CN117591814B - 基于光伏包络的数据修复方法、装置及设备 - Google Patents
基于光伏包络的数据修复方法、装置及设备 Download PDFInfo
- Publication number
- CN117591814B CN117591814B CN202410080970.0A CN202410080970A CN117591814B CN 117591814 B CN117591814 B CN 117591814B CN 202410080970 A CN202410080970 A CN 202410080970A CN 117591814 B CN117591814 B CN 117591814B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- power generation
- meter
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010248 power generation Methods 0.000 claims abstract description 534
- 238000012545 processing Methods 0.000 claims abstract description 37
- 230000008439 repair process Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000007613 environmental effect Effects 0.000 claims description 28
- 238000001914 filtration Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请提供一种基于光伏包络的数据修复方法、装置及设备,涉及数据处理技术领域,包括:获取多个光伏表各自的光伏发电数据,光伏发电数据包括多个时刻各自的原始累计发电量;基于多个光伏表各自的光伏发电数据,对多个光伏表进行区域聚类,得到多个光伏表簇;针对各光伏表簇,基于光伏表簇中的各光伏表的光伏发电数据,确定光伏表簇对应的光伏包络曲线;基于光伏包络曲线,对光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到光伏表簇中的各光伏表对应的目标光伏发电数据,目标光伏发电数据包括多个时刻各自的目标累计发电量。本申请的方案,能够实现光伏发电数据的修复,提高光伏发电数据的精度。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种基于光伏包络的数据修复方法、装置及设备。
背景技术
光伏发电数据指的是光伏表计量的不同时刻的累计发电量数据,通过光伏发电数据能够获取光伏板的相关供电信息。
目前通过现场的光伏表记录的光伏发电数据通常是经过量化后的数据,其精度比较低。由于光伏发电数据是后续电网进行规划、调度和决策的基础,在目前光伏发电数据精度较低的情况下,容易对候选电网的规划调度和决策产生不利的影响。
然而,目前没有相关技术用于修复光伏表记录的光伏发电数据,因此,如何实现光伏发电数据的修复,提高光伏发电数据的精度,是亟待解决的技术问题。
发明内容
本申请提供一种基于光伏包络的数据修复方法、装置及设备,以实现光伏发电数据的修复,提高光伏发电数据的精度。
第一方面,本申请提供一种基于光伏包络的数据修复方法,包括:
获取多个光伏表各自的光伏发电数据,所述光伏发电数据包括多个时刻各自的原始累计发电量;
基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇;
针对各光伏表簇,基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线;基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,所述目标光伏发电数据包括所述多个时刻各自的目标累计发电量。
在一种可能的实施方式中,所述基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇,包括:
对所述多个光伏表各自的光伏发电数据分别进行共性环境特征提取处理,得到所述多个光伏表各自对应的共性环境特征;
基于所述多个光伏表各自对应的共性环境特征,确定两两光伏表之间的相关性值;
基于两两光伏表之间的相关性值、预设邻域半径和预设数量阈值,对所述多个光伏表进行区域聚类,得到所述多个光伏表簇。
在一种可能的实施方式中,所述对所述多个光伏表各自的光伏发电数据分别进行共性环境特征提取处理,得到所述多个光伏表各自对应的共性环境特征,包括:
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的光伏发电矩阵;
对所述光伏发电矩阵进行低通滤波处理,得到对应的光伏发电滤波矩阵;
基于所述光伏发电滤波矩阵,确定所述光伏表对应的共性环境特征。
在一种可能的实施方式中,所述基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线,包括:
基于所述光伏表簇中两两光伏表之间的相关性值,在所述光伏表簇中确定基准光伏表和所述基准光伏表对应的多个参考光伏表;
基于所述基准光伏表的光伏发电数据,和所述多个参考光伏表各自的光伏发电数据,确定所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据;
基于所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据,以及所述基准光伏表和所述多个参考光伏表之间各自的相关性值,对所述基准光伏表的光伏发电数据进行修正处理,得到共性趋势发电数据;
基于所述共性趋势发电数据,生成所述光伏包络曲线。
在一种可能的实施方式中,所述基于所述光伏表簇中两两光伏表之间的相关性值,在所述光伏表簇中确定基准光伏表和所述基准光伏表对应的多个参考光伏表,包括:
针对所述光伏表簇中的各光伏表,基于所述光伏表和所述光伏表簇中除所述光伏表之外的其他光伏表之间的相关性值,确定所述光伏表对应的相关性方差值;
在所述光伏表簇中,将对应的相关性方差值最小的光伏表,确定为所述基准光伏表;
在所述光伏表簇中,将与所述基准光伏表之间的相关性值最小的预设数量个光伏表,确定为所述多个参考光伏表。
在一种可能的实施方式中,所述基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,包括:
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的发电时段和非发电时段;
基于所述光伏包络曲线对所述发电时段内的多个第一时刻的原始累计发电量进行处理,得到所述多个第一时刻各自的更新累计发电量;
基于所述多个第一时刻各自的原始累计发电量和更新累计发电量,确定所述发电时段对应的至少一个第一约束点;
基于所述非发电时段内的多个第二时刻的原始累计发电量,确定所述非发电时段对应的至少一个第二约束点;
基于所述至少一个第一约束点和所述至少一个第二约束点,对所述多个第一时刻的更新累计发电量和所述多个第二时刻的原始累计发电量进行插值处理,得到所述光伏表对应的目标光伏发电数据。
在一种可能的实施方式中,所述基于所述光伏包络曲线对所述发电时段内的多个第一时刻的原始累计发电量进行处理,得到所述多个第一时刻各自的更新累计发电量,包括:
基于所述多个第一时刻的原始累计发电量,确定所述发电时段内的实际发电量;
基于所述光伏包络曲线,确定所述发电时段内的理想发电量,以及各所述第一时刻对应的发电量权重;
基于各所述第一时刻对应的发电量权重、所述实际发电量和所述理想发电量,确定所述多个第一时刻各自的更新累计发电量。
第二方面,本申请提供一种基于光伏包络的数据修复装置,包括:
获取模块,用于获取多个光伏表各自的光伏发电数据,所述光伏发电数据包括多个时刻各自的原始累计发电量;
聚类模块,用于基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇;
处理模块,用于针对各光伏表簇,基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线;基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,所述目标光伏发电数据包括所述多个时刻各自的目标累计发电量。
在一种可能的实施方式中,所述聚类模块具体用于:
对所述多个光伏表各自的光伏发电数据分别进行共性环境特征提取处理,得到所述多个光伏表各自对应的共性环境特征;
基于所述多个光伏表各自对应的共性环境特征,确定两两光伏表之间的相关性值;
基于两两光伏表之间的相关性值、预设邻域半径和预设数量阈值,对所述多个光伏表进行区域聚类,得到所述多个光伏表簇。
在一种可能的实施方式中,所述聚类模块具体用于:
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的光伏发电矩阵;
对所述光伏发电矩阵进行低通滤波处理,得到对应的光伏发电滤波矩阵;
基于所述光伏发电滤波矩阵,确定所述光伏表对应的共性环境特征。
在一种可能的实施方式中,所述处理模块具体用于:
基于所述光伏表簇中两两光伏表之间的相关性值,在所述光伏表簇中确定基准光伏表和所述基准光伏表对应的多个参考光伏表;
基于所述基准光伏表的光伏发电数据,和所述多个参考光伏表各自的光伏发电数据,确定所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据;
基于所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据,以及所述基准光伏表和所述多个参考光伏表之间各自的相关性值,对所述基准光伏表的光伏发电数据进行修正处理,得到共性趋势发电数据;
基于所述共性趋势发电数据,生成所述光伏包络曲线。
在一种可能的实施方式中,所述处理模块具体用于:
针对所述光伏表簇中的各光伏表,基于所述光伏表和所述光伏表簇中除所述光伏表之外的其他光伏表之间的相关性值,确定所述光伏表对应的相关性方差值;
在所述光伏表簇中,将对应的相关性方差值最小的光伏表,确定为所述基准光伏表;
在所述光伏表簇中,将与所述基准光伏表之间的相关性值最小的预设数量个光伏表,确定为所述多个参考光伏表。
在一种可能的实施方式中,所述处理模块具体用于:
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的发电时段和非发电时段;
基于所述光伏包络曲线对所述发电时段内的多个第一时刻的原始累计发电量进行处理,得到所述多个第一时刻各自的更新累计发电量;
基于所述多个第一时刻各自的原始累计发电量和更新累计发电量,确定所述发电时段对应的至少一个第一约束点;
基于所述非发电时段内的多个第二时刻的原始累计发电量,确定所述非发电时段对应的至少一个第二约束点;
基于所述至少一个第一约束点和所述至少一个第二约束点,对所述多个第一时刻的更新累计发电量和所述多个第二时刻的原始累计发电量进行插值处理,得到所述光伏表对应的目标光伏发电数据。
在一种可能的实施方式中,所述处理模块具体用于:
基于所述多个第一时刻的原始累计发电量,确定所述发电时段内的实际发电量;
基于所述光伏包络曲线,确定所述发电时段内的理想发电量,以及各所述第一时刻对应的发电量权重;
基于各所述第一时刻对应的发电量权重、所述实际发电量和所述理想发电量,确定所述多个第一时刻各自的更新累计发电量。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面任一项所述的基于光伏包络的数据修复方法。
第四方面,本申请提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的基于光伏包络的数据修复方法。
本申请实施例提供的基于光伏包络的数据修复方法、装置及设备,首先获取多个光伏表各自的光伏发电数据,光伏发电数据包括多个时刻各自的原始累计发电量;基于多个光伏表各自的光伏发电数据,对多个光伏表进行区域聚类,得到多个光伏表簇,同一光伏表簇中的各光伏表的共性自然环境因素是接近的,针对各光伏表簇,基于该光伏表簇中的各光伏表的光伏发电数据,即可确定该光伏表簇对应的光伏包络曲线,从而基于光伏包络曲线,对该光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到光伏表簇中的各光伏表对应的目标光伏发电数据,目标光伏发电数据包括多个时刻各自的目标累计发电量。本申请实施例的方案,通过区域聚类的方式划分光伏表簇,并通过各光伏表簇对应的光伏包络曲线来进行光伏发电数据的修复处理,实现了光伏发电数据的修复,进而提高了光伏发电数据的精度。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请实施例提供的基于光伏包络的数据修复方法的流程图;
图2为本申请实施例提供的对多个光伏表进行区域聚类的流程图;
图3为本申请实施例提供的确定光伏包络曲线的流程图;
图4为本申请实施例提供的基于光伏包络曲线进行数据修复的流程图;
图5为本申请实施例提供的数据修复前后对比示意图;
图6为本申请实施例提供的基于光伏包络的数据修复装置的结构示意图;
图7为本申请实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的基于光伏包络的数据修复方法的流程图,如图1所示,该方法包括:
S11,获取多个光伏表各自的光伏发电数据,光伏发电数据包括多个时刻各自的原始累计发电量。
针对各光伏表而言,该光伏表用于记录对应区域的光伏发电数据,光伏发电数据包括对应的发光板组串在不同时刻的原始累计发电量。
可选的,不同时刻的原始累计发电量的属性包括方向属性和功率属性。方向属性用于指示原始累计发电量为发光板组串向电网的供电量,或者,电网向外的供电量。功率属性用于指示电压和电流属于同相位还是不同相位。
针对各光伏表而言,该光伏表的光伏发电数据可以通过发电量曲线进行表示,发电量曲线的横坐标为时间,纵坐标为原始累计发电量。
可选的,在得到各光伏表的光伏发电数据后,可以对各光伏表的光伏发电数据进行数据清洗,去除异常值。数据清洗的方法有多种,例如可以采用3sigma方法(一种数据清洗方法)对各光伏表的光伏发电数据进行数据清洗,或者其他可能的方式,本申请实施例对此不作限定。
S12,基于多个光伏表各自的光伏发电数据,对多个光伏表进行区域聚类,得到多个光伏表簇。
光伏表的光伏发电数据,主要受两类因素影响,一类是对应的区域的共性自然环境因素,另一类是光伏表对应的发光板组串的个体因素。共性自然环境因素例如可以包括区域内的光照强度、温湿度等等,当光伏表对应的发光板组串处于相同或类似的区域内时,光伏表的光伏发电数据受共性自然环境因素是接近的。个体因素例如可以包括发光板组串的伏安特性、是否存在外界遮挡等等,个体因素对于各光伏表是不同的。
对多个光伏表进行区域聚类的过程,是通过多个光伏表各自的光伏发电数据来挖掘多个光伏表的共性自然环境因素,从而将对应的区域比较接近的光伏表划分到同一个光伏表簇中的过程。针对各光伏表簇,该光伏表簇中的各光伏表,其对应的共性自然环境因素比较接近。每个光伏表簇中均包括一定数量的光伏表。
S13,针对各光伏表簇,基于光伏表簇中的各光伏表的光伏发电数据,确定光伏表簇对应的光伏包络曲线;基于光伏包络曲线,对光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到光伏表簇中的各光伏表对应的目标光伏发电数据,目标光伏发电数据包括多个时刻各自的目标累计发电量。
针对各光伏表簇,通过挖掘该光伏表簇中各光伏表的光伏发电数据的变化趋势,可以确定该光伏表簇对应的光伏包络曲线,光伏包络曲线用于反映该光伏表簇的电量变化趋势。由于同一个光伏表簇中的各光伏表的共性自然环境因素是接近的,因此该光伏包络曲线就用于反映光伏表簇对应的共性自然环境因素下的电量变化趋势。
在得到光伏表簇对应的光伏包络曲线后,即可基于该光伏包络曲线对该光伏表簇中各光伏表的光伏发电数据进行修复处理,从而得到各光伏表对应的目标光伏发电数据。本申请实施例中,多个光伏表各自的光伏发电数据均为预设时段内的多个时刻各自的原始累计发电量,针对预设时段内的各时刻而言,该时刻的目标累计发电量的数据精度高于该时刻的原始累计发电量的数据精度。例如该时刻的原始累计发电量保留到小数点后两位,而该时刻的目标累计发电量保留到小数点后四位。
本申请实施例提供的基于光伏包络的数据修复方法,首先获取多个光伏表各自的光伏发电数据,光伏发电数据包括多个时刻各自的原始累计发电量;基于多个光伏表各自的光伏发电数据,对多个光伏表进行区域聚类,得到多个光伏表簇,同一光伏表簇中的各光伏表的共性自然环境因素是接近的,针对各光伏表簇,基于该光伏表簇中的各光伏表的光伏发电数据,即可确定该光伏表簇对应的光伏包络曲线,从而基于光伏包络曲线,对该光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到光伏表簇中的各光伏表对应的目标光伏发电数据,目标光伏发电数据包括多个时刻各自的目标累计发电量。本申请实施例的方案,通过区域聚类的方式划分光伏表簇,并通过各光伏表簇对应的光伏包络曲线来进行光伏发电数据的修复处理,实现了光伏发电数据的修复,进而提高了光伏发电数据的精度。
在上述任一实施例的基础上,下面结合附图对本申请实施例的方案进行详细介绍。
首先结合图2介绍对光伏表进行区域聚类的实现过程。
图2为本申请实施例提供的对多个光伏表进行区域聚类的流程图,如图2所示,包括:
S21,对多个光伏表各自的光伏发电数据分别进行共性环境特征提取处理,得到多个光伏表各自对应的共性环境特征。
具体的,针对各光伏表的光伏发电数据,首先确定该光伏发电数据对应的光伏发电矩阵。
在本申请实施例中,预设时段包括多个自然日,将该光伏发电数据中的多个时刻各自的原始累计发电量按照自然日折叠,即可得到该光伏发电数据对应的光伏发电矩阵。其中,该光伏发电矩阵用于指示该光伏表记录的同一自然日内的不同时刻的原始累计发电量,以及不同自然日内的同一时刻的原始累计发电量。
以预设时段包括n天,采样间隔为15分钟为例,则每天包括96个采样点,对应96个采样时刻。
针对任意光伏表的光伏发电数据而言,将其按自然日折叠,可以得到该光伏发电数据对应的光伏发电矩阵A,其中,A为一个mn的矩阵,n为自然日的数量,m为一个自然日内采样时刻的数量,m和n均为正整数。以采样间隔为15分钟为例,则m为96。
下表1示例了一个光伏表的光伏发电数据,其中,该光伏发电数据包括1月1号至1月5号总共5天,每天的96个不同时刻的原始累计发电量。
表1
则对应的光伏发电矩阵A为:
(1)
其中,光伏发电矩阵A的每一列代表同一天的不同时刻的原始累计发电量,光伏发电矩阵A的每一行代表不同天的同一时刻的原始累计发电量。
在得到光伏发电矩阵A后,对光伏发电矩阵A进行低通滤波处理,得到对应的光伏发电滤波矩阵。
由于光伏发电数据主要受共性自然环境因素和个体因素这两类因素影响,而个体因素的频率通常较高,共性自然环境因素因为相对比较稳定,因而共性自然环境因素的频率通常较低。通过对光伏发电矩阵A进行低通滤波处理,能够有效的挖掘出频率较低的共性环境特征。
具体的,首先对光伏发电矩阵A进行奇异值分解处理,将光伏发电矩阵分解为三个矩阵的乘积,具体可参见下式(2):
(2)
其中,A为光伏发电矩阵,维度为mn;第一矩阵U为m/>m的正交矩阵,U的列向量为光伏发电矩阵A的左奇异向量;第二矩阵/>为m/>n的矩形对角矩阵,/>的对角线上的元素为光伏发电矩阵A的奇异值,且按照从大到小的顺序排列;第三矩阵V为n/>n的正交矩阵,/>为V的转置矩阵,/>的行向量为光伏发电矩阵A的右奇异向量。
然后,仅保留第二矩阵的对角线上的部分奇异值,将其他奇异值置零,得到更新后的第二矩阵/>。保留的部分奇异值例如可以是前预设比例的奇异值,例如前30%的奇异值,或者前预设数量个奇异值,等等,本申请实施例对此不作限定。
然后基于第一矩阵U、更新后的第二矩阵以及第三矩阵V,对光伏发电矩阵A进行矩阵重构,即可得到光伏发电滤波矩阵/>,其中:
(3)
在得到光伏发电滤波矩阵后,基于光伏发电滤波矩阵/>即可得到该光伏表对应的共性环境特征。光伏发电滤波矩阵/>中包括不同时刻对应的数据,将其按照时间先后顺序排列得到的向量即为该光伏表对应的共性环境特征。
S22,基于多个光伏表各自对应的共性环境特征,确定两两光伏表之间的相关性值。
在得到多个光伏表各自对应的共性环境特征后,基于相关度计算公式,可以得到两两光伏表对应的共性环境特征之间的相关性距离,即为两两光伏表之间的相关性值。相关性值越大,表示对应的两个光伏表之间的相关性越低;反之,相关性值越小,表示对应的两个光伏表之间的相关性越高。
S23,基于两两光伏表之间的相关性值、预设邻域半径和预设数量阈值,对多个光伏表进行区域聚类,得到多个光伏表簇。
预设邻域半径用于指示光伏表簇中两两光伏表之间的相关性值的最大值,预设数量阈值用于指示光伏表簇中包括的光伏表数量的最大值。
在得到两两光伏表之间的相关性值后,即可基于相应的聚类方法,结合预设邻域半径和预设数量阈值,对多个光伏表进行区域聚类,得到多个光伏表簇。聚类方法有多种,例如可以包括具有噪声的基于密度的聚类方法(Density-Based Spatial Clustering ofApplications with Noise,DBSCAN)。得到的各光伏表簇中均包括一定数量的光伏表,其中,针对任意光伏表簇,该光伏表簇中的任意两个光伏表之间的相关性值均小于或等于预设邻域半径,该光伏表簇中包括的光伏表的数量小于或等于预设数量阈值。
在上述实施例中,对光伏表的区域聚类过程进行了介绍。在得到多个光伏表簇后,针对各光伏表簇,基于该光伏表簇中各光伏表的光伏发电数据,可以确定该光伏表簇对应的光伏包络曲线。下面结合图3对该过程进行介绍。
图3为本申请实施例提供的确定光伏包络曲线的流程图,如图3所示,包括:
S31,基于光伏表簇中两两光伏表之间的相关性值,在光伏表簇中确定基准光伏表和基准光伏表对应的多个参考光伏表。
具体的,针对该光伏表簇中的各光伏表,基于该光伏表和光伏表簇中除该光伏表之外的其他光伏表之间的相关性值,确定该光伏表对应的相关性方差值。
例如,该光伏表簇中包括20个光伏表,针对任意光伏表而言,需要获取该光伏表与剩余的19个光伏表之间各自的相关性值,然后对该光伏表与剩余的19个光伏表之间各自的相关性值进行方差计算,计算得到该光伏表对应的相关性方差值。
针对该光伏表簇中的各光伏表均执行上述操作,即可得到每个光伏表对应的相关性方差值。
然后,在该光伏表簇中,将对应的相关性方差值最小的光伏表,确定为基准光伏表。
在该光伏表簇中,将与基准光伏表之间的相关性值最小的预设数量个光伏表,确定为基准光伏表对应的多个参考光伏表。
S32,基于基准光伏表的光伏发电数据,和多个参考光伏表各自的光伏发电数据,确定基准光伏表和多个参考光伏表之间各自的差分光伏发电数据。
各光伏表的光伏发电数据均记录了预设时段内的多个时刻各自的原始累计发电量,不同光伏表对应的发光板组串不同,对应的区域也不同。在确定了基准光伏表和多个参考光伏表后,即可确定基准光伏表和参考光伏表之间的差分光伏发电数据。
针对任意参考光伏表而言,基准光伏表和参考光伏表之间的差分光伏发电数据即为基准光伏表和参考光伏表之间的差分信号。具体的,基准光伏表的光伏发电数据中包括多个时刻各自的原始累计发电量,参考光伏表的光伏发电数据中也包括这多个时刻各自的原始累计发电量,将相同时刻、基准光伏表记录的原始累计发电量和参考光伏表记录的原始累计发电量进行对应相减,即可得到基准光伏表和参考光伏表之间的差分光伏发电数据,差分光伏发电数据包括预设时段内的多个时刻各自的原始累计发电量差值,该原始累计发电量差值即为基准光伏表记录的原始累计发电量和参考光伏表记录的原始累计发电量之差。
S33,基于基准光伏表和多个参考光伏表之间各自的差分光伏发电数据,以及基准光伏表和多个参考光伏表之间各自的相关性值,对基准光伏表的光伏发电数据进行修正处理,得到共性趋势发电数据。
具体的,首先基于基准光伏表和多个参考光伏表之间各自的相关性值,确定多个参考光伏表各自对应的权重。
然后,基于多个参考光伏表各自对应的权重、预设修正率、基准光伏表和多个参考光伏表之间各自的差分光伏发电数据,对基准光伏表的光伏发电数据进行修正处理,得到共性趋势发电数据。共性趋势发电数据包括预设时段内的多个时刻各自的共性趋势发电量。
具体计算公式可参见下式(4):
(4)
其中,i表示多个时刻中的第i个时刻;表示共性趋势发电数据中的第i个时刻的共性趋势发电量;/>表示基准光伏表的光伏发电数据中的第i个时刻的原始累计发电量;R表示多个参考光伏表的数量,R为正整数;/>表示第j个参考光伏表的光伏发电数据中的第i个时刻的原始累计发电量;/>表示第j个参考光伏表的权重;表示预设修正率。
S34,基于共性趋势发电数据,生成光伏包络曲线。
在本申请实施例中,预设时段包括多天,共性趋势发电数据包括预设时段内的多个时刻各自的共性趋势发电量,而光伏包络曲线是以天为单位对共性趋势发电数据进行参数化描述的。
针对任意一天的共性趋势,基于共性趋势发电数据中该天内的各时刻的共性趋势发电量,首先确定该天内的发电开始时刻、发电结束时刻和发电峰值时刻。其中,发电开始时刻为该天内的各时刻的共性趋势发电量中、首个共性趋势发电量不为零的时刻,发电结束时刻为该天内的各时刻的共性趋势发电量中、尾个共性趋势发电量不为零的时刻,发电峰值时刻为该天内的各时刻的共性趋势发电量中、最大共性趋势发电量对应的时刻。
然后,设该天内的任意时刻为T(x),则任意时刻T(x)与该天内的发电峰值时刻之间的相对时间偏置表示如下:
rela_T(x) = (T(x) – T_peak) / (T_end – T_start) (5)
其中,rela_T(x)表示T(x)与发电峰值时刻之间的相对时间偏置,T_peak表示发电峰值时刻,T_end表示发电结束时刻,T_start表示发电开始时刻。
基于上式(5),构建共性趋势发电量与相对时间偏置之间的函数关系,如下式(6)所示:
V(x) = a tanh(rela_T(x) + b) + c(6)
其中,V(x)表示共性趋势发电量,rela_T(x)表示T(x)与发电峰值时刻之间的相对时间偏置,tanh为双曲正切函数,a、b、c均为函数参量。
由于共性趋势发电数据中包括该天内的各时刻的共性趋势发电量,结合各时刻对应的rela_T(x)进行拟合,可以计算出该天内上式(6)中的a、b、c三个函数参量。代入上式(6)中,即可得到该天内的光伏包络曲线,光伏包络曲线反映的是相对时间偏置与共性趋势发电量之间的函数关系。共性趋势发电数据包括多天内不同时刻的共性趋势发电量,进而光伏包络曲线包括各天内的光伏包络曲线,不同天内的光伏包络曲线的a、b、c三个函数参量可能不同。
在上述实施例中介绍了获取光伏包络曲线的实现方案,下面结合图4介绍基于光伏包络曲线进行数据修复的实现方案。
图4为本申请实施例提供的基于光伏包络曲线进行数据修复的流程图,如图4所示,包括:
S41,针对各光伏表的光伏发电数据,确定光伏发电数据对应的发电时段和非发电时段。
具体的,针对各光伏表,基于对应的发光板组串所在的区域的经纬度信息,确定预设时段内的各天的日出时间和日落时间。然后,基于该光伏表的光伏发电数据中的上升沿时刻和下降沿时刻,结合各天的日出时间和日落时间,综合确定光伏发电数据对应的发电时段和非发电时段。其中,发电时段通常对应的是一天中的白天,非发电时段通常对应的是一天中的黑夜。
S42,基于光伏包络曲线对发电时段内的多个第一时刻的原始累计发电量进行处理,得到多个第一时刻各自的更新累计发电量。
针对预设时段内的任意一天,这一天的发电时段内包括多个第一时刻,各第一时刻有对应的原始累计发电量。基于多个第一时刻的原始累计发电量,可以确定发电时段内的实际发电量。例如,可以将多个第一时刻中最晚的第一时刻的原始累计发电量与最早的第一时刻的原始累计发电量相减,即可得到发电时段内的实际发电量。
然后,确定该天内的光伏包络曲线,基于该天内的光伏包络曲线,确定发电时段内的理想发电量,以及各第一时刻对应的发电量权重。
具体的,对该天内的光伏包络曲线进行积分,即可得到发电时段内的理想发电量。针对该天内的光伏包络曲线,确定各第一时刻在该光伏包络曲线上对应的共性趋势发电量。然后,对多个第一时刻在该光伏包络曲线上对应的共性趋势发电量进行归一化处理,即可得到各第一时刻对应的发电量权重。
在得到多个第一时刻各自对应的发电量权重后,基于各第一时刻对应的发电量权重、发电时段内的实际发电量和发电时段内的理想发电量,即可确定多个第一时刻各自的更新发电量。
具体的,计算实际发电量和理想发电量的比值,然后基于该比值和多个第一时刻各自对应的发电量权重,确定多个第一时刻各自的更新发电量。其中,多个第一时刻各自的更新发电量之和,等于实际发电量。并且,任意两个第一时刻各自的更新发电量之比,等于这两个第一时刻各自的发电量权重之比,也等于这两个第一时刻各自的共性趋势发电量之比。
然后,对多个第一时刻各自的更新发电量进行累计相加,可以得到多个第一时刻各自的更新累计发电量。
S43,基于多个第一时刻各自的原始累计发电量和更新累计发电量,确定发电时段对应的至少一个第一约束点。
结合多个第一时刻各自的原始累计发电量的进位信息和多个第一时刻各自的更新累计发电量,可以确定发电时段对应的至少一个第一约束点。其中,第一约束点应归属于原始累计发电量±0.5原始量化之间。如果光伏包络曲线上确定的约束点超出以上范围,则以范围内最接近光伏包络曲线的边界值为相应的第一约束点。
S44,基于非发电时段内的多个第二时刻的原始累计发电量,确定非发电时段对应的至少一个第二约束点。
针对非发电时段,根据非发电时段内的多个第二时刻的原始累计发电量是否变化,将非发电时段划分为若干平直段。其中,在非发电时段,可能存在某些时刻有人工光源,发电量不为0。因此,通过上述划分,可以得到若干平直段,其中,针对任意平直段而言,该时段内的各第二时刻的原始累计发电量不变。
针对每个平直段,可以确定相应的第二约束点,平直段对应的第二约束点包括该平直段的起始约束点和结束约束点,其中,起始约束点对应的累计发电量小于或等于结束约束点对应的累计发电量,且各第二约束点对应的累计发电量处于对应的目标时刻的原始累计发电量±二分之一量化之间,第二约束点对应的目标时刻为多个时刻中与第二约束点距离最近的时刻。
S45,基于至少一个第一约束点和至少一个第二约束点,对多个第一时刻的更新累计发电量和多个第二时刻的原始累计发电量进行插值处理,得到光伏表对应的目标光伏发电数据。
具体的,多个第一时刻的更新累计发电量和多个第二时刻的原始累计发电量可以构成对应的发电量曲线,发电量曲线的横坐标为时间,纵坐标为累计发电量。然后,结合至少一个第一约束点和至少一个第二约束点在发电量曲线中的位置,基于连续性对约束点的交界处进行平滑处理,得到平滑处理后的发电量曲线。
然后,使用基于分段三次埃尔米特插值的插值方法(pchip)对平滑处理后的发电量曲线进行插值处理,使用分段定义的三次多项式来逼近给定的数据点,以获得平滑且连续的目标发电量曲线。目标发电量曲线的横坐标为时间,纵坐标为目标累计发电量,目标发电量曲线用于指示该光伏表对应的目标光伏发电数据,即预设时段内的多个时刻各自的目标累计发电量。
在上述实施例中,结合附图对光伏发电数据的修复过程进行了介绍,下面结合图5对数据修复前后的效果进行对比示例。
图5为本申请实施例提供的数据修复前后对比示意图,如图5所示,针对预设时段内的某个自然日,示例了数据修复前后的效果。在图5中,包括(a)、(b)、(c)、(d)四个部分。
其中,图5中,(a)示例的是某个自然日内的多个时刻的数据修复前后示意图,横坐标为时间,纵坐标为累计发电量。在(a)中,示例了该自然日内的不同时刻的原始累计发电量,以及目标累计发电量。
图5中,(b)示例的是该自然日内的原始能量分布,横坐标为时间,纵坐标为能量值。图5中,(c)示例的是该自然日内的修复后的能量分布,横坐标为时间,纵坐标为能量值。结合图5中,(b)和(a)中的原始累计发电量对比可以看到,在未进行数据修复之前,能量分布集中在原始累计发电量中存在进位信息的时段,其他时段的能量分布接近为零。然而这种情况是由于光伏表记录的原始发电量的过度量化导致的,与实际的发电量数据相比差别较大。结合图5中,(c)和(a)中的目标累计发电量对比可以看到,在进行数据修复之后,能量分布集中除了在原始累计发电量中存在进位信息的时段外,其他时段也存在相应的能量分布,只是能量分布相对较小。图5中,(d)示例的是该自然日内不同时刻的验证功率,横坐标为时间,纵坐标为验证功率,验证功率为发电过程中电流和电压的乘积。验证功率曲线与能量分布曲线越接近,表示对应的累计发电量数据越接近实际情况。请参见图5中,(d)示例的验证功率曲线分别与(b)示例的原始能量分布曲线的对比以及与(c)示例的修复后能量分布曲线的对比,可以看到,(c)示例的修复后能量分布曲线与(d)示例的验证功率曲线更加接近,表示在进行数据修复后得到的目标累计发电量数据越与实际的累计发电量数据接近,进一步证明了本申请的方案的数据修复效果。
综上,本申请实施例的方案,通过区域聚类的方式划分光伏表簇,并通过各光伏表簇对应的光伏包络曲线来进行光伏发电数据的修复处理,实现了光伏发电数据的修复,进而提高了光伏发电数据的精度。
下面对本申请提供的基于光伏包络的数据修复装置进行描述,下文描述的基于光伏包络的数据修复装置与上文描述的基于光伏包络的数据修复方法可相互对应参照。
图6为本申请实施例提供的基于光伏包络的数据修复装置的结构示意图,如图6所示,该装置包括:
获取模块61,用于获取多个光伏表各自的光伏发电数据,所述光伏发电数据包括多个时刻各自的原始累计发电量;
聚类模块62,用于基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇;
处理模块63,用于针对各光伏表簇,基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线;基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,所述目标光伏发电数据包括所述多个时刻各自的目标累计发电量。
在一种可能的实施方式中,所述聚类模块62具体用于:
对所述多个光伏表各自的光伏发电数据分别进行共性环境特征提取处理,得到所述多个光伏表各自对应的共性环境特征;
基于所述多个光伏表各自对应的共性环境特征,确定两两光伏表之间的相关性值;
基于两两光伏表之间的相关性值、预设邻域半径和预设数量阈值,对所述多个光伏表进行区域聚类,得到所述多个光伏表簇。
在一种可能的实施方式中,所述聚类模块62具体用于:
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的光伏发电矩阵;
对所述光伏发电矩阵进行低通滤波处理,得到对应的光伏发电滤波矩阵;
基于所述光伏发电滤波矩阵,确定所述光伏表对应的共性环境特征。
在一种可能的实施方式中,所述处理模块63具体用于:
基于所述光伏表簇中两两光伏表之间的相关性值,在所述光伏表簇中确定基准光伏表和所述基准光伏表对应的多个参考光伏表;
基于所述基准光伏表的光伏发电数据,和所述多个参考光伏表各自的光伏发电数据,确定所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据;
基于所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据,以及所述基准光伏表和所述多个参考光伏表之间各自的相关性值,对所述基准光伏表的光伏发电数据进行修正处理,得到所述共性趋势发电数据;
基于所述共性趋势发电数据,生成所述光伏包络曲线。
在一种可能的实施方式中,所述处理模块63具体用于:
针对所述光伏表簇中的各光伏表,基于所述光伏表和所述光伏表簇中除所述光伏表之外的其他光伏表之间的相关性值,确定所述光伏表对应的相关性方差值;
在所述光伏表簇中,将对应的相关性方差值最小的光伏表,确定为所述基准光伏表;
在所述光伏表簇中,将与所述基准光伏表之间的相关性值最小的预设数量个光伏表,确定为所述多个参考光伏表。
在一种可能的实施方式中,所述处理模块63具体用于:
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的发电时段和非发电时段;
基于所述光伏包络曲线对所述发电时段内的多个第一时刻的原始累计发电量进行处理,得到所述多个第一时刻各自的更新累计发电量;
基于所述多个第一时刻各自的原始累计发电量和更新累计发电量,确定所述发电时段对应的至少一个第一约束点;
基于所述非发电时段内的多个第二时刻的原始累计发电量,确定所述非发电时段对应的至少一个第二约束点;
基于所述至少一个第一约束点和所述至少一个第二约束点,对所述多个第一时刻的更新累计发电量和所述多个第二时刻的原始累计发电量进行插值处理,得到所述光伏表对应的目标光伏发电数据。
在一种可能的实施方式中,所述处理模块63具体用于:
基于所述多个第一时刻的原始累计发电量,确定所述发电时段内的实际发电量;
基于所述光伏包络曲线,确定所述发电时段内的理想发电量,以及各所述第一时刻对应的发电量权重;
基于各所述第一时刻对应的发电量权重、所述实际发电量和所述理想发电量,确定所述多个第一时刻各自的更新累计发电量。
图7为本申请实施例提供的一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行基于光伏包络的数据修复方法,该方法包括:获取多个光伏表各自的光伏发电数据,所述光伏发电数据包括多个时刻各自的原始累计发电量;基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇;针对各光伏表簇,基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线;基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,所述目标光伏发电数据包括所述多个时刻各自的目标累计发电量。
此外,上述的存储器730中的逻辑指令可以通过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,本申请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)执行本申请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。
另一方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于光伏包络的数据修复方法,该方法包括:获取多个光伏表各自的光伏发电数据,所述光伏发电数据包括多个时刻各自的原始累计发电量;基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇;针对各光伏表簇,基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线;基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,所述目标光伏发电数据包括所述多个时刻各自的目标累计发电量。
又一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于光伏包络的数据修复方法,该方法包括:获取多个光伏表各自的光伏发电数据,所述光伏发电数据包括多个时刻各自的原始累计发电量;基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇;针对各光伏表簇,基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线;基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,所述目标光伏发电数据包括所述多个时刻各自的目标累计发电量。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种基于光伏包络的数据修复方法,其特征在于,包括:
获取多个光伏表各自的光伏发电数据,所述光伏发电数据包括多个时刻各自的原始累计发电量;
基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇;
针对各光伏表簇,基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线;基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,所述目标光伏发电数据包括所述多个时刻各自的目标累计发电量;针对预设时段内的各时刻,各时刻的所述目标累计发电量的数据精度高于相应时刻的所述原始累计发电量的数据精度;
所述基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线,包括:
基于所述光伏表簇中两两光伏表之间的相关性值,在所述光伏表簇中确定基准光伏表和所述基准光伏表对应的多个参考光伏表;
基于所述基准光伏表的光伏发电数据,和所述多个参考光伏表各自的光伏发电数据,确定所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据;
基于所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据,以及所述基准光伏表和所述多个参考光伏表之间各自的相关性值,对所述基准光伏表的光伏发电数据进行修正处理,得到共性趋势发电数据;
基于所述共性趋势发电数据,生成所述光伏包络曲线;
所述基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,包括:
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的发电时段和非发电时段;
基于所述光伏包络曲线对所述发电时段内的多个第一时刻的原始累计发电量进行处理,得到所述多个第一时刻各自的更新累计发电量;
基于所述多个第一时刻各自的原始累计发电量和更新累计发电量,确定所述发电时段对应的至少一个第一约束点;
基于所述非发电时段内的多个第二时刻的原始累计发电量,确定所述非发电时段对应的至少一个第二约束点;
基于所述至少一个第一约束点和所述至少一个第二约束点,对所述多个第一时刻的更新累计发电量和所述多个第二时刻的原始累计发电量进行插值处理,得到所述光伏表对应的目标光伏发电数据。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇,包括:
对所述多个光伏表各自的光伏发电数据分别进行共性环境特征提取处理,得到所述多个光伏表各自对应的共性环境特征;
基于所述多个光伏表各自对应的共性环境特征,确定两两光伏表之间的相关性值;
基于两两光伏表之间的相关性值、预设邻域半径和预设数量阈值,对所述多个光伏表进行区域聚类,得到所述多个光伏表簇。
3.根据权利要求2所述的方法,其特征在于,所述对所述多个光伏表各自的光伏发电数据分别进行共性环境特征提取处理,得到所述多个光伏表各自对应的共性环境特征,包括:
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的光伏发电矩阵;
对所述光伏发电矩阵进行低通滤波处理,得到对应的光伏发电滤波矩阵;
基于所述光伏发电滤波矩阵,确定所述光伏表对应的共性环境特征。
4.根据权利要求1所述的方法,其特征在于,所述基于所述光伏表簇中两两光伏表之间的相关性值,在所述光伏表簇中确定基准光伏表和所述基准光伏表对应的多个参考光伏表,包括:
针对所述光伏表簇中的各光伏表,基于所述光伏表和所述光伏表簇中除所述光伏表之外的其他光伏表之间的相关性值,确定所述光伏表对应的相关性方差值;
在所述光伏表簇中,将对应的相关性方差值最小的光伏表,确定为所述基准光伏表;
在所述光伏表簇中,将与所述基准光伏表之间的相关性值最小的预设数量个光伏表,确定为所述多个参考光伏表。
5.根据权利要求1所述的方法,其特征在于,所述基于所述光伏包络曲线对所述发电时段内的多个第一时刻的原始累计发电量进行处理,得到所述多个第一时刻各自的更新累计发电量,包括:
基于所述多个第一时刻的原始累计发电量,确定所述发电时段内的实际发电量;
基于所述光伏包络曲线,确定所述发电时段内的理想发电量,以及各所述第一时刻对应的发电量权重;
基于各所述第一时刻对应的发电量权重、所述实际发电量和所述理想发电量,确定所述多个第一时刻各自的更新累计发电量。
6.一种基于光伏包络的数据修复装置,其特征在于,包括:
获取模块,用于获取多个光伏表各自的光伏发电数据,所述光伏发电数据包括多个时刻各自的原始累计发电量;
聚类模块,用于基于所述多个光伏表各自的光伏发电数据,对所述多个光伏表进行区域聚类,得到多个光伏表簇;
处理模块,用于针对各光伏表簇,基于所述光伏表簇中的各光伏表的光伏发电数据,确定所述光伏表簇对应的光伏包络曲线;基于所述光伏包络曲线,对所述光伏表簇中的各光伏表的光伏发电数据进行修复处理,得到所述光伏表簇中的各光伏表对应的目标光伏发电数据,所述目标光伏发电数据包括所述多个时刻各自的目标累计发电量;针对预设时段内的各时刻,各时刻的所述目标累计发电量的数据精度高于相应时刻的所述原始累计发电量的数据精度;
所述处理模块,具体用于
基于所述光伏表簇中两两光伏表之间的相关性值,在所述光伏表簇中确定基准光伏表和所述基准光伏表对应的多个参考光伏表;
基于所述基准光伏表的光伏发电数据,和所述多个参考光伏表各自的光伏发电数据,确定所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据;
基于所述基准光伏表和所述多个参考光伏表之间各自的差分光伏发电数据,以及所述基准光伏表和所述多个参考光伏表之间各自的相关性值,对所述基准光伏表的光伏发电数据进行修正处理,得到共性趋势发电数据;
基于所述共性趋势发电数据,生成所述光伏包络曲线;
所述处理模块,具体用于
针对各光伏表的光伏发电数据,确定所述光伏发电数据对应的发电时段和非发电时段;
基于所述光伏包络曲线对所述发电时段内的多个第一时刻的原始累计发电量进行处理,得到所述多个第一时刻各自的更新累计发电量;
基于所述多个第一时刻各自的原始累计发电量和更新累计发电量,确定所述发电时段对应的至少一个第一约束点;
基于所述非发电时段内的多个第二时刻的原始累计发电量,确定所述非发电时段对应的至少一个第二约束点;
基于所述至少一个第一约束点和所述至少一个第二约束点,对所述多个第一时刻的更新累计发电量和所述多个第二时刻的原始累计发电量进行插值处理,得到所述光伏表对应的目标光伏发电数据。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述的基于光伏包络的数据修复方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于光伏包络的数据修复方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410080970.0A CN117591814B (zh) | 2024-01-19 | 2024-01-19 | 基于光伏包络的数据修复方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410080970.0A CN117591814B (zh) | 2024-01-19 | 2024-01-19 | 基于光伏包络的数据修复方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117591814A CN117591814A (zh) | 2024-02-23 |
CN117591814B true CN117591814B (zh) | 2024-06-07 |
Family
ID=89918818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410080970.0A Active CN117591814B (zh) | 2024-01-19 | 2024-01-19 | 基于光伏包络的数据修复方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591814B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102065443B1 (ko) * | 2019-10-02 | 2020-01-13 | 주식회사 아이온커뮤니케이션즈 | 태양광 발전소의 데이터 분석 방법 및 시스템 |
CN112365081A (zh) * | 2020-11-24 | 2021-02-12 | 国家电网有限公司 | 一种光伏电站发电能力预测方法及装置 |
CN116435998A (zh) * | 2023-04-17 | 2023-07-14 | 石家庄科林电气股份有限公司 | 一种光伏发电功率的预测方法 |
CN116647183A (zh) * | 2023-05-18 | 2023-08-25 | 阳光电源(上海)有限公司 | 光伏阵列发电性能确定方法、装置和光伏系统 |
CN116722545A (zh) * | 2023-08-07 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 基于多源数据的光伏发电预测方法和相关设备 |
CN116843066A (zh) * | 2023-06-29 | 2023-10-03 | 国能生物发电集团有限公司 | 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 |
CN117273489A (zh) * | 2023-09-27 | 2023-12-22 | 华能满洲里风力发电有限公司 | 光伏状态评估方法及装置 |
CN117293826A (zh) * | 2023-11-27 | 2023-12-26 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090926B (zh) * | 2019-11-14 | 2023-09-12 | 远景智能国际私人投资有限公司 | 光伏功率曲线建模方法、装置、计算机设备及存储介质 |
-
2024
- 2024-01-19 CN CN202410080970.0A patent/CN117591814B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102065443B1 (ko) * | 2019-10-02 | 2020-01-13 | 주식회사 아이온커뮤니케이션즈 | 태양광 발전소의 데이터 분석 방법 및 시스템 |
CN112365081A (zh) * | 2020-11-24 | 2021-02-12 | 国家电网有限公司 | 一种光伏电站发电能力预测方法及装置 |
CN116435998A (zh) * | 2023-04-17 | 2023-07-14 | 石家庄科林电气股份有限公司 | 一种光伏发电功率的预测方法 |
CN116647183A (zh) * | 2023-05-18 | 2023-08-25 | 阳光电源(上海)有限公司 | 光伏阵列发电性能确定方法、装置和光伏系统 |
CN116843066A (zh) * | 2023-06-29 | 2023-10-03 | 国能生物发电集团有限公司 | 基于生物质电厂孤岛运行模式下可再生能源微电网的设备出力预测方法 |
CN116722545A (zh) * | 2023-08-07 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 基于多源数据的光伏发电预测方法和相关设备 |
CN117273489A (zh) * | 2023-09-27 | 2023-12-22 | 华能满洲里风力发电有限公司 | 光伏状态评估方法及装置 |
CN117293826A (zh) * | 2023-11-27 | 2023-12-26 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
Non-Patent Citations (3)
Title |
---|
地区电网光伏出力时间和空间相关特性分析及应用;唐庆鹏;于新钰;谈韵;陈晨;万顺;;科技创新与应用;20181217(36);全文 * |
基于三次样条插值及BP神经网络的光伏发电出力数据修复;赵洪斌;;青海大学学报;20200220(01);全文 * |
基于神经网络光伏发电预测模型的研究;康洪波;刘瑞梅;侯秀梅;;电源技术;20130320(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117591814A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705107B (zh) | 一种配电网电压评估方法、系统、设备和存储介质 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
Tahir et al. | Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days | |
CN112329996B (zh) | 一种逆变器失配优化方法、装置及设备 | |
CN117591814B (zh) | 基于光伏包络的数据修复方法、装置及设备 | |
CN109861293B (zh) | 光伏不确定性对电力系统小信号稳定性影响的评估方法 | |
Fockens et al. | A concise method for calculating expected unserved energy in generating system reliability analysis | |
CN112396535A (zh) | 智能电网的管理方法、装置、设备及存储介质 | |
CN117094746A (zh) | 一种虚拟发电厂优化方法、装置、设备及介质 | |
CN112564160A (zh) | 一种计及风电不确定性的储能系统随机配置方法、终端及存储介质 | |
CN111915451B (zh) | 台区日功率曲线计算方法 | |
CN113949065B (zh) | 一种确定电力系统暂态电压稳定薄弱节点的方法及系统 | |
JP2024021188A (ja) | 太陽光発電量推定装置 | |
CN113612191A (zh) | 一种配电网的快速恢复供电方法及装置 | |
US10985561B2 (en) | Method for monitoring and controlling an electrical network | |
CN112217215A (zh) | 一种基于psd-bpa的大型电力系统随机潮流计算方法 | |
CN111242390A (zh) | 基于随机模拟的分散式风电场机组布局优化方法与装置 | |
CN114336793B (zh) | 交直流混合配电网灵活性确定方法 | |
CN113408101B (zh) | 一种负荷序列模拟方法、装置 | |
CN111611548B (zh) | 一种光伏电站典型年等效利用时间的测算方法 | |
CN116976060B (zh) | 分布式新能源集群-负荷-网络动态重构的灵活组网方法 | |
CN112163696B (zh) | 基于水文指数的电力系统稳定性预测方法及装置 | |
CN112507597B (zh) | 基于多簇粒子滤波的多端柔性直流输电系统状态评估方法 | |
CN111914205B (zh) | 台区理论线损计算方法、装置和日负荷曲线计算方法 | |
CN113193568A (zh) | 基于功率谱密度的配置优化的方法、系统及装置 |
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 |