CN108038518A - 一种基于气象数据的光伏发电功率确定方法及*** - Google Patents
一种基于气象数据的光伏发电功率确定方法及*** Download PDFInfo
- Publication number
- CN108038518A CN108038518A CN201810001891.0A CN201810001891A CN108038518A CN 108038518 A CN108038518 A CN 108038518A CN 201810001891 A CN201810001891 A CN 201810001891A CN 108038518 A CN108038518 A CN 108038518A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic generation
- generation power
- history
- meteorological data
- polishing
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于气象数据的光伏发电功率确定方法及***。所述确定方法包括:获取历史气象数据以及历史光伏发电功率;所述历史气象数据包括温度、湿度、辐照度、风向、风速;得到补齐后的历史气象数据和补齐后的光伏发电功率;根据补齐后的历史气象数据以及补齐后的光伏发电功率,确定气象数据‑光伏发电功率关系;根据气象数据‑光伏发电功率关系对天气类型进行聚类处理,得到聚类结果;根据聚类结果,利用S‑kohonen模型识别待测日的天气类型;根据待测日的天气类型确定待测日的光伏发电功率。采用本发明所提供的光伏发电功率确定方法及***能够更精准的对天气类型进行分类,进而得到的光伏发电功率更准确。
Description
技术领域
本发明涉及电力***光伏发电功率预测技术领域,特别是涉及一种基于气象数据的光伏发电功率确定方法及***。
背景技术
光伏发电作为一种将光能直接转化为电能的技术,具有可再生、无公害等显著优点。随着光伏发电技术的兴起,光伏并网过程的稳定性、可靠性成为需要关注的重点问题。其中,光伏输出功率所具有的间歇性、波动性等特点对并网过程产生的不利影响给相关调度部门带来了极大的挑战。为此,精准预测光伏发电功率是实现安全稳定光伏并网必不可少的环节。
光伏发电功率预测根据不同的数据条件具有不同的预测模式,探寻已知变量数据与待预测光伏发电功率间的映射关系是实现这些预测模式的关键,在现有技术中,光伏发电功率与天气有关,而每天的天气是随时间和季节变化的,因此,保证已知的天气气象数据的完整性、数据聚类分类的有效性尤为重要。现阶段,对于光伏发电预测数据缺失处理方法的研究较少,数据填补精度也有待提高。对于精细化历史数据聚类分类的研究,大多数文献对天气类型的划分比较粗略,没有达到精细化要求。
发明内容
本发明的目的是提供一种基于气象数据的光伏发电功率确定方法及***,以解决现有技术中预测光伏发电功率的精确度低的问题。
为实现上述目的,本发明提供了如下方案:
一种基于气象数据的光伏发电功率确定方法,包括:
获取历史气象数据以及历史光伏发电功率;所述历史气象数据包括温度、湿度、辐照度、风向、风速;
补齐所述历史气象数据和历史光伏发电功率,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率;
根据所述补齐后的历史气象数据以及所述补齐后的光伏发电功率,确定气象数据-光伏发电功率关系;
根据所述气象数据-光伏发电功率关系对所述天气类型进行聚类处理,得到聚类结果;
根据所述聚类结果,利用S-kohonen模型识别待测日的天气类型;
根据所述待测日的天气类型确定所述待测日的光伏发电功率。
可选的,所述补齐所述历史气象数据和历史光伏发电功率,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率,具体包括:
根据所述历史气象数据以及所述历史光伏发电功率确定多个数据源;所述多个数据源包括缺失数据源以及非缺失数据源;
采用灰色关联度度量多个所述数据源间的双维度相似度;所述双维度相似度包括时间维度相似度以及属性维度相似度;
提取所述双维度相似度内所述缺失数据源与所述非缺失数据源的缺失双维度相似度;
根据所述缺失双维度相似度构建补齐数据源框架;
根据所述缺失数据源确定缺失数据源填补顺序;
按照所述缺失数据源填补顺序,根据所述补齐数据源框架对所述缺失数据源进行填补,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率。
可选的,所述根据所述补齐后的历史气象数据以及所述补齐后的光伏发电功率,确定气象数据-光伏发电功率关系,具体包括:
按照四季的时间顺序,根据所述历史气象数据以及所述光伏发电功率,确定时间-光伏发电功率关系;
根据所述时间-光伏发电功率关系确定所述气象数据-光伏发电功率关系。
可选的,所述根据所述气象数据-光伏发电功率关系对所述天气类型进行聚类处理,得到聚类结果,具体包括:
根据所述气象数据-光伏发电功率关系确定影响因子;所述影响因子包括温度、湿度、辐照度;
以所述影响因子作为输入,以所述天气类型作为输出,构建Kohonen模型;
利用所述Kohonen模型对所述天气类型进行聚类处理,得到聚类结果。
可选的,所述根据所述聚类结果,利用S-kohonen模型识别待测日的天气类型之后,还包括:
根据所述待测日的天气类型,确定与所述待测日的天气类型相同天气类型的多个历史日;
获取多个所述历史日的历史日气象数据以及历史日光伏发电功率。
可选的,所述根据所述待测日的天气类型确定所述待测日的光伏发电功率,具体包括:
以所述历史日气象数据作为输入,以所述历史日光伏发电功率作为输出,建立MFOA-GRNN模型;
获取待测日的待测日气象数据;
将所述待测日气象数据输入所述MFOA-GRNN模型,输出所述待测日的光伏发电功率。
一种光伏发电功率确定***,包括:
获取模块,用于获取历史气象数据以及历史光伏发电功率;所述历史气象数据包括温度、湿度、辐照度、风向、风速;
补齐模块,用于补齐所述历史气象数据和历史光伏发电功率,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率;
气象数据-光伏发电功率关系确定模块,用于根据所述补齐后的历史气象数据以及所述补齐后的光伏发电功率,确定气象数据-光伏发电功率关系;
聚类模块,用于根据所述气象数据-光伏发电功率关系对所述天气类型进行聚类处理,得到聚类结果;
识别模块,用于根据所述聚类结果,利用S-kohonen模型识别待测日的天气类型;
光伏发电功率确定模块,用于根据所述待测日的天气类型确定所述待测日的光伏发电功率。
可选的,所述补齐模块具体包括:
数据源确定单元,用于根据所述历史气象数据以及所述历史光伏发电功率确定多个数据源;所述多个数据源包括缺失数据源以及非缺失数据源;
双维度相似度度量单元,用于采用灰色关联度度量多个所述数据源间的双维度相似度;所述双维度相似度包括时间维度相似度以及属性维度相似度;
提取单元,用于提取所述双维度相似度内所述缺失数据源与所述非缺失数据源的缺失双维度相似度;
补齐数据源框架构建单元,用于根据所述缺失双维度相似度构建补齐数据源框架;
填补顺序确定单元,用于根据所述缺失数据源确定缺失数据源填补顺序;
补齐单元,用于按照所述缺失数据源填补顺序,根据所述补齐数据源框架对所述缺失数据源进行填补,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率。
可选的,所述气象数据-光伏发电功率关系确定模块具体包括:
时间-光伏发电功率关系确定单元,用于按照四季的时间顺序,根据所述历史气象数据以及所述光伏发电功率,确定时间-光伏发电功率关系;
气象数据-光伏发电功率关系确定单元,用于根据所述时间-光伏发电功率关系确定所述气象数据-光伏发电功率关系。
可选的,所述聚类模块具体包括:
影响因子确定单元,用于根据所述气象数据-光伏发电功率关系确定影响因子;所述影响因子包括温度、湿度、辐照度;
Kohonen模型构建单元,用于以所述影响因子作为输入,以所述天气类型作为输出,构建Kohonen模型;
聚类单元,用于利用所述Kohonen模型对所述天气类型进行聚类处理,得到聚类结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:采用本发明所提供的光伏发电功率确定方法及***,通过补齐已知的历史气象数据,从而保证了已知的历史气象数据的完整性,从而能够更精准的对天气类型进行分类,进而得到的光伏发电功率更准确。
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,下面将对实施例中所需要使用的附图作简单地介绍,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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的光伏发电功率确定方法流程图;
图2为本发明所提供的冬季时间段预测日当天6:30~17:30每隔15min的光伏发电功率实际值、基于所有历史日的MFOA-GRNN预测值及基于聚类历史日的MFOA-GRNN预测值的对比图;
图3为本发明所提供的春夏秋时间段预测日当天6:30~17:30每隔15min的光伏发电功率实际值、基于所有历史日的MFOA-GRNN预测值及基于聚类历史日的MFOA-GRNN预测值的对比图;
图4为本发明所提供的光伏发电功率确定***结构图
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于气象数据的光伏发电功率确定方法及***,得到的光伏发电功率更准确。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
为提高部分数据缺失情况下光伏发电功率预测精度,本发明提出了一种基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电功率的确定思路,采用双维度顺序填补方法补齐缺失数据,基于完整数据,分析光伏发电功率影响因素,建立改进Kohonen天气聚类模型,并利用有监督学习的自组织映射网络Kohonen网络(supervised learningkohonen,S-Kohonen)模型实现待测日天气类型识别,将聚类预测日与历史日(和待测日属于同类天气的所有历史日)气象数据、历史日的光伏发电功率作为输入,建立多种群果蝇优化广义回归神经网络算法(multi-swarm fruit fly optimizationgeneralizedregression neural network algorithmMFOA-GRNN)模型对预测日光伏发电功率进行预测。本发明能有效提高预测精度,为实现数据缺失情况下光伏发电功率精准预测提供了一种思路。
图1为本发明所提供的光伏发电功率确定方法流程图,如图1所示,一种基于气象数据的光伏发电功率确定方法,包括:
步骤101:获取历史气象数据以及历史光伏发电功率;所述历史气象数据包括温度、湿度、辐照度、风向、风速。
步骤102:补齐所述历史气象数据和历史光伏发电功率,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率。
所述步骤102具体包括:根据所述历史气象数据以及所述历史光伏发电功率确定多个数据源;所述多个数据源包括缺失数据源以及非缺失数据源;采用灰色关联度度量多个所述数据源间的双维度相似度;所述双维度相似度包括时间维度相似度以及属性维度相似度;提取所述双维度相似度内所述缺失数据源与所述非缺失数据源的缺失双维度相似度;根据所述缺失双维度相似度构建补齐数据源框架;根据所述缺失数据源确定缺失数据源填补顺序;按照所述缺失数据源填补顺序,根据所述补齐数据源框架对所述缺失数据源进行填补,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率。
历史气象数据及光伏功率数据在采集过程中因测量、传输、存储设备故障,可能出现数据缺失的情况,要实现光伏出力的精准预测,需要先对缺失数据进行有效填补。基于双维度顺序填补框架,考虑时间、属性双维度相似性,并以灰色相关度代替欧氏距离进行缺失数据的补齐。
设各气象因素与光伏发电功率组成的n个数据源为S={S1,S2,...,Sn}。其中数据源Si=(xi1,xi2,...,xim),包含m个时间点的数据。
基于双维度顺序填补框架实现数据补齐的步骤如下:
1)确定时间与属性相关性模型。采用灰色关联度来度量数据源间双维度的相似度。则数据源Si和Sj之间的双维度相似度为
其中,表示时间维度相似度,表示属性维度相似度。设某时刻数据源Si中待补缺失数据xiT的时间邻域为前t个时间点的数据,即Di'=(x′i1,x′i2,...,x′it)属性邻域为与待补缺失数据具有相关性的因子数据,即Di=(xi1,xi2,...,xim),其对应于数据源Sj中的时间邻域和属性邻域分别为Dj'=(x′j1,x′j2,...,x′jt)和Dj=(xj1,xj2,...,xjm)。
则
其中,ρ∈(0,1),为调整参数。xik'是Di’中第k个数据,xjk是Dj中第k个数据;
2)筛选待补缺失数据源近邻节点。根据1)中的公式求取缺失数据源与剩余数据源间的双维度相似度;所述剩余数据源为非缺失数据源,以剔除相似度小于给定双维度相似度阈值σ的节点为筛选规则。
3)构建待补缺失数据源相似框架。由2)可得t时刻n个缺失数据源近邻节点的相似度列表。相似框架中,框架的顶点仅包含缺失数据源,缺失数据源与其所有相对完整近邻节点间相似度融合后作为顶点权重,框架中的边表示所连两个缺失数据源互为近邻节点,二者的相似度作为边权重。所构建的相似框架直观反映了缺失数据源间的无向加权依赖关系。权值计算公式为
Q(si)为缺失顶点si的相对完整近邻节点集合,Simik表示数据源si与sk之间的双维度相似性。
4)确定填补顺序。对含有n个缺失数据源的可能的填补顺序se,其对应的有向权相似框架可看作贝叶斯网络,其顶点权重是网络中每个顶点的先验概率,边权重是两顶点之间的条件概率,此贝叶斯网络的联合概率是其对应填补顺序的置信度,其计算公式为
sQ(i)是用于缺失数据源si填补的缺失近邻节点的集合。被填补后的缺失数据源可以被视为观测值并在后续填补过程中使用。p(si|sQ(i))为用于填补的近邻节点列表加入sQ(i)后更新的顶点权重值。
对于缺失数据源si,p(si|sQ(i))越大,填补误差越小。给定一个填补顺序,当其置信度越高时,填补误差越小。因此,最优填补顺序问题转化为置信度最高的贝叶斯网络选取问题,设n个缺失数据源所有可能的填补顺序集合为SE={se1,se2,se3,...},填补顺序的确定变为求SE中置信度最大的序列
se*=argmax(b(sei)),sei∈SE
通过枚举所有可能的填补顺序,可以选择置信度最大的序列作为最优填补顺序得到最优解。
5)填补顺序确定后,采用NI填补法进行缺失数据填补。设待填补数据源Si的近邻节点集合为Si的填补值x′i
步骤103:根据所述补齐后的历史气象数据以及所述补齐后的光伏发电功率,确定气象数据-光伏发电功率关系。
所述步骤103具体包括:按照四季的时间顺序,根据所述历史气象数据以及所述光伏发电功率,确定时间-光伏发电功率关系;根据所述时间-光伏发电功率关系确定所述气象数据-光伏发电功率关系。
分析春夏秋冬四个季节每天的光伏出力情况。对比四个季节的光伏出力情况,发现春夏秋三个季节光伏发电功率没有太大差异,冬季发电功率相对于春夏秋三个季节明显更小,说明在光伏功率预测问题中需要考虑季节对光伏发电的影响,分为春夏秋和冬季两个时间段进行光伏功率预测。观察四个季节每天的光伏发电功率,发现同一个季节不同日的光伏发电功率存在较大差异,需要考虑日天气类型对光伏发电功率的影响,通过天气聚类提高预测模型精度。
步骤104:根据所述气象数据-光伏发电功率关系对所述天气类型进行聚类处理,得到聚类结果。
所述步骤104具体包括:根据所述气象数据-光伏发电功率关系确定影响因子;所述影响因子包括温度、湿度、辐照度;光伏电站提供的气象因素包含温度、湿度、辐照度、风速、风向。为消除各变量量纲不同产生的影响,将气象数据和光伏功率数据归一化处理。经观察发现,光伏功率和温度、湿度、辐照度的走势一致,且对辐照度的跟随趋势更加明显,而风速、风向和光伏功率之间没有可见的相关关系。由以上分析,在光伏发电功率预测模型中,温度、湿度、辐照度将被作为影响因子。
以所述影响因子作为输入,以所述天气类型作为输出,构建Kohonen模型;利用所述Kohonen模型对所述天气类型进行聚类处理,得到聚类结果。
如需要分冬季和春夏秋两个时间段分别进行聚类、聚类的输入变量是影响因子:每日最高温度Tmax、平均温度Tmean、最高湿度Hmax、平均湿度Hmean、最大辐照度Wmax作为改进Kohonen神经网络的输入特征向量。
Kohonen网络是一种无监督学习网络,属于自组织竞争型神经网络范畴。Kohonen网络输入与输出层连接初始权值的设定对聚类效果会产生一定影响,采用给输出层每个神经元加上一个阈值thre的方法对网络进行优化。改进的Kohonen神经网络训练规则如下。
1)Kohonen网络初始化。网络权值wij(i=1,2,...,n;j=1,2,...,m)初始化。其中,wij是[0,1]内n×m的随机数,thre(b)是[0,1]内的1×m的随机数。wij满足以下约束条件
2)计算输入样本X与竞争层神经元间距离dj
3)神经元选择。把满足输入样本与竞争层神经元间距离为最小值时的输出层神经元b'作为最优匹配输出神经元。
4)修正神经元b'和在其领域Nc(t)内包含的节点权值,其领域的范围是与神经元b'间的欧几里得距离小于领域半径的所有节点t。
Nc(t)=(t|find(norm(pt,pb')<r),t=1,2,...,n)
wij(k+1)=wij(k)+η(Xi-wij)
其中,η为学习速率。
5)thre训练规则:若某神经元获胜率高,则其thre逐渐变小,若某神经元获胜率低,则其thre逐渐变大。
6)返回2)直到连接权值调整量很小为止。
经上述训练过程,可实现天气类型的聚类。
步骤105:根据所述聚类结果,利用S-kohonen模型识别待测日的天气类型。
所述步骤105之后还包括:根据所述待测日的天气类型,确定与所述待测日的天气类型相同天气类型的多个历史日;获取多个所述历史日的历史日气象数据以及历史日光伏发电功率。
S-Kohonen模型为有监督学习的网络模型,输出层的每个节点代表一类数据。因此,在权值修正时,还需要修正竞争层优胜节点领域内节点和输出层节点之间的权值,修正方式为
wjh(k+1)=wjh(k)+η'(Yh-wjh)
其中,η'是学习概率,Yh为样本所属类型;网络训练完成后,可实现对待测日天气类型的分类。
步骤106:根据所述待测日的天气类型确定所述待测日的光伏发电功率。
所述步骤106具体包括:以所述历史日气象数据作为输入,以所述历史日光伏发电功率作为输出,建立MFOA-GRNN模型;获取待测日的待测日气象数据;将所述待测日气象数据输入所述MFOA-GRNN模型,输出所述待测日的光伏发电功率。
设网络输入为X=[x1,x2,...,xn]T,对应输出为Y=[y1,y2,...,ym]T,T为矩阵的转置,例如:原本是一列的列向量,加转置之后成为行向量,则模式层神经元传递函数为
其中,σ为高斯函数的宽度系数,称为光滑因子。
求和层采用两种传递函数对神经元求和,其中第一个传递函数为:
第二个传递函数为
yij为模式层第i个神经元和求和层第j个求和神经元间的连接权值;
网络输出层函数为
由上述公式可知σ值的取值对预测效果会产生很大的影响,因此采用改进多种群果蝇优化算法确定最佳光滑因子,建立MFOA-GRNN模型。
为了验证本发明所提供的确定方法的有效性,以澳大利亚某光伏发电站为例进行算例分析。
模型采用2015年12月份~2016年11月份4个季节366天每天6:30~17:30每15min的气象数据和光伏发电功率作为样本数据。冬季时间段,以6月1日~8月30日的数据作为历史日,8月31日作为预测日。春夏秋时间段,以10月1日为预测日,其余时间为历史日。冬季时间段和春夏秋时间段历史日天气聚类后分别被分为4种和6种天气类型。基于聚类结果,采用S-Kohonen神经网络进行待测日天气类型识别,得出冬季时间段预测日天气类型属于第4类,春夏秋时间段预测日天气类型属于第3类。冬季时间段,以第4类32天的温度、湿度、辐照度、光伏发电功率及预测日温度、湿度、辐照度数据作为输入,预测日光伏发电功率作为输出,建立MFOA-GRNN光伏功率预测模型。春夏秋时间段以第3类历史日数据作为输入。
从图2-图3可以看出基于所有历史日的MFOA-GRNN预测与基于聚类历史日的MFOA-GRNN预测的光伏功率曲线走向均与实际走向一致,为更好地评估对比预测效果,采用均方根误差(rootmean square error,RMSE)与平均绝对百分比误差(mean absolutepercentage error,MAPE)进行两个时间段模型预测性能评价。比较评价结果发现,在冬季时间段两种模型均取得了较好的预测效果,且基于聚类历史日的MFOA-GRNN模型相比于基于所有历史日的MFOA-GRNN模型,RMSE和MAPE的值都要更小。在春夏秋时间段,基于所有历史日的MFOA-GRNN模型预测效果较差,基于聚类历史日的MFOA-GRNN模型预测效果良好。其中冬季时间段聚类后,RMSE和MAPE的值分别降低了4.05KW和3.38%;春夏秋时间段,RMSE和MAPE的值分别降低了10.9KW和7.76%。可知,春夏秋时间段聚类前后模型预测效果相差较大,可能原因是春夏秋三个季节历史日数量较冬季时间段多,天气类型间的差异相对较大,聚类前后对模型的预测精度影响较大。
结果表明基于双维度顺序填补框架与改进Kohonen神经网络天气聚类的方法应用于光伏发电功率的预测是可行的,能够提高模型预测精准度,为历史数据部分缺失情景下的光伏发电功率预测提供一种有效策略。
图4为本发明所提供的光伏发电功率确定***结构图,如图4所示,一种光伏发电功率确定***,其特征在于,包括:
获取模块401,用于获取历史气象数据以及历史光伏发电功率;所述历史气象数据包括温度、湿度、辐照度、风向、风速。
补齐模块402,用于补齐所述历史气象数据和历史光伏发电功率,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率。
所述补齐模块402具体包括:数据源确定单元,用于根据所述历史气象数据以及所述历史光伏发电功率确定多个数据源;所述多个数据源包括缺失数据源以及非缺失数据源;双维度相似度度量单元,用于采用灰色关联度度量多个所述数据源间的双维度相似度;所述双维度相似度包括时间维度相似度以及属性维度相似度;提取单元,用于提取所述双维度相似度内所述缺失数据源与所述非缺失数据源的缺失双维度相似度;补齐数据源框架构建单元,用于根据所述缺失双维度相似度构建补齐数据源框架;填补顺序确定单元,用于根据所述缺失数据源确定缺失数据源填补顺序;补齐单元,用于按照所述缺失数据源填补顺序,根据所述补齐数据源框架对所述缺失数据源进行填补,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率。
气象数据-光伏发电功率关系确定模块403,用于根据所述补齐后的历史气象数据以及所述补齐后的光伏发电功率,确定气象数据-光伏发电功率关系。
所述气象数据-光伏发电功率关系确定模块403具体包括:时间-光伏发电功率关系确定单元,用于按照四季的时间顺序,根据所述历史气象数据以及所述光伏发电功率,确定时间-光伏发电功率关系;气象数据-光伏发电功率关系确定单元,用于根据所述时间-光伏发电功率关系确定所述气象数据-光伏发电功率关系。
聚类模块404,用于根据所述气象数据-光伏发电功率关系对所述天气类型进行聚类处理,得到聚类结果。
所述聚类模块404具体包括:影响因子确定单元,用于根据所述气象数据-光伏发电功率关系确定影响因子;所述影响因子包括温度、湿度、辐照度;Kohonen模型构建单元,用于以所述影响因子作为输入,以所述天气类型作为输出,构建Kohonen模型;聚类单元,用于利用所述Kohonen模型对所述天气类型进行聚类处理,得到聚类结果。
识别模块405,用于根据所述聚类结果,利用S-kohonen模型识别待测日的天气类型。
光伏发电功率确定模块406,用于根据所述待测日的天气类型确定所述待测日的光伏发电功率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于气象数据的光伏发电功率确定方法,其特征在于,包括:
获取历史气象数据以及历史光伏发电功率;所述历史气象数据包括温度、湿度、辐照度、风向、风速;
补齐所述历史气象数据和历史光伏发电功率,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率;
根据所述补齐后的历史气象数据以及所述补齐后的光伏发电功率,确定气象数据-光伏发电功率关系;
根据所述气象数据-光伏发电功率关系对所述天气类型进行聚类处理,得到聚类结果;
根据所述聚类结果,利用S-kohonen模型识别待测日的天气类型;
根据所述待测日的天气类型确定所述待测日的光伏发电功率。
2.根据权利要求1所述的确定方法,其特征在于,所述补齐所述历史气象数据和历史光伏发电功率,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率,具体包括:
根据所述历史气象数据以及所述历史光伏发电功率确定多个数据源;所述多个数据源包括缺失数据源以及非缺失数据源;
采用灰色关联度度量多个所述数据源间的双维度相似度;所述双维度相似度包括时间维度相似度以及属性维度相似度;
提取所述双维度相似度内所述缺失数据源与所述非缺失数据源的缺失双维度相似度;
根据所述缺失双维度相似度构建补齐数据源框架;
根据所述缺失数据源确定缺失数据源填补顺序;
按照所述缺失数据源填补顺序,根据所述补齐数据源框架对所述缺失数据源进行填补,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率。
3.根据权利要求1所述的确定方法,其特征在于,所述根据所述补齐后的历史气象数据以及所述补齐后的光伏发电功率,确定气象数据-光伏发电功率关系,具体包括:
按照四季的时间顺序,根据所述历史气象数据以及所述光伏发电功率,确定时间-光伏发电功率关系;
根据所述时间-光伏发电功率关系确定所述气象数据-光伏发电功率关系。
4.根据权利要求3所述的确定方法,其特征在于,所述根据所述气象数据-光伏发电功率关系对所述天气类型进行聚类处理,得到聚类结果,具体包括:
根据所述气象数据-光伏发电功率关系确定影响因子;所述影响因子包括温度、湿度、辐照度;
以所述影响因子作为输入,以所述天气类型作为输出,构建Kohonen模型;
利用所述Kohonen模型对所述天气类型进行聚类处理,得到聚类结果。
5.根据权利要求1所述的确定方法,其特征在于,所述根据所述聚类结果,利用S-kohonen模型识别待测日的天气类型之后,还包括:
根据所述待测日的天气类型,确定与所述待测日的天气类型相同天气类型的多个历史日;
获取多个所述历史日的历史日气象数据以及历史日光伏发电功率。
6.根据权利要求5所述的确定方法,其特征在于,所述根据所述待测日的天气类型确定所述待测日的光伏发电功率,具体包括:
以所述历史日气象数据作为输入,以所述历史日光伏发电功率作为输出,建立MFOA-GRNN模型;
获取待测日的待测日气象数据;
将所述待测日气象数据输入所述MFOA-GRNN模型,输出所述待测日的光伏发电功率。
7.一种光伏发电功率确定***,其特征在于,包括:
获取模块,用于获取历史气象数据以及历史光伏发电功率;所述历史气象数据包括温度、湿度、辐照度、风向、风速;
补齐模块,用于补齐所述历史气象数据和历史光伏发电功率,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率;
气象数据-光伏发电功率关系确定模块,用于根据所述补齐后的历史气象数据以及所述补齐后的光伏发电功率,确定气象数据-光伏发电功率关系;
聚类模块,用于根据所述气象数据-光伏发电功率关系对所述天气类型进行聚类处理,得到聚类结果;
识别模块,用于根据所述聚类结果,利用S-kohonen模型识别待测日的天气类型;
光伏发电功率确定模块,用于根据所述待测日的天气类型确定所述待测日的光伏发电功率。
8.根据权利要求7所述的确定***,其特征在于,所述补齐模块具体包括:
数据源确定单元,用于根据所述历史气象数据以及所述历史光伏发电功率确定多个数据源;所述多个数据源包括缺失数据源以及非缺失数据源;
双维度相似度度量单元,用于采用灰色关联度度量多个所述数据源间的双维度相似度;所述双维度相似度包括时间维度相似度以及属性维度相似度;
提取单元,用于提取所述双维度相似度内所述缺失数据源与所述非缺失数据源的缺失双维度相似度;
补齐数据源框架构建单元,用于根据所述缺失双维度相似度构建补齐数据源框架;
填补顺序确定单元,用于根据所述缺失数据源确定缺失数据源填补顺序;
补齐单元,用于按照所述缺失数据源填补顺序,根据所述补齐数据源框架对所述缺失数据源进行填补,得到补齐后的历史气象数据以及补齐后的历史光伏发电功率。
9.根据权利要求7所述的确定***,其特征在于,所述气象数据-光伏发电功率关系确定模块具体包括:
时间-光伏发电功率关系确定单元,用于按照四季的时间顺序,根据所述历史气象数据以及所述光伏发电功率,确定时间-光伏发电功率关系;
气象数据-光伏发电功率关系确定单元,用于根据所述时间-光伏发电功率关系确定所述气象数据-光伏发电功率关系。
10.根据权利要求9所述的确定***,其特征在于,所述聚类模块具体包括:
影响因子确定单元,用于根据所述气象数据-光伏发电功率关系确定影响因子;所述影响因子包括温度、湿度、辐照度;
Kohonen模型构建单元,用于以所述影响因子作为输入,以所述天气类型作为输出,构建Kohonen模型;
聚类单元,用于利用所述Kohonen模型对所述天气类型进行聚类处理,得到聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001891.0A CN108038518A (zh) | 2018-01-02 | 2018-01-02 | 一种基于气象数据的光伏发电功率确定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810001891.0A CN108038518A (zh) | 2018-01-02 | 2018-01-02 | 一种基于气象数据的光伏发电功率确定方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038518A true CN108038518A (zh) | 2018-05-15 |
Family
ID=62098400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810001891.0A Pending CN108038518A (zh) | 2018-01-02 | 2018-01-02 | 一种基于气象数据的光伏发电功率确定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038518A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242355A (zh) * | 2020-01-06 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于贝叶斯神经网络的光伏概率预测方法及*** |
CN112884360A (zh) * | 2021-03-18 | 2021-06-01 | 国家电网有限公司 | 分布式光伏电站综合成效评估方法、***、设备及介质 |
CN117807402A (zh) * | 2024-02-27 | 2024-04-02 | 阿里巴巴(中国)有限公司 | 功率预测方法、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN107516145A (zh) * | 2017-07-27 | 2017-12-26 | 浙江工业大学 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
-
2018
- 2018-01-02 CN CN201810001891.0A patent/CN108038518A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022528A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 |
CN107516145A (zh) * | 2017-07-27 | 2017-12-26 | 浙江工业大学 | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 |
Non-Patent Citations (3)
Title |
---|
张华彬: ""微网中光伏发电***的出力预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 (月刊)》 * |
方浩 等: ""改进的Kohonen神经网络航迹关联算法"", 《计算机应用》 * |
马茜 等: ""顺序敏感的多源感知数据填补技术"", 《软件学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242355A (zh) * | 2020-01-06 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于贝叶斯神经网络的光伏概率预测方法及*** |
CN112884360A (zh) * | 2021-03-18 | 2021-06-01 | 国家电网有限公司 | 分布式光伏电站综合成效评估方法、***、设备及介质 |
CN117807402A (zh) * | 2024-02-27 | 2024-04-02 | 阿里巴巴(中国)有限公司 | 功率预测方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Lipu et al. | Artificial intelligence based hybrid forecasting approaches for wind power generation: Progress, challenges and prospects | |
Feng et al. | A taxonomical review on recent artificial intelligence applications to PV integration into power grids | |
Semero et al. | A PSO-ANFIS based hybrid approach for short term PV power prediction in microgrids | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN108205717A (zh) | 一种光伏发电功率多时间尺度预测方法 | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN108549960A (zh) | 一种24小时电力负荷预测方法 | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN105005708B (zh) | 一种基于ap聚类算法的广义负荷特性聚类方法 | |
CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
CN115271253B (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
Baheri et al. | Altitude optimization of airborne wind energy systems: A Bayesian optimization approach | |
CN110133755A (zh) | 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及*** | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
Li et al. | Forecasting of short-term photovoltaic power generation using combined interval type-2 Takagi-Sugeno-Kang fuzzy systems | |
CN115912502A (zh) | 一种智能电网运营优化方法及装置 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
Vohra et al. | End-to-end learning with multiple modalities for system-optimised renewables nowcasting |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180515 |
|
RJ01 | Rejection of invention patent application after publication |