CN117878943A - 一种光伏微电网实时充电调度方法及系统 - Google Patents
一种光伏微电网实时充电调度方法及系统 Download PDFInfo
- Publication number
- CN117878943A CN117878943A CN202311795757.XA CN202311795757A CN117878943A CN 117878943 A CN117878943 A CN 117878943A CN 202311795757 A CN202311795757 A CN 202311795757A CN 117878943 A CN117878943 A CN 117878943A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- weather
- data point
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010248 power generation Methods 0.000 claims abstract description 47
- 239000003990 capacitor Substances 0.000 claims description 12
- 230000003203 everyday effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及充电调度技术领域,具体涉及一种光伏微电网实时充电调度方法及系统。该方法包括:获取气象特征数据以及发电功率的时间序列;根据数据点与时间序列其余数据点的数据值差异获取偏差程度和局部变化特征值;基于此获取数据点的突兀性;获取特征曲线和发电功率变化曲线;根据曲线相关性和数据点的突兀性获取最终关联性;根据当前天的最终关联性以及同类气象特征数据的差异获取天气相似性;获取预测时刻,根据历史每天的预测时刻和天气相似性获取第一发电功率预测值,根据当天当前时刻的不同特征数据获取第二发电功率预测值,以此获取最终预测值;根据最终预测值进行充电调度。本发明提高了光伏微电网实时充电调度效率与精度。
Description
技术领域
本发明涉及充电调度技术领域,具体涉及一种光伏微电网实时充电调度方法及系统。
背景技术
光伏微电网是利用光伏发电技术建立的小型独立电力系统,通常包括光伏阵列、储能设备、逆变器以及相关的控制与管理系统。它可以独立运行并供电给特定的区域或建筑物,如农村地区、岛屿、偏远地区或建筑物的微型电网。光伏微电网中的光伏发电功率预测是光伏微电网进行充电调度的至关重要的环节,其预测精度直接影响了光伏发电功率的调度效率与经济运行效果,而光伏微电网易受到外部天气的影响导致预测精度较低。
发明内容
为了解决预测精度较低的技术问题,本发明提供了一种光伏微电网实时充电调度方法及系统,所采用的技术方案具体如下:
第一方面,本发明提出了一种光伏微电网实时充电调度方法,该方法包括以下步骤:
获取历史每天不同的气象特征数据以及发电功率的时间序列;
对于每个时间序列,根据时间序列中数据点的数据值与周围数据点的数据值差异以及数据点的数据值与最大数据值的差异获取数据点的偏差程度和局部变化特征值;根据数据点的偏差程度和局部变化特征值获取数据点的突兀性;
根据每类气象特征数据和发电功率的时间序列获取每类特征曲线和发电功率变化曲线;根据每类特征曲线和发电功率变化曲线的相关性以及每个数据点的突兀性获取每类气象特征数据与光伏微电网的最终关联性;获取当前天的所有时间序列,根据每一类特征数据与光伏微电网的最终关联性以及历史中每一天每一类气象特征数据与当前天相同类的气象特征数据的数据值差异获取当前天与历史每天的天气相似性;
将当前天的当前时刻的下一个时刻记为预测时刻,根据历史所有预测时刻的功率数值以及当前天与历史每天的天气相似性获取当前天的第一发电功率预测值;根据当前时刻的功率数值以及不同类气象特征数据的特征获取当前天的第二发电功率预测值;将第一当前天的第一发电功率预测值和第二发电功率预测值的均值作为当前时刻的最终预测值;
根据当前时刻的最终预测值进行实时发电功率的充电调度。
优选的,所述根据时间序列中数据点的数据值与周围数据点的数据值差异以及数据点的数据值与最大数据值的差异获取数据点的偏差程度和局部变化特征值的方法为:
将时间序列中的任意一个数据点记为目标数据点,将目标数据点的灰度值与时间序列内的最大灰度值作差记为第一差值,将第一差值的绝对值与目标数据点的灰度值的比值作为目标数据点的偏差程度;
将目标数据点的前一时刻数据点记为第一数据点,将目标数据点的后一时刻数据点记为第二数据点,将目标数据点与第一数据点的灰度值作差取绝对值记为第一绝对值,将目标数据点与第二数据点的灰度值作差取绝对值记为第二绝对值,将第一数据点与第二数据点的灰度值作差取绝对值记为第三绝对值;
令第一绝对值与第二绝对值的差值记为第二差值,将第二差值与第三绝对值的和的绝对值记为第四绝对值,第四绝对值与目标数据点灰度值的比值作为目标数据点的局部变化特征值。
优选的,所述根据数据点的偏差程度和局部变化特征值获取数据点的突兀性的方法为:
将目标数据点的偏差程度和局部变化特征值的乘积进行线性归一化后得到目标数据点的突兀期望值;
在目标数据点周围选取预设数量的相邻数据点,将相邻数据点的突兀期望值大于预设阈值的相邻数据点作为目标数据点的特征数据点;将特征数据点的数量和相邻数据点的数量的比值记为第一数量,将特征数据点的突兀期望值累加,将累加和与第一数量的乘积记为目标数据点的突兀性。
优选的,所述根据每类特征曲线和发电功率变化曲线的相关性以及每个数据点的突兀性获取每类气象特征数据与光伏微电网的最终关联性的方法为:
式中,XG(Q)表示Q类气象特征数据对应的特征曲线与发电功率变化曲线的皮尔逊相关系数,TWa(Q)表示Q类气象特征数据中第a个气象数据点的突兀性,TWa(P)示发电功率变化曲线中第a个功率数据点的突兀性,exp()表示以自然常数为底的指数函数,N表示每天采集的数据的数量,GL(Q)表示Q类气象特征数据与光伏微电网的关联性;
对于每一类的气象特征数据,在历史所有天的关联性中将关联性最大值作为此类气象特征数据与光伏微电网的最终关联性。
优选的,所述根据每一类特征数据与光伏微电网的最终关联性以及历史中每一天每一类气象特征数据与当前天相同类的气象特征数据的数据值差异获取当前天与历史每天的天气相似性的方法为:
式中,Qv(0)表示当前天Q类气象特征数据对应的时间序列中第v个气象数据点的气象特征数据值,Qv(t)表示历史第t天Q类气象特征数据对应的时间序列中第v个气象数据点的气象特征数据值,L表示当前天所采集的发电功率数据,S(t)表示当前天与历史第t天的数据差异,Sc(t)表示第c类气象特征数据在当前天与历史第t天的数据差异,GL1c表示第c类气象特征数据与光伏微电网的最终关联性,O表示气象特征数据的种类的数量,XSt表示历史第t天与当前天的天气相似性。
优选的,所述根据历史所有预测时刻的功率数值以及当前天与历史每天的天气相似性获取当前天的第一发电功率预测值的方法为:
令历史中每天记为期望天,将当前天与期望天的天气相似性记为第一相似性,将所有期望天的功率数值与第一相似性的乘积求均值作为当前天的第一发电功率预测值。
优选的,所述根据当前时刻的功率数值以及不同类气象特征数据的特征获取当前天的第二发电功率预测值的方法为:
将当前时刻记为目标时刻,将目标时刻与其前一个时刻的气象数据值作差取绝对值后的值与目标时刻的气象数据值的比值作为目标时刻的数据变化率;
计算当前天每一类气象特征数据对应的特征曲线与发电功率变化曲线的皮尔逊相关系数,若相关系数为正数,符号调节因子为1,若相关系数为负数,符号调节因子为-1;
根据目标时刻的数据变化率、功率数值、符号调节因子、每类气象特征数据与光伏微电网的最终关联性获取当前天的第二发电功率预测值。
优选的,所述根据目标时刻的数据变化率、功率数值、符号调节因子、每类气象特征数据与光伏微电网的最终关联性获取当前天的第二发电功率预测值的方法为:
式中,P1表示当前天目标时刻的功率数值,εc表示第c类气象特征数据对应的符号调节因子,GL1c表示当前天第c类气象特征数据与光伏微电网的最终关联性,Kc表示当前天第c类气象特征数据在目标时刻的数据变化率,O表示气象特征数据的种类的数量,P2(Y)表示当前天的第二发电功率预测值。
优选的,所述根据当前时刻的最终预测值进行实时发电功率的充电调度的方法为:
统计光伏微电网中的负荷数量、负荷对应的运行功率以及电容器的数量;
将光伏微电网中的负荷数量、负荷对应的运行功率、电容器的数量以及发电功率的最终预测值作为输入使用粒子群优化算法获取每个负荷及每个电容器所分配到的充电功率值,根据充电功率值进行实时发电功率的充电调度。
第二方面,本发明实施例还提供了一种光伏微电网实时充电调度系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述一种光伏微电网实时充电调度方法的步骤。
本发明具有如下有益效果:本发明中通过对光伏微电网的相关数据进行采集,将光伏微电网相关数据进行分割成不同天所对应的数据,通过对气象特征数据在时序上的变化构建气象特征数据中数据点的突兀性,并进行突兀性的调节,基于调节后数据点的突兀性与数据点对应的发电功率的变化构建气象特征数据与发电功率之间的关联性,并基于关联性自适应构建天气相似性。并基于天气相似性与关联性完成实时发电功率的预测,提高了预测精度。并通过粒子群优化算法完成实时充电调度,提高了光伏微电网实时充电调度效率与精度。提高了系统运行效率,降低了资源浪费。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种光伏微电网实时充电调度方法流程图;
图2为本发明一个实施例所提供的一种光伏微电网实时充电调度方法实施流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种光伏微电网实时充电调度方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种光伏微电网实时充电调度方法及系统实施例:
下面结合附图具体的说明本发明所提供的一种光伏微电网实时充电调度方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种光伏微电网实时充电调度方法流程图,该方法包括以下步骤:
步骤S001,获取历史每天不同的气象特征数据以及发电功率的时间序列。
在本实施例中使用不同的传感器采集光伏微电网的发电功率以及不同的气象特征数据,在本实施例以温度、湿度、风速、太阳辐照度为例进行说明,其中所采集的所有数据都一天为单位进行划分,每次经过1分钟采集一次数据,由此获取了不同气象特征数据以及发电功率在每一天的时间序列。
至此,获取了历史每一天的采集数据。
步骤S002,对于每个时间序列,根据时间序列中数据点的数据值与周围数据点的数据值差异以及数据点的数据值与最大数据值的差异获取数据点的偏差程度和局部变化特征值;根据数据点的偏差程度和局部变化特征值获取数据点的突兀性。
光伏微电网的核心是光伏阵列,它将太阳能转化为直流电。通过逆变器,直流电可以被转换成交流电,以满足电力需求。同时为了解决光伏发电的不稳定性和间歇性,光伏微电网还会配备储能设备,如电池组或超级电容器,用于储存多余的电力,并在需要时释放出来。即当有负荷接入光伏微电网时,光伏微电网优先给负荷进行供电,剩余电力则储存在电池组或超级电容器内,而当光伏微电网的发电功率无法满足负荷要求时,未满足部分电力则由电池组或超级电容器提供,以便于负荷能够正常运行。
根据上述描述可知,光伏微电网中的光伏发电功率预测是光伏微电网进行充电调度的至关重要的环节,其预测精度直接影响了光伏发电功率的调度效率与经济运行效果。对光伏发电功率进行准确预测,有利于光伏微电网的经济运行,同时可有效指导光伏微电网的优化调度。
对于每一天采集的所有时间序列,对于其中的一个时间序列,统计时间序列中出现频率最大的数据值,根据时间序列中气象数据点的气象特征数据值与出现频率最大的气象特征数据值获取气象数据点的偏差程度,公式如下:
式中,Qa表示Q类气象特征数据对应的时间序列中第a个气象数据点的气象特征数据值,Qmax表示Q类气象特征数据对应的时间序列中出现频率最大的气象特征数据值,Aa(Q)表示Q类气象特征数据对应的时间序列中第a个气象数据点的偏差程度。其中气象数据点的数据值与出现频率最大的气象特征数据值的差异越大,则说明气象数据点和整体数据的偏差越大,突兀性越大。
根据时间序列中气象数据点的气象特征数据值与其前后气象数据点的气象特征数据值的差异获取气象数据点的局部变化特征值,公式如下:
式中,Qa表示Q类气象特征数据对应的时间序列中第a个气象数据点的气象特征数据值,Qa-1表示Q类气象特征数据对应的时间序列中第a-1个气象数据点的气象特征数据值,Qa+1表示Q类气象特征数据对应的时间序列中第a+1个气象数据点的气象特征数据值,Ba(Q)表示Q类气象特征数据对应的时间序列中第a个气象数据点的局部变化特征值。其中,|Qa-Qa-1|-|Qa-Qa+1|的差异越大,则说明气象数据点a的邻近气象特征数据值变化越大,其对应的气象数据点突兀性越大。
将每个气象数据点的偏差程度和每个气象数据点的局部变化特征值相乘,并将乘积使用线性归一化获取每个气象数据点的突兀期望值。对于每个气象数据点,以气象数据点的为中心,在其前后各取预设数量个气象数据点,在本实施例中,令预设数量为5;在所取的气象数据点中令突兀期望值大于预设阈值的气象数据点记为特征数据点,其中预设阈值记为0.6。由于气象特征数据对光伏微电网造成影响时,往往为较长的时间,即孤立的数据点突兀性较大,而得到的突兀性较大的气象数据点的局部范围内气象数据点突兀性也较大。因此通过每个气象数据点周围的气象数据点的突兀期望值获取气象数据点的突兀性,公式如下:
式中,Ei表示第i个气象数据点的突兀期望值,ma表示第a个气象数据点对应的特征数据点的数量,TWa表示第a个气象数据点的突兀性。其中突兀性越大,对光伏微电网发电功率造成的影响也越大。气象数据点的突兀性越大,则说明气象数据点越可能为异常数据,其在进行后续气象特征数据之间的关联性分析时,其所对应的权重越小。
同理,对于发电功率对应的时间序列,也使用上述方法获取每个功率数据点的突兀性。
至此,得到了每个气象数据点和功率数据点的突兀性。
步骤S003,根据每类气象特征数据和发电功率的时间序列获取每类特征曲线和发电功率变化曲线;根据每类特征曲线和发电功率变化曲线的相关性以及每个数据点的突兀性获取每类气象特征数据与光伏微电网的最终关联性;获取当前天的所有时间序列,根据每一类特征数据与光伏微电网的最终关联性以及历史中每一天每一类气象特征数据与当前天相同类的气象特征数据的数据值差异获取当前天与历史每天的天气相似性。
根据上述步骤对Q类气象特征数据的气象数据点均获取的突兀性,通过气象特征数据的气象数据点的局部变化与光伏微电网的发电功率变化构建气象特征数据与光伏微电网的关联性GL,对于每一天所采集的数据,其中每一类气象特征数据对应的时间序列可以得到特征曲线,特征曲线的横坐标为时间,纵坐标为该类气象数据点的数据值;同理获取光伏微电网在该天的发电功率变化曲线,曲线的横坐标为时间,纵坐标为发电功率,计算每一类气象特征数据与发电功率变化曲线的皮尔逊相关系数,根据两条曲线的皮尔逊相关系数和两条曲线上每个数据点的突兀性差异获取此类气象特征数据与光伏微电网的关联性,公式如下:
式中,XG(Q)表示Q类气象特征数据对应的特征曲线与发电功率变化曲线的皮尔逊相关系数,TWa(Q)表示Q类气象特征数据中第a个气象数据点的突兀性,TWa(P)示发电功率变化曲线中第a个功率数据点的突兀性,exp()表示以自然常数为底的指数函数,N表示每天采集的数据的数量,GL(Q)表示Q类气象特征数据与光伏微电网的关联性。
根据上述步骤对所有类气象特征数据进行分析,得到其与光伏微电网发电功率的关联性,由于不同天气象特征数据不一样,故获取到的关联性也有很多个。在本实施例中将所有天的关联性最大值对应的气象特征数据与光伏微电网的关联性记为此类气象特征数据与光伏微电网的最终关联性。
根据上述步骤得到了每一类气象特征数据与光伏微电网的最终关联性,由于本实施例为对光伏微电网的实时充电进行调度,因此获取当前天的时序序列记为目标时序序列,所述目标时序序列为从每天开始的0点到当前时刻构成的时序序列。根据历史中每一天的每一类气象特征数据与当前天此类的气象特征数据的数据值差异以及此类气象特征数据与光伏微电网的最终关联性获取当前天与历史某天的天气相似性,公式如下:
式中,Qv(0)表示当前天Q类气象特征数据对应的时间序列中第v个气象数据点的气象特征数据值,Qv(t)表示历史第t天Q类气象特征数据对应的时间序列中第v个气象数据点的气象特征数据值,L表示当前天所采集的发电功率数据,S(t)表示当前天与历史第t天的数据差异,Sc(t)表示第c类气象特征数据在当前天与历史第t天的数据差异,GL1c表示第c类气象特征数据与光伏微电网的最终关联性,O表示气象特征数据的种类的数量,XSt表示历史第t天与当前天的天气相似性。其中当前天与历史第t天的数据差异越大,两天的相似性越小。
至此,获取了当前天与历史某天的天气相似性。
步骤S004,将当前天的当前时刻的下一个时刻记为预测时刻,根据历史所有预测时刻的功率数值以及当前天与历史每天的天气相似性获取当前天的第一发电功率预测值;根据当前时刻的功率数值以及不同类气象特征数据的特征获取当前天的第二发电功率预测值;将第一当前天的第一发电功率预测值和第二发电功率预测值的均值作为当前时刻的最终预测值。
根据上述步骤获取当前天与历史每天的天气相似性,而天气相似性越大,则说明其所对应的预测权重因子越大,将当前天中当前时刻的下一个时刻记为预测时刻,因此可基于当前天与历史每天的天气相似性以及历史每天的预测时刻对应的功率数据获取当前天的第一发电功率预测值,公式如下:
式中,Pt表示历史第t天在预测时刻的功率数值,XSt表示历史第t天与当前天的天气相似性,M表示所采集的历史数据的天数,P1(Y)表示当前天的第一发电功率预测值。当前天的第一发电功率预测值是通过历史上当前时刻的数据对当天此时刻的数据的预测,然而只通过历史数据进行预测不够精确,还需要通过其自身的数据进行预测。
将当天预测时刻的前一个时刻记为目标时刻,对于每一类气象特征数据,将目标时刻与其前一个时刻的气象数据值作差取绝对值后的值与目标时刻的气象数据值的比值作为目标时刻的数据变化率;对于当前天,计算当前天的Q类气象特征数据对应的特征曲线与发电功率变化曲线的皮尔逊相关系数,若所述相关系数为正数,设定符号调节因子为1,若所述相关系数为负数,设定符号调节因子为-1。
根据当前天的所有类气象特征数据与光伏微电网的最终关联性、所有类气象特征数据在目标时刻的数据变化率以及目标时刻的功率数值获取当前天的第二发电功率预测值,公式如下:
式中,P1表示当前天目标时刻的功率数值,εc表示第c类气象特征数据对应的符号调节因子,GL1c表示当前天第c类气象特征数据与光伏微电网的最终关联性,Kc表示当前天第c类气象特征数据在目标时刻的数据变化率,O表示气象特征数据的种类的数量,P2(Y)表示当前天的第二发电功率预测值。
取当前天的第一发电功率预测值和第二发电功率预测值的均值作为当前天预测时刻的最终预测值。
至此,获取了最终预测值。
步骤S005,根据当前时刻的最终预测值进行实时发电功率的充电调度。
根据上述步骤获取了发电功率的最终预测值,统计光伏微电网中的负荷数量、负荷对应的运行功率以及电容器的数量,将光伏微电网中的负荷数量、负荷对应的运行功率、电容器的数量以及发电功率的最终预测值作为输入使用粒子群优化算法获取每个负荷及每个电容器所分配到的充电功率值,基于获取到的充电功率值进行实时发电功率的充电调度。提高了系统运行效率,降低了资源浪费,所述获取充电调度的实施流程如图2所示。
本实施例提供一种光伏微电网实时充电调度系统,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现上述步骤S001至步骤S005的方法。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种光伏微电网实时充电调度方法,其特征在于,该方法包括以下步骤:
获取历史每天不同的气象特征数据以及发电功率的时间序列;
对于每个时间序列,根据时间序列中数据点的数据值与周围数据点的数据值差异以及数据点的数据值与最大数据值的差异获取数据点的偏差程度和局部变化特征值;根据数据点的偏差程度和局部变化特征值获取数据点的突兀性;
根据每类气象特征数据和发电功率的时间序列获取每类特征曲线和发电功率变化曲线;根据每类特征曲线和发电功率变化曲线的相关性以及每个数据点的突兀性获取每类气象特征数据与光伏微电网的最终关联性;获取当前天的所有时间序列,根据每一类特征数据与光伏微电网的最终关联性以及历史中每一天每一类气象特征数据与当前天相同类的气象特征数据的数据值差异获取当前天与历史每天的天气相似性;
将当前天的当前时刻的下一个时刻记为预测时刻,根据历史所有预测时刻的功率数值以及当前天与历史每天的天气相似性获取当前天的第一发电功率预测值;根据当前时刻的功率数值以及不同类气象特征数据的特征获取当前天的第二发电功率预测值;将第一当前天的第一发电功率预测值和第二发电功率预测值的均值作为当前时刻的最终预测值;
根据当前时刻的最终预测值进行实时发电功率的充电调度。
2.如权利要求1所述的一种光伏微电网实时充电调度方法,其特征在于,所述根据时间序列中数据点的数据值与周围数据点的数据值差异以及数据点的数据值与最大数据值的差异获取数据点的偏差程度和局部变化特征值的方法为:
将时间序列中的任意一个数据点记为目标数据点,将目标数据点的灰度值与时间序列内的最大灰度值作差记为第一差值,将第一差值的绝对值与目标数据点的灰度值的比值作为目标数据点的偏差程度;
将目标数据点的前一时刻数据点记为第一数据点,将目标数据点的后一时刻数据点记为第二数据点,将目标数据点与第一数据点的灰度值作差取绝对值记为第一绝对值,将目标数据点与第二数据点的灰度值作差取绝对值记为第二绝对值,将第一数据点与第二数据点的灰度值作差取绝对值记为第三绝对值;
令第一绝对值与第二绝对值的差值记为第二差值,将第二差值与第三绝对值的和的绝对值记为第四绝对值,第四绝对值与目标数据点灰度值的比值作为目标数据点的局部变化特征值。
3.如权利要求2所述的一种光伏微电网实时充电调度方法,其特征在于,所述根据数据点的偏差程度和局部变化特征值获取数据点的突兀性的方法为:
将目标数据点的偏差程度和局部变化特征值的乘积进行线性归一化后得到目标数据点的突兀期望值;
在目标数据点周围选取预设数量的相邻数据点,将相邻数据点的突兀期望值大于预设阈值的相邻数据点作为目标数据点的特征数据点;将特征数据点的数量和相邻数据点的数量的比值记为第一数量,将特征数据点的突兀期望值累加,将累加和与第一数量的乘积记为目标数据点的突兀性。
4.如权利要求1所述的一种光伏微电网实时充电调度方法,其特征在于,所述根据每类特征曲线和发电功率变化曲线的相关性以及每个数据点的突兀性获取每类气象特征数据与光伏微电网的最终关联性的方法为:
式中,XG(Q)表示Q类气象特征数据对应的特征曲线与发电功率变化曲线的皮尔逊相关系数,TWa(Q)表示Q类气象特征数据中第a个气象数据点的突兀性,TWa(P)示发电功率变化曲线中第a个功率数据点的突兀性,exp()表示以自然常数为底的指数函数,N表示每天采集的数据的数量,GL(Q)表示Q类气象特征数据与光伏微电网的关联性;
对于每一类的气象特征数据,在历史所有天的关联性中将关联性最大值作为此类气象特征数据与光伏微电网的最终关联性。
5.如权利要求1所述的一种光伏微电网实时充电调度方法,其特征在于,所述根据每一类特征数据与光伏微电网的最终关联性以及历史中每一天每一类气象特征数据与当前天相同类的气象特征数据的数据值差异获取当前天与历史每天的天气相似性的方法为:
式中,Qv(0)表示当前天Q类气象特征数据对应的时间序列中第v个气象数据点的气象特征数据值,Qv(t)表示历史第t天Q类气象特征数据对应的时间序列中第v个气象数据点的气象特征数据值,L表示当前天所采集的发电功率数据,S(t)表示当前天与历史第t天的数据差异,Sc(t)表示第c类气象特征数据在当前天与历史第t天的数据差异,GL1c表示第c类气象特征数据与光伏微电网的最终关联性,O表示气象特征数据的种类的数量,XSt表示历史第t天与当前天的天气相似性。
6.如权利要求1所述的一种光伏微电网实时充电调度方法,其特征在于,所述根据历史所有预测时刻的功率数值以及当前天与历史每天的天气相似性获取当前天的第一发电功率预测值的方法为:
令历史中每天记为期望天,将当前天与期望天的天气相似性记为第一相似性,将所有期望天的功率数值与第一相似性的乘积求均值作为当前天的第一发电功率预测值。
7.如权利要求1所述的一种光伏微电网实时充电调度方法,其特征在于,所述根据当前时刻的功率数值以及不同类气象特征数据的特征获取当前天的第二发电功率预测值的方法为:
将当前时刻记为目标时刻,将目标时刻与其前一个时刻的气象数据值作差取绝对值后的值与目标时刻的气象数据值的比值作为目标时刻的数据变化率;
计算当前天每一类气象特征数据对应的特征曲线与发电功率变化曲线的皮尔逊相关系数,若相关系数为正数,符号调节因子为1,若相关系数为负数,符号调节因子为-1;
根据目标时刻的数据变化率、功率数值、符号调节因子、每类气象特征数据与光伏微电网的最终关联性获取当前天的第二发电功率预测值。
8.如权利要求7所述的一种光伏微电网实时充电调度方法,其特征在于,所述根据目标时刻的数据变化率、功率数值、符号调节因子、每类气象特征数据与光伏微电网的最终关联性获取当前天的第二发电功率预测值的方法为:
式中,P1表示当前天目标时刻的功率数值,εc表示第c类气象特征数据对应的符号调节因子,GL1c表示当前天第c类气象特征数据与光伏微电网的最终关联性,Kc表示当前天第c类气象特征数据在目标时刻的数据变化率,O表示气象特征数据的种类的数量,P2(Y)表示当前天的第二发电功率预测值。
9.如权利要求1所述的一种光伏微电网实时充电调度方法,其特征在于,所述根据当前时刻的最终预测值进行实时发电功率的充电调度的方法为:
统计光伏微电网中的负荷数量、负荷对应的运行功率以及电容器的数量;
将光伏微电网中的负荷数量、负荷对应的运行功率、电容器的数量以及发电功率的最终预测值作为输入使用粒子群优化算法获取每个负荷及每个电容器所分配到的充电功率值,根据充电功率值进行实时发电功率的充电调度。
10.一种光伏微电网实时充电调度系统,包括存储器、处理器以及存储在所述存储器中并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计算机程序时实现如权利要求1-9任意一项所述一种光伏微电网实时充电调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311795757.XA CN117878943A (zh) | 2023-12-25 | 2023-12-25 | 一种光伏微电网实时充电调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311795757.XA CN117878943A (zh) | 2023-12-25 | 2023-12-25 | 一种光伏微电网实时充电调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117878943A true CN117878943A (zh) | 2024-04-12 |
Family
ID=90595846
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311795757.XA Pending CN117878943A (zh) | 2023-12-25 | 2023-12-25 | 一种光伏微电网实时充电调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117878943A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180375334A1 (en) * | 2017-06-26 | 2018-12-27 | Tsinghua University | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
CN111404193A (zh) * | 2019-12-05 | 2020-07-10 | 杭州电子科技大学 | 一种基于数据驱动的微电网随机鲁棒优化调度方法 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN114897129A (zh) * | 2022-03-24 | 2022-08-12 | 华北电力大学 | 一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法 |
WO2023216576A1 (zh) * | 2022-05-13 | 2023-11-16 | 中国电力科学研究院有限公司 | 一种光伏发电短期功率预测方法和系统 |
-
2023
- 2023-12-25 CN CN202311795757.XA patent/CN117878943A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180375334A1 (en) * | 2017-06-26 | 2018-12-27 | Tsinghua University | Method and apparatus for photovoltaic power forecast based on numerical weather prediction |
CN111404193A (zh) * | 2019-12-05 | 2020-07-10 | 杭州电子科技大学 | 一种基于数据驱动的微电网随机鲁棒优化调度方法 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN114897129A (zh) * | 2022-03-24 | 2022-08-12 | 华北电力大学 | 一种基于日相似聚类与Kmeans-GRA-LSTM的光伏电站短期功率预测方法 |
WO2023216576A1 (zh) * | 2022-05-13 | 2023-11-16 | 中国电力科学研究院有限公司 | 一种光伏发电短期功率预测方法和系统 |
Non-Patent Citations (2)
Title |
---|
CHEN HAILANG: "Photovoltaic power prediction of LSTM model based on Pearson feature selection", 《ENERGYREPORTS, 》, 31 December 2021 (2021-12-31), pages 1047 - 1054 * |
刘佳林: "基于相似日理论和PCA-IPSO-Elman模型的短期光伏发电功率预测研究", 《中国优秀硕士学位论文全文数据库》, 15 April 2020 (2020-04-15), pages 042 - 235 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN114938035B (zh) | 考虑储能退化成本的共享储能能量调度方法及系统 | |
Park et al. | Multi-layer RNN-based short-term photovoltaic power forecasting using IoT dataset | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN112348287A (zh) | 基于lstm分位数回归的电力系统短期负荷概率密度预测方法 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN116418001A (zh) | 应对新能源不确定性的水库群多能互补调度方法与系统 | |
Tavares et al. | Comparison of PV power generation forecasting in a residential building using ANN and DNN | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
CN113270898A (zh) | 一种基于两阶段规划的分布式光伏优化配置方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN117878943A (zh) | 一种光伏微电网实时充电调度方法及系统 | |
CN116307511A (zh) | 一种园区电网储能配置方法、装置、设备及介质 | |
CN115860190A (zh) | 负荷检测模型的训练、用电负荷的检测方法及相关装置 | |
CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 | |
CN112003279B (zh) | 层次化微电网新能源消纳能力的评估方法 | |
CN114530872A (zh) | 一种多边共享的储能优化配置及其成本分摊方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
CN112348235A (zh) | 风光母线负荷自适应预测方法、装置、计算机设备 | |
CN111652449A (zh) | 一种基于条件随机场模型预测短期光伏发电系统发电量的系统模型 | |
CN116108357B (zh) | 考虑调节能力差异性的电解铝fcm聚类方法及系统 | |
CN109447423B (zh) | 液流电池储能多阶段综合能效评估方法 | |
CN117277355B (zh) | 一种智慧监测数据的输电方法及系统 | |
CN112491093B (zh) | 一种量化广域可控资源日内灵活安全裕度的方法 |
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 |