CN117335411B - 一种光伏电站群的中长期发电量预测方法 - Google Patents
一种光伏电站群的中长期发电量预测方法 Download PDFInfo
- Publication number
- CN117335411B CN117335411B CN202311416555.XA CN202311416555A CN117335411B CN 117335411 B CN117335411 B CN 117335411B CN 202311416555 A CN202311416555 A CN 202311416555A CN 117335411 B CN117335411 B CN 117335411B
- Authority
- CN
- China
- Prior art keywords
- power station
- prediction
- term
- power generation
- data
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000007774 longterm Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 21
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及光伏电站发电量预测技术领域,公开了一种光伏电站群的中长期发电量预测方法,方法步骤包括如下:收集光伏电站群的历史发电数据和周边气象站观测数据,建立光伏电站群联合数据库;分析各电站的特征数据,建立电站静态参数数据库;利用深度学习模型,建立光伏电站群联合的短期发电量预测模型,模型基于LSTM神经网络,训练得到每个电站未来1‑3天的发电量;构建光伏电站群长期发电量预测模型,采用蒙特卡洛随机过程模拟电站未来一年的各类气象参数。该光伏电站群的中长期发电量预测方法,构建光伏电站群联合长短期发电量预测模型,运用该模型,结合气象数据、历史发电数据以及电站参数,预测电站群未来一周到一年的发电量。
Description
技术领域
本发明涉及光伏电站发电量预测技术领域,具体为一种光伏电站群的中长期发电量预测方法。
背景技术
光伏发电作为清洁可再生能源的重要组成部分,发电量的准确预测对于电网调度运营具有重要意义。
目前光伏发电量预测主要集中在个别电站天气条件预测为基础的短期预测,对于区域多个电站组成的光伏电站群的中长期发电量预测研究还比较缺乏,针对单个电站的短期预测的范围局限,预测结果的准确性和稳定性较低。为此,需要设计相应的技术方案给予解决。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种光伏电站群的中长期发电量预测方法,解决了对于区域多个电站组成的光伏电站群的中长期发电量预测研究还比较缺乏,针对单个电站的短期预测的范围局限,预测结果准确性和稳定性较低的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种光伏电站群的中长期发电量预测方法,方法步骤包括如下:
S1、收集光伏电站群的历史发电数据和周边气象站观测数据,建立光伏电站群联合数据库;
S2、分析各电站的特征数据,建立电站静态参数数据库;
S3、利用深度学习模型,建立光伏电站群联合的短期发电量预测模型,模型基于LSTM神经网络,以时序气象数据为输入,训练得到每个电站未来1-3天的发电量;
S4、构建光伏电站群长期发电量预测模型,考虑气候变化因素,采用蒙特卡洛随机过程模拟电站未来一年的各类气象参数;并结合短期预测模型结果,层层叠加,最终得到一年内的发电量预测;
S5、连接短期和长期预测模型,形成光伏电站群联合的中长期发电量智能预测系统,实时接入气象数据更新,实现对电站群从1天到1年的动态滚动预测,输出结果并以曲线图形式可视化呈现。
优选的,步骤S1中,建立的光伏电站群联合数据库具体包括以下数据:各电站的历史日发电量数据、各电站历史时段发电量数据、气象站历史观测数据、电站的位置坐标信息、电站的装机容量信息、电站的组件参数信息、电网负荷需求数据、电价政策信息和电站运维日志信息。
优选的,步骤S2中,建立的电站静态参数数据库具体包括以下数据:电站基本信息、装机容量信息、光伏组件参数、支架配置参数、并网配置参数、场地信息、监控系统信息、运维保养信息和电站运营商信息。
优选的,步骤S3中,利用基于LSTM神经网络的深度学习模型建立短期预测模型的步骤如下:
S301,构建输入特征向量:将光伏电站的历史发电量和天气数据的序列信息构建成输入样本;
S302,配置LSTM网络:根据输入序列长度和电站数量构建LSTM网络模型的隐层个数和神经元个数;
S303,训练LSTM网络:使用光伏电站历史数据训练网络模型,优化损失函数;
S304,多变量训练:将多个电站的信息作为不同变量输入到LSTM中;
S305,添加外部数据:将气象预报等额外数据融合到模型中;
S306,滑动预测窗口:利用已训练网络,输入最新观测数据,实现对未来1-3天发电量的滚动预测;
S307,模型集成:构建多个LSTM子模型,对预测结果进行加权、投票或堆叠;
S308,持续优化:收集预测效果数据,定期针对模型进行再训练或参数调整,使之自适应电站的变化。
优选的,步骤S4中,采用蒙特卡洛随机过程模拟电站未来一年气象参数的方法步骤包括如下:
S401,根据历史气象数据建立各气象指标的概率分布函数;
S402,利用蒙特卡洛方法生成多个唯一气象样本集合;
S403,对每个气象样本集合:按月份或季度划分时间序列;根据概率分布随机抽取每个时间节点的气象参数值;各时间节点值符合该参数的历史变化规律;
S404,得到多个随时间变化的完整气象样本序列作为模拟结果;
S405,采样次数足够多可以还原参数的真实分布;
S406,对预测模型输入这些模拟序列,得到相应发电量结果集;
S407,多个结果集合给出预测的不确定度范围。
优选的,步骤S401中,气象指标包括:温度、光照强度、湿度、降水、云量、风速、气压、气温变化速率和日照时间。
优选的,步骤S4中,构建光伏电站群长期发电量预测模型结合短期预测模型结果,具体方法步骤包括如下:
S501,使用蒙特卡罗模拟获得多个一年气象变化序列;
S502,每个气象序列按月份或季度进行分段;
S503,每个时间段分别输入到短期预测模型,获得该时期的分段预测结果;
S504,将多个时间段预测结果进行累加,即每个长期序列对应的短期预测结果进行叠加;
S505,对每个长期序列生成对应短期预测预测叠加后的长期发电量结果;
S506,经过上述处理的所有长期序列,即为考虑短期预测叠加效果后的长期发电量预测分布。
优选的,步骤S5中,以曲线图形式可视化呈现预测结果的方法步骤包括如下:
S601,将短期预测结果绘制在同一个时间轴曲线图中,不同电站预测用不同颜色线表示;
S602,将长期预测结果绘制成年内12个月每月发电量的堆叠条形图;
S603,可以在长期预测图中标注出短期预测期间的发电量预测值,两者采用不同图形相互对应;
S604,同时绘制出历史真实发电量曲线以供参考;
S605,可以提供预测不确定度范围的图例显示;
S606,点击选中任意时间或电站可以弹出其预测数值提示;
S607,提供预览时间范围和电站选择功能实现动态预测弹出;
S608,预测结果保存并支持多次对比输出;
S609,采用交互式图形界面实现实时数据更新预测精细度提升。
(三)有益效果
与现有技术相比,本发明的有益效果:构建光伏电站群联合长短期发电量预测模型,运用该模型,结合气象数据、历史发电数据以及电站参数,预测电站群未来一周到一年的发电量;实现了对光伏电站群的中长期发电量预测,克服了以往仅仅针对单个电站的短期预测的局限,预测范围更广,支持电网的规划和调度决策;联合建模和预测,充分利用电站群的综合特征,提高了预测结果的准确性和稳定性;方法具有自适应学习能力,可应用于电站规模和参数不断变化的动态情况,保证了预测的及时性;采用可视化呈现预测曲线,直观反映长期发电量的变动趋势,便于电网调度的参考决策;对系统预测结果进行持续评估与诊断,保证了模型的有效性。
附图说明
图1为本发明的整体方法步骤示意图;
图2为本发明的利用基于LSTM神经网络的深度学习模型建立短期预测模型的步骤示意图;
图3为本发明的采用蒙特卡洛随机过程模拟电站未来一年气象参数的方法步骤示意图;
图4为本发明的构建光伏电站群长期发电量预测模型结合短期预测模型结果的方法步骤示意图;
图5为本发明的以曲线图形式可视化呈现预测结果的方法步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
请参阅图1-图5,本发明实施例提供一种技术方案:一种光伏电站群的中长期发电量预测方法,方法步骤包括如下:
S1、收集光伏电站群的历史发电数据和周边气象站观测数据,建立光伏电站群联合数据库;
S2、分析各电站的特征数据,建立电站静态参数数据库;
S3、利用深度学习模型,建立光伏电站群联合的短期发电量预测模型,模型基于LSTM神经网络,以时序气象数据为输入,训练得到每个电站未来1-3天的发电量;
S4、构建光伏电站群长期发电量预测模型,考虑气候变化因素,采用蒙特卡洛随机过程模拟电站未来一年的各类气象参数;并结合短期预测模型结果,层层叠加,最终得到一年内的发电量预测;
S5、连接短期和长期预测模型,形成光伏电站群联合的中长期发电量智能预测系统,实时接入气象数据更新,实现对电站群从1天到1年的动态滚动预测,输出结果并以曲线图形式可视化呈现。
构建光伏电站群联合长短期发电量预测模型,运用该模型,结合气象数据、历史发电数据以及电站参数,预测电站群未来一周到一年的发电量。
进一步改进地,步骤S1中,建立的光伏电站群联合数据库具体包括以下数据:各电站的历史日发电量数据、各电站历史时段发电量数据、气象站历史观测数据、电站的位置坐标信息、电站的装机容量信息、电站的组件参数信息、电网负荷需求数据、电价政策信息和电站运维日志信息;
各电站的历史日发电量数据包括每日的总发电量记录;
各电站历史时段发电量数据包括每小时或15分钟的发电量记录;
气象站历史观测数据包括日照量、温度、湿度和风速数据;
电站的位置坐标信息包括经纬度和海拔高度;
电站的装机容量信息包括总装机容量及各组件的容量参数;
电站的组件参数信息包括组件型号、效率和倾角参数;
电网负荷需求数据为不同时段的用电负荷需求数据;
电价政策信息反映电价随时间和天气的动态变化;
电站运维日志信息记录电站运行过程中的重要事件。
通过收集汇总这些类型的数据,可以建立一个综合的光伏电站群联合数据库,为后续的预测模型提供丰富的样本数据支持。
进一步改进地,步骤S2中,建立的电站静态参数数据库具体包括以下数据:电站基本信息、装机容量信息、光伏组件参数、支架配置参数、并网配置参数、场地信息、监控系统信息、运维保养信息和电站运营商信息;
电站基本信息包括电站名称、编号、所在地区和建成时间;
装机容量信息包括总装机容量和各组件装机容量;
光伏组件参数包括组件型号、单块功率、转换效率和温度系数;
支架配置参数包括支架型号、倾角、方位角和组件间距;
并网配置参数包括并网方式、逆变器型号和变压器参数;
场地信息包括场地面积、标高和局部遮蔽信息;
监控系统信息包括环境监测设备型号和监测参数;
运维保养信息包括电站的运维保养计划和历史;
电站运营商信息包括电站运营商的联系方式信息。
收集汇总这些电站静态参数数据,可以准确反映每个电站的运营特性,为后续建模预测提供重要的特征输入。
进一步改进地,步骤S3中,利用基于LSTM神经网络的深度学习模型建立短期预测模型的步骤如下:
S301,构建输入特征向量:将光伏电站的历史发电量和天气数据的序列信息构建成输入样本;
S302,配置LSTM网络:根据输入序列长度和电站数量构建LSTM网络模型的隐层个数和神经元个数;
S303,训练LSTM网络:使用光伏电站历史数据训练网络模型,优化损失函数,学习输入序列到未来发电量的映射关系;
S304,多变量训练:将多个电站的信息作为不同变量输入到LSTM中,学习电站之间的关联性;
S305,添加外部数据:将气象预报等额外数据融合到模型中,提高预测准确性;
S306,滑动预测窗口:利用已训练网络,输入最新观测数据,实现对未来1-3天发电量的滚动预测;
S307,模型集成:构建多个LSTM子模型,对预测结果进行加权、投票或堆叠,以提高稳定性;
S308,持续优化:收集预测效果数据,定期针对模型进行再训练或参数调整,使之自适应电站的变化。
通过上述步骤,能够利用LSTM网络强大的时间序列建模能力,挖掘电站群的时序特征,实现对短期发电量的准确预测。
步骤S302中,隐层个数:设置1-3个隐层。
神经元个数:每个隐层的神经元个数的规则是:输入层与输出层的神经元个数取决于具体问题本身的输入和输出维度;隐藏层神经元个数通常取输入层与输出层节点数的平均值作为起始点进行试验;从一个较小值开始试验,逐步增大网络大小,直到神经元个数和模型性能达到最优。
进一步改进地,步骤S4中,采用蒙特卡洛随机过程模拟电站未来一年气象参数的方法步骤包括如下:
S401,根据历史气象数据建立各气象指标的概率分布函数;
S402,利用蒙特卡洛方法生成多个唯一气象样本集合;
S403,对每个气象样本集合:
按月份或季度划分时间序列;
根据概率分布随机抽取每个时间节点的气象参数值;
各时间节点值符合该参数的历史变化规律;
S404,得到多个随时间变化的完整气象样本序列作为模拟结果;
S405,采样次数足够多可以还原参数的真实分布;
S406,对预测模型输入这些模拟序列,得到相应发电量结果集;
S407,多个结果集合给出预测的不确定度范围。
这样可以更充分地模拟未来一年复杂变化的气象情况。蒙特卡罗法(又称统计试验法)是描述装备运用过程中各种随机现象的基本方法,而且它特别适用于一些解析法难以求解甚至不可能求解的问题,因而在装备效能评估中具有重要地位。
进一步改进地,步骤S401中,气象指标包括:温度、光照强度、湿度、降水、云量、风速、气压、气温变化速率和日照时间;
温度包括最大温度、最小温度和平均温度,温度较高有利于光伏电站发电;
光照强度直接影响光伏面板接收日光量,包括全天当量光照强度指标;
湿度过高或过低都不利于光伏电站运行;
降水降雨天气影响日照强度,可能造成短期停电;
云量越多日照越弱,影响发电;
适中的风有利于散热,强风可能造成面板受损;
气压影响面板的工作效率;
气温变化速率剧烈变化不利;
日照时间直接影响全日接收能量。
以上指标都是影响光伏发电的主要天气成分,在预测模型建立时应全面考虑。
进一步改进地,步骤S4中,构建光伏电站群长期发电量预测模型结合短期预测模型结果,具体方法步骤包括如下:
S501,使用蒙特卡罗模拟获得多个一年气象变化序列;
S502,每个气象序列按月份或季度进行分段;
S503,每个时间段分别输入到短期预测模型,获得该时期的分段预测结果;
S504,将多个时间段预测结果进行累加,即每个长期序列对应的短期预测结果进行叠加;
S505,对每个长期序列生成对应短期预测预测叠加后的长期发电量结果;
S506,经过上述处理的所有长期序列,即为考虑短期预测叠加效果后的长期发电量预测分布;以此预测分布给出长期预测的不确定范围。
本质上是将短期多次预测结果深入整合入长期模拟,二者模型互相补充。
具体改进地,步骤S5中,以曲线图形式可视化呈现预测结果的方法步骤包括如下:
S601,将短期预测结果(1-3天)绘制在同一个时间轴曲线图中,不同电站预测用不同颜色线表示;
S602,将长期预测结果(1年)绘制成年内12个月每月发电量的堆叠条形图;
S603,可以在长期预测图中标注出短期预测期间的发电量预测值,两者采用不同图形相互对应;
S604,同时绘制出历史真实发电量曲线以供参考;
S605,可以提供预测不确定度范围的图例显示,包括95%预测区间填色区域;
S606,点击选中任意时间或电站可以弹出其预测数值提示;
S607,提供预览时间范围和电站选择功能实现动态预测弹出;
S608,预测结果保存并支持多次对比输出;
S609,采用交互式图形界面实现实时数据更新预测精细度提升。
以上方法可以将短长期预测结果统一可视化,便于用户观察与评估预测模型效果。
综述,构建光伏电站群联合长短期发电量预测模型,运用该模型,结合气象数据、历史发电数据以及电站参数,预测电站群未来一周到一年的发电量;实现了对光伏电站群的中长期发电量预测,克服了以往仅仅针对单个电站的短期预测的局限,预测范围更广,支持电网的规划和调度决策;联合建模和预测,充分利用电站群的综合特征,提高了预测结果的准确性和稳定性;方法具有自适应学习能力,可应用于电站规模和参数不断变化的动态情况,保证了预测的及时性;采用可视化呈现预测曲线,直观反映长期发电量的变动趋势,便于电网调度的参考决策;对系统预测结果进行持续评估与诊断,保证了模型的有效性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种光伏电站群的中长期发电量预测方法,其特征在于,方法步骤包括如下:
S1、收集光伏电站群的历史发电数据和周边气象站观测数据,建立光伏电站群联合数据库;
S2、分析各电站的特征数据,建立电站静态参数数据库;
S3、利用深度学习模型,建立光伏电站群联合的短期发电量预测模型,模型基于LSTM神经网络,以时序气象数据为输入,训练得到每个电站未来1-3天的发电量;
S4、构建光伏电站群长期发电量预测模型,考虑气候变化因素,采用蒙特卡洛随机过程模拟电站未来一年的各类气象参数;并结合短期预测模型结果,层层叠加,最终得到一年内的发电量预测;
S5、连接短期和长期预测模型,形成光伏电站群联合的中长期发电量智能预测系统,实时接入气象数据更新,实现对电站群从1天到1年的动态滚动预测,输出结果并以曲线图形式可视化呈现;
步骤S3中,利用基于LSTM神经网络的深度学习模型建立短期预测模型的步骤如下:
S301,构建输入特征向量:将光伏电站的历史发电量和天气数据的序列信息构建成输入样本;
S302,配置LSTM网络:根据输入序列长度和电站数量构建LSTM网络模型的隐层个数和神经元个数;
S303,训练LSTM网络:使用光伏电站历史数据训练网络模型,优化损失函数;
S304,多变量训练:将多个电站的信息作为不同变量输入到LSTM中;
S305,添加外部数据:将气象预报等额外数据融合到模型中;
S306,滑动预测窗口:利用已训练网络,输入最新观测数据,实现对未来1-3天发电量的滚动预测;
S307,模型集成:构建多个LSTM子模型,对预测结果进行加权、投票或堆叠;
S308,持续优化:收集预测效果数据,定期针对模型进行再训练或参数调整,使之自适应电站的变化;
步骤S4中,采用蒙特卡洛随机过程模拟电站未来一年气象参数的方法步骤包括如下:
S401,根据历史气象数据建立各气象指标的概率分布函数;
S402,利用蒙特卡洛方法生成多个唯一气象样本集合;
S403,对每个气象样本集合:按月份或季度划分时间序列;根据概率分布随机抽取每个时间节点的气象参数值;各时间节点值符合该参数的历史变化规律;
S404,得到多个随时间变化的完整气象样本序列作为模拟结果;
S405,采样次数足够多可以还原参数的真实分布;
S406,对预测模型输入这些模拟序列,得到相应发电量结果集;
S407,多个结果集合给出预测的不确定度范围;
步骤S4中,构建光伏电站群长期发电量预测模型结合短期预测模型结果,具体方法步骤包括如下:
S501,使用蒙特卡罗模拟获得多个一年气象变化序列;
S502,每个气象序列按月份或季度进行分段;
S503,每个时间段分别输入到短期预测模型,获得该时期的分段预测结果;
S504,将多个时间段预测结果进行累加,即每个长期序列对应的短期预测结果进行叠加;
S505,对每个长期序列生成对应短期预测叠加后的长期发电量结果;
S506,经过上述处理的所有长期序列,即为考虑短期预测叠加效果后的长期发电量预测分布。
2.根据权利要求1所述的一种光伏电站群的中长期发电量预测方法,其特征在于:步骤S1中,建立的光伏电站群联合数据库具体包括以下数据:各电站的历史日发电量数据、各电站历史时段发电量数据、气象站历史观测数据、电站的位置坐标信息、电站的装机容量信息、电站的组件参数信息、电网负荷需求数据、电价政策信息和电站运维日志信息。
3.根据权利要求1所述的一种光伏电站群的中长期发电量预测方法,其特征在于:步骤S2中,建立的电站静态参数数据库具体包括以下数据:电站基本信息、装机容量信息、光伏组件参数、支架配置参数、并网配置参数、场地信息、监控系统信息、运维保养信息和电站运营商信息。
4.根据权利要求1所述的一种光伏电站群的中长期发电量预测方法,其特征在于:步骤S401中,气象指标包括:温度、光照强度、湿度、降水、云量、风速、气压、气温变化速率和日照时间。
5.根据权利要求1所述的一种光伏电站群的中长期发电量预测方法,其特征在于:步骤S5中,以曲线图形式可视化呈现预测结果的方法步骤包括如下:
S601,将短期预测结果绘制在同一个时间轴曲线图中,不同电站预测用不同颜色线表示;
S602,将长期预测结果绘制成年内12个月每月发电量的堆叠条形图;
S603,在长期预测图中标注出短期预测期间的发电量预测值,两者采用不同图形相互对应;
S604,同时绘制出历史真实发电量曲线以供参考;
S605,提供预测不确定度范围的图例显示;
S606,点击选中任意时间或电站可以弹出其预测数值提示;
S607,提供预览时间范围和电站选择功能实现动态预测弹出;
S608,预测结果保存并支持多次对比输出;
S609,采用交互式图形界面实现实时数据更新预测精细度提升。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311416555.XA CN117335411B (zh) | 2023-10-27 | 2023-10-27 | 一种光伏电站群的中长期发电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311416555.XA CN117335411B (zh) | 2023-10-27 | 2023-10-27 | 一种光伏电站群的中长期发电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117335411A CN117335411A (zh) | 2024-01-02 |
CN117335411B true CN117335411B (zh) | 2024-05-24 |
Family
ID=89293130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311416555.XA Active CN117335411B (zh) | 2023-10-27 | 2023-10-27 | 一种光伏电站群的中长期发电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117335411B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118174277B (zh) * | 2024-02-06 | 2024-09-03 | 水电水利规划设计总院有限公司 | 基于误差分析校正的中长期风电光伏出力预测方法 |
CN117992758B (zh) * | 2024-04-03 | 2024-08-16 | 国网天津市电力公司宁河供电分公司 | 分布式光伏虚拟数据采集及特性分析方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050117888A (ko) * | 2004-06-11 | 2005-12-15 | 주식회사 우암닷컴 | 에너지 수요예측 방법 및 시스템 |
CN110909310A (zh) * | 2019-11-26 | 2020-03-24 | 广州地铁设计研究院股份有限公司 | 一种基于模型参数优化的光伏短期发电量预测方法及系统 |
CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
CN116596169A (zh) * | 2023-07-17 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统预测方法、装置及存储介质 |
-
2023
- 2023-10-27 CN CN202311416555.XA patent/CN117335411B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050117888A (ko) * | 2004-06-11 | 2005-12-15 | 주식회사 우암닷컴 | 에너지 수요예측 방법 및 시스템 |
CN110909310A (zh) * | 2019-11-26 | 2020-03-24 | 广州地铁设计研究院股份有限公司 | 一种基于模型参数优化的光伏短期发电量预测方法及系统 |
CN112580876A (zh) * | 2020-12-21 | 2021-03-30 | 国网甘肃省电力公司电力科学研究院 | 基于改进emd-lstm组合模型的光伏电站发电分频段预测方法 |
CN116596169A (zh) * | 2023-07-17 | 2023-08-15 | 国网浙江省电力有限公司宁波供电公司 | 一种电力系统预测方法、装置及存储介质 |
Non-Patent Citations (2)
Title |
---|
Prediction of Solar Photovoltaic Power Generation Based on MLP and LSTMneural networks;Di Huang et al;2020 IEEE 4th Conference on Energy Internet and Energy System Integration (EI2);20201101;2744-2748 * |
基于强化学习和组合式深度学习模型的超短期光伏功率预测;孟安波等;电网技术;20211231;第45卷(第12期);4722-4728 * |
Also Published As
Publication number | Publication date |
---|---|
CN117335411A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117335411B (zh) | 一种光伏电站群的中长期发电量预测方法 | |
Clifton et al. | Wind plant preconstruction energy estimates. current practice and opportunities | |
CN106228278A (zh) | 光伏功率预测系统 | |
Yoder et al. | Short‐term forecasting of categorical changes in wind power with Markov chain models | |
CN106803128B (zh) | 光伏发电的预测方法和装置 | |
CN108388962A (zh) | 一种风电功率预测系统及方法 | |
CN112884601B (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
CN111985701A (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
Zelikman et al. | Short-term solar irradiance forecasting using calibrated probabilistic models | |
Angalakudati et al. | Improving emergency storm planning using machine learning | |
CA3231095A1 (en) | Systems and methods for load forecasting for improved forecast results based on tuned weather data | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN116796168A (zh) | 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
Qiu et al. | Operational risk assessment on power system based on weather regionalization considering power ramp of renewable energy generation | |
Wu et al. | An innovative method for offshore wind farm site selection based on the interval number with probability distribution | |
CN117010664A (zh) | 一种新能源功率预测性能智能评价系统及评价方法 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN116542361A (zh) | 一种基于神经网络的自然灾害停电预测方法及系统 | |
CN115034598A (zh) | 一种基于架空线路工程造价数据分析评审分析方法 | |
CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及系统 | |
Jing et al. | Photovoltaic Output Prediction Model Based on Echo State Networks with Weather Type Index |
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 |