energy Using Photo Sensor Matrix | |
Jurakuziev et al. | A framework to estimate generating capacities of PV systems using satellite imagery segmentation | |
Zhao et al. | An objective prediction model for typhoon rainstorm using particle swarm optimization: neural network ensemble | |
Yang et al. | Optimizing building spatial morphology to alleviate human thermal stress | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 |
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 |