CN117332291B - 一种面向分布式光伏的区域资源监测布局方法及系统 - Google Patents
一种面向分布式光伏的区域资源监测布局方法及系统 Download PDFInfo
- Publication number
- CN117332291B CN117332291B CN202311617863.9A CN202311617863A CN117332291B CN 117332291 B CN117332291 B CN 117332291B CN 202311617863 A CN202311617863 A CN 202311617863A CN 117332291 B CN117332291 B CN 117332291B
- Authority
- CN
- China
- Prior art keywords
- information
- grid
- distributed photovoltaic
- area
- grids
- 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 96
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000013139 quantization Methods 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 238000003860 storage Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000001556 precipitation Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F18/24—Classification 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种面向分布式光伏的区域资源监测布局方法及系统,包括基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域;利用插值法,对分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息;基于各网格量化信息,利用权重分配和特征聚类方法,对各网格量化信息归类,得到若干类型区域;基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位。本发明在各类型区域内充分考虑分布式光伏位置分布和装机容量信息,使得选取的最佳监测点位具有区域代表性。而且本发明还基于网格量化信息利用权重分配和特征聚类方法划分若干类型区域,考虑了气象资源特征一致性,使得监测点位的选取更合理。
Description
技术领域
本发明涉及新能源发电技术领域,具体涉及一种面向分布式光伏的区域资源监测布局方法及系统。
背景技术
随着分布式光伏渗透率的不断提升,分布式光伏出力对电网的影响日益增加。由于其点多面广,难以监测,导致调度决策时无法准确掌握分布式光伏的实时运行状态,增加了电网电力平衡压力以及运行风险。因此需要开展面向分布式光伏的区域监测技术研究,尤其是气象资源的监测直接影响其发电能力。目前气象监测布局多采用经验或等间距布点的方式,未能充分考虑监测信息的地域差异及监测的经济成本,而且还存在大量盲区,且尚未形成成熟的监测布局方案。
采用经验与等间距布点相结合的方法。以中小尺度灾害性天气监测布局为例,根据中小尺度天气系统的典型空间和时间尺度特征,对全国中小尺度天气地面监测站密度需求进行分析,参考国际中尺度地面观测网的设计思路,提出自动气象站监测布局的原则如下:
(1)平原地区:平均间距20~25千米;
(2)沿海地区以及大江大河流域:平均间距为10千米;
(3)山区:根据具体的地形特点、地质灾害发生情况以及年平均降水量进行设计,平均间距小于25千米;
(4)城区:根据该城市年降水量、人口以及灾害发生的特点进行设计,平均间距小于10千米,重点地区为5千米;
(5)大中城市:布设至少包括气压、温度、风向、风速和降水量的五要素自动气象站,在经费许可的情况下,增加湿度观测。其他地区的加密自动气象站至少包括雨量,根据经费情况依次增加气压、气温、风向、风速和相对湿度等要素;
具体站址选择:在满足布局要求的前提下,要考虑设备业务运行可靠、维护方便、通信组网的稳定,并保持站址周围环境具有一定的稳定性;每个加密自动气象站须设置观测场,温度、湿度传感器尽可能安装在百叶箱内;在资料急需但条件受限制的地区,可不受上述限制。
该方法选择的站址代表性不足,未充分考虑监测对象的属性与特征,无法保证监测点位具有区域代表性。
发明内容
为了解决现有技术采用经验与等间距布点相结合的方法进行监测布局时存在监测站址代表性不足的问题,本发明提出了一种面向分布式光伏的区域资源监测布局方法,包括:
基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域;
利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息;
基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域;
基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位。
可选的,所述基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域,包括:
对分布式光伏区域的最小经度和维度对应的点为起点,分别沿正东、正北方向,间隔设定值划分所述分布式光伏区域,构建网格;
基于分布式光伏位置信息匹配在所述网格中的落点,得到包含若干网格的分布式光伏区域。
可选的,所述基于分布式光伏位置信息匹配在所述网格中的落点,得到包含若干网格的分布式光伏区域,包括:
结合分布式光伏区域的边界信息,剔除边界外的网格;
结合分布式光伏区域的地形地貌数据,剔除不宜建设气象监测站点的网格。
可选的,所述利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息,包括:
基于所述分布式光伏区域历史的气象资源信息计算各网格中心点位的气象信息;
由所述各网格中心点位的气象信息形成的气象信息数据集作为各网格量化信息。
可选的,所述分布式光伏区域历史的气象资源信息通过数值模式反演获得。
可选的,所述基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域,包括:
对各网格量化信息进行标准化处理,形成归一化数据集;
基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比;
基于所述归一化数据集中各气象因素的丰富度和稳定度,以及所述各气象因素权重配比,利用K-means中心聚类法,将网格进行初步分类;
基于所述各气象因素权重配比和各气象因素确定初步分类的结果中各类区域的综合气象资源;
基于各类区域的综合气象资源与聚类中心的相关性进行寻优,得到若干类型区域。
可选的,所述基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比,包括:
基于所述归一化数据集中光伏历史出力和装机容量的比值,得到光伏发电效率;
基于所述光伏发电效率和对应的所述归一化数据集中各气象要素,计算各气象因素权重配比。
可选的,所述基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位,包括:
从各类型区域中按照装机容量由大到小选出设定个数的网格;
将各网格装机容量的倒数作为权重,计算同一类型区域中各网格到选出的设定个数的网格间的欧式距离;
迭代寻优计算前设定个数网格对应的欧式距离,直至得到欧式距离最小值,将所述欧式距离最小值对应的网格作为所述类型区域的最佳监测点位。
可选的,所述网格点间欧式距离按下式计算:
式中,为第i个特征区域到第α特征区域的欧式距离,/>为每个类内各小网格点的装机容量,/>为第i个特征区域的综合气象指标,/>为第α特征区域的综合气象指标。
再一方面本发明还提供了一种面向分布式光伏的区域资源监测布局系统,包括:
网格划分模块,用于基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域;
信息提取模块,用于利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息;
聚类划分模块,用于基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域;
寻优模块,用于基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位。
可选的,所述信息提取模块,具体用于:
基于所述分布式光伏区域历史的气象资源信息计算各网格中心点位的气象信息;
由所述各网格中心点位的气象信息形成的气象信息数据集作为各网格量化信息。
可选的,所述聚类划分模块包括:
归一化子模块,用于对各网格量化信息进行标准化处理,形成归一化数据集;
配比子模块,用于基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比;
初步分类子模块,用于基于所述归一化数据集中各气象因素的丰富度和稳定度,以及所述各气象因素权重配比,利用K-means中心聚类法,将网格进行初步分类;
优化子模块,用于基于所述各气象因素权重配比和各气象因素确定初步分类的结果中各类区域的综合气象资源;基于各类区域的综合气象资源与聚类中心的相关性进行寻优,得到若干类型区域。
可选的,配比子模块具体用于:
基于所述归一化数据集中光伏历史出力和装机容量的比值,得到光伏发电效率;
基于所述光伏发电效率和对应的所述归一化数据集中各气象要素,计算各气象因素权重配比。
可选的,网格划分模块包括:
构建子模块,用于对分布式光伏区域的最小经度和维度对应的点为起点,分别沿正东、正北方向,间隔设定值划分所述分布式光伏区域,构建网格;
匹配子模块,基于分布式光伏位置信息匹配在所述网格中的落点,得到包含若干网格的分布式光伏区域。
可选的,匹配子模块具体用于:
结合分布式光伏区域的边界信息,剔除边界外的网格;
结合分布式光伏区域的地形地貌数据,剔除不宜建设气象监测站点的网格。
可选的,信息提取模块具体用于:
基于所述分布式光伏区域历史的气象资源信息计算各网格中心点位的气象信息;
由所述各网格中心点位的气象信息形成的气象信息数据集作为各网格量化信息。
可选的,寻优模块具体用于:
从各类型区域中按照装机容量由大到小选出设定个数的网格;
将各网格装机容量的倒数作为权重,计算同一类型区域中各网格到选出的设定个数的网格间的欧式距离;
迭代寻优计算前设定个数网格对应的欧式距离,直至得到欧式距离最小值,将所述欧式距离最小值对应的网格作为所述类型区域的最佳监测点位。
寻优模块采用下式计算网格点间欧式距离:
式中,为第i个特征区域到第α特征区域的欧式距离,/>为每个类内各小网格点的装机容量,/>为第i个特征区域的综合气象指标,/>为第α特征区域的综合气象指标。
再一方面,本申请还提供了一种计算设备,包括:一个或多个处理器;
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如上述所述的一种面向分布式光伏的区域资源监测布局方法。
再一方面,本申请还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如上述所述的一种面向分布式光伏的区域资源监测布局方法。
与现有技术相比,本发明的有益效果为:
本发明提供了一种面向分布式光伏的区域资源监测布局方法,包括基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域;利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息;
基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域;基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位。本发明在各类型区域内充分考虑分布式光伏位置分布和装机容量信息,使得选取的最佳监测点位具有区域代表性。而且本发明还基于网格量化信息利用权重分配和特征聚类方法划分若干类型区域,考虑了气象资源特征一致性,使得监测点位的选取更合理。
附图说明
图1为本发明的一种面向分布式光伏的区域资源监测布局方法流程图;
图2为本发明的面向分布式光伏的区域资源监测布局方法流程图;
图3为本发明的某地市分布式光伏资源监测布局示意图。
具体实施方式
本发明提出了一种基于特征聚类和最佳点位寻优的监测布局方案,充分考虑了局地气象资源的一致性和分布式光伏的分布特征,同时避免了重复监测,具有区域监测信息全覆盖、监测站点代表性强、监测布局方案经济性优的特点。本发明有效弥补了区域分布式光伏监测盲区问题,为分布式光伏出力估计与功率预测提供了重要的数据支撑。
实施例1:
一种面向分布式光伏的区域资源监测布局方法,如图1所示,包括:
步骤S1:基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域;
步骤S2:利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息;
步骤S3:基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域;
步骤S4:基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位。
下面结合图2对本发明做进一步介绍:
在步骤S1之前还包括:
对研究区域的基础数据进行收资,并对数据进行质量控制检查,整编形成模型输入数据,包括:
1)分布式光伏信息,包括分布位置(经纬度,单位统一为:°)、装机容量(单位统一为:kW)。
2)集中式光伏信息,分布式光伏区域内集中式光伏历史出力和装机容量信息。
3)监测布局区域范围信息,包括区县或地市范围、边界线经纬度等。分布式光伏区域资源监测常以区、县或地市范围为研究对象。
地形地貌数据,包括研究区域精细化的海拔高度、下垫面情况,如戈壁、湖泊、草地等,并将其进行量化标注。
步骤S1:基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域,包括:
对分布式光伏区域的最小经度和维度对应的点为起点,分别沿正东、正北方向,间隔设定值划分所述分布式光伏区域,构建网格;
基于分布式光伏位置信息匹配在所述网格中的落点,得到包含若干网格的分布式光伏区域。
进一步的,所述基于分布式光伏位置信息匹配在所述网格中的落点,得到包含若干网格的分布式光伏区域,包括:
结合分布式光伏区域的边界信息,剔除边界外的网格;
结合分布式光伏区域的地形地貌数据,剔除不宜建设气象监测站点的网格。
步骤S1具体的:
对研究区域的基础数据进行收资,并对数据进行质量控制检查,整编形成模型输入数据;这里的研究区域即分布式光伏区域;
基于研究区域的行政范围等信息,构建网格。
1)提取监测布局区域经度最小值Emin°和纬度最小值Nmin°,以此为起始点,分别沿正东、正北方向间隔x°,构建矩形网格点,直至覆盖(Emax°,Nmax°),形成网格A(e,n),即经度方向e个网格点,纬度方向n个网格点。
2)优化网格划分结果,构建网格B。即结合分布式光伏位置信息,匹配其在上述网格A中的落点。对于无分布式光伏分布的小网格,考虑约束条件:
①结合布局区域边界信息,以上述A各网格中心点位置与边界线相对关系,剔除边界外的网格点;
②结合地形地貌数据,剔除不宜建设气象监测站点的网格,如下垫面为河流湖泊等。
步骤S2:利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息,包括:
基于所述分布式光伏区域历史的气象资源信息计算各网格中心点位的气象信息;
由所述各网格中心点位的气象信息形成的气象信息数据集作为各网格量化信息。
步骤S2具体包括:
基于数值模式反演计算研究区域气象资源信息,结合插值计算方法,实现各网格多源信息提取,包括:
1)利用再分析资料或数值模式反演计算监测布局区域历史n年的气象资源信息,要素类型包括辐照度R、温度T、风速V、气压P等。这里监测布局区域即分布式光伏区域,利用再分析资料或数值模式反演计算监测布局区域气象资源,充分考虑资源分布特征进行小区域划分,在各小区域内筛选代表点,实现区域全覆盖监测。
2)计算各正方形网格中心点位的气象信息,将上述网格A(e,n)整体向东、向北分别平移0.5x°,即以(Emin+0.5x,Nmin+0.5x°)为起始点,分别沿正东、正北方向间隔x°取e-1和n-1个格点。利用网格化插值计算方法,构建气象信息数据集A(E°, N°, R, T, V, ......)。
3)提取上述网格B各中心点信息,形成辐照度等气象信息数据集B(E°, N°, R,... ...)。
步骤S3中基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域,包括:
对各网格量化信息进行标准化处理,形成归一化数据集;
基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比;
基于所述归一化数据集中各气象因素的丰富度和稳定度,以及所述各气象因素权重配比,利用K-means中心聚类法,将网格进行初步分类;
基于所述各气象因素权重配比和各气象因素确定初步分类的结果中各类区域的综合气象资源;
基于各类区域的综合气象资源与聚类中心的相关性进行寻优,得到若干类型区域。
进一步的,所述基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比,包括:
基于所述归一化数据集中光伏历史出力和装机容量的比值,得到光伏发电效率;
基于所述光伏发电效率和对应的所述归一化数据集中各气象要素,计算各气象因素权重配比。
步骤S3具体步骤如下:
所述基于权重分配和特征聚类方法,将各小网格量化信息归类,构建多个小网格组成的小区域,包括:
1)对多维数据分别进行标准化处理:(x-min(x))/(max(x)-min(x)),形成归一化数据集B’(E’°, N’°, R’, T’, V’, ... ...)。
2)权重分配采用平均影响值(Mean Impact Value,MIV)等方法,结合集中式光伏历史出力PJ和装机容量CJ,求得其发电效率(近似代替分布式光伏发电效率/>),评估各气象要素(R, T, V, ... ...)对分布式光伏出力影响的比重/>,并形成综合气象指标/>。
3)对于历史近n年的气象数据序列,提取光伏资源各要素丰富度F(采用其年累积量,如总辐照量、降水量;或年平均值,如风速、温度)和稳定度W(如全年中各月平均日辐照量的最小值与最大值的比值,反映太阳能资源年内变化的状态和幅度),代入聚类模型。
4)利用K-means中心聚类等方法,基于光伏资源归一化数据集B’(E’°, N’°, R’,T’, V’, ... ...)各气象要素的丰富度F、稳定度W,结合各影响因素权重配比,对上述网格B内的各个小网格分成s类。
5)对分类结果s进行寻优,即迭代分类个数,直至各小网格综合气象资源与其聚类中心点/>的相关性不低于/>(0≤/>≤1),停止计算。输出最优聚类的类数S、各类包含的小网格点/>。
本发明充分考虑各小区域气象资源特征一致,采用区域监测全覆盖的前提下最少布局点位,避免了冗余布点,实现了经济性最优。
步骤S4: 基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位,包括:
从各类型区域中按照装机容量由大到小选出设定个数的网格;
将各网格装机容量的倒数作为权重,计算同一类型区域中各网格到选出的设定个数的网格间的欧式距离;
迭代寻优计算前设定个数网格对应的欧式距离,直至得到欧式距离最小值,将所述欧式距离最小值对应的网格作为所述类型区域的最佳监测点位。
网格点间欧式距离按下式计算:
式中,为第i个特征区域到第α特征区域的欧式距离,/>为每个类内各小网格点的装机容量,/>为第i个特征区域的综合气象指标,/>为第α特征区域的综合气象指标。
步骤S4具体包括:
基于权重分配和特征聚类方法,将各网格量化信息归类,对网格进行初步分类,构建若干类型区域,每个类型区域包括多个网格;
基于各小区域内的分布式光伏位置和装机容量信息,迭代寻优选取其最佳监测点位。
基于各小区域内的分布式光伏位置和装机容量信息,迭代寻优选取其最佳监测点位,包括:
1)针对输出的聚类数S,分别计算每个类内各小网格点/>的装机容量/>;
2)将从大到小排序, 提取该类内装机容量前α%(0≤α≤100)的网格点;
将各小网格点装机容量的倒数作为权重,计算各聚类内小网格点/>与提取出的网格点/>间欧式距离:
式中,为第i个特征区域到第α特征区域的欧式距离,/>为每个类内各小网格点的装机容量,/>为第i个特征区域的综合气象指标,/>为第α特征区域的综合气象指标。
迭代寻优计算前个网格点对应的欧式距离/>,直至提取/>,使得/>最小,为该类的中心点,即该类内气象监测站最优布点位置。
本发明在在各类型区域内充分考虑分布式光伏位置分布和装机容量信息,通过迭代寻优选取最佳监测点位,使得选取的监测点位具有代表性。
实施例2:
以某地市为例,首先进行模型数据收资,该分布式光伏区域分布在3区、9县,约17000平方公里,包含分布式光伏电站148754个,总装机容量4051154KW;第二,进行区域网格划分,间隔x取0.01°(约1km);第三,结合模式反演辐照度、温度等信息,并插值计算至上述网格点;第四,通过特征聚类和寻优,得到最优分类数为48个;最后,针对各类分别迭代计算其欧式距离,获取其相应的中心点,即该类的最佳监测布点,如图3所示。
本发明基于数值模式反演区域气象资源信息,充分考虑气象资源分布特征和波动特征进行小区域划分,可有效实现分布式光伏区域的全覆盖监测;在各小区域内充分考虑分布式光伏位置分布和装机容量信息,通过迭代寻优选取中心点,可有效保证其为最佳监测点位;充分考虑各小区域气象资源特征一致,采用区域监测全覆盖的前提下最少点位,避免了冗余监测,可有效保障布局的经济性。
本发明考虑影响因素权重的网格聚类,基于平均影响值等方法评估各影响因素权重,结合聚类对各小网格分类,对分类结果进行迭代寻优最佳监测站数。
本发明利用各类型网格装机容量和欧式距离法,迭代寻优气象监测站最优布点。
实施例3:
再一方面本发明还提供了一种面向分布式光伏的区域资源监测布局系统,包括:
网格划分模块,用于基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域;
信息提取模块,用于利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息;
聚类划分模块,用于基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域;
寻优模块,用于基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位。
可选的,所述信息提取模块,具体用于:
基于所述分布式光伏区域历史的气象资源信息计算各网格中心点位的气象信息;
由所述各网格中心点位的气象信息形成的气象信息数据集作为各网格量化信息。
可选的,所述聚类划分模块包括:
归一化子模块,用于对各网格量化信息进行标准化处理,形成归一化数据集;
配比子模块,用于基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比;
初步分类子模块,用于基于所述归一化数据集中各气象因素的丰富度和稳定度,以及所述各气象因素权重配比,利用K-means中心聚类法,将网格进行初步分类;
优化子模块,用于基于所述各气象因素权重配比和各气象因素确定初步分类的结果中各类区域的综合气象资源;基于各类区域的综合气象资源与聚类中心的相关性进行寻优,得到若干类型区域。
可选的,配比子模块具体用于:
基于所述归一化数据集中光伏历史出力和装机容量的比值,得到光伏发电效率;
基于所述光伏发电效率和对应的所述归一化数据集中各气象要素,计算各气象因素权重配比。
可选的,网格划分模块包括:
构建子模块,用于对分布式光伏区域的最小经度和维度对应的点为起点,分别沿正东、正北方向,间隔设定值划分所述分布式光伏区域,构建网格;
匹配子模块,基于分布式光伏位置信息匹配在所述网格中的落点,得到包含若干网格的分布式光伏区域。
可选的,匹配子模块具体用于:
结合分布式光伏区域的边界信息,剔除边界外的网格;
结合分布式光伏区域的地形地貌数据,剔除不宜建设气象监测站点的网格。
可选的,信息提取模块具体用于:
基于所述分布式光伏区域历史的气象资源信息计算各网格中心点位的气象信息;
由所述各网格中心点位的气象信息形成的气象信息数据集作为各网格量化信息。
可选的,寻优模块具体用于:
从各类型区域中按照装机容量由大到小选出设定个数的网格;
将各网格装机容量的倒数作为权重,计算同一类型区域中各网格到选出的设定个数的网格间的欧式距离;
迭代寻优计算前设定个数网格对应的欧式距离,直至得到欧式距离最小值,将所述欧式距离最小值对应的网格作为所述类型区域的最佳监测点位。
寻优模块采用下式计算网格点间欧式距离:
式中,为第i个特征区域到第α特征区域的欧式距离,/>为每个类内各小网格点的装机容量,/>为第i个特征区域的综合气象指标,/>为第α特征区域的综合气象指标。
实施例4:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(ApplicationSpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中一种面向分布式光伏的区域资源监测布局方法的步骤。
实施例5:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM 存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中一种面向分布式光伏的区域资源监测布局方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在发明待批的本发明的权利要求范围之内。
Claims (11)
1.一种面向分布式光伏的区域资源监测布局方法,其特征在于,包括:
基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域;
利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息;
基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域;
基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位;
所述基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域,包括:
对各网格量化信息进行标准化处理,形成归一化数据集;
基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比;
基于所述归一化数据集中各气象因素的丰富度和稳定度,以及所述各气象因素权重配比,利用K-means中心聚类法,将网格进行初步分类;
基于所述各气象因素权重配比和各气象因素确定初步分类的结果中各类区域的综合气象资源;
基于各类区域的综合气象资源与聚类中心的相关性进行寻优,得到若干类型区域。
2.如权利要求1所述的方法,其特征在于,所述基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域,包括:
对分布式光伏区域的最小经度和维度对应的点为起点,分别沿正东、正北方向,间隔设定值划分所述分布式光伏区域,构建网格;
基于分布式光伏位置信息匹配在所述网格中的落点,得到包含若干网格的分布式光伏区域。
3.如权利要求2所述的方法,其特征在于,所述基于分布式光伏位置信息匹配在所述网格中的落点,得到包含若干网格的分布式光伏区域,包括:
结合分布式光伏区域的边界信息,剔除边界外的网格;
结合分布式光伏区域的地形地貌数据,剔除不宜建设气象监测站点的网格。
4.如权利要求1所述的方法,其特征在于,所述利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息,包括:
基于所述分布式光伏区域历史的气象资源信息计算各网格中心点位的气象信息;
由所述各网格中心点位的气象信息形成的气象信息数据集作为各网格量化信息。
5.如权利要求1所述的方法,其特征在于,所述基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比,包括:
基于所述归一化数据集中光伏历史出力和装机容量的比值,得到光伏发电效率;
基于所述光伏发电效率和对应的所述归一化数据集中各气象要素,计算各气象因素权重配比。
6.如权利要求1所述的方法,其特征在于,所述基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位,包括:
从各类型区域中按照装机容量由大到小选出设定个数的网格;
将各网格装机容量的倒数作为权重,计算同一类型区域中各网格到选出的设定个数的网格间的欧式距离;
迭代寻优计算前设定个数网格对应的欧式距离,直至得到欧式距离最小值,将所述欧式距离最小值对应的网格作为所述类型区域的最佳监测点位。
7.如权利要求6所述的方法,其特征在于,所述网格间的欧式距离按下式计算:
式中,为第i个特征区域到第α特征区域的欧式距离,/>为每个类内各小网格点的装机容量,/>为第i个特征区域的综合气象指标,/>为第α特征区域的综合气象指标。
8.一种面向分布式光伏的区域资源监测布局系统,其特征在于,包括:
网格划分模块,用于基于分布式光伏所在区域的经纬度信息,构建包含若干网格的分布式光伏区域;
信息提取模块,用于利用插值法,对所述分布式光伏区域内各网格多源信息进行提取,得到各网格量化信息;
聚类划分模块,用于基于各网格量化信息,利用权重分配和特征聚类方法,对所述各网格量化信息归类,得到若干类型区域;
寻优模块,用于基于各类型区域内的分布式光伏位置和装机容量信息,在各类型区域内确定最佳监测点位;
所述聚类划分模块包括:
归一化子模块,用于对各网格量化信息进行标准化处理,形成归一化数据集;
配比子模块,用于基于所述归一化数据集采用平均影响值方法确定各气象因素权重配比;
初步分类子模块,用于基于所述归一化数据集中各气象因素的丰富度和稳定度,以及所述各气象因素权重配比,利用K-means中心聚类法,将网格进行初步分类;
优化子模块,用于基于所述各气象因素权重配比和各气象因素确定初步分类的结果中各类区域的综合气象资源;基于各类区域的综合气象资源与聚类中心的相关性进行寻优,得到若干类型区域。
9.如权利要求8所述的系统,其特征在于,所述信息提取模块,具体用于:
基于所述分布式光伏区域历史的气象资源信息计算各网格中心点位的气象信息;
由所述各网格中心点位的气象信息形成的气象信息数据集作为各网格量化信息。
10.一种计算机设备,其特征在于,包括:一个或多个处理器;
所述处理器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至7中任一项所述的一种面向分布式光伏的区域资源监测布局方法。
11.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至7中任一项所述的一种面向分布式光伏的区域资源监测布局方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617863.9A CN117332291B (zh) | 2023-11-30 | 2023-11-30 | 一种面向分布式光伏的区域资源监测布局方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617863.9A CN117332291B (zh) | 2023-11-30 | 2023-11-30 | 一种面向分布式光伏的区域资源监测布局方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332291A CN117332291A (zh) | 2024-01-02 |
CN117332291B true CN117332291B (zh) | 2024-03-26 |
Family
ID=89283388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311617863.9A Active CN117332291B (zh) | 2023-11-30 | 2023-11-30 | 一种面向分布式光伏的区域资源监测布局方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332291B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117613909B (zh) * | 2024-01-24 | 2024-04-12 | 国能日新科技股份有限公司 | 分布式光伏区域气象建模方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664500A (zh) * | 2017-03-30 | 2018-10-16 | 中国电力科学研究院 | 一种面向分布式光伏的网格化管理方法及系统 |
CN109524991A (zh) * | 2018-12-07 | 2019-03-26 | 国网浙江省电力有限公司杭州供电公司 | 一种分布式光伏接入方法 |
CN112328851A (zh) * | 2020-11-10 | 2021-02-05 | 国能日新科技股份有限公司 | 分布式电源监测方法、装置及电子设备 |
CN112858594A (zh) * | 2021-02-23 | 2021-05-28 | 重庆市生态环境监测中心 | 山地城市空气质量监测点布设方法、介质、计算机设备 |
CN113937825A (zh) * | 2020-06-29 | 2022-01-14 | 华北电力大学(保定) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 |
CN114336785A (zh) * | 2022-03-15 | 2022-04-12 | 国能日新科技股份有限公司 | 一种基于网格聚类的分布式电源群控群调控制方法及装置 |
CN114997547A (zh) * | 2022-08-05 | 2022-09-02 | 国能日新科技股份有限公司 | 气象采集终端布点方法和装置 |
WO2023010759A1 (zh) * | 2021-08-04 | 2023-02-09 | 国网江苏省电力有限公司南通供电分公司 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
CN116404630A (zh) * | 2022-12-05 | 2023-07-07 | 国网江苏省电力有限公司经济技术研究院 | 一种考虑源荷互补特性的配电能源网格优化划分方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184668A (zh) * | 2015-08-24 | 2015-12-23 | 国家电网公司 | 一种基于聚类分析的输电线路山火风险区域划分方法 |
-
2023
- 2023-11-30 CN CN202311617863.9A patent/CN117332291B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664500A (zh) * | 2017-03-30 | 2018-10-16 | 中国电力科学研究院 | 一种面向分布式光伏的网格化管理方法及系统 |
CN109524991A (zh) * | 2018-12-07 | 2019-03-26 | 国网浙江省电力有限公司杭州供电公司 | 一种分布式光伏接入方法 |
CN113937825A (zh) * | 2020-06-29 | 2022-01-14 | 华北电力大学(保定) | 一种基于E-C-Kmeans聚类和SOP优化的DG双层优化配置方法 |
CN112328851A (zh) * | 2020-11-10 | 2021-02-05 | 国能日新科技股份有限公司 | 分布式电源监测方法、装置及电子设备 |
CN112858594A (zh) * | 2021-02-23 | 2021-05-28 | 重庆市生态环境监测中心 | 山地城市空气质量监测点布设方法、介质、计算机设备 |
WO2023010759A1 (zh) * | 2021-08-04 | 2023-02-09 | 国网江苏省电力有限公司南通供电分公司 | 基于配售电竞争态势下区域配电网网格化负荷区间预测方法 |
CN114336785A (zh) * | 2022-03-15 | 2022-04-12 | 国能日新科技股份有限公司 | 一种基于网格聚类的分布式电源群控群调控制方法及装置 |
CN114997547A (zh) * | 2022-08-05 | 2022-09-02 | 国能日新科技股份有限公司 | 气象采集终端布点方法和装置 |
CN116404630A (zh) * | 2022-12-05 | 2023-07-07 | 国网江苏省电力有限公司经济技术研究院 | 一种考虑源荷互补特性的配电能源网格优化划分方法 |
Non-Patent Citations (1)
Title |
---|
基于极限学习机的光伏发电短期预测校正方法;周海等;《电网与清洁能源》;第64-69页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332291A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bui et al. | Novel hybrid evolutionary algorithms for spatial prediction of floods | |
CN101354757B (zh) | 一种精细尺度下的动态风险及易损性预测方法 | |
CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
Shi et al. | Physically based simulation of the streamflow decrease caused by sediment‐trapping dams in the middle Yellow River | |
CN117332291B (zh) | 一种面向分布式光伏的区域资源监测布局方法及系统 | |
CN116070918A (zh) | 一种城市洪涝安全评估及洪涝灾害防治方法 | |
Rajsekhar et al. | Hydrologic drought atlas for Texas | |
Hammouri et al. | Climate change impacts on surface water resources in arid and semi-arid regions: a case study in northern Jordan | |
CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
CN109815611B (zh) | 一种基于数字流域的流域边界生成方法 | |
Theobald et al. | A synoptic classification of inflow-generating precipitation in the Snowy Mountains, Australia | |
Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
KR101264873B1 (ko) | 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법 | |
Yin | Hazard assessment and regionalization of highway flood disasters in China | |
Zhou et al. | WRF model for precipitation simulation and its application in real-time flood forecasting in the Jinshajiang River Basin, China | |
Moayedi et al. | Spatial assessment of landslide risk using two novel integrations of neuro-fuzzy system and metaheuristic approaches; Ardabil Province, Iran | |
Hariri et al. | A balanced watershed decomposition method for rain-on-grid simulations in HEC-RAS | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
Sapkota et al. | Wind farm site suitability assessment & validation using geospatially explicit multi-criteria approach: A case study of South Sikkim, India | |
CN115600047B (zh) | 一种基于栅格分析的小流域面平均降雨量测算方法和系统 | |
Huffman et al. | An exploratory analysis of wind patterns of Alberta, Canada | |
Wang et al. | Ice-jam flood hazard risk assessment under simulated levee breaches using the random forest algorithm | |
Boulomytis et al. | Assessment of flood susceptibility in coastal peri-urban areas: an alternative MCDA approach for ungauged catchments | |
Zhao et al. | Study on drought events in China based on time-varying nested Archimedean-copula function | |
Mo et al. | Risk and benefit analysis of multifunctional reservoir staged operating |
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 |