CN118157231A - 基于光伏集群划分的提高光伏集群功率预测精度的方法 - Google Patents
基于光伏集群划分的提高光伏集群功率预测精度的方法 Download PDFInfo
- Publication number
- CN118157231A CN118157231A CN202410580929.XA CN202410580929A CN118157231A CN 118157231 A CN118157231 A CN 118157231A CN 202410580929 A CN202410580929 A CN 202410580929A CN 118157231 A CN118157231 A CN 118157231A
- Authority
- CN
- China
- Prior art keywords
- cluster
- photovoltaic
- power
- clustering
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000418 atomic force spectrum Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于光伏集群划分的提高光伏集群功率预测精度的方法，包括步骤1，收集光伏日功率序列，根据光伏日功率序列得出光伏功率波动特征值；步骤2，对光伏所在集群进行特征分析，根据特征分析结果建立电网拓扑；步骤3，对于所有满足电网拓扑约束的光伏，根据光伏功率波动特征值，以光伏功率的出力曲线的异向性为目标对光伏进行聚类，得到的每个簇即为一个光伏集群；步骤4，周期性执行步骤3，在聚类完成后更新每个簇对应的光伏集群；步骤5，根据预测模型对光伏集群的功率进行预测。本发明在预测模型对光伏集群的功率进行预测时，较为平滑的出力曲线使预测的准确性较高。
Description
技术领域
本发明涉及光伏功率预测技术领域，尤其是指基于光伏集群划分的提高光伏集群功率预测精度的方法。
背景技术
光伏以清洁、低碳、技术成熟的优势蓬勃发展。光伏集群作为电力系统中的重要组成部分，其输出功率的变化会对电力系统的稳定性、安全性和经济性产生影响。通过对光伏集群的功率进行预测，电力系统运行人员可以提前了解光伏集群的发电情况，制定合理的调度计划，确保电力系统的稳定运行。光伏集群的功率预测有助于优化资源配置，包括光伏设备的选型、布局和容量规划等。通过预测光伏集群的功率输出，可以根据实际需求合理配置光伏设备，避免资源浪费和不足。
对于大面积、复杂地形的区域，不同光伏的出力曲线差异较大，预测所需计算量较大，为了简化预测，需要对光伏进行集群划分，现有技术在光伏集群划分中，通常将相似特征的光伏归到一类。但由于光伏发电受到多种因素的影响，如天气、地理位置、设备状态等，使得光伏功率的输出具有一定的随机性和波动性，导致单一的光伏的功率预测会存在明显的误差，而将相似特征的光伏归入光伏集群进行功率预测，将导致明显的累积误差，影响光伏集群功率预测的精度。
发明内容
本发明的目的是克服现有技术中对于光伏集群的划分往往将相似特征的光伏归到一类，导致累积误差增大，影响光伏激情功率预测的精度的缺点，提供一种基于光伏集群划分的提高光伏集群功率预测精度的方法。
本发明的目的是通过下述技术方案予以实现：
基于光伏集群划分的提高光伏集群功率预测精度的方法，包括以下步骤：
步骤1，收集光伏日功率序列，根据光伏日功率序列得出光伏功率波动特征值；
步骤2，对光伏所在集群进行特征分析，根据特征分析结果建立电网拓扑；
步骤3，对于所有满足电网拓扑约束的光伏，根据光伏功率波动特征值，以光伏功率的出力曲线的异向性为目标对光伏进行聚类，得到的每个簇即为一个光伏集群；
步骤4，周期性执行步骤3，在聚类完成后更新每个簇对应的光伏集群；
步骤5，根据预测模型对光伏集群的功率进行预测。
出力曲线指的是每日的光伏出力曲线，出力曲线反应了太阳辐射和光伏功率之间的关系，不同区域的光伏的出力曲线差异较大。本方案的设计，以光伏功率的出力曲线的异向性为目标对光伏进行聚类，即将互相之间出力曲线差异性较大的光伏进行聚类，聚类完成后的每个簇即为一个光伏集群；由于出力曲线的异向性，单个光伏的功率预测存在的误差不会进行叠加，整体预测的误差较小；同时由于一出力曲线的异向性为目标进行的聚类，因此一个光伏集群的出力曲线更为平滑，在预测模型对光伏集群的功率进行预测时，较为平滑的出力曲线预测的准确性较高；更多地，光伏集群内的光伏的出力曲线会随着时间的因素进行变化，因此对于光伏集群进行周期性聚类更新，确保聚类完成的光伏集群的出力曲线始终尽可能的平滑，减少因为时间因素而造成的累积误差。
作为优选，所述的步骤1中，根据光伏日功率数据得出光伏功率波动特征值具体为：
对日功率序列进行归一化处理：
，
式中，为归一化后的光伏功率序列，/>；/>分别为光伏日功率序列/>中的最大值与最小值；
基于四分位法确定光伏功率波动等级划分，定义光伏功率波动的特征向量为；首先，计算计算光功率波动特征参数的第2个四分位数，即中位数：
，
然后，计算各集群光伏功率波动特征参数的第1和第3个四分位数：
当时，从/>处将各集群光伏功率波动特征向量W分为两部分，/>不包含在两部分数据之内，分别计算两部分的中位数/>和/> ()，则/>，/>；
当时，
，
当时，
，
式中，为第G集群光伏功率波动特征参数；/>为基于数据特征类型h下的第G个光伏功率波动特征参数的四分位数，G=1,2,3，h=1,2,…,5；
最后，计算四分位矩并确定光伏功率波动特征向量的阈值；
计算不同NWP数据类型下的光伏功率波动参数的四分位矩：
，
计算不同NWP数据类型下的光伏功率波动参数中异常值的内限范围：
，
式中，处于内限以外的数据都是异常值，/>和/>分别为不同NWP数据类型下的第G个光伏功率波动特征参数的阈值下限和阈值上限。
作为优选，所述的步骤3具体为：
基于出力曲线的异向性系数K来衡量两个光伏出力变化的异向性，其计算公式为：
，
式中，、/>为两个不同的光伏的出力序列，n为昼间光伏出力不为零时的采样点个数；/>为第/>个采样点与第i个采样点之间两光伏出力变化的异向性；两采样点间二者出力变化的异向时/>取1，反之取0；
基于出力变化的异向性距离作为光伏聚类的距离度量标准：
，
式中KD为出力变化的异向性距离，K为出力变化的异向性系数；KD数值越小，光伏的出力叠加后平滑性越好；利用聚类评价指标得到光伏集群划分结果，将日出力变化的异向性差异大的光伏划为同类，使叠加后的集群光伏日出力曲线更加平滑。
作为优选，所述的聚类的过程为：
从N×N维光伏集群场站有功出力数据集中，运用K-means聚类算法将每个随时间变化的不同场站的有功出力数据点分配给N个聚类中与之特性相匹配的一个聚类簇中，实现最小化聚类内的平方和：
，
式中，Ai表示第i个聚类中的一组光伏集群场站，Vi表示聚类i上该数据点的平均值；在K-means聚类中，Vi为聚类原型，即聚类中心：
，
其中Ni是Ai中的对象个数，在K-means聚类中，聚类中心是最接近一个聚类中数据平均值的对象；
采用分类适确性指标计算任意两类别的类内距离平均距离之和除以两聚类中心距离求最大值，分类适确性指标越小表示类内距离越小同时类间距离越大；
，
其中DB表示分类适确性指标，n是类别个数，是第i个类别的中心，是类别i中所有的点到中心的平均距离；表示中心点和聚类簇内各个数据点之间的距离；
采用分类适确性指标计算任意两个簇元素的最短距离除以任意簇中的最大距离，分类适确性指标越大表示类间距离越大同时类内距离越小；
，
其中，DVI表示分类适确性指标，表示不同类别之间的类间距离，类间距离为任意的距离测度，例如两个类别的中心点的距离；/>表示各个类别内部的类内距离；
将分群指标参数距离最小的光伏划分为同一个集群，求取各光伏子集群中的各个样本均值，作为新的光伏聚类中心，直到聚类中心不再发生变动或是迭代次数，停止聚类，完成聚类划分，输出光伏集群聚类划分的结果。
作为优选，基于光伏集群划分的提高光伏集群功率预测精度的方法还对聚类结果进行优化，具体为：
设定每个簇的边缘数据点到聚类中心的欧式距离作为簇的范围，若任意一个数据点与每个簇的聚类中心的欧式距离均超过了簇的范围，则对该数据点为待分配数据点，对待分配数据点进行分配，将该数据点随机分配至每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据点分配至平滑性波动最小的簇中；依次对每一个待分配数据点进行分配直到所有的待分配数据点分配完成，完成对聚类结果的优化。
在使用上述的聚类方法中，仍会出现缺陷：部分光伏对应的数据点距离任意一个聚类都较远，待分配数据点无法参与聚类，在实际的对于光伏集群划分时，仍需要对这些光伏归类，本方案的设计将每个待分配的数据点放入已生成的聚类中，以平滑性波动最小的簇为目标将这些数据点进行分配，这样的设计既可以确保将每个待分配的数据点放入聚类的簇中，又确保每个簇的平滑线波动尽可能的小，确保了预测的精准性。
作为优选，基于光伏集群划分的提高光伏集群功率预测精度的方法还对聚类结果进行优化，具体为：
设定每个簇的边缘数据点到聚类中心的欧式距离作为簇的范围，若任意一个数据点与每个簇的聚类中心的欧式距离均超过了簇的范围，则对该数据点为待分配数据点，若存在有m个簇和n个待分配数据点且m<n，则先将待分配数据点以出力平滑性波动最小的规则平均分成m组数据组，然后将某数据组随机分配至每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据组分配至平滑性波动最小的簇中，该簇不再接收新的数据组；依次对每一个待分配的数据组进行分配直到所有的待分配数据组分配完成，完成对聚类结果的优化。
将每一个待分配数据点划分到簇中，会产生某一个簇分配到的待分配数据点过多的问题，导致该簇中的总出力曲线与初始的总出力曲线相差较大，影响了光伏集群功率预测的准确性，本方案的设计解决了这个缺点，先将待分配的数据点进行分组，确保每个数据组的出力曲线尽可能平滑，再将每个数据组分配至簇中，这样确保了每个簇只接收一个数据组，总出力曲线的变化较小。例如，假设有5个簇和24个待分配数据点，则数据组的数量有5个，每个数据组中的待分配数据的数量分别为4、5、5、5、5。
作为优选，基于光伏集群划分的提高光伏集群功率预测精度的方法还对聚类结果进行优化，具体为：
获取每个簇中的数据点个数，若簇的数据点的个数大于设定的上限阈值或小于设定的下限阈值，则对这些簇内的数据点进行二次聚类，具体为：
S1，获取每个数据点的聚类特征，包括数据点所在簇的数据点个数，数据点与数据中心的欧式距离，数据点与最近数据点的欧式距离，并将这些特征数据与光伏功率的出力曲线的异向性进行数据融合，得到多元异构数据；
S2，对多元异构数据进行聚类，输出聚类的结果，若仍存在有簇的数据点的个数大于设定的上限阈值或小于设定的下限阈值，再对这些簇内的数据点重复执行S1，直到执行的次数超过设定的上限，或数据点的个数大于设定的上限阈值或小于设定的下限阈值的簇的数量小于设定的个数，聚类完成。
在使用上述的聚类方法中，会存在每个簇中的数据点数量过多会过少的问题，数据点过多时预测模型进行功率预测时会存在计算复杂度过高的问题，数据点过少时预测模型进行功率预测时会存在信息缺失，代表性不足，导致无法准确预测的问题，因此需要尽可能的使每一个簇中的数据点的数量在合理的范围内，本方案的设计，对于数据点过多的簇或数据点过少的簇巧妙地利用数据点所在簇的数据点个数，数据点与数据中心的欧式距离，数据点与最近数据点的欧式距离这些聚类特征进行聚类，使二次聚类的结果更为科学合理，二次聚类后，每个簇中的数据点的数量在合理的范围内，确保预测模型对光伏集群的功率进行预测的准确性。
作为优选，对聚类结果进行优化还包括S3，对于小于设定的下限阈值的簇中，则该簇中的数据点为待分配数据点，对待分配数据点进行分配，将该数据点随机分配至其他每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据点分配至平滑性波动最小的簇中；依次对每一个待分配数据点进行分配直到所有的待分配数据点分配完成，完成对聚类结果的优化。
对于多次聚类后仍然存在的小于设定的下限阈值的簇，则取消该聚类，该聚类中的数据点将分配至其他簇中。
作为优选，所述的步骤4中，预测模型还设有约束条件，约束条件包括光伏集群优化值限制约束、光伏集群输出功率的变化率约束和光伏集群有功功率传输通道约束。
本发明的有益效果是：
本发明以光伏功率的出力曲线的异向性为目标对光伏进行聚类，聚类完成后的每个簇即为一个光伏集群；由于出力曲线的异向性，单个光伏的功率预测存在的误差不会进行叠加，整体预测的误差较小；同时由于以出力曲线的异向性为目标进行的聚类，因此一个光伏集群的出力曲线更为平滑，在预测模型对光伏集群的功率进行预测时，较为平滑的出力曲线预测的准确性较高；
光伏集群内的光伏的出力曲线会随着时间的因素进行变化，因此对于光伏集群进行周期性聚类更新，确保聚类完成的光伏集群的出力曲线始终尽可能的平滑，减少因为时间因素而造成的累积误差。
本发明对于聚类进行的优化确保了聚类的结果更为科学合理，预测模型在对聚类完成的光伏集群进行功率预测时预测的复杂程度较低，准确性更高。
附图说明
图1是本发明的一种流程图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例1：基于光伏集群划分的提高光伏集群功率预测精度的方法，如图1所示，包括以下步骤：
步骤1，收集光伏日功率序列，根据光伏日功率序列得出光伏功率波动特征值；
步骤2，对光伏所在集群进行特征分析，根据特征分析结果建立电网拓扑；
步骤3，对于所有满足电网拓扑约束的光伏，根据光伏功率波动特征值，以光伏功率的出力曲线的异向性为目标对光伏进行聚类，得到的每个簇即为一个光伏集群；
步骤4，周期性执行步骤3，在聚类完成后更新每个簇对应的光伏集群；
步骤5，根据预测模型对光伏集群的功率进行预测。
出力曲线指的是每日的光伏出力曲线，出力曲线反应了太阳辐射和光伏功率之间的关系，不同区域的光伏的出力曲线差异较大。本方案的设计，以光伏功率的出力曲线的异向性为目标对光伏进行聚类，即将互相之间出力曲线差异性较大的光伏进行聚类，聚类完成后的每个簇即为一个光伏集群；由于出力曲线的异向性，单个光伏的功率预测存在的误差不会进行叠加，整体预测的误差较小；同时由于一出力曲线的异向性为目标进行的聚类，因此一个光伏集群的出力曲线更为平滑，在预测模型对光伏集群的功率进行预测时，较为平滑的出力曲线预测的准确性较高；更多地，光伏集群内的光伏的出力曲线会随着时间的因素进行变化，因此对于光伏集群进行周期性聚类更新，确保聚类完成的光伏集群的出力曲线始终尽可能的平滑，减少因为时间因素而造成的累积误差。
所述的步骤1中，根据光伏日功率数据得出光伏功率波动特征值具体为：
对日功率序列进行归一化处理：
，
式中，为归一化后的光伏功率序列，/>；/>分别为光伏日功率序列P中的最大值与最小值；
基于四分位法确定光伏功率波动等级划分，定义光伏功率波动的特征向量为；首先，计算计算光功率波动特征参数的第2个四分位数，即中位数：
，
然后，计算各集群光伏功率波动特征参数的第1和第3个四分位数：
当时，从/>处将各集群光伏功率波动特征向量W分为两部分，/>不包含在两部分数据之内，分别计算两部分的中位数/>和/>(/>)，则/>，/>；
当时，
，
当时，
，
式中，为第G集群光伏功率波动特征参数；/>为基于数据特征类型h下的第G个光伏功率波动特征参数的四分位数，G=1,2,3，h=1,2,…,5；
最后，计算四分位矩并确定光伏功率波动特征向量的阈值；
计算不同NWP数据类型下的光伏功率波动参数的四分位矩：
，
计算不同NWP数据类型下的光伏功率波动参数中异常值的内限范围：
计算不同NWP数据类型下的光伏功率波动参数中异常值的内限范围：
，
式中，处于内限以外的数据都是异常值，/>和/>分别为不同NWP数据类型下的第G个光伏功率波动特征参数的阈值下限和阈值上限。
所述的步骤2中，特征分析具体为：
（1）根据用户负荷需求和区域电力供应情况，确定配电网的供电需求，包括负荷大小、负荷类型等。
（2）根据供电需求和系统规模，确定多个电压等级。一般情况下，配电网可以划分为高压侧、中压侧和低压侧等级。
（3）根据电力传输特性和损耗情况，确定各个电压等级之间的电力传输关系。一般情况下，高压等级向低压等级传输电力，中压等级可以连接高压和低压等级。
（4）根据电力传输特性和损耗情况，优化各个电压等级之间的电力传输路径，以减小传输损耗和提高电力传输效率。
（5）根据不同电压等级的电压稳定性要求，合理调整电压等级间的电压波动，以确保系统的电压稳定性。
通过特征分析建立电网拓扑，在对分布式光伏场站进行集群划分时，将电网拓扑作为硬约束进行考虑，直接对同一并网点下的各个光伏进行聚类，这样保证最终得到的聚类结果满足电网拓扑的约束。
所述的步骤3具体为：
基于出力曲线的异向性系数K来衡量两个光伏出力变化的异向性，其计算公式为：
，
式中，、/>为两个不同的光伏的出力序列，n为昼间光伏出力不为零时的采样点个数；/>为第i-1个采样点与第i个采样点之间两光伏出力变化的异向性；两采样点间二者出力变化的异向时/>取1，反之取0；
基于出力变化的异向性距离作为光伏聚类的距离度量标准：
，
式中KD为出力变化的异向性距离，K为出力变化的异向性系数；KD数值越小，光伏的出力叠加后平滑性越好；利用聚类评价指标得到光伏集群划分结果，将日出力变化的异向性差异大的光伏划为同类，使叠加后的集群光伏日出力曲线更加平滑。
所述的聚类的过程为：
从N×N维光伏集群场站有功出力数据集中，运用K-means聚类算法将每个随时间变化的不同场站的有功出力数据点分配给N个聚类中与之特性相匹配的一个聚类簇中，实现最小化聚类内的平方和：
，
式中，Ai表示第i个聚类中的一组光伏集群场站，Vi表示聚类i上该数据点的平均值；在K-means聚类中，Vi为聚类原型，即聚类中心：
，
其中Ni是Ai中的对象个数，在K-means聚类中，聚类中心是最接近一个聚类中数据平均值的对象；
采用分类适确性指标计算任意两类别的类内距离平均距离之和除以两聚类中心距离求最大值，分类适确性指标越小表示类内距离越小同时类间距离越大；
，
其中DB表示分类适确性指标，n是类别个数，是第i个类别的中心，是类别i中所有的点到中心的平均距离；表示中心点和聚类簇内各个数据点之间的距离；
采用分类适确性指标计算任意两个簇元素的最短距离除以任意簇中的最大距离，分类适确性指标越大表示类间距离越大同时类内距离越小；
，
其中，DVI表示分类适确性指标，表示不同类别之间的类间距离，类间距离为任意的距离测度，例如两个类别的中心点的距离；/>表示各个类别内部的类内距离；
将分群指标参数距离最小的光伏划分为同一个集群，求取各光伏子集群中的各个样本均值，作为新的光伏聚类中心，直到聚类中心不再发生变动或是迭代次数，停止聚类，完成聚类划分，输出光伏集群聚类划分的结果。
所述的步骤4中，预测模型还设有约束条件，约束条件包括光伏集群优化值限制约束、光伏集群输出功率的变化率约束和光伏集群有功功率传输通道约束。
具体地，建立光伏集群预测模型，即：
，
约束条件主要包括：
（1）光伏集群优化值限制约束，
。
（2）光伏集群输出功率的变化率约束，
。
（3）光伏集群有功功率传输通道约束，
。
式中：和/>在实际工作中，可以预先根据经验设置然后基于实际出力结果进行调整，此处的t代表的时间分辨率为15分钟，/>代表t时刻时下发给集群的调度值，代表t时刻时集群的优化值，/>代表t时刻时集群的实际出力值，/>代表t时刻时集群的预测出力值，/>代表t时刻时集群的最大允许出力变化率，/>代表t时刻时集群的最大可送出有功功率值。
实施例2：基于光伏集群划分的提高光伏集群功率预测精度的方法，其原理和实施方法和实施例1基本相同，不同之处在于还对聚类结果进行优化，具体为：
设定每个簇的边缘数据点到聚类中心的欧式距离作为簇的范围，若任意一个数据点与每个簇的聚类中心的欧式距离均超过了簇的范围，则对该数据点为待分配数据点，对待分配数据点进行分配，将该数据点随机分配至每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据点分配至平滑性波动最小的簇中；依次对每一个待分配数据点进行分配直到所有的待分配数据点分配完成，完成对聚类结果的优化。
在使用上述的聚类方法中，仍会出现缺陷：部分光伏对应的数据点距离任意一个聚类都较远，待分配数据点无法参与聚类，在实际的对于光伏集群划分时，仍需要对这些光伏归类，本方案的设计将每个待分配的数据点放入已生成的聚类中，以平滑性波动最小的簇为目标将这些数据点进行分配，这样的设计既可以确保将每个待分配的数据点放入聚类的簇中，又确保每个簇的平滑线波动尽可能的小，确保了预测的精准性。
实施例3：基于光伏集群划分的提高光伏集群功率预测精度的方法，其原理和实施方法和实施例1基本相同，不同之处在于还对聚类结果进行优化，具体为：
设定每个簇的边缘数据点到聚类中心的欧式距离作为簇的范围，若任意一个数据点与每个簇的聚类中心的欧式距离均超过了簇的范围，则对该数据点为待分配数据点，若存在有m个簇和n个待分配数据点且m<n，则先将待分配数据点以出力平滑性波动最小的规则平均分成m组数据组，然后将某数据组随机分配至每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据组分配至平滑性波动最小的簇中，该簇不再接收新的数据组；依次对每一个待分配的数据组进行分配直到所有的待分配数据组分配完成，完成对聚类结果的优化。
将每一个待分配数据点划分到簇中，会产生某一个簇分配到的待分配数据点过多的问题，导致该簇中的总出力曲线与初始的总出力曲线相差较大，影响了光伏集群功率预测的准确性，本方案的设计解决了这个缺点，先将待分配的数据点进行分组，确保每个数据组的出力曲线尽可能平滑，再将每个数据组分配至簇中，这样确保了每个簇只接收一个数据组，总出力曲线的变化较小。例如，假设有5个簇和24个待分配数据点，则数据组的数量有5个，每个数据组中的待分配数据的数量分别为4、5、5、5、5。
实施例4：基于光伏集群划分的提高光伏集群功率预测精度的方法，其原理和实施方法和实施例1基本相同，不同之处在于还对聚类结果进行优化，具体为：
获取每个簇中的数据点个数，若簇的数据点的个数大于设定的上限阈值或小于设定的下限阈值，则对这些簇内的数据点进行二次聚类，具体为：
S1，获取每个数据点的聚类特征，包括数据点所在簇的数据点个数，数据点与数据中心的欧式距离，数据点与最近数据点的欧式距离，并将这些特征数据与光伏功率的出力曲线的异向性进行数据融合，得到多元异构数据；
S2，对多元异构数据进行聚类，输出聚类的结果，若仍存在有簇的数据点的个数大于设定的上限阈值或小于设定的下限阈值，再对这些簇内的数据点重复执行S1，直到执行的次数超过设定的上限，或数据点的个数大于设定的上限阈值或小于设定的下限阈值的簇的数量小于设定的个数，聚类完成；
S3，对于小于设定的下限阈值的簇中，则该簇中的数据点为待分配数据点，对待分配数据点进行分配，将该数据点随机分配至其他每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据点分配至平滑性波动最小的簇中；依次对每一个待分配数据点进行分配直到所有的待分配数据点分配完成，完成对聚类结果的优化。
在使用上述的聚类方法中，会存在每个簇中的数据点数量过多会过少的问题，数据点过多时预测模型进行功率预测时会存在计算复杂度过高的问题，数据点过少时预测模型进行功率预测时会存在信息缺失，代表性不足，导致无法准确预测的问题，因此需要尽可能的使每一个簇中的数据点的数量在合理的范围内，本方案的设计，对于数据点过多的簇或数据点过少的簇巧妙地利用数据点所在簇的数据点个数，数据点与数据中心的欧式距离，数据点与最近数据点的欧式距离这些聚类特征进行聚类，使二次聚类的结果更为科学合理，二次聚类后，每个簇中的数据点的数量在合理的范围内，确保预测模型对光伏集群的功率进行预测的准确性。
对于多次聚类后仍然存在的小于设定的下限阈值的簇，则取消该聚类，该聚类中的数据点将分配至其他簇中。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、触控终端、或者网络设备等）执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (9)
1.基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，包括以下步骤：
步骤1，收集光伏日功率序列，根据光伏日功率序列得出光伏功率波动特征值；
步骤2，对光伏所在集群进行特征分析，根据特征分析结果建立电网拓扑；
步骤3，对于所有满足电网拓扑约束的光伏，根据光伏功率波动特征值，以光伏功率的出力曲线的异向性为目标对光伏进行聚类，得到的每个簇即为一个光伏集群；
步骤4，周期性重复执行步骤3，在聚类完成后更新每个簇对应的光伏集群；
步骤5，根据预测模型对光伏集群的功率进行预测。
2.根据权利要求1所述的基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，所述的步骤1中，根据光伏日功率数据得出光伏功率波动特征值具体为：
对日功率序列进行归一化处理；
基于四分位法确定光伏功率波动等级划分；
计算各集群光伏功率波动特征参数的第1和第3个四分位数：
最后，计算四分位矩并确定光伏功率波动特征向量的阈值，包括计算光伏功率波动参数的四分位矩和计算光伏功率波动参数中异常值的内限范围。
3.根据权利要求1所述的基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，所述的步骤3具体为：
基于出力曲线的异向性系数K来衡量两个光伏出力变化的异向性，
基于出力变化的异向性距离作为光伏聚类的距离度量标准：
，
式中KD为出力变化的异向性距离，K为出力变化的异向性系数；KD数值越小，光伏的出力叠加后平滑性越好；利用聚类评价指标得到光伏集群划分结果，将日出力变化的异向性差异大的光伏划为同类，使叠加后的集群光伏日出力曲线更加平滑。
4.根据权利要求3所述的基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，所述的聚类的过程为：
从N×N维光伏集群场站有功出力数据集中，运用K-means聚类算法将每个随时间变化的不同场站的有功出力数据点分配给N个聚类中与之特性相匹配的一个聚类簇中，实现最小化聚类内的平方和：
采用分类适确性指标计算任意两类别的类内距离平均距离之和除以两聚类中心距离求最大值，分类适确性指标越小表示类内距离越小同时类间距离越大；
采用分类适确性指标计算任意两个簇元素的最短距离除以任意簇中的最大距离，分类适确性指标越大表示类间距离越大同时类内距离越小；
将分群指标参数距离最小的光伏划分为同一个集群，求取各光伏子集群中的各个样本均值，作为新的光伏聚类中心，直到聚类中心不再发生变动或是迭代次数，停止聚类，完成聚类划分，输出光伏集群聚类划分的结果。
5.根据权利要求1-4任一项所述的基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，还对聚类结果进行优化，具体为：
设定每个簇的边缘数据点到聚类中心的欧式距离作为簇的范围，若任意一个数据点与每个簇的聚类中心的欧式距离均超过了簇的范围，则对该数据点为待分配数据点，对待分配数据点进行分配，将该数据点随机分配至每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据点分配至平滑性波动最小的簇中；依次对每一个待分配数据点进行分配直到所有的待分配数据点分配完成，完成对聚类结果的优化。
6.根据权利要求1-4任一项所述的基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，还对聚类结果进行优化，具体为：
设定每个簇的边缘数据点到聚类中心的欧式距离作为簇的范围，若任意一个数据点与每个簇的聚类中心的欧式距离均超过了簇的范围，则对该数据点为待分配数据点，若存在有m个簇和n个待分配数据点且m <n，则先将待分配数据点以出力平滑性波动最小的规则平均分成m组数据组，然后将某数据组随机分配至每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据组分配至平滑性波动最小的簇中，该簇不再接收新的数据组；依次对每一个待分配的数据组进行分配直到所有的待分配数据组分配完成，完成对聚类结果的优化。
7.根据权利要求1-4任一项所述的基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，还对聚类结果进行优化，具体为：
获取每个簇中的数据点个数，若簇的数据点的个数大于设定的上限阈值或小于设定的下限阈值，则对这些簇内的数据点进行二次聚类，具体为：
S1，获取每个数据点的聚类特征，包括数据点所在簇的数据点个数，数据点与数据中心的欧式距离，数据点与最近数据点的欧式距离，并将这些特征数据与光伏功率的出力曲线的异向性进行数据融合，得到多元异构数据；
S2，对多元异构数据进行聚类，输出聚类的结果，若仍存在有簇的数据点的个数大于设定的上限阈值或小于设定的下限阈值，再对这些簇内的数据点重复执行S1，直到执行的次数超过设定的上限，或数据点的个数大于设定的上限阈值或小于设定的下限阈值的簇的数量小于设定的个数，聚类完成。
8.根据权利要求7所述的基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，还包括S3，对于小于设定的下限阈值的簇中，则该簇中的数据点为待分配数据点，对待分配数据点进行分配，将该数据点随机分配至其他每一个簇中，对分配后的每一个簇的平滑性进行比较，优先将该数据点分配至平滑性波动最小的簇中；依次对每一个待分配数据点进行分配直到所有的待分配数据点分配完成，完成对聚类结果的优化。
9.根据权利要求1所述的基于光伏集群划分的提高光伏集群功率预测精度的方法，其特征是，所述的步骤4中，预测模型还设有约束条件，约束条件包括光伏集群优化值限制约束、光伏集群输出功率的变化率约束和光伏集群有功功率传输通道约束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410580929.XA CN118157231A (zh) | 2024-05-11 | 2024-05-11 | 基于光伏集群划分的提高光伏集群功率预测精度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410580929.XA CN118157231A (zh) | 2024-05-11 | 2024-05-11 | 基于光伏集群划分的提高光伏集群功率预测精度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118157231A true CN118157231A (zh) | 2024-06-07 |
Family
ID=91297280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410580929.XA Pending CN118157231A (zh) | 2024-05-11 | 2024-05-11 | 基于光伏集群划分的提高光伏集群功率预测精度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118157231A (zh) |
-
2024
- 2024-05-11 CN CN202410580929.XA patent/CN118157231A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Optimal coordination of electric vehicles for virtual power plants with dynamic communication spectrum allocation | |
| Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
| CN111160617B (zh) | 一种电力日负荷预测方法及装置 | |
| CN112884270B (zh) | 一种考虑不确定性因素的多场景配电网规划方法及系统 | |
| CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
| CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| Huanna et al. | Flexible‐regulation resources planning for distribution networks with a high penetration of renewable energy | |
| CN103971175A (zh) | 一种多级变电站的短期负荷预测方法 | |
| CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN111242420B (zh) | 一种综合性能多维度评估方法 | |
| CN106779147B (zh) | 一种基于自适应层次时间序列聚类的用电负荷预测方法 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN114336762A (zh) | 风光发电及电网负荷波动日前调度储能配置优化方法 | |
| Broderick et al. | Accuracy of clustering as a method to group distribution feeders by PV hosting capacity | |
| Grigoras et al. | Energy losses estimation in electrical distribution networks with a decision trees-based algorithm | |
| CN118157231A (zh) | 基于光伏集群划分的提高光伏集群功率预测精度的方法 | |
| CN115207909B (zh) | 一种台区拓扑识别方法、装置、设备及存储介质 | |
| Zafir et al. | Relationship between loss of load expectation and reserve margin for optimal generation planning | |
| CN115313522A (zh) | 一种考虑新能源出力预测偏差的备用容量配置方法及系统 | |
| CN111222688B (zh) | 一种商业楼宇的日负荷预测方法 | |
| CN112070354A (zh) | 电网设备运行效率评估方法 | |
| Chhetri et al. | Performance Analysis of Machine Learning Algorithms for Estimation of EV Penetration | |
| Wang et al. | Utilizing intra-day prediction modification strategies to improve peak power shaving using energy storage systems for smart buildings | |
| CN117175657B (zh) | 光伏储能系统的容量配置方法、装置、介质及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |