CN118917481B - 一种光伏功率超短期预测系统及方法 - Google Patents

一种光伏功率超短期预测系统及方法 Download PDF

Info

Publication number
CN118917481B
CN118917481B CN202411026428.3A CN202411026428A CN118917481B CN 118917481 B CN118917481 B CN 118917481B CN 202411026428 A CN202411026428 A CN 202411026428A CN 118917481 B CN118917481 B CN 118917481B
Authority
CN
China
Prior art keywords
photovoltaic
power
ultra
short
prediction model
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
Application number
CN202411026428.3A
Other languages
English (en)
Other versions
CN118917481A (zh
Inventor
夏振超
何建龙
曹晋华
张新宇
周庭军
朱和辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Crystal Technology Co ltd
Original Assignee
Guangdong Crystal Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Crystal Technology Co ltd filed Critical Guangdong Crystal Technology Co ltd
Priority to CN202411026428.3A priority Critical patent/CN118917481B/zh
Publication of CN118917481A publication Critical patent/CN118917481A/zh
Application granted granted Critical
Publication of CN118917481B publication Critical patent/CN118917481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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—ELECTRIC POWER NETWORKS; 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Optimization (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Geometry (AREA)
  • Primary Health Care (AREA)

Abstract

本发明提供一种光伏功率超短期预测系统及方法，涉及技术光伏功率预测技术领域，本发明通过数据采集模块采集待预测光伏站所在地的历史环境时序数据和历史光伏功率时序数据，根据每块光伏板的最大平均发电功率，通过聚类算法对光伏板进行分类，模型构建模块构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练，并通过模型优化模块对预测模型的中心值和宽度值进行全局寻优，通过气象预报获取未来时刻的环境数据，通过训练好的预测模型，获得未来时刻的光伏功率预测值。

Description

一种光伏功率超短期预测系统及方法
技术领域
本发明涉及技术光伏功率预测技术领域，具体为一种光伏功率超短期预测系统及方法。
背景技术
伴随着经济的快速发展，能源需求越来越大，光伏发电具有绿色环保、可再生等优点，世界范围内光伏发电这种新的能源利用方式呈现出稳步增长，但光伏发电系统功率输出受到多种因素的影响，呈现高度的波动性，特别是大规模光伏并网时，电力系统的安全运行和电能质量将受到极大影响，因此，光伏功率预测对电网规划和稳定运行具有重大意义。
现有的技术中，对光伏功率超短期预测往往采用神经网络进行预测，即获取光伏站所在地的气象数据，对神经网络模型进行训练，然后根据训练好的神经网络模型输入当前时刻的气象数据，获取光伏的功率数据，在或者通过对不同天气下的光伏功率进行预测，但是现有技术中使用的神经网络预测模型过于简单，缺乏对自身进行优化的能力。
但是现有这些技术，都是基于整个光伏站进行预测，把光伏站的所有光伏板作为一个整体，但是每个光伏板都存在一定的差异，由于光伏站的光伏板众多，因此光伏板的差异也会进一步被放大，同时随着使用时间的增加，光伏板老化会进一步加剧光伏板之间的差异，因此现有的技术将对整体的光伏功率预测会产生一定的误差，因此，急需一种考虑光伏板之间的差异，且能对预测系统进行优化的光伏功率超短期预测系统。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于提供一种光伏功率超短期预测系统及方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种光伏功率超短期预测系统及方法，具体步骤包括：
数据采集模块，所述数据采集模块用于采集待预测光伏站所在地的历史环境时序数据和历史光伏功率时序数据，根据在同一时刻下相同环境数据的光伏功率数据，统计每块光伏板多日的最大发电功率，并计算光伏板的平均最大发电功率，所述环境数据包括太阳辐射量、太阳高度角、温度值、湿度值和风速值，根据平均最大发电功率使用聚类算法对光伏板进行分类，选取其中一类为基准组，计算每组之间的发电率比；
模型构建模块，所述模型构建模块用于构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练，通过气象预报获取未来时刻t时的环境数据，输入至训练好的光伏功率超短期预测模型的输入端，获得未来t时的光伏功率超短期的预测值；
模型优化模块，所述模型优化模块用于建立优化模型，通过构建优化模型，设置优化模型参数，对预测模型的中心值和宽度值进行全局寻优，并将预测模型的输出的误差函数构造成适应度函数，根据适应度确定预测模型中心值和宽度值的最优值，提高模型预测精度；
功率预测模块，所述功率预测模块根据预测模型得到的基准组的光伏板未来时刻超短期预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率，根据所有的光伏分组以及每一组中光伏板的数量，计算整个光伏站的光伏超短期的预测功率。
本实施例中，平均最大发电功率的计算公式为：
其中，P为平均最大发电功率，Pn，max，为第n天最大功率，d为采集最大功率的天数。
本实施例中，通过聚类算法对光伏板进行分类的具体逻辑为：
将每一块光伏板的最大发电功率作为一个数据节点，随机选择K个数据节点作为初始质心，K表示聚类后类别的个数，K为正整数，其中第i个初始质心表示为：Ci[P(i)],P(i)表示第i个作为初始质心的数据节点的最大功率，i为正整数，且i＝1、2、…、K；
将每一块光伏板的发电功率作为数据节点的特征向量，对于每个光伏板的特征向量，计算它到每个初始质心的距离，并将其分配到最近的质心所代表的聚类，计算到初始质心的距离所依据的公式为：
其中，d(i，j)表示第i个初始质心和第j个数据节点之间的距离，P(j)表示第j个数据节点对应的光伏板的最大功率；
对于每个聚类，每次聚类完成后，重新计算聚类内所有点的均值，并将这个均值作为新的质心的特征数据，第i个质心特征数据的更新公式为：
其中，m表示分配给第i个质心的数据节点的数量，P(i)old表示分配给i个质心的数据节点对应的光伏板的最大功率，P(i)new表示更新后的质心的最大功率；
依据更新后的质心的特征向量，重新进行聚类，直至所有质心位置的变化小于阈值，则认为聚类稳定，结束聚类。
本实施例中，所选取其中一类为基准组，计算每组之间的发电率比的公式为：
其中，αi为第i组的发电率比，Psta基准组的最大功率，Pi为聚类分组的第i组光伏板的最大功率。
本实施例中，所述基于模糊神经网络的光伏功率超短期预测模型由输入层、模糊层、计算层、输出层组成，具体逻辑为：
第一层为输入层，表示输入参数，此层有k个节点x1,x2,x3,…,xk代表k个与光伏发电相关影响因素，公式为：
xj＝(x1,x2,x3,…,xk)
其中，xj为输入的光伏站所在的环境参数；
第二层为模糊化层，该层用高斯函数作为隶属度函数，计算输入变量xj的隶属度，公式为：
其中，为输入变量xj的隶属度，mji和σji分别为模糊集的中心值和宽度值，j＝1,2,3,…,k，i＝1,2,3,…,n，n为对输入进行模糊分级的个数；
第三层为模糊规则计算层，对模糊化后的参数进行规范化操作，公式为：
其中，ωi为输入参数的隶属度连乘积；
第四层为输出层，该层完成中心平均反模糊化操作，输出结果，公式为：
其中，yi为功率输出值，为模糊系统参数。
本实施例中，所述构建优化模型基于麻雀搜索优化算法，麻雀种群由发现者、加入者和一定数量的侦察者，具体优化逻辑为：
发现者的位置更新公式如下：
其中，t为当前迭代次数，j为要优化的参数的维度，j＝1,2,…,d,d为被优化的参数的总数，Xi,j为第i个麻雀在第j维中的位置信息；itermax为最大迭代次数；α为随机数，α∈(0,1)，R2和ST为警报值和安全阈值；L为1×d维矩阵；Q为符合正态分布的随机数；
加入者的位置更新公式如下：
式中：XP为目前发现者的最优位置；Xworst为目前全局最差位置；A为1×d的矩阵，其元素被随机赋值1或-1，ni为麻雀种群大小；
侦察者位置更新公式如下：
其中，Xbest为全局最优位置，β为迭代步长，fi为当前麻雀个体的适应度值，fg和fw为当前全局最优和最差适应度值，K为一个随机数，K∈[-1,1]，ε为常数，防止分母为0；
采用均方根误差来计算适应度，其计算公式如下：
其中，n为样本个数，xi为光伏功率实际值，yi为光伏功率预测值。
本实施例中，根据预测模型得到的基准组光伏板超短期的预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率的公式如下：
Pi,pre,t＝αi*Psta,pre,t
其中，αi为第i组光伏板的发电率比，Pi,pre,t第i组光伏板未来t时的预测功率，Psta,pre,t为基准组光伏板未来t时的预测功率。
本实施例中，所述整个光伏站的光伏超短期的预测功率的计算公式如下：
其中，Pz,pre为光伏站的超短期t时预测功率，Pi,pre,t第i组光伏板的超短期t时预测功率，li第i组光伏板的数量，i为第i组光伏板，k为光伏板的组数，i与k为正整数。
本发明另外还提供一种光伏功率超短期预测方法，所述光伏功率超短期预测方法由上述的光伏功率超短期预测系统执行，所述光伏功率超短期预测方法步骤包括：
步骤1：获取光伏站所在地的历史环境时序数据和历史光伏功率时序数据，并根据光伏板的最大光伏功率，通过聚类法对每个发电板进行分类，以其中一类为基准组，计算每组之间的发电率比；
步骤2：构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练；
步骤3：建立优化模型，设置优化模型参数，对预测模型的中心值和宽度值进行全局寻优，并将预测模型的输出的误差函数构造成适应度函数，根据适应度确定预测模型中心值和宽度值的最优值；
步骤4：获取未来时刻t时的环境数据，输入至训练好的光伏功率超短期预测模型的输入端，获得未来t时的光伏功率超短期的预测值；
步骤5：根据预测模型得到的基准组的光伏板未来时刻超短期预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率，根据所有的光伏分组以及每一组中光伏板的数量，计算整个光伏站的光伏超短期的预测功率。
与现有技术相比，本发明的有益效果是；
本发明通过数据采集模块采集待预测光伏站所在地的历史环境时序数据和历史光伏功率时序数据，根据每块光伏板的最大平均发电功率，通过聚类算法对光伏板进行分类，模型构建模块构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练，并通过模型优化模块对预测模型的中心值和宽度值进行全局寻优，通过气象预报获取未来时刻的环境数据，输入至训练好的预测模型，获得未来时刻的光伏功率预测值，通过功率预测模块对整个光伏站的功率进行预测：
本发明根据每块光伏板的最大功率，按照光伏板的老化特征对光伏板进行分组，计算每一组光伏板之间的发电效率差异，然后根据每一组的光伏板的数量，以及每一组的光伏板的发电功率，对该组的发电总功率进行预测，本发明还通过优化模型对光伏功率超短期预测模型进行优化，进一步提高光伏功率超短期预测的准确性。
附图说明
图1为本发明整体系统结构示意图；
图2为本发明整体方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例：
请参阅图1，本发明提供一种技术方案：
一种光伏功率超短期预测系统，包括数据采集模块、模型构建模块、模型优化模块和功率预测模块，其中：
所述数据采集模块用于采集待预测光伏站所在地的历史环境时序数据和历史光伏功率时序数据，根据在同一时刻下相同环境数据的光伏功率数据，统计每块光伏板多日的最大发电功率，并计算光伏板的平均最大发电功率，所述环境数据包括太阳辐射量、太阳高度角、温度值、湿度值和风速值，根据平均最大发电功率使用聚类算法对光伏板进行分类，选取其中一类为基准组，计算每组之间的发电率比。
通过历史气象数据，分别获取光伏站所在地的太阳辐射量、太阳高度角、温度值、湿度值和风速值的历史环境时序数据，太阳辐射的强度直接决定了光伏板上单位面积内吸收到的能量，光伏板在接收到光子后，会将其转换为电子，并产生电流，因此，光伏板的发电效率与太阳辐射强度呈正相关关系，太阳高度角直接影响了太阳光线在太阳能板散布量，光伏板在高温下的光电转换效率会降低，这是因为光伏材料中的电子和空穴受热激活，使得电子难以从半导体材料中释放出来，从而降低了电流的产生，高湿度环境可能导致光伏板表面积聚灰尘或其他污染物，这些污染物或者灰尘会降低光的透过率，从而降低光伏板的发电效率，适度的风速有助于光伏板的散热和清洁，从而在一定程度上提高其发电效率和长期稳定性。
随着时间的推移，光伏板在使用过程中会受到多种因素的影响，包括环境条件、温度、湿度、光照强度的变化，以及光伏板内部材料的老化和退化，光伏板的效率会下降，这意味着在同样的光照条件下，光伏板能够转化成电能的比例可能会减少，效率的下降会导致在相同光照下产生的电流和电压可能不再是最优的组合，从而影响最大发电功率点的位置和最大发电功率值，因此光伏板的最大发电功率可以评估其老化特性和长期性能衰退的重要指标之一，能够反映光伏板在实际运行中的逐渐变化和损耗情况，通过聚类法对光伏板的最大发电功率进行分类，把最大发电功率相似的划分为一组，通过对不同组的光伏板进行光伏功率预测，极大地提高了功率预测的准确性。
本实施例中，平均最大发电功率的计算公式为：
其中，P为平均最大发电功率，Pn，max，为第n天最大功率，d为采集最大功率的天数。
本实施例中，通过聚类算法对光伏板进行分类的具体逻辑为：
将每一块光伏板的最大发电功率作为一个数据节点，随机选择K个数据节点作为初始质心，K表示聚类后类别的个数，K为正整数，其中第i个初始质心表示为：Ci[P(i)],P(i)表示第i个作为初始质心的数据节点的最大功率，i为正整数，且i＝1、2、…、K；
将每一块光伏板的发电功率作为数据节点的特征向量，对于每个光伏板的特征向量，计算它到每个初始质心的距离，并将其分配到最近的质心所代表的聚类，计算到初始质心的距离所依据的公式为：
其中，d(i，j)表示第i个初始质心和第j个数据节点之间的距离，P(j)表示第j个数据节点对应的光伏板的最大功率；
对于每个聚类，每次聚类完成后，重新计算聚类内所有点的均值，并将这个均值作为新的质心的特征数据，第i个质心特征数据的更新公式为：
其中，m表示分配给第i个质心的数据节点的数量，P(i)old表示分配给i个质心的数据节点对应的光伏板的最大功率，P(i)new表示更新后的质心的最大功率；
依据更新后的质心的特征向量，重新进行聚类，直至所有质心位置的变化小于阈值，则认为聚类稳定，结束聚类。
本实施例中，所选取其中一类为基准组，计算每组之间的发电率比的公式为：
其中，αi为第i组的发电率比，Psta基准组的最大功率，Pi为聚类分组的第i组光伏板的最大功率。
所述模型构建模块用于构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练，通过气象预报获取未来时刻t时的环境数据，输入至训练好的光伏功率超短期预测模型的输入端，获得未来t时的光伏功率超短期的预测值。
模糊神经网络是一种结合了模糊逻辑与神经网络的混合型计算模型，它结合了模糊系统对于不确定性和模糊性的处理能力，以及神经网络对于复杂模式识别和数据建模的优势，从而能够处理一些传统方法难以处理的问题，光伏发电受天气条件、光照强度、太阳高度角度等多种因素影响，这些因素带有不确定性和模糊性，模糊神经网络能够有效地处理这些复杂的、模糊的输入数据，并输出相对准确的预测结果，这使得其在复杂系统预测中具有优势。
本实施例中，所述基于模糊神经网络的光伏功率超短期预测模型由输入层、模糊层、计算层、输出层组成，具体逻辑为：
第一层为输入层，表示输入参数，此层有k个节点x1,x2,x3,…,xk代表k个与光伏发电相关影响因素，公式为：
xj＝(x1,x2,x3,…,xk)
其中，xj为输入的光伏站所在的环境参数；
第二层为模糊化层，该层用高斯函数作为隶属度函数，计算输入变量xj的隶属度，公式为：
其中，为输入变量xj的隶属度，mji和σji分别为模糊集的中心值和宽度值，j＝
1,2,3,…,k，i＝1,2,3,…,n，n为对输入进行模糊分级的个数；
第三层为模糊规则计算层，对模糊化后的参数进行规范化操作，公式为：
其中，ωi为输入参数的隶属度连乘积；
第四层为输出层，该层完成中心平均反模糊化操作，输出结果，公式为：
其中，yi为光伏功率输出值，为模糊系统参数。
所述模型优化模块用于建立优化模型，通过构建优化模型，设置优化模型参数，对预测模型的中心值和宽度值进行全局寻优，并将预测模型的输出的误差函数构造成适应度函数，根据适应度确定预测模型中心值和宽度值的最优值，提高模型预测精度。
模糊神经网络的中心值和宽度的生成通常采用随机初始化的方法，生成初始值限定在一定范围内的随机数组，并通过误差反传算法修正中心值和宽度，然而，该方法存在较大的随机性，易导致模糊神经网络在训练参数时出现局部最优问题。通过麻雀搜索优化算法模型对模糊神经网络中心值和宽度进行全局寻优，可以避免网络陷入局部最优问题，提高模型的预测精度。
本实施例中，所述构建优化模型基于麻雀搜索优化算法，麻雀种群由发现者、加入者和一定数量的侦察者，具体优化逻辑为：
发现者的位置更新公式如下：
其中，t为当前迭代次数，j为要优化的参数的维度，j＝1,2,…,d,d为被优化的参数的总数，Xi,j为第i个麻雀在第j维中的位置信息，itermax为最大迭代次数，α为随机数，α∈(0,1)，R2和ST为警报值和安全阈值，L为1×d维矩阵，Q为符合正态分布的随机数；
加入者的位置更新公式如下：
式中：XP为目前发现者的最优位置；Xworst为目前全局最差位置；A为1×d的矩阵，其元素被随机赋值1或-1，ni为麻雀种群大小；
侦察者位置更新公式如下：
其中，Xbest为全局最优位置，β为迭代步长，fi为当前麻雀个体的适应度值，fg和fw为当前全局最优和最差适应度值，K为一个随机数，K∈[-1,1]，ε为常数，防止分母为0；
采用均方根误差来计算优化模型的适应度，其计算公式如下：
其中，n为样本个数，xi为光伏功率实际值，yi为光伏功率预测值。
适应度值反映了当前个体解决方案的质量或者性能表现，通常情况下，适应度值越高，表示个体解越优秀，离问题的最优解越接近，而适应度值越低，则表示个体解越差，需要进一步优化，计算过程中通过迭代优化过程，不断更新个体的中心值和宽度值，以使得适应度值逐步改善，最终达到问题的最优解或者接近最优解的状态。
随机初始化一组麻雀个体，每个个体对应模糊神经网络中的中心值和宽度值数据集，根据当前的中心值和宽度值组合，根据模糊神经网络的适应度，评估模糊神经网络的预测准确性，并判断当前的中心值和宽度值是否最优，然后根据麻雀搜索优化算法的策略，更新每个麻雀个体的位置，重复进行评估和更新步骤，直到达到设定的最大迭代次数或者达到适应度阈值，在搜索过程中记录并保留全局最优的中心值和宽度值组合，作为模糊神经网络的最佳参数设置。
所述功率预测模块根据预测模型得到的基准组的光伏板未来时刻超短期预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率，根据所有的光伏分组以及每一组中光伏板的数量，计算整个光伏站的光伏超短期的预测功率。
本实施例中，根据预测模型得到的基准组光伏板超短期的预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率的公式如下：
Pi,pre,t＝αi*Psta,pre,t
其中，αi为第i组光伏板的发电率比，Pi,pre,t第i组光伏板未来t时的预测功率，Psta,pre,t为基准组光伏板未来t时的预测功率。
本实施例中，所述整个光伏站的光伏超短期的预测功率的计算公式如下：
其中，Pz,pre为光伏站的超短期t时预测功率，Pi,pre,t第i组光伏板的超短期t时预测功率，li第i组光伏板的数量，i为第i组光伏板，k为光伏板的组数，i与k为正整数。
请参阅图2，本发明另外还提供一种光伏功率超短期预测方法，所述光伏功率超短期预测方法由上述的光伏功率超短期预测系统执行，所述光伏功率超短期预测方法步骤包括：
步骤1：获取光伏站所在地的历史环境时序数据和历史光伏功率时序数据，并根据光伏板的最大光伏功率，通过聚类法对每个发电板进行分类，以其中一类为基准组，计算每组之间的发电率比；
步骤2：构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练；
步骤3：建立优化模型，设置优化模型参数，对预测模型的中心值和宽度值进行全局寻优，并将预测模型的输出的误差函数构造成适应度函数，根据适应度确定预测模型中心值和宽度值的最优值；
步骤4：获取未来时刻t时的环境数据，输入至训练好的光伏功率超短期预测模型的输入端，获得未来t时的光伏功率超短期的预测值；
步骤5：根据预测模型得到的基准组的光伏板未来时刻超短期预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率，根据所有的光伏分组以及每一组中光伏板的数量，计算整个光伏站的光伏超短期的预测功率。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够通过电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方法来执行，取决于技术方案的特定应用和设计约束条件。
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，既可以位于一个地方，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单元来实现本实施例方案的目的。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。

Claims (6)

1.一种光伏功率超短期预测系统，其特征在于，具体步骤包括：
数据采集模块，所述数据采集模块用于采集待预测光伏站所在地的历史环境时序数据和历史光伏功率时序数据，根据在同一时刻下相同环境数据的光伏功率数据，统计每块光伏板多日的最大发电功率，并计算光伏板的平均最大发电功率，所述环境数据包括太阳辐射量、太阳高度角、温度值、湿度值和风速值，根据平均最大发电功率使用聚类算法对光伏板进行分类，选取其中一类为基准组，计算每组之间的发电率比；
模型构建模块，所述模型构建模块用于构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练，通过气象预报获取未来时刻时的环境数据，输入至训练好的光伏功率超短期预测模型的输入端，获得未来时的光伏功率超短期的预测值；
模型优化模块，所述模型优化模块用于建立优化模型，通过构建优化模型，设置优化模型参数，对预测模型的中心值和宽度值进行全局寻优，并将预测模型的输出的误差函数构造成适应度函数，根据适应度确定预测模型中心值和宽度值的最优值，提高模型预测精度；
功率预测模块，所述功率预测模块根据预测模型得到的基准组的光伏板未来时刻超短期预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率，根据所有的光伏分组以及每一组中光伏板的数量，计算整个光伏站的光伏超短期的预测功率；
所述基于模糊神经网络的光伏功率超短期预测模型由输入层、模糊层、计算层、输出层组成，具体逻辑为：
第一层为输入层，表示输入参数，此层有个节点代表个与光伏发电相关影响因素，公式为：
其中，为输入的光伏站所在的环境参数；
第二层为模糊化层，该层用高斯函数作为隶属度函数，计算输入变量的隶属度，公式为：
其中，为输入变量的隶属度，和分别为模糊集的中心值和宽度值，，，为对输入进行模糊分级的个数；
第三层为模糊规则计算层，对模糊化后的参数进行规范化操作，公式为：
其中，为输入参数的隶属度连乘积；
第四层为输出层，该层完成中心平均反模糊化操作，输出结果，公式为：
其中，为功率输出值，为模糊系统参数；
所选取其中一类为基准组，计算每组之间的发电率比的公式为：
其中，为第组光伏板的发电率比，基准组的最大功率，为聚类分组的第组光伏板的最大功率；
根据预测模型得到的基准组光伏板超短期的预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率的公式如下：
其中，为第组光伏板的发电率比，第组光伏板未来时的预测功率，为基准组光伏板未来时的预测功率。
2.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：平均最大发电功率的计算公式为：
其中，为平均最大发电功率，为第天最大功率，为采集最大功率的天数。
3.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：通过聚类算法对光伏板进行分类的具体逻辑为：
将每一块光伏板的最大发电功率作为一个数据节点，随机选择个数据节点作为初始质心，表示聚类后类别的个数，为正整数，其中第个初始质心表示为：,表示第个作为初始质心的数据节点的最大功率，为正整数，且;
将每一块光伏板的发电功率作为数据节点的特征向量，对于每个光伏板的特征向量，计算它到每个初始质心的距离，并将其分配到最近的质心所代表的聚类，计算到初始质心的距离所依据的公式为：
其中，表示第个初始质心和第个数据节点之间的距离，表示第个数据节点对应的光伏板的最大功率；
对于每个聚类，每次聚类完成后，重新计算聚类内所有点的均值，并将这个均值作为新的质心的特征数据，第个质心特征数据的更新公式为：
其中，表示分配给第个质心的数据节点的数量，表示分配给个质心的数据节点对应的光伏板的最大功率，表示更新后的质心的最大功率；
依据更新后的质心的特征向量，重新进行聚类，直至所有质心位置的变化小于阈值，则认为聚类稳定，结束聚类。
4.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：所述构建优化模型基于麻雀搜索优化算法，麻雀种群由发现者、加入者和一定数量的侦察者，具体优化逻辑为：
发现者的位置更新公式如下：
其中，为当前迭代次数，为要优化的参数的维度，,为被优化的参数的总数，为第 个麻雀在第维中的位置信息；为最大迭代次数； 为随机数，，和为警报值和安全阈值；为 维矩阵；为符合正态分布的随机数；
加入者的位置更新公式如下：
式中：为目前发现者的最优位置；为目前全局最差位置；为的矩阵，其元素被随机赋值1或-1，为麻雀种群大小；
侦察者位置更新公式如下：
其中，为全局最优位置，为迭代步长，为当前麻雀个体的适应度值， 和为当前全局最优和最差适应度值，为一个随机数，，为常数，防止分母为0；
采用均方根误差来计算适应度，其计算公式如下：
其中，为样本个数，为光伏功率实际值，为光伏功率预测值。
5.根据权利要求1所述的一种光伏功率超短期预测系统，其特征在于：所述整个光伏站的光伏超短期的预测功率的计算公式如下：
其中，为光伏站的超短期时预测功率，第组光伏板的超短期时预测功率，第组光伏板的数量，为第组光伏板，为光伏板的组数，与为正整数。
6.一种光伏功率超短期预测方法，其特征在于：所述光伏功率超短期预测方法由权利要求1-5任一项所述的光伏功率超短期预测系统执行，所述光伏功率超短期预测方法步骤包括：
步骤1：获取光伏站所在地的历史环境时序数据和历史光伏功率时序数据，并根据光伏板的最大光伏功率，通过聚类法对每个发电板进行分类，以其中一类为基准组，计算每组之间的发电率比；
步骤2：构建基于模糊神经网络的光伏功率超短期预测模型，将采集的光伏所在区域的历史环境时序数据作为预测模型的输入，历史功率时序数据作为预测模型的输出，对光伏功率超短期预测模型进行训练；
步骤3：建立优化模型，设置优化模型参数，对预测模型的中心值和宽度值进行全局寻优，并将预测模型的输出的误差函数构造成适应度函数，根据适应度确定预测模型中心值和宽度值的最优值；
步骤4：获取未来时刻时的环境数据，输入至训练好的光伏功率超短期预测模型的输入端，获得未来时的光伏功率超短期的预测值；
步骤5：根据预测模型得到的基准组的光伏板未来时刻超短期预测功率，通过发电率比计算其他组光伏板的光伏发电超短期预测功率，根据所有的光伏分组以及每一组中光伏板的数量，计算整个光伏站的光伏超短期的预测功率。
CN202411026428.3A 2024-07-30 2024-07-30 一种光伏功率超短期预测系统及方法 Active CN118917481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411026428.3A CN118917481B (zh) 2024-07-30 2024-07-30 一种光伏功率超短期预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411026428.3A CN118917481B (zh) 2024-07-30 2024-07-30 一种光伏功率超短期预测系统及方法

Publications (2)

Publication Number Publication Date
CN118917481A CN118917481A (zh) 2024-11-08
CN118917481B true CN118917481B (zh) 2025-04-01

Family

ID=93306389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411026428.3A Active CN118917481B (zh) 2024-07-30 2024-07-30 一种光伏功率超短期预测系统及方法

Country Status (1)

Country Link
CN (1) CN118917481B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119171439B (zh) * 2024-11-21 2025-02-11 大连东启智能科技有限公司 用于分布式光伏发电数据的智能通信方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886223A (zh) * 2014-04-14 2014-06-25 中国科学院声学研究所 功率预测方法和系统
CN115829097A (zh) * 2022-11-22 2023-03-21 苏州科技大学 一种基于vmd和kelm的空调超短期负荷预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103106544B (zh) * 2013-02-01 2016-10-26 东南大学 一种基于t-s型模糊神经网络的光伏发电预测系统
CN115907153B (zh) * 2022-11-21 2026-02-10 江苏科技大学 基于极限学习机的光伏功率预测方法
CN115759477A (zh) * 2022-12-09 2023-03-07 国网湖南省电力有限公司 融合聚类与多任务学习的区域多光伏输出预测方法及装置
CN116151465A (zh) * 2023-03-06 2023-05-23 国网河北省电力有限公司保定供电分公司 一种县域分布式光伏超短期预测方法
CN116960998A (zh) * 2023-06-12 2023-10-27 国网浙江省电力有限公司温州供电公司 基于改进麻雀搜索算法的电网调度方法和装置
CN118249333B (zh) * 2024-03-22 2025-02-28 北京东润环能科技股份有限公司 基于无人机的光伏板遮挡状态下超短期功率预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886223A (zh) * 2014-04-14 2014-06-25 中国科学院声学研究所 功率预测方法和系统
CN115829097A (zh) * 2022-11-22 2023-03-21 苏州科技大学 一种基于vmd和kelm的空调超短期负荷预测方法

Also Published As

Publication number Publication date
CN118917481A (zh) 2024-11-08

Similar Documents

Publication Publication Date Title
CN114912721B (zh) 一种储能调峰需求的预测方法及系统
CN111563611A (zh) 面向图卷积网络的云数据中心可再生能源时空预测方法
CN115796004A (zh) 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN103106544B (zh) 一种基于t-s型模糊神经网络的光伏发电预测系统
CN112465251A (zh) 一种基于最简门控神经网络的短期光伏出力概率预测方法
Agrawal et al. Transformer‐based time series prediction of the maximum power point for solar photovoltaic cells
Hu et al. Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model
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
CN112100911A (zh) 一种基于深度bisltm的太阳辐射预测方法
CN116629428A (zh) 一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法
CN118316021B (zh) 基于ap聚类与迁移学习的分布式光伏功率预测方法及系统
CN116826737A (zh) 一种光伏功率的预测方法、装置、存储介质及设备
CN119167039B (zh) 基于气象特征筛选与迁移学习的风光发电功率预测方法
CN118536755A (zh) 一种新能源基地直流外送电力系统典型规划场景生成方法
CN112418346A (zh) 一种数值天气预报总辐射系统误差分类计算方法
CN116956753B (zh) 基于模拟退火与循环卷积的分布式光伏预测方法与装置
CN117874584A (zh) 一种基于气象聚类的神经网络超短期光伏功率预测方法
CN117474516A (zh) 光伏系统清灰计划决策方法
CN113961614B (zh) 基于相似日选取和分类分时误差修正的光伏功率预测方法
CN108256668A (zh) 基于和声搜索-Elman算法的光伏出力预测方法
CN118917481A (zh) 一种光伏功率超短期预测系统及方法
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
CN120562788A (zh) 基于机器学习的微电网系统能量需求预测方法及系统
CN119647654A (zh) 一种考虑雾霾/沙尘因素的光伏出力预测方法

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
GR01 Patent grant
GR01 Patent grant