CN117993739B - 基于数据去噪和补点修正的光伏出力超短期预测方法 - Google Patents
基于数据去噪和补点修正的光伏出力超短期预测方法 Download PDFInfo
- Publication number
- CN117993739B CN117993739B CN202410396465.7A CN202410396465A CN117993739B CN 117993739 B CN117993739 B CN 117993739B CN 202410396465 A CN202410396465 A CN 202410396465A CN 117993739 B CN117993739 B CN 117993739B
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic output
- points
- corrected
- point
- 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 71
- 238000012937 correction Methods 0.000 title claims abstract description 52
- 230000002159 abnormal effect Effects 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 238000010248 power generation Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于数据去噪和补点修正的光伏出力超短期预测方法，涉及新能源电力设备控制技术领域。包括使用数学形态学去噪方法对原始数据进行预处理，区分正常数据和异常数据；使用二分之一补点修正法对异常数据点进行修正补全，得到满足输入要求的数据；采用皮尔逊相关系数对原始数据进行计算，筛选出影响光伏出力的关键外部气象因素，外部气象因素包括辐照度、温度、湿度、风力与雨雪；采用不同的预测模型，利用控制变量法进行光伏出力超短期预测。本发明可以有效提高对原始数据中异常数据提取与修正能力，同时也提高了光伏出力超短期预测的准确度。
Description
技术领域
本发明涉及新能源电力设备控制技术领域，具体为一种基于数据去噪和补点修正的光伏出力超短期预测方法。
背景技术
为应对化石能源枯竭及全球气候变化带来的威胁，实现双碳目标，风电、光伏等可再生能源接入电网的比例不断提高。其中，光伏发电作为将太阳能转化为电能的最主要方式，得到快速发展。然而，光伏发电的间歇性及波动性严重影响着电网的稳定运行，继而也会影响对电网的经济性。因此，对于光伏发电的预测是未来新型电力系统研究的重要内容之一，光伏发电的超短期预测方法更是研究的热点之一。
在光伏发电预测的相关研究中，对于采集到的原始数据，会有很多原因影响数据质量，例如采集设备故障，周围电磁干扰，人为记录出错等，均会导致采集到的数据不连续或者偏离理论阈值等。为此，需要对原始数据进行一系列的预处理，达到满足光伏出力预测的要求。目前，对于光伏数据的预处理主要有数据清洗、数据提取和数据平滑等方法，因此可以根据原始数据集的特点及需求，选择不同的方法或几种方法的联合来对数据进行预处理。后续步骤根据基础数据来源不同，可分为基于历史功率数据的预测法、考虑未来气象因素的数据预测法及基于云观测数据预测法和多种数据组合的预测法。但是现有的针对目前新型电力系统中光伏出力超短期出力预测方法，依旧存在预测的精确度低、异常数据的提取与修正能力还不够的缺陷，因此需要改进这些问题。
发明内容
本发明为了解决现有的针对新型电力系统中光伏出力超短期出力预测方法，依旧存在预测的精确度低、异常数据的提取与修正能力还不够的缺陷，提供了一种基于数据去噪和补点修正（mathematical morphology denoising-one-half complementary pointcorrection method，MMD-OHCP）的光伏出力超短期预测方法。
本发明是通过如下技术方案来实现的：一种基于数据去噪和补点修正的光伏出力超短期预测方法，包括如下步骤：
S1：使用数学形态学去噪方法对原始数据进行预处理，原始数据包括光伏出力数据与气象数据，为光伏出力数据区分正常数据和异常数据；数学形态学去噪（mathematicalmorphology denoising，MMD）是指利用一个特定大小的结构元素，在二值图像上进行移动，通过两者的开运算和闭运算等，达到对该图像去噪的效果；具体如下：
S1-1：构建基于原始数据的二值图像，具体为：
S1-1-1：将原始数据中气象数据与光伏出力数据提取出来，记为，其中
和分别表示气象数据与光伏出力数据，对分别进行归一化处理，消除量纲的影响，得
到数据集，其中的元素记为，对数据进行归一化处理的公式为：
式中：为原始数据样本点，分别表示的最大值和最小值，，m为样本点个数；
S1-1-2：对归一化后的数据集进行整数化处理，得到在一定整数范围内
变化的整数集合，利用以下公式对数据进行整数化处理：
式中：和为进行整数化的倍数，为向0取整函数，其中为
不大于x的最大整数；
S1-1-3：构建一个的二维矩阵A，令，，m为样本
点个数，其余元素为0，得到一个包含原始数据集D的二值矩阵A，然后将二值矩阵A绘制为二
值图像；
S1-2：对二值图像进行去噪处理，具体为：
S1-2-1：根据二值图像A，选取匹配的结构元素B；
S1-2-2：使用一定形状和大小的结构元素B对二值图像A进行腐蚀运算，得到新的
图像集合；
S1-2-3：将结构元素的半径增加s个单位后，利用新的结构元素对集合进行膨胀
运算，得到新的图像集合，即为正常数据；图像集合之外的数据为异常数据，后续对这
部分数据进行修正。
S2：使用二分之一补点修正法对步骤S1筛出的异常数据进行修正补全，得到满足输入要求的数据；二分之一补点修正法（one-half complementary point correctionmethod，OHCP），该方法利用平均值修正法和插值方法，对数据的每一个异常数据片段进行逐一判断，并进行修正，最后加入误差修正系数进行误差修正，得到最终的结果，具体如下：
S2-1：首先判断原始数据集的数据是否为异常数据，且判断是否需要修正，若为异常数据并需要修正则继续，否则结束；
S2-2：继续判断该需要修正的数据点的下一个数据点是否也要进行修正，若需要则一直重复该操作直到下一个数据点不需要修正为止；若仅有一个数据点需要修正，则通过求取该数据点两侧数据的平均值即为该点的修正值；
S2-3：若判断出至少有连续2个及以上的数据点需要修正，则先判断数据点的个数
是否为偶数，若为偶数，则一分为二，若为奇数则减去中间点后一分为二；两部分数据点分
别记为；
S2-4：将步骤S2-3所得的数据点利用线性插值的方法从右往左进行修正，修正
公式为：
式中：和分别表示待修正数据点右侧第一个和第二个正常数值；
剩余的数据点按照步骤S2-3继续一分为二，得到两部分数据点，对数据
点从左往右进行修正，修正公式为：
式中：和分别表示待修正数据点左侧第一个和第二个正常数值；
对数据点按照步骤S2-3继续一分为二，依方法左右轮流进行修正数据，得到一
系列修正值记为，n为异常点个数；
S2-5：按照步骤S2-1至S2-4的方法补全之后的数据依旧存在误差，利用以下误差
修正公式进行误差修正，得到最终结果，n为异常点个数；
式中：为对应的异常数据片段修正后数据的平均值，是经过数据修正之后待误
差修正的数据，，n为异常点个数；
S2-6：对于存在孤立正常数据点的情况，由于仅一个正常数据点不具有有效性，故将该点删除，将周围异常数据点作为一个异常数据区间按照步骤S2-3至S2-5进行处理。
S3：采用皮尔逊相关系数对原始数据中的气象数据进行计算，筛选出影响光伏出力的关键外部气象因素，外部气象因素包括风速、温度、相对湿度、光照强度、散射辐射与风向；具体如下：
利用皮尔逊相关系数衡量光伏出力与各外部气象因素之间的相关程度，
即：
式中：和分别为光伏电站样本c修正之后的光伏出力和原始各气象因素样本
点；和分别为和的平均值；c为样本数；
通过皮尔逊相关性公式对光伏数据进行分析，取的气象因素作为判
断影响光伏出力的关键气象因素的判据，得到与光伏出力相关性最大的三个关键环境因
素，即光照强度、温度、湿度，即特征向量。
S4：采用不同的预测模型，利用控制变量法进行光伏出力超短期预测，提高光伏出力超短期预测的准确度，具体如下：首先将修正之后的功率数据和气象数据按照8:2分为训练集和预测集，得到训练集功率数据、训练集气象数据、预测集功率数据和预测集气象数据；之后，使用训练集中的功率数据和气象数据的特征变量对模型进行训练，直到达到最大迭代次数为止；最后将预测集的气象数据输入到预测模型中，得到各模型的预测结果。
进一步的，所述神经网络为BP神经网络、XG-Boost神经网络、LSTM神经网络。BP神经网络是一种常用于数据分类和数据预测的机器学习模型，神经元主要包括输入层、隐藏层和输出层，每一层都有单独的激活函数。网络会根据实际输出与期望输出的差值进行不断调整，从而得到期望输出。极限提升树XG-Boost神经网络是一种基于梯度提升树的集成学习算法，其核心思想是通过不断的添加决策树并进行特征分裂生长树，拟合上一颗树预测的残差，并将所有树的结果累加作为最终预测结果。长短期记忆网络(long-short termmemory，LSTM)是一种时间递归神经网络，它通过门机制来控制记忆细胞的状态，从而增加或删减其中的信息。
与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于数据去噪和补点修正的光伏出力超短期预测方法，从对原始采集数据进行预处理、相关性分析及超短期预测三方面提高了光伏出力超短期预测的准确度。首先，提出的一种基于MMD-OHCP的数据预处理方法，可以有效提高对原始数据中异常数据提取与修正能力。然后，使用三种不同类型的光伏出力超短期预测模型，针对仅考虑一种气象因素、考虑三种气象因素以及考虑六种气象因素等三种典型情况进行研究，得出预测结果准确率最高的输入特征变量。最后，基于实时光伏出力数据完成了对光伏出力的预测。本发明通过数据去噪和补点修正方法的结合，解决了光伏出力超短期预测中原始数据存在错误数据的问题，能够有效提高数据中异常值的筛选与修正，确保了数据的有效性，为光伏出力超短期预测提供了正确有效的数据，间接提高了光伏出力预测的准确度；此外，通过皮尔逊相关系数筛选影响因素以及选用三种常用的网络神经模型对光伏出力进行预测，进一步提高了光伏出力的预测精度。
附图说明
图1为本发明的基于数学形态学去噪的异常数据识别算法流程图。
图2为本发明的二分之一补点修正法流程图。
图3为本发明的超短期预测流程图。
图4为本发明的BP神经网络拓扑图。
图5为本发明的LSTM循环单元结构图。
图6为本发明具体实施例的基于数学形态学去噪的效果对比图。
图7为本发明具体实施例的二分之一补点修正法的结果对比图。
图8为本发明具体实施例的BP神经网络预测结果图。
图9为本发明具体实施例的XG-Boost神经网络预测结果图。
图10为本发明具体实施例的LSTM神经网络预测结果图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
本实施例选取我国西北地区某光伏电站的光伏出力数据与气象数据进行研究，采集的原始数据由于人为因素或采集设备等，会具有一定的误差，因此采用本发明所提供的一种基于数据去噪和补点修正的光伏出力超短期预测方法对于所选取的数据进行预测，包括如下步骤：
S1：使用数学形态学去噪方法对原始数据进行预处理，原始数据包括光伏出力数据与气象数据，为光伏出力数据区分正常数据和异常数据；流程如图1所示，具体如下：
S1-1：构建基于原始数据的二值图像，具体为：
S1-1-1：将原始数据中气象数据与光伏出力数据提取出来，记为，其中
和分别表示气象数据与光伏出力数据，对分别进行归一化处理，消除量纲的影响，得
到数据集，其中的元素记为，对数据进行归一化处理的公式为：
式中：为原始数据样本点，分别表示的最大值和最小值，，m为样本点个数；
S1-1-2：对归一化后的数据集进行整数化处理，得到在一定整数范围内
变化的整数集合，利用以下公式对数据进行整数化处理：
式中：和为进行整数化的倍数，为向0取整函数，其中为
不大于x的最大整数；
S1-1-3：构建一个的二维矩阵A，令，，m为样本
点个数，其余元素为0，得到一个包含原始数据集D的二值矩阵A，然后将二值矩阵A绘制为二
值图像；
S1-2：对二值图像进行去噪处理，具体为：
S1-2-1：根据二值图像A，选取匹配的结构元素B；
S1-2-2：使用一定形状和大小的结构元素B对二值图像A进行腐蚀运算，得到新的
图像集合；
S1-2-3：将结构元素的半径增加s个单位后，利用新的结构元素对集合进行膨胀
运算，得到新的图像集合，即为正常数据；图像集合之外的数据为异常数据，后续对这
部分数据进行修正。
本实施例中，首先做出光伏出力与气象数据中的光照强度的散点图，然后利用数学形态学去噪算法对原始数据进行去噪，去噪前后结果对比如图6所示。由图中可以看出，光伏出力与光照强度呈正相关分布，经过去噪，能够有效区分正常数据点和异常数据点。
S2：使用二分之一补点修正法对步骤S1筛出的异常数据进行修正补全，得到满足输入要求的数据；流程如图2所示，具体如下：
S2-1：首先判断原始数据集的数据是否为异常数据，且判断是否需要修正，若为异常数据并需要修正则继续，否则结束；
S2-2：继续判断该需要修正的数据点的下一个数据点是否也要进行修正，若需要则一直重复该操作直到下一个数据点不需要修正为止；若仅有一个数据点需要修正，则通过求取该数据点两侧数据的平均值即为该点的修正值；
S2-3：若判断出至少有连续2个及以上的数据点需要修正，则先判断数据点的个数
是否为偶数，若为偶数，则一分为二，若为奇数则减去中间点后一分为二；两部分数据点分
别记为；
S2-4：将步骤S2-3所得的数据点利用线性插值的方法从右往左进行修正，修正
公式为：
式中：和分别表示待修正数据点右侧第一个和第二个正常数值；
剩余的数据点按照步骤S2-3继续一分为二，得到两部分数据点，对数据
点从左往右进行修正，修正公式为：
式中：和分别表示待修正数据点左侧第一个和第二个正常数值；
对数据点按照步骤S2-3继续一分为二，依方法左右轮流进行修正数据，得到一
系列修正值记为，n为异常点个数；
S2-5：按照步骤S2-1至S2-4的方法补全之后的数据依旧存在误差，利用以下误差
修正公式进行误差修正，得到最终结果，n为异常点个数；
式中：为对应的异常数据片段修正后数据的平均值，是经过数据修正之后待误
差修正的数据，，n为异常点个数；
S2-6：对于存在孤立正常数据点的情况，由于仅一个正常数据点不具有有效性，故将该点删除，将周围异常数据点作为一个异常数据区间按照步骤S2-3至S2-5进行处理。
本实施例利用二分之一补点修正法对去噪之后的异常数据点进行补点修正，补点修正对比如图7所示。经过补点修正之后的数据相比原始数据更能够有效反应光伏出力的实际情况。
S3：采用皮尔逊相关系数对原始数据中的气象数据进行计算，筛选出影响光伏出力的关键外部气象因素，外部气象因素包括风速、温度、相对湿度、光照强度、散射辐射与风向；具体如下：
利用皮尔逊相关系数衡量光伏出力与各外部气象因素之间的相关程度，
即：
式中：和分别为光伏电站样本c修正之后的光伏出力和原始各气象因素样本
点；和分别为和的平均值；c为样本数。以下得到各因素的皮尔逊相关性如表1所
示。
表1 皮尔逊相关性分析
通过皮尔逊相关性公式对光伏数据进行分析，取的气象因素作为判
断影响光伏出力的关键气象因素的判据，得到与光伏出力相关性最大的三个关键环境因
素，即光照强度、温度、湿度，即特征向量。由以上表中数据可以看出，光照强度的相关性高
达0.9959，与光伏出力具有高度相关性，其次是温度，天气相对湿度与光伏出力呈现负相关
性。因此，与光伏出力相关性最大的三个主要影响因素为：光照强度、温度以及天气相对湿
度。
S4：采用不同的预测模型，利用控制变量法进行光伏出力超短期预测，提高光伏出力超短期预测的准确度，具体如下：首先将修正之后的功率数据和气象数据按照8:2分为训练集和预测集，得到训练集功率数据、训练集气象数据、预测集功率数据和预测集气象数据；之后，使用训练集中的功率数据和气象数据的特征变量对模型进行训练，直到达到最大迭代次数为止；最后将预测集的气象数据输入到预测模型中，得到各模型的预测结果。流程如图3所示。
本实施例采用了神经网络为BP神经网络、XG-Boost神经网络、LSTM神经网络的预测模型进行训练，对光伏出力超短期进行预测。BP神经网络拓扑图如图4所示；极限提升树XG-Boost神经网络是一种基于梯度提升树的集成学习算法，其核心思想是通过不断的添加决策树并进行特征分裂生长树，拟合上一颗树预测的残差，并将所有树的结果累加作为最终预测结果。长短期记忆网络(long-short term memory，LSTM)是一种时间递归神经网络，它通过门机制来控制记忆细胞的状态，从而增加或删减其中的信息，图5所示为一个LSTM循环单元结构。由于这三种神经网络在现有技术中已成熟应用，因此在本发明中使用以上三种预测模型对光伏出力进行超短期预测，可以有效提高光伏出力超短期预测的准确度，对于光伏出力可靠性分析与研究具有重要意义。本实施例中，采用控制变量法，输入预测模型的特征变量分为以下三种情况：①仅考虑光照强度单一因素；②考虑光照强度，温度以及天气相对湿度3种因素；③考虑所有6种气象因素，包括光照强度，温度，天气相对湿度以及散射辐射，风速，风向。预测结果分别如图8至图10所示。由图中可以看出，在考虑3种因素时光伏出力预测的准确度要高于其他两种情况，其中，使用XG-Boost模型进行光伏出力的预测曲线更接近实际值。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于数据去噪和补点修正的光伏出力超短期预测方法，其特征在于：包括如下步骤：
S1：使用数学形态学去噪方法对原始数据进行预处理，原始数据包括光伏出力数据与气象数据，为光伏出力数据区分正常数据和异常数据；具体如下：
S1-1：构建基于原始数据的二值图像，具体为：
S1-1-1：将原始数据中气象数据与光伏出力数据提取出来，记为，其中/>和/>分别表示气象数据与光伏出力数据，对/>分别进行归一化处理，消除量纲的影响，得到数据集/>，其中的元素记为/>，对数据进行归一化处理的公式为：
；
式中：为原始数据样本点，/>分别表示/>的最大值和最小值，，m为样本点个数；
S1-1-2：对归一化后的数据集进行整数化处理，得到在一定整数范围内变化的整数集合/>，利用以下公式对数据进行整数化处理：
；
式中：和/>为进行整数化的倍数，/>为向0取整函数，其中/>为不大于x的最大整数；
S1-1-3：构建一个的二维矩阵A，令/>，/>，m为样本点个数，其余元素为0，得到一个包含原始数据集D的二值矩阵A，然后将二值矩阵A绘制为二值图像；
S1-2：对二值图像进行去噪处理，具体为：
S1-2-1：根据二值图像A，选取匹配的结构元素B；
S1-2-2：使用一定形状和大小的结构元素B对二值图像A进行腐蚀运算，得到新的图像集合；
S1-2-3：将结构元素的半径增加s个单位后，利用新的结构元素对集合进行膨胀运算，得到新的图像集合/>，即为正常数据；图像集合/>之外的数据为异常数据，后续对这部分数据进行修正；
S2：使用二分之一补点修正法对步骤S1筛出的异常数据进行修正补全，得到满足输入要求的数据；具体如下：
S2-1：首先判断原始数据集的数据是否为异常数据，且判断是否需要修正，若为异常数据并需要修正则继续，否则结束；
S2-2：继续判断该需要修正的数据点的下一个数据点是否也要进行修正，若需要则一直重复该操作直到下一个数据点不需要修正为止；若仅有一个数据点需要修正，则通过求取该数据点两侧数据的平均值即为该点的修正值；
S2-3：若判断出至少有连续2个及以上的数据点需要修正，则先判断数据点的个数是否为偶数，若为偶数，则一分为二，若为奇数则减去中间点后一分为二；两部分数据点分别记为；
S2-4：将步骤S2-3所得的数据点利用线性插值的方法从右往左进行修正，修正公式为：
；
式中：和/>分别表示待修正数据点右侧第一个和第二个正常数值；
剩余的数据点按照步骤S2-3继续一分为二，得到两部分数据点/>，对数据点/>从左往右进行修正，修正公式为：
；
式中：和/>分别表示待修正数据点左侧第一个和第二个正常数值；
对数据点按照步骤S2-3继续一分为二，依方法左右轮流进行修正数据，得到一系列修正值记为/>，n为异常点个数；
S2-5：按照步骤S2-1至S2-4的方法补全之后的数据依旧存在误差，利用以下误差修正公式进行误差修正，得到最终结果，n为异常点个数；
；
；
式中：为对应的异常数据片段修正后数据的平均值，/>是经过数据修正之后待误差修正的数据，/>，n为异常点个数；
S2-6：对于存在孤立正常数据点的情况，将该点删除，将周围异常数据点作为一个异常数据区间按照步骤S2-3至S2-5进行处理；
S3：采用皮尔逊相关系数对原始数据中的气象数据进行计算，筛选出影响光伏出力的关键外部气象因素，外部气象因素包括风速、温度、相对湿度、光照强度、散射辐射与风向；
S4：采用不同的预测模型，利用控制变量法进行光伏出力超短期预测。
2.根据权利要求1所述的一种基于数据去噪和补点修正的光伏出力超短期预测方法，其特征在于：步骤S3具体如下：
利用皮尔逊相关系数衡量光伏出力与各外部气象因素之间的相关程度，即：
；
式中：和/>分别为光伏电站样本c修正之后的光伏出力和原始各气象因素样本点；/>和/>分别为/>和/>的平均值；c为样本数；
通过皮尔逊相关性公式对光伏数据进行分析，取的气象因素作为判断影响光伏出力的关键气象因素的判据，得到与光伏出力相关性最大的三个关键环境因素，即光照强度、温度、湿度，即特征向量。
3.根据权利要求2所述的一种基于数据去噪和补点修正的光伏出力超短期预测方法，其特征在于：步骤S4具体如下：利用不同的神经网络预测模型对光伏出力进行超短期预测：首先将修正之后的光伏出力数据和气象数据按照8:2分为训练集和预测集，得到训练集光伏出力数据、训练集气象数据、预测集光伏出力数据和预测集气象数据；之后，使用训练集中的光伏出力数据和气象数据的特征变量对模型进行训练，直到达到最大迭代次数为止；最后将预测集的气象数据输入到预测模型中，得到各模型的预测结果。
4.根据权利要求3所述的一种基于数据去噪和补点修正的光伏出力超短期预测方法，其特征在于：所述神经网络为BP神经网络、XG-Boost神经网络、LSTM神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410396465.7A CN117993739B (zh) | 2024-04-03 | 2024-04-03 | 基于数据去噪和补点修正的光伏出力超短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410396465.7A CN117993739B (zh) | 2024-04-03 | 2024-04-03 | 基于数据去噪和补点修正的光伏出力超短期预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117993739A CN117993739A (zh) | 2024-05-07 |
| CN117993739B true CN117993739B (zh) | 2024-06-14 |
Family
ID=90893592
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410396465.7A Active CN117993739B (zh) | 2024-04-03 | 2024-04-03 | 基于数据去噪和补点修正的光伏出力超短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117993739B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104459398B (zh) * | 2014-12-08 | 2017-09-05 | 东北电力大学 | 一种采用二维形态学降噪的电能质量复合扰动识别方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| KR20240002889A (ko) * | 2022-06-30 | 2024-01-08 | 고려대학교 산학협력단 | 딥러닝 모델 기반 태양광 발전율 예측 장치 및 이의 동작 방법 |
| CN115879602A (zh) * | 2022-11-15 | 2023-03-31 | 国网上海市电力公司 | 一种基于瞬变气象的超短期光伏出力预测方法 |
| CN116307039A (zh) * | 2022-12-06 | 2023-06-23 | 贵州电网有限责任公司 | 一种计及气象差异性的光伏出力智能预测方法 |
| CN116960982A (zh) * | 2023-08-08 | 2023-10-27 | 华北电力大学 | 基于lstm网络的光伏超短期功率预测方法和系统 |
-
2024
- 2024-04-03 CN CN202410396465.7A patent/CN117993739B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| 基于修正晴空模型的超短期光伏功率预测方法;马原等;《电力系统自动化》;20210610;第45卷(第11期);44-51 * |
| 基于数学形态学去噪的光伏发电限电异常数据识别算法;郝颖等;《中国电机工程学报》;20221105;第42卷(第21期);7843-7854 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117993739A (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
| CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
| CN109376951B (zh) | 一种光伏概率预测方法 | |
| CN112862630A (zh) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN114792156A (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 | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN117748495A (zh) | 一种基于残差神经网络的光伏电站短期发电功率预测方法 | |
| CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
| CN113780640A (zh) | 一种基于TCN-Attention的太阳能辐射预测方法 | |
| CN111126645A (zh) | 一种基于数据挖掘技术和改进支持向量机的风电预测算法 | |
| CN117521501A (zh) | 基于nsga的lstm预测性能源发电方法及系统 | |
| CN117592615A (zh) | 一种基于iceemdan和集成lstm-tcn模型的短期电力负荷预测方法 | |
| CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
| CN117993739B (zh) | 基于数据去噪和补点修正的光伏出力超短期预测方法 | |
| CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN111832818B (zh) | 一种基于相关性分析的lstm网络发电多步预测方法 | |
| CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
| CN114511127A (zh) | 基于神经网络的区域光伏出力特征长期预测方法及系统 | |
| Xia et al. | Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network | |
| CN116842855B (zh) | 分布式光伏配电网出力预测方法、装置、电子设备及介质 | |
| CN110852514A (zh) | 一种基于bp神经网络的可获能传感器节点能量预测方法 | |
| CN114548804B (zh) | 基于改进提升树的日前功率预测方法及系统 |
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 |