CN117293826A - 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 - Google Patents
一种分布式光伏缺失功率实时预测方法、系统、介质及设备 Download PDFInfo
- Publication number
- CN117293826A CN117293826A CN202311585725.7A CN202311585725A CN117293826A CN 117293826 A CN117293826 A CN 117293826A CN 202311585725 A CN202311585725 A CN 202311585725A CN 117293826 A CN117293826 A CN 117293826A
- Authority
- CN
- China
- Prior art keywords
- interpolation
- sequence
- time
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000003068 static effect Effects 0.000 claims abstract description 11
- 230000002123 temporal effect Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000002790 cross-validation Methods 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 59
- 239000000523 sample Substances 0.000 description 17
- 230000000694 effects Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005428 wave function Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000239366 Euphausiacea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Power Engineering (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种分布式光伏缺失功率实时预测方法、系统、介质及设备，涉及光伏预测技术领域。该方法包括步骤：获取光伏板实时功率数据，并对功率数据利用傅里叶变换进行分解，得到低频平稳序列和高频波动序列；对于低频平稳序列采用静态插值模型来进行数据补齐；对于高频波动序列，进行空间插值和时间插值来进行数据的补齐；结合补齐的低频平稳序列和高频波动序列得到预测的完整的功率数据。本发明考虑光伏缺失功率数据的插值补齐方法和分布式光伏系统的多层级动态汇聚进行功率预测，为高精度的光伏功率预测提供数据支撑。
Description
技术领域
本发明涉及光伏预测技术领域，尤其涉及一种分布式光伏缺失功率实时预测方法、系统、介质及设备。
背景技术
随着光伏装机容量逐年递增，其与风电将逐渐取代传统能源的主导地位。大量的低压分布式光伏系统被接入到配电网中，对电网的安全性、稳定性造成冲击，需要充分解决光伏出力随机性、波动性带来的影响。低压分布式光伏系统通常只有电能表作为监测工具，由于电能表的采样频率有限且存在传输延迟，实时监测分布式光伏系统变得困难；而且，分布式光伏系统分布广泛，数量众多，全面配备采集设备既成本高昂也难以管理。此外，实际运营的配电网中常出现数据缺失以及动态拓扑更新延迟等问题，影响了分布式光伏系统的实时观测和未来预测数据的汇总，从而影响配电网调控的准确性。因此，迫切需要通过数据分析和估算等方式来实现低压分布式光伏系统的动态监测，以支持其实时和未来的运行状态监控。
目前的研究主要聚焦于利用附近气象站的数据来估算分布式光伏的输出，并基于历史数据进行校准及数据补全。然而，现有的出力估算和拓扑校准模型还不够完善，实现多层级拓扑识别建模具有困难。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种分布式光伏缺失功率实时预测方法、系统、介质及设备，考虑光伏缺失功率数据的插值补齐方法和分布式光伏系统的多层级动态汇聚，为高精度的光伏功率预测提供数据支撑。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明第一方面提供了一种分布式光伏缺失功率实时预测方法，包括以下步骤：
获取光伏板实时功率数据，并对功率数据利用傅里叶变换进行分解，得到低频平稳序列和高频波动序列；
对于低频平稳序列采用静态插值模型来进行数据补齐；
对于高频波动序列，进行空间插值和时间插值来进行数据的补齐；
结合补齐的低频平稳序列和高频波动序列得到预测的完整的功率数据。
进一步的，对于高频波动序列，采用克里金插值方法进行空间插值，采用高斯时序插值方法进行时间插值，具体的：
采用克里金空间插值方式对高频波动序列进行处理，得到目标站点的波动序列，实现数据补齐；
得到空间插值的结果后，通过高斯时序插值将各序列的时间标签进行规整，得到规范的时间序列。
更进一步的，采用克里金空间插值方式对高频波动序列进行处理的具体步骤为：
根据高频波动序列特征选择变差函数；
通过变差函数来确定权重，然后对高频波动序列进行插值；
选择半变异函数和参数，根据选择的半变异函数和参数对高频波动序列未插值点进行预测；
采用交叉验证的方式来检验插值结果的准确性。
更进一步的，通过高斯时序插值将各序列的时间标签进行规整的具体步骤为：
计算插值位置与各序列已知数据点的距离；
使用高斯核函数将距离转换为权重，较近的数据点具有更高的权重；
将每个已知数据点的值与其对应的权重相乘，然后将这些加权值相加，得到插值位置的估计值。
本发明第二方面提供了一种分布式光伏缺失功率数据实时预测系统，包括：
傅里叶分解模块，被配置为获取光伏板实时功率数据，并对功率数据利用傅里叶变换进行分解，得到低频平稳序列和高频波动序列；
第一插值模块，被配置为对于低频平稳序列采用静态插值模型来进行数据补齐；
第二插值模块，被配置为对于高频波动序列，进行空间插值和时间插值来进行数据的补齐；
功率预测模块，被配置为结合补齐的低频平稳序列和高频波动序列得到预测的完整的功率数据。
进一步的，第二插值模块包括空间插值模块和时间插值模块，对于高频波动序列，空间插值模块采用克里金插值方法进行空间插值，时间插值模块采用高斯时序插值方法进行时间插值，具体的：
空间插值模块，被配置为采用克里金空间插值方式对高频波动序列进行处理，得到目标站点的波动序列，实现数据补齐；
时间插值模块，被配置为得到空间插值的结果后，通过高斯时序插值将各序列的时间标签进行规整，得到时间序列。
更进一步的，空间插值模块采用克里金空间插值方式对高频波动序列进行处理的具体步骤为：
根据高频波动序列特征选择变差函数；
通过变差函数来确定权重，然后对高频波动序列进行插值；
选择半变异函数和参数，根据选择的半变异函数和参数对高频波动序列未插值点进行预测；
采用交叉验证的方式来检验插值结果的准确性。
更进一步的，时间插值模块通过高斯时序插值将各序列的时间标签进行规整的具体步骤为：
计算插值位置与各序列已知数据点的距离；
使用高斯核函数将距离转换为权重，较近的数据点具有更高的权重；
将每个已知数据点的值与其对应的权重相乘，然后将这些加权值相加，得到插值位置的估计值。
本发明第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的分布式光伏缺失功率实时预测方法中的步骤。
本发明第四方面提供了一种设备，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程序，所述处理器执行所述程序时实现如本发明第一方面所述的分布式光伏缺失功率实时预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明公开了一种分布式光伏缺失功率实时预测方法、系统、介质及设备，首先将分布式光伏系统中的光伏板进行DBSCAN聚类，实现光伏站点的动态划分，得到动态集群划分结果；在一个单独的集群内，选取可获取量测数据的分布式光伏站点，将其功率数据进行傅里叶分解，并对其中的低频平稳分量进行普通静态插值，而对高频波动分量采用克里金空间插值进行处理，然后利用高斯时序插值将插值后各序列的时间标签进行时间规范化处理，最终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，完成缺失功率数据实时预测。
本发明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，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一中分布式光伏缺失功率实时预测方法流程图；
图2为本发明实施例一中DBSCAN聚类方法的原理图；
图3为本发明实施例一中DBSCAN聚类的效果示意图；
图4为本发明实施例一中多个正弦函数叠加形成的函数图像；
图5为本发明实施例一中不同数量的正弦函数向方波函数逼近的效果图；
图6为本发明实施例一中正弦型函数傅里叶分解的效果图；
图7为本发明实施例一中方波函数傅里叶分解的效果图；
图8为本发明实施例一中克里金空间插值的效果示意图；
图9为本发明实施例一中的高斯时序插值中高斯核密度函数示意图；
图10为本发明实施例一中高斯时序插值的效果示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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；
实施例一：
本发明实施例一提供了一种分布式光伏缺失功率实时预测方法，如图1所示，包括以下步骤：
S1，根据经纬度信息提取分布式光伏系统内不同光伏板间的距离信息，并据此将光伏板划分为不同的集群；
S2，获取光伏板实时功率数据，并对功率数据利用傅里叶变换进行分解，得到低频平稳序列和高频波动序列。
S3，对于低频平稳序列采用静态插值模型来进行数据补齐。
S4，对于高频波动序列，先后进行空间插值和时间插值来进行数据的补齐。
S5，结合补齐的低频平稳序列和高频波动序列得到预测的完整的功率数据。
S1中，利用基于密度的聚类算法（Density-Based Spatial Clustering ofApplications with Noise，DBSCAN）将区域内的光伏板划分为不同的集群，其目的是为了为后续获取的光伏板实时功率数据进行预处理，剔除掉错误信息及噪声干扰，使预测结果更加准确。
DBSCAN算法能够探测出样本点的所有密集区域，并将它们标识为聚类簇。在进行聚类之前，需要设定两个参数，即邻域半径ε和邻域最少点数量，以进一步界定点/>的邻域/>，/>的表示如式（1）所示：
（1）
当某个点的邻域/>内样本点数量大于或等于/>时，该点可被标记为核心点，与邻域中的其他点一起形成初始聚类簇，如图2所示为DBSCAN的原理图，存在四种点与点之间的关系，分别为密度直达、密度可达、密度相连和非密度相连。
密度直达指的是，如果点位于点/>的邻域/>内，并且点/>是核心点，那么点由点/>密度直达。这种关系在点/>不是核心点时不可逆。
密度可达是指对于点和点/>，如果存在样本序列/>，并且点/>由点密度直达，则点/>由点/>密度可达。此关系在/>由/>非密度直达情况下不可逆。
密度相连是指对于点和点/>，如果存在点/>，使得点/>和点/>均由点/>密度可达，那么称点/>和点/>密度相连，这种关系是可逆的。
非密度相连是指如果两个点和/>不属于密度相连关系，那么它们就是非密度相连的，不属于同一聚类簇，或者可能存在离散点。
因此，DBSCAN的簇可以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时，称该点为边界点。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时，该点被视为噪声点。
在本实施例中，分布式光伏场站的位置点即为样本的点。中心点指的是样本点的平均位置，通过计算所有点的均值得到，如聚类中心指的是这一个聚类中所有点的平均位置点。聚类的标准按照点（分布式光伏场站）的地理位置远近进行判断。
图3展示了一个点集的DBSCAN无监督聚类结果，它将整个点集分成四个类别，DBSCAN聚类无需事先指定簇的数量，更加注重统一类别内的密度关联情况，并且具备识别离散点的能力。此外，当新数据被插入时，DBSCAN也能够快速进行重新划分。
通常，的值是根据经验确定的，它与样本数量和特征数之间存在关联。最终的聚类效果对邻域半径ε的取值非常敏感。在实施例中，使用手肘法来确定ε的值，该方法涉及不断增加点/>的邻域半径，直到其邻域内包含至少/>个点为止。将此距离记为最邻近距离/>，其计算公式如式（2）所示：
（2）
对最邻近距离序列进行升序排序，并观察其上升速度变快的点，这时图像呈现出类似于肘部的转折点，可以选择这个点的距离/>作为邻域半径ε。基于前述定义和参数的确定，DBSCAN的聚类可以概括为以下几个步骤：
（1）首先，计算所有点的以确定哪些点是核心点，并随机选择一个核心点A作为起始点。
（2）然后，遍历所有与核心点A密度可达的点，并将它们标记为一个聚类簇。
（3）接下来，选取不属于当前聚类簇的核心点B，重复步骤（2），直到遍历所有核心点。
（4）最后，将未被标记为聚类簇的点标记为噪声点，结束聚类过程。
获取光伏板实时功率数据后，对功率数据进行预处理，剔除错误信息及噪声干扰。
具体的，根据光伏功率曲线与辐照度具有强相关性，可以根据经验得出相应的上下限拟合曲线，当光伏功率曲线超出这个界限时认为是错误信息，需要剔除。
由于本实施例采用无监督聚类方法，所以不需要使用基准数据集或依赖外部参考模型来评估聚类质量。相反，可以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好坏，使用轮廓系数（Silhouette Coefficient）、CH指数（Calinski-HarabaszIndex）和DB指数（Davies-Bouldin Index）三个指标来评估聚类效果。
1）轮廓系数（SC）：对于一个样本集合，其轮廓系数是所有样本轮廓系数的平均值。轮廓系数的取值在[-1,1]之间，其中，同一类别的样本距离越接近，不同类别的样本距离越远，轮廓系数分数越高。某个样本的轮廓系数的计算如式（3）所示：
（3）
式中，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。聚类的总轮廓系数SC则是所有样本轮廓系数的平均值，轮廓系数越大表示簇内实例之间紧密，簇间距离较大，这是聚类的优质标志。聚类中总的轮廓系数SC的计算方式如式（4）所示：
（4）
2）CH指数（CHI）：CH指数本质上是簇间距离与簇内距离的比值，与方差计算方式类似，因此也称为方差比准则。它的定义涉及类间协方差矩阵（）和类内数据的协方差矩阵（），具体计算公式如式（5）和式（6）所示：
（5）
（6）
式中，为类别q的中心点，/>为整个数据集的中心点，/>表示类别q中的数据数目。
CHI的计算方式如式（7）所示：
（7）
式中，表示矩阵的迹。
3）DB指数（DBI）:DB指数计算的是任意两个类别的类内距离的平均值除以这两个类别中心距离的最大值。DBI值越小表示类内距离越小，同时类间距离越大。定义样本点的分散度如式（8）所示：
（8）
式中，表示第/>类中第/>个数据点；/>表示第/>类的中心；/>表示第/>类中数据点的数量。参数/>的取值可以影响衡量分散程度的方式。当/>取1时，表示各点到中心的距离的均值；当/>取2时，表示各点到中心距离的标准差。这两种方式都可以用来度量分散度。
定义类中心的距离如式（9）所示：
（9）
其中，表示第/>类的中心点的第/>属性的值。基于上述参数的定义，DBI的计算公式如式（10）所示：
（10）
S2中，获取的光伏板实时功率数据为经过S1的集群划分后，剔除掉错误信息及噪声干扰的数据。由于夜晚光伏功率为零，只截取白天数据进行处理。首先应当根据已知功率数据的各场站的装机容量对光伏功率进行标幺化，对标幺化的功率数据曲线进行傅里叶分解。傅里叶分解是一种将一个信号或函数分解成一系列正弦和余弦函数（正弦和余弦波）的数学技术，通常用于信号处理、波动现象和频域分析。傅里叶分解的基础是傅里叶级数，傅里叶级数可以表示一个周期性函数为一组正弦和余弦函数的线性组合，其叠加函数图像如图4所示。实际上对于任何一种波形，都可以展开为多个正弦波的叠加，如图5所示为采用不同数量的正弦波叠加能够逐渐逼近矩形波。傅里叶分解不仅适用于周期性信号，还可以扩展到非周期性信号，此时需要使用傅里叶变换来表示信号。
傅里叶变换的一般形式为：
（11）
式中：为要分解的函数或信号，/>为信号周期，而在非周期信号中其表示信号的长度，/>是直流分量或平均值，表示信号的平均强度，/>和/>是傅里叶系数，表示信号中不同频率分量的振幅，且二者是互为正交的余弦和正弦分量。/>和/>的计算方法如式（12）和式（13）所示：
（12）
（13）
上述公式表示了信号与正弦和余弦函数的内积，用于确定各个频率分量的振幅。基于以上公式进行频域分析，与频率相同的交流分量称为基波分量，其余频率的交流分量称为谐波分量。傅里叶分解将信号从时间域转换为频率域，能够分析信号中不同频率成分的贡献。通过观察/>和/>的值，可以了解信号中包含的不同频率成分的振幅和相位信息。频谱图是一种常见的表示傅里叶分解结果的图形，横轴表示频率，纵轴表示振幅。频谱图能够可视化信号中各个频率成分的强度，从而更好地理解信号的频域特性。对于非周期性信号，使用傅里叶变换代替傅里叶级数。傅里叶变换将非周期性信号从时间域转换为连续频谱表示，通常使用积分替代级数求和。图6展示了傅里叶分解的效果图，上图显示了时域信号，由两个不同频率（5Hz和50Hz）的正弦波组成，下图显示了频域信号，可以看到该信号的主要频率成分，在5Hz和50Hz位置有明显的峰值，与原始信号相符。如图7所示为矩形波分解的效果图。
本实施例中，光伏功率数据实际上是每15分钟一个点，因此属于离散信号，使用离散傅里叶变换来进行分解。具体的，利用离散傅里叶将光伏功率数据转换为频域表示。
离散傅里叶变换（DFT）用于将离散时域信号转换为频域表示，它是傅里叶变换的离散形式，通常应用于离散采样的信号，如数字信号。DFT将信号分解为一组复指数函数的线性组合。给定长度为的离散信号序列/>，其DFT表示为：
（14）
式中，是频域中的复数值，表示信号在频率/>处的振幅和相位信息。通常使用快速傅里叶变换（FFT）算法来高效计算DFT。FFT是一种高效计算傅里叶变换的算法，用于将时域信号转换为频域表示。FFT算法可以显著减少计算傅里叶变换所需的时间。FFT算法基于分治策略，将一个长度为N的信号序列分成两个长度为N/2的子序列，并对它们分别计算傅里叶变换，然后将这些子序列的频谱组合起来，形成原始序列的频谱。FFT算法利用了复数旋转因子的周期性质，通过将计算复杂度降低，使计算速度大幅提高。FFT算法的基本步骤包括以下几点：将输入信号序列分为偶数索引和奇数索引的两个子序列；递归地对这两个子序列进行FFT计算；将两个子序列的频谱组合起来以获得原始序列的频谱；重复以上步骤，直到计算完成。
经过傅里叶分解后得到的低频平稳序列对应晴空模型下的光伏功率曲线，其本身的波动较小，各序列间不存在明显的时空差异，可直接采用静态插值模型，本实施例主要说明对于高频波动序列的处理方法。光伏功率的高频波动序列的成因在于云团运动造成光伏的出力波动，需要先后进行空间插值和时间插值。
其中，晴空模型是描述在晴天条件下，光伏系统的输出功率与太阳辐射等变量之间的关系模型。在晴空模型中，假设天气条件是理想的，没有云层遮挡，太阳辐射强度只取决于地理位置、时间和季节，它提供了在最佳条件下的光伏系统性能的理论上限。
对于平稳序列可直接采用静态插值模型来进行数据补齐，而对于受云团运动影响造成的波动序列，需要先后进行空间插值和时间插值来进行数据的补齐。
S3中，对于低频平稳序列，直接采用静态插值模型，如三角插值进行功率缺失站点功率曲线的插值估算。
插值是一种进行数据补齐的方式，在本实施例中，部分光伏站点缺乏功率数据，这部分站点就是待插值点，需要根据聚类中其他有功率数据的站点提供的数据来插值补上缺失的功率数据。
S4中，对于高频波动序列，采用克里金插值方法进行空间插值，补齐高频分量数据，使曲线光滑；再采用高斯时序插值方法进行时间插值，得到标准时间间隔的分布式光伏功率曲线。具体的：
采用克里金空间插值方式对高频波动序列进行处理，得到目标站点的波动序列，实现数据补齐；
得到空间插值的结果后，通过高斯时序插值将各序列的时间标签进行规整，得到规范的时间序列，本实施例中，得到时间分辨率为15min的规范的时间序列。
克里金插值（Kriging）是一种基于随机过程理论的地统计学插值方法，用于预测未采样点的属性值，分布式光伏系统中的光伏板空间分布范围广，适合使用克里金法实现空间插值，如图8所示为克里金插值的可视化结果示意图。
克里金的核心思想是：样点间的空间关系可以用来预测未采样点的值。这种关系是通过所谓的“变差函数”或“半变异函数”来描述的。
克里金高维插值包括以下的主要步骤：
1）数据收集：首先，需要构建待研究问题的初始数据集；
2）建立半变异函数：克里金插值算法通过使用变差函数来确定权重然后进行插值，根据数据的特征选择合适的半变异函数模型，常用的模型包括：
球形模型：适用于具有明确的空间范围，即超过某一距离后，数据之间的相关性几乎消失的数据。其形式如下：
（15）
式中，是数据在高维空间中的欧几里得距离；/>是一个距离阈值，表示在距离超过/>之后，半变异函数值将不再增加，即空间相关性消失或变得非常弱。在距离/>内，半变异函数值从零（或某个小的值）逐渐增加到一个稳定值；/>是距离为零时的半变异函数值，/>是半变异函数的幅度。
指数模型：适用于没有明确空间范围但相关性逐渐减小的数据。其形式如下所示：
（16）
式中，是一个衰减常数，用于控制空间相关性如何随距离衰减。具体来说，当距离是/>的时候，半变异函数达到其最大值，即在距离/>内，数据点之间的相关性相对较强。
高斯模型：适用于平滑变化且没有明确空间范围的数据。其形式如下所示：
（17）
式中，同样是一个衰减常数，但它控制的是半变异函数值如何更“平滑地”增加。在高斯模型中，半变异函数值从零开始逐渐增加，但增加的速度比指数模型要慢。
线性模型：适用于变异性与距离成线性关系的数据。其形式如下所示：
（18）
对数模型：适用于变异性与距离的对数成正比的数据。其形式如下所示：
（19）
幂函数模型：适用于变异性与距离的某个幂次成正比的数据。其形式如下所示：
（20）
式中，表示幂次。
Hole Effect模型：适用于具有周期性空间结构的数据。其形式如下所示：
（21）
3）选择模型参数：选择合适的参数，根据原始数据及半变异模型，利用最大似然估计、最小二乘法等方法，估计模型中的参数，使理论半变异函数尽可能吻合实验值。
4）进行克里金插值：使用选定的半变异函数和参数，以及观测数据，对未插值点进行预测。
5）交叉验证：采用交叉验证的方式来检验插值结果的准确性，选取一部分数据点形成验证集，将这些点处的插值预测值与原始观测值进行比较，计算两者偏差。
克里金法在高维插值中具有如下优点：
1）最优无偏预测：克里金插值基于最优、无偏和最小方差的原则，因此理论上能提供最好的预测效果。
2）灵活的模型选择：可以选择不同的半变异函数以适应不同类型和分布的数据。
3）考虑自相关性：克里金法通过使用变差函数能很好地捕捉数据的空间（或时空）自相关性。
4）数据融合：克里金法允许将多源数据或多尺度数据整合在一个统一的预测模型中。
5）量化预测误差：克里金方法不仅提供预测目标变量的预测值，还能够提供预测的不确定性，通常表示为预测的标准误差，这对于风险评估和决策支持很有价值。
6）适应非线性关系：虽然克里金方程本身是线性的，但它可以模拟观测数据之间的非线性空间关系。
在使用克里金插值方法时有如下注意事项：
1）计算复杂性：在高维空间中，需要解的克里金方程组可能非常大，这使得计算复杂度高，因此需要根据数据特征判断是否需要使用克里金法来实现插值；
2）参数调优：半变异函数参数、方向性（各向同性或各向异性）等需要根据最小二乘法、最大似然估计等方法进行手动调整，这增加了模型构建的复杂性；
3）对异常值的敏感性：克里金方法对异常值或噪声较为敏感，当用于高维数据时敏感性更为突出，因此需要预先对数据进行预处理，剔除异常值及错误信息；
4）内存需求：在高维空间中，克里金方法可能需要大量内存来存储距离矩阵和解线性方程。
综上所述，克里金高维插值是一种强大但计算密集的方法，在空间插值中具有很多优点，特别是在预测准确性方面，但也存在计算复杂性高、对数据质量和量要求高等不足之处。因此，应当首先对数据进行分析，判断是否使用克里金法的何种半变异函数模型，并考虑上述局限因素，根据具体应用和可用资源进行适当的优化。
本实施例中，采用克里金空间插值方式对高频波动序列进行处理的具体步骤为：
绘制出数据分布曲线，判断数据符合何种分布从而获得高频波动序列特征，根据高频波动序列特征选择变差函数；
通过变差函数来确定权重，然后对高频波动序列进行插值；
选择半变异函数和参数，根据选择的半变异函数和参数对高频波动序列未插值点进行预测；本实施例中，未插值点为缺失功率数据的光伏站点。
采用交叉验证的方式来检验插值结果的准确性。
得到空间插值的结果后，各序列的时间标签并非严格对应的，需要采用线性插值得到规范的时间标签，将时间分辨率规整到15min，与调度系统规定的预报时间一致。
高斯时序插值是一种用于时间序列数据处理的方法，它基于高斯核函数进行数据插值和平滑，能够处理不均匀采样、缺失数据和噪声。
高斯核函数：高斯时序插值的核心是高斯核函数，其表示形式如式（22）所示：
（22）
式中，表示高斯核函数的输出，/>和/>是输入样本的特征向量，σ是带宽参数（也称为核函数的宽度或标准差），/>表示欧几里得距离（也称为L2范数）。高斯核函数度量了两个样本之间的相似性。当两个样本的特征向量接近时，高斯核函数的值接近1，表示它们非常相似；当它们的距离较远时，高斯核函数的值接近0，表示它们不相似。如图9所示，其中实线表示高斯核函数的值，其曲线表示中心为参考样本/>。
高斯核函数引入了非线性映射，将输入特征空间映射到一个更高维的特征空间，使得在这个新的特征空间中可以更好地进行线性划分。带宽参数σ控制了高斯核函数的形状，较小的σ值会导致核函数的峰值更尖锐，对相似性的评估更加敏感；较大的σ值会导致核函数更平滑，对相似性的评估敏感性较差。选择合适的σ值对于核函数的性能至关重要。高斯核函数常用于支持向量机（SVM）、核主成分分析（Kernel PCA）等机器学习算法中，用于处理非线性可分的数据，它可以将非线性问题映射到高维特征空间，并在该空间中进行线性划分。
本实施例中，通过高斯时序插值将各序列的时间标签进行规整的具体步骤为：
计算插值位置与各序列已知数据点的距离；本实施例中，已知数据点为进行插值前已经拿到的部分场站的光伏功率曲线，根据缺失光伏功率数据的光伏站点的位置确定插值位置；
使用高斯核函数将距离转换为权重，较近的数据点具有更高的权重；
将每个已知数据点的值与其对应的权重相乘，然后将这些加权值相加，得到插值位置的估计值。
图10展示了高斯时序插值的效果，原始数据点在不规则的时间标签上；曲线是在新的时间标签上的预测值；阴影区域显示了预测值的不确定性，它是基于高斯过程模型的协方差矩阵计算出的标准差，阴影区域越宽，表示在该点的预测不确定性越大。
选择适当的带宽参数σ对于高斯核函数的性能至关重要。带宽参数控制了核函数的形状，从而影响了核函数的性能。交叉验证是选择带宽参数的一种常见方法。它将数据集分为训练集和验证集，然后针对不同的带宽参数值训练模型并在验证集上评估性能。通过选择能够产生最佳验证性能的带宽参数，可以获得最优的模型；网格搜索是一种系统性的方法，通过在一定的带宽参数范围内进行离散值的搜索，来找到最佳的参数组合，通常与交叉验证结合使用，以确定在哪个参数值下性能最佳；此外，可以通过可视化观察不同带宽参数值下的核函数形状以及相应的模型性能来选择带宽参数。观察核函数的形状是否适合数据的分布。需要注意，如果选择一个过小的带宽参数，模型可能会过度拟合训练数据，导致模型对噪声过于敏感。因此，需要确保带宽参数不会选择得太小。选择带宽参数是一个非常问题，没有通用的方法适用于所有情况。因此，通常需要进行实验和试验，以确定最适合特定问题的带宽参数值。同时，不同的机器学习算法和核函数可能对带宽参数敏感性不同，因此需要根据具体情况来调整。最终目标是使模型在未见数据上表现出最佳的泛化性能。
在实时数据流处理中，高斯插值方法需要考虑计算效率和实时性。
1）滑动窗口插值：可以使用滑动窗口技术，在每个时间窗口内进行高斯插值，以处理实时数据流，可以减少计算开销并支持连续的实时数据处理。
2）低延迟算法：选择高效的算法和数据结构，以最小化插值算法的延迟，确保实时性要求得以满足。
总之，高斯时序插值是一种灵活的方法，适用于各种时间序列数据的插值和平滑处理，并且能够处理数据中的缺失值。然而，在具体应用中，需要对数据进行预处理和异常值处理以保证插值效果，以及根据数据的特点和需求选择合适的扩展方法和策略，以确保插值结果满足预期的质量和实时性要求。
S5中，同一站点的高频和低频序列相加后经过傅里叶反变换恢复为时域的功率数据，此时的数据是标幺值，再根据各场站的装机容量将功率数据恢复为有名值（实际值）。
最后，初始光伏功率数据与插值得到的功率数据组成完整的光伏数据集，运用时序外推法（ARIMA）实现光伏功率的超短期预测。
实施例二：
本发明实施例二提供了一种分布式光伏缺失功率数据实时预测系统，包括：
傅里叶分解模块，被配置为获取光伏板实时功率数据，并对功率数据利用傅里叶变换进行分解，得到低频平稳序列和高频波动序列；
第一插值模块，被配置为对于低频平稳序列采用静态插值模型来进行数据补齐；
第二插值模块，被配置为对于高频波动序列，进行空间插值和时间插值来进行数据的补齐；
功率预测模块，被配置为结合补齐的低频平稳序列和高频波动序列得到预测的完整的功率数据。
本实施例中，第二插值模块包括空间插值模块和时间插值模块，对于高频波动序列，空间插值模块采用克里金插值方法进行空间插值，时间插值模块采用高斯时序插值方法进行时间插值，具体的：
空间插值模块，被配置为采用克里金空间插值方式对高频波动序列进行处理，得到目标站点的波动序列，实现数据补齐；
时间插值模块，被配置为得到空间插值的结果后，通过高斯时序插值将各序列的时间标签进行规整，得到时间序列。
其中，空间插值模块采用克里金空间插值方式对高频波动序列进行处理的具体步骤为：
根据高频波动序列特征选择变差函数；
通过变差函数来确定权重，然后对高频波动序列进行插值；
选择半变异函数和参数，根据选择的半变异函数和参数对高频波动序列未插值点进行预测；
采用交叉验证的方式来检验插值结果的准确性。
其中，时间插值模块通过高斯时序插值将各序列的时间标签进行规整的具体步骤为：
计算插值位置与各序列已知数据点的距离；
使用高斯核函数将距离转换为权重，较近的数据点具有更高的权重；
将每个已知数据点的值与其对应的权重相乘，然后将这些加权值相加，得到插值位置的估计值。
实施例三：
本发明实施例三提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例一所述的分布式光伏缺失功率实时预测方法中的步骤。
实施例四：
本发明实施例四提供了一种设备，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程序，所述处理器执行所述程序时实现如本发明实施例一所述的分布式光伏缺失功率实时预测方法中的步骤。
以上实施例二、三和四的中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
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 (10)
1.一种分布式光伏缺失功率实时预测方法，其特征在于，包括以下步骤：
获取光伏板实时功率数据，并对功率数据利用傅里叶变换进行分解，得到低频平稳序列和高频波动序列；
对于低频平稳序列采用静态插值模型来进行数据补齐；
对于高频波动序列，进行空间插值和时间插值来进行数据的补齐；
结合补齐的低频平稳序列和高频波动序列得到预测的完整的功率数据。
2.如权利要求1所述的分布式光伏缺失功率实时预测方法，其特征在于，对于高频波动序列，采用克里金插值方法进行空间插值，采用高斯时序插值方法进行时间插值，具体的：
采用克里金空间插值方式对高频波动序列进行处理，得到目标站点的波动序列，实现数据补齐；
得到空间插值的结果后，通过高斯时序插值将各序列的时间标签进行规整，得到时间序列。
3.如权利要求2所述的分布式光伏缺失功率实时预测方法，其特征在于，所述采用克里金空间插值方式对高频波动序列进行处理的具体步骤为：
根据高频波动序列特征选择变差函数；
通过变差函数来确定权重，然后对高频波动序列进行插值；
选择半变异函数和参数，根据选择的半变异函数和参数对高频波动序列未插值点进行预测；
采用交叉验证的方式来检验插值结果的准确性。
4.如权利要求2所述的分布式光伏缺失功率实时预测方法，其特征在于，所述通过高斯时序插值将各序列的时间标签进行规整的具体步骤为：
计算插值位置与各序列已知数据点的距离；
使用高斯核函数将距离转换为权重，较近的数据点具有更高的权重；
将每个已知数据点的值与其对应的权重相乘，然后将这些加权值相加，得到插值位置的估计值。
5.一种分布式光伏缺失功率实时预测系统，其特征在于，包括：
傅里叶分解模块，被配置为获取光伏板实时功率数据，并对功率数据利用傅里叶变换进行分解，得到低频平稳序列和高频波动序列；
第一插值模块，被配置为对于低频平稳序列采用静态插值模型来进行数据补齐；
第二插值模块，被配置为对于高频波动序列，进行空间插值和时间插值来进行数据的补齐；
功率预测模块，被配置为结合补齐的低频平稳序列和高频波动序列得到预测的完整的功率数据。
6.如权利要求5所述的分布式光伏缺失功率实时预测系统，其特征在于，第二插值模块包括空间插值模块和时间插值模块，对于高频波动序列，空间插值模块采用克里金插值方法进行空间插值，时间插值模块采用高斯时序插值方法进行时间插值，具体的：
空间插值模块，被配置为采用克里金空间插值方式对高频波动序列进行处理，得到目标站点的波动序列，实现数据补齐；
时间插值模块，被配置为得到空间插值的结果后，通过高斯时序插值将各序列的时间标签进行规整，得到时间序列。
7.如权利要求6所述的分布式光伏缺失功率实时预测系统，其特征在于，空间插值模块采用克里金空间插值方式对高频波动序列进行处理的具体步骤为：
根据高频波动序列特征选择变差函数；
通过变差函数来确定权重，然后对高频波动序列进行插值；
选择半变异函数和参数，根据选择的半变异函数和参数对高频波动序列未插值点进行预测；
采用交叉验证的方式来检验插值结果的准确性。
8.如权利要求6所述的分布式光伏缺失功率实时预测系统，其特征在于，时间插值模块通过高斯时序插值将各序列的时间标签进行规整的具体步骤为：
计算插值位置与各序列已知数据点的距离；
使用高斯核函数将距离转换为权重，较近的数据点具有更高的权重；
将每个已知数据点的值与其对应的权重相乘，然后将这些加权值相加，得到插值位置的估计值。
9.一种计算机可读存储介质，其特征在于，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权利要求1-4中任一项所述的分布式光伏缺失功率实时预测方法。
10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-4中任一项所述的分布式光伏缺失功率实时预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311585725.7A CN117293826B (zh) | 2023-11-27 | 2023-11-27 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311585725.7A CN117293826B (zh) | 2023-11-27 | 2023-11-27 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117293826A true CN117293826A (zh) | 2023-12-26 |
| CN117293826B CN117293826B (zh) | 2024-04-05 |
Family
ID=89241187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311585725.7A Active CN117293826B (zh) | 2023-11-27 | 2023-11-27 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117293826B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591814A (zh) * | 2024-01-19 | 2024-02-23 | 北京志翔科技股份有限公司 | 基于光伏包络的数据修复方法、装置及设备 |
| CN117591814B (zh) * | 2024-01-19 | 2024-06-07 | 北京志翔科技股份有限公司 | 基于光伏包络的数据修复方法、装置及设备 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019155214A1 (en) * | 2018-02-07 | 2019-08-15 | Green Running Limited | Method and apparatus for power signal disaggragation using a convolutional neural network |
| CN110580328A (zh) * | 2019-09-11 | 2019-12-17 | 江苏省地质工程勘察院 | 一种地下水位监测值缺失的修复方法 |
| CN111125885A (zh) * | 2019-12-03 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进克里金插值算法的asf修正表构建方法 |
| 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 |
| US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
| US20220173624A1 (en) * | 2019-03-19 | 2022-06-02 | Koninklijke Philips N.V. | Device and method for wireless power transfer and improved foreign object detection |
| KR20220109935A (ko) * | 2021-01-29 | 2022-08-05 | 주식회사 크로커스 | 전력 예측을 위한 앙상블 장치 |
| 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 |
| CN115994605A (zh) * | 2022-10-08 | 2023-04-21 | 三峡大学 | 综合气象因子数据的多数据融合光伏功率预测算法 |
| CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 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 |
| CN116404647A (zh) * | 2023-06-09 | 2023-07-07 | 山东大学 | 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 |
| CN116541681A (zh) * | 2023-04-21 | 2023-08-04 | 河海大学 | 一种基于协同克里金插值的复合灾害空间变异性识别方法 |
| CN116799796A (zh) * | 2023-06-30 | 2023-09-22 | 国网河南省电力公司电力科学研究院 | 一种光伏发电功率预测方法、装置、设备及介质 |
| CN117094426A (zh) * | 2023-06-19 | 2023-11-21 | 华北电力大学（保定） | 一种台区分布式光伏电站群功率预测方法 |
| CN117114160A (zh) * | 2023-04-24 | 2023-11-24 | 中国电建集团成都勘测设计研究院有限公司 | 一种短期光伏功率预测方法 |
-
2023
- 2023-11-27 CN CN202311585725.7A patent/CN117293826B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019155214A1 (en) * | 2018-02-07 | 2019-08-15 | Green Running Limited | Method and apparatus for power signal disaggragation using a convolutional neural network |
| US20220173624A1 (en) * | 2019-03-19 | 2022-06-02 | Koninklijke Philips N.V. | Device and method for wireless power transfer and improved foreign object detection |
| CN110580328A (zh) * | 2019-09-11 | 2019-12-17 | 江苏省地质工程勘察院 | 一种地下水位监测值缺失的修复方法 |
| CN111125885A (zh) * | 2019-12-03 | 2020-05-08 | 杭州电子科技大学 | 一种基于改进克里金插值算法的asf修正表构建方法 |
| US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
| KR20220109935A (ko) * | 2021-01-29 | 2022-08-05 | 주식회사 크로커스 | 전력 예측을 위한 앙상블 장치 |
| 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 |
| CN115994605A (zh) * | 2022-10-08 | 2023-04-21 | 三峡大学 | 综合气象因子数据的多数据融合光伏功率预测算法 |
| 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 |
| CN116541681A (zh) * | 2023-04-21 | 2023-08-04 | 河海大学 | 一种基于协同克里金插值的复合灾害空间变异性识别方法 |
| CN117114160A (zh) * | 2023-04-24 | 2023-11-24 | 中国电建集团成都勘测设计研究院有限公司 | 一种短期光伏功率预测方法 |
| CN116404645A (zh) * | 2023-06-07 | 2023-07-07 | 山东大学 | 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 |
| CN116404647A (zh) * | 2023-06-09 | 2023-07-07 | 山东大学 | 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 |
| CN117094426A (zh) * | 2023-06-19 | 2023-11-21 | 华北电力大学（保定） | 一种台区分布式光伏电站群功率预测方法 |
| CN116799796A (zh) * | 2023-06-30 | 2023-09-22 | 国网河南省电力公司电力科学研究院 | 一种光伏发电功率预测方法、装置、设备及介质 |
Non-Patent Citations (11)
| Title |
|---|
| YAZHONG SUN; YANCHAO WU; JIA LIU; SUNAN ZHANG; GUOLIANG LI; GUIBIN ZOU; KAIKAI ZHANG: "Ultra-Short-Term Photovoltaic Power Prediction Based on Improved Kmeans Algorithm and VMDSVR-LSTM Model", 2022 6TH INTERNATIONAL CONFERENCE ON POWER AND ENERGY ENGINEERING (ICPEE), 1 March 2023 (2023-03-01), pages 47 - 51 * |
| 俞娜燕;李向超;费科;任佳琦;倪晓宇;: "基于SVR-UKF的光伏电站功率预测", 自动化与仪器仪表, no. 04, pages 79 - 83 * |
| 吉兴全;赵国航;叶平峰;孟祥剑;杨明: "基于QMD-HBiGRU的短期光伏功率预测方法", 高电压技术, pages 1 - 18 * |
| 张倩;马愿;李国丽;马金辉;丁津津;: "频域分解和深度学习算法在短期负荷及光伏功率预测中的应用", 中国电机工程学报, no. 08, pages 49 - 58 * |
| 张弛，朱宗玖: "基于误差修正的短期光伏功率预测", 科学技术与工程, vol. 23, no. 27, pages 11664 - 11672 * |
| 张浒: "时间序列短期预测模型研究与应用", 中国博士学位论文全文数据库 工程科技Ⅱ辑, no. 2, pages 042 - 14 * |
| 杨锡运;曹超;任杰;高峰;: "利用储能系统平滑光伏波动的模糊聚类经验模态分解方法", 高电压技术, no. 07, 18 July 2016 (2016-07-18), pages 117 - 123 * |
| 王辉赞;张韧;刘巍;刘科峰;王桂华;: "支持向量机优化的克里金插值算法及其海洋资料对比试验", 大气科学学报, no. 05, pages 57 - 63 * |
| 罗桐;陈峦;黄琦;刘许洋;: "基于储能系统的光伏功率预测误差补偿控制", 电源技术, no. 10, pages 50 - 53 * |
| 郑玲;苏锦涛;万鑫铭;王菲;: "振动子结构综合与修正方法研究综述", 机械工程学报, no. 23, 5 December 2019 (2019-12-05), pages 132 - 147 * |
| 陈建均;胡乃联;李国清;马朝阳;: "基于小波消噪-神经网络的钻孔数据预处理", 现代矿业, no. 01, pages 115 - 117 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117591814A (zh) * | 2024-01-19 | 2024-02-23 | 北京志翔科技股份有限公司 | 基于光伏包络的数据修复方法、装置及设备 |
| CN117591814B (zh) * | 2024-01-19 | 2024-06-07 | 北京志翔科技股份有限公司 | 基于光伏包络的数据修复方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117293826B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Monjoly et al. | Hourly forecasting of global solar radiation based on multiscale decomposition methods: A hybrid approach | |
| De Giorgi et al. | Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods | |
| CN109919353B (zh) | 一种基于空间相关性的arima模型的分布式光伏预测方法 | |
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN111091233A (zh) | 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法 | |
| Perpiñán et al. | Analysis and synthesis of the variability of irradiance and PV power time series with the wavelet transform | |
| Ramakrishna et al. | A model for joint probabilistic forecast of solar photovoltaic power and outdoor temperature | |
| CN105572501A (zh) | 一种基于sst变换和ls-svm的电能质量扰动识别方法 | |
| CN109272258B (zh) | 基于K-means聚类的区域风光发电资源评估方法 | |
| Alimohammadi et al. | Multi-stage algorithm for uncertainty analysis of solar power forecasting | |
| Zhang et al. | A multi-step probability density prediction model based on gaussian approximation of quantiles for offshore wind power | |
| Wang et al. | Short-term wind speed forecasting using variational mode decomposition and support vector regression | |
| Tian | Analysis and research on chaotic dynamics behaviour of wind power time series at different time scales | |
| CN116307291A (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
| Paulescu et al. | A simple but accurate two-state model for nowcasting PV power | |
| 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 | |
| CN117633446A (zh) | 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及系统 | |
| CN116777066A (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 | |
| Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
| Yang et al. | Investigating the predictability of photovoltaic power using approximate entropy | |
| CN113933915B (zh) | 一种基于时空扰动信息交互集成嵌套的短临外推预报方法 | |
| Tai et al. | Power prediction of photovoltaic power generation based on LSTM model with additive Attention mechanism | |
| Li et al. | Monthly mean meteorological temperature prediction based on VMD-DSE and Volterra adaptive model | |
| CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 |
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 |