CN114186723A - 一种基于时空关联的分布式光伏功率网格虚拟预测*** - Google Patents
一种基于时空关联的分布式光伏功率网格虚拟预测*** Download PDFInfo
- Publication number
- CN114186723A CN114186723A CN202111419103.8A CN202111419103A CN114186723A CN 114186723 A CN114186723 A CN 114186723A CN 202111419103 A CN202111419103 A CN 202111419103A CN 114186723 A CN114186723 A CN 114186723A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- power station
- photovoltaic
- prediction
- 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.)
- Withdrawn
Links
- 238000010248 power generation Methods 0.000 claims abstract description 52
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 17
- 238000012800 visualization Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于时空关联的分布式光伏功率网格虚拟预测***,包括:数据采集模块,所述数据采集模块用于获取区域内电站数据;数据预处理模块,所述数据预处理模块用于对选定区域中的光伏电站根据经纬度进行网格化处理;并对选定区域中的光伏电站历史数据的异常值进行处理;参考电站预测模块,所述参考电站预测模块用于根据集中式与分布式的关系确定参考电站,并对参考电站进行功率预测。本发明在考虑地形地貌的前提下,通过输入参考电站关键气象因素和两站的地理信息即可实现更为精准的分布式光伏发电功率预报。
Description
技术领域
本发明涉及分布式光伏发电功率预测技术领域,尤其涉及一种基于时空关联的分布式光伏功率网格虚拟预测***。
背景技术
随着“碳达峰与碳中和”双碳目标的提出,新能源在今后的能源占比中将不断增加。光伏发电作为一种主要的新能源利用方式将继续得到大力发展。光伏发电并网主要分为集中式和分布式,随着集中式的大量并网,其弊端也不断呈现出来,比如大规模的集中式光伏发电当地无法消纳,产生大量的“弃光”现象,造成资源浪费。而分布式光伏具有安装灵活,环保效益好,能在一定程度缓解部分地区用电紧张等优点,被视为光伏发电最优的开发模式。且从国际经验来看,许多国家的光伏产业中,分布式光伏占绝大多数。因此面对高比例的分布式光伏接入电网,精准的预测分布式光伏的发电功率对电网运行调度及安全稳定运行具有重大的意义。
从现存的研究中可以看出,针对光伏功率的预测技术大多针对数据齐全的集中式光伏,主要分为物理法、统计法和组合法。物理预测法实质上是一种数学公式计算法,通过建立大量的数学公式计算出光伏***的发电功率。统计法是根据已知的历史数据,包括气象数据和历史发电功率数据,建立两者之间的内在映射关系,建立模型预测功率。组合预测法是通过结合各种模型的优缺点,取长补短,实现更高精度的功率预测。而分布式光伏因容量小,并没有数据采集***,历史数据不全,无法通过传统的预测方法实现高精度预测。需要建立一种简单且高效的预测***实现对分布式光伏发电功率的精准预测。
发明内容
本发明的目的在于提供一种基于时空关联的分布式光伏功率网格虚拟预测***,以解决现有技术中的上述不足之处。
为了实现上述目的,本发明采用了如下技术方案:一种基于时空关联的分布式光伏功率网格虚拟预测***,包括:
数据采集模块,所述数据采集模块用于获取区域内电站数据;
数据预处理模块,所述数据预处理模块用于对选定区域中的光伏电站根据经纬度进行网格化处理;并对选定区域中的光伏电站历史数据的异常值进行处理;
参考电站预测模块,所述参考电站预测模块用于根据集中式与分布式的关系确定参考电站,并对参考电站进行功率预测;
分布式光伏预测模块,所述分布式光伏预测模块用于根据目标与参考之间建立的关系,预测目标分布式光伏的发电功率。
作为上述技术方案的进一步描述:
所述数据采集模块包括地理信息采集单元、集中式数据采集单元以及分布式数据采集单元;所述地理信息采集单元用于采集各光伏单站的经纬度和地形地貌信息;所述集中式数据采集单元用于采集集中式光伏电站的历史发电功率数据和历史气象数据;所述分布式数据采集单元用于采集分布式光伏电站的历史发电功率数据根据所选区域的光伏电站的经纬度将光伏电站网格化处理。
作为上述技术方案的进一步描述:
所述数据预处理模块包括电站网格化与和可视化单元以及异常值预处理单元;所述电站网格化与和可视化单元实现根据所选区域的地理信息和光伏电站的经纬度将光伏电站网格化与可视化处理;所述异常值预处理单元用于对数据异常类型进行判断,并对异常数据进行处理。
作为上述技术方案的进一步描述:
所述参考电站预测模块包括电站选择单元以及功率预测单元;所述电站选择单元用于根据分布式与集中式的灰色关联分析,确定最佳的距离范围;并在网格中以目标分布式光伏为中心,该距离为半径范围内的集中式光伏确定为参考电站;所述功率预测单元,用于根据该参考电站的历史气象数据和功率数据,训练出高精度的功率预测模型,从而获取功率时序数据从数据异常处理后的数据中获取***所需历史数据。
作为上述技术方案的进一步描述:
所述分布式光伏预测模块包括建立关系单元以及预测单元;所述建立关系单元,用于以参考电站的气象因素和历史发电功率作为自变量,目标分布式光伏发电功率作为因变量,建立非线性回归关系;所述预测单元用于将参考电站功率预测单元读取的功率预测值及气象因素带入所述参考电站和目标电站关系式中,得到目标分布式光伏的光伏功率预测值。
一种基于时空关联的分布式光伏功率网格虚拟预测方法,其基于上述的一种基于时空关联的分布式光伏功率网格虚拟预测***,包括以下步骤:
获取选定区域的地理信息数据和光伏数据;
对光伏电站进行网格化处理和地形上的可视化;
对选定区域中的光伏电站历史数据进行预处理;
根据分布式光伏与众多集中式光伏的历史发电序列,确定参考电站,并建立一种高精度的集中式光伏预测模型,对所选参考电站的功率进行预测;
根据目标电站的历史发电时序数据和参考电站的历史时序数据的关系预测分布式光伏的发电功率。
作为上述技术方案的进一步描述:
建立一种高精度的集中式光伏预测模型对所选参考电站的功率进行预测具体包括:根据集中式光伏电站的气象数据与历史发电功率数据建立EOSSA-ELM高精度预测模型进行功率预测。
作为上述技术方案的进一步描述:
对所述的根据目标电站的历史发电时序数据和参考电站的历史时序数据的关系预测分布式光伏的发电功率,包括:以参考电站的气象因素和预测的功率作为自变量,目标分布式光伏发电功率作为因变量,建立非线性回归关系;输入上述参考/目标关系式中的自变量数值,预测出分布式光伏的发电功率。
作为上述技术方案的进一步描述:
所述的历史数据预处理,具体包括以下步骤:
数据异常值类型判断;
若所述数据中包含负值,采用0替代负值;
若所述数据中缺失较少,采用移动窗口的中位值进行补全;
若所属数据缺失严重,直接删除该天数据。
作为上述技术方案的进一步描述:
对所述的根据分布式光伏与众多集中式光伏的历史发电序列,确定参考电站,包括:根据分布式光伏与集中式光伏历史发电时间序列进行灰色关联度分析,确定相关系较高对应的两者之间距离为高度相关性距离;以待预测分布式光伏为圆心,高度相关的距离为半径,画圆,从该圆范围中确定参考站。
本发明提供了一种基于时空关联的分布式光伏功率网格虚拟预测***。具备以下有益效果:
该基于时空关联的分布式光伏功率网格虚拟预测***通过获取区域地理信息数据和光伏数据并对选定区域内光伏进行经纬网格化处理;对获取的光伏数据进行预处理,而后从处理后的数据中获取所需数据;通过在网格中分析分布式与集中式光伏的关联度,确定最佳相关距离,以该距离为半径的范围中,确定参考电站;根据参考电站历史气象与功率数据建立预测模型,预测出参考电站的发电功率;建立参考电站与分布式电站的关系,将参考电站的功率、关键气象因素和两站间的距离输入关系式,预测分布式光伏的发电功率,即在考虑地形地貌的前提下,通过输入参考电站关键气象因素和两站的地理信息即可实现更为精准的分布式光伏发电功率预报。
附图说明
图1为本发明提出的一种基于时空关联的分布式光伏功率网格虚拟预测***的整体示意图;
图2为本发明提出的为本申请的基于时空关联性的分布式光伏功率网格虚拟预测技术流程图;
图3为本发明中参考电站发电功率预测流程图。
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。
参照图1-3,一种基于时空关联的分布式光伏功率网格虚拟预测***,包括:
数据采集模块,数据采集模块用于获取区域内电站数据;
数据预处理模块,数据预处理模块用于对选定区域中的光伏电站根据经纬度进行网格化处理;并对选定区域中的光伏电站历史数据的异常值进行处理;
参考电站预测模块,参考电站预测模块用于根据集中式与分布式的关系确定参考电站,并对参考电站进行功率预测;
分布式光伏预测模块,分布式光伏预测模块用于根据目标与参考之间建立的关系,预测目标分布式光伏的发电功率。
数据采集模块包括地理信息采集单元、集中式数据采集单元以及分布式数据采集单元;地理信息采集单元用于采集各光伏单站的经纬度和地形地貌信息;集中式数据采集单元用于采集集中式光伏电站的历史发电功率数据和历史气象数据;分布式数据采集单元用于采集分布式光伏电站的历史发电功率数据根据所选区域的光伏电站的经纬度将光伏电站网格化处理。
数据预处理模块包括电站网格化与和可视化单元以及异常值预处理单元;电站网格化与和可视化单元实现根据所选区域的地理信息和光伏电站的经纬度将光伏电站网格化与可视化处理;异常值预处理单元用于对数据异常类型进行判断,并对异常数据进行处理。
参考电站预测模块包括电站选择单元以及功率预测单元;电站选择单元用于根据分布式与集中式的灰色关联分析,确定最佳的距离范围;并在网格中以目标分布式光伏为中心,该距离为半径范围内的集中式光伏确定为参考电站;功率预测单元,用于根据该参考电站的历史气象数据和功率数据,训练出高精度的功率预测模型,从而获取功率时序数据从数据异常处理后的数据中获取***所需历史数据。
分布式光伏预测模块包括建立关系单元以及预测单元;建立关系单元,用于以参考电站的气象因素(云量、风速、风向)和历史发电功率作为自变量,目标分布式光伏发电功率作为因变量,建立非线性回归关系;预测单元用于将参考电站功率预测单元读取的功率预测值及气象因素带入参考电站和目标电站关系式中,得到目标分布式光伏的光伏功率预测值。
一种基于时空关联的分布式光伏功率网格虚拟预测方法,其基于上述的一种基于时空关联的分布式光伏功率网格虚拟预测***,包括以下步骤:
101:获取选定区域的地理信息数据和光伏数据;其中地理信息数据和光伏数据为所选区域的地形地貌和位置信息;各个光伏电站的经纬度数据,集中式光伏的历史功率数据,气象数据(辐照度、温度、湿度、风速、风向和云量等),分布式光伏的历史功率数据;
102:对光伏电站进行网格化处理和地形上的可视化;即将上述获取经纬度数据,按0.1°分辨率将各个电站网格化;根据地形和具体的经纬度数据,将电站在地形图进行可视化;
103:对选定区域中的光伏电站历史数据进行预处理;首先对数据异常值类型判断;若数据中包含负值,采用0替代负值;若数据中缺失较少,采用移动窗口的中位值进行补全;若所属数据缺失严重,直接删除该天数据;
104:根据分布式光伏与众多集中式光伏的历史发电序列,确定参考电站,并建立一种高精度的集中式光伏预测模型对所选参考电站的功率进行预测;
105:根据目标电站的历史发电时序数据和参考电站的历史时序数据的关系预测分布式光伏的发电功率。
具体的,步骤104中,根据集中式与分布式的关系确定参考电站,并对参考电站进行功率预测,主要包括:
步骤104.1,根据分布式光伏与集中式光伏历史发电时间序列进行灰色关联度分析,确定相关系较高对应的两者之间距离为高度相关性距离;
灰色关联度的计算公式如下:
步骤104.2,根据步骤102的网格化,以待预测分布式光伏为圆心,高度相关的距离为半径,画圆,从该圆范围中确定参考站。
步骤104.3,以步骤101获取的集中式光伏数据为基础,根据参考电站的气象数据与历史发电功率数据建立CMSSA-Elman高精度预测模型,预测模型的预测流程图如图2。
步骤104.3中,的建立CMSSA-Elman预测模型,主要包括:优化算法的改进和预测模型的搭建;
具体的,步骤104.3中,CMSSA-Elman预测模型的搭建,主要包括:
对获取的参考电站的进行归一化处理,消除量纲的影响;
通过对原始数据进行GRA相关性分析,选取高相似度样本作为构建模型数据集;
选取具有记忆功能的Elman模型作为基础的预测模型,针对Elman模型易陷入局部最优的缺点,选择采用改进的麻雀搜索算法(CMSSA)对Elman网络参数进行优化;
为进一步提高预测精度,选择相似日的预测误差与气象数据建立误差修正模型对初始预测值进行误差修正。
具体的,步骤104.3中,优化算法的改进,主要包括:
混沌初始化,种群初始解的质量关乎之后迭代速度与最优解的质量,采用tent对初始种群进行混沌扰动;
柯西变异,SSA迭代后期种群趋于同质化,利用柯西变异的特点,产生更广范围的随机数,增加种群多样性,提高寻优能力。
具体的,步骤105中,根据目标分布式光伏电站与参考电站历史功率数据及相关的关键气象因素建立关系,并根据目标/参考之间建立的关系,预测目标分布式光伏的发电功率,主要包括:
步骤105.1,以参考电站的云量、风速、风向、预测功率和两电站间的距离为自变量,目标分布式电站的功率为因变量,建立参考/目标之间的非线性回归关系;
具体的,步骤105.1中,风速自变量设置风速系数,依据不同的地形(平原/山区/大型山脉),设置风速系数[0.2-0.9];风向自变量设置风向系数,根据参考/目标连线方向与风向的一致性设置风向系数;同时依据风向,功率序列考虑时滞特性,将功率的时滞序列用于预测;
步骤105.2,通过输入步骤104中获取的参考电站功率预测值以及相应的关系式中的自变量值,预测出分布式光伏的发电功率。
对的根据目标电站的历史发电时序数据和参考电站的历史时序数据的关系预测分布式光伏的发电功率,包括:以参考电站的气象因素和预测的功率作为自变量,目标分布式光伏发电功率作为因变量,建立非线性回归关系;输入上述参考/目标关系式中的自变量数值,预测出分布式光伏的发电功率。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明较佳的具体实施方式,但本发明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发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于时空关联的分布式光伏功率网格虚拟预测***,其特征在于,包括:
数据采集模块,所述数据采集模块用于获取区域内电站数据;
数据预处理模块,所述数据预处理模块用于对选定区域中的光伏电站根据经纬度进行网格化处理;并对选定区域中的光伏电站历史数据的异常值进行处理;
参考电站预测模块,所述参考电站预测模块用于根据集中式与分布式的关系确定参考电站,并对参考电站进行功率预测;
分布式光伏预测模块,所述分布式光伏预测模块用于根据目标与参考之间建立的关系,预测目标分布式光伏的发电功率。
2.根据权利要求1所述的一种基于时空关联的分布式光伏功率网格虚拟预测***,其特征在于,所述数据采集模块包括地理信息采集单元、集中式数据采集单元以及分布式数据采集单元;所述地理信息采集单元用于采集各光伏单站的经纬度和地形地貌信息;所述集中式数据采集单元用于采集集中式光伏电站的历史发电功率数据和历史气象数据;所述分布式数据采集单元用于采集分布式光伏电站的历史发电功率数据根据所选区域的光伏电站的经纬度将光伏电站网格化处理。
3.根据权利要求1所述的一种基于时空关联的分布式光伏功率网格虚拟预测***,其特征在于,所述数据预处理模块包括电站网格化与和可视化单元以及异常值预处理单元;所述电站网格化与和可视化单元实现根据所选区域的地理信息和光伏电站的经纬度将光伏电站网格化与可视化处理;所述异常值预处理单元用于对数据异常类型进行判断,并对异常数据进行处理。
4.根据权利要求1所述的一种基于时空关联的分布式光伏功率网格虚拟预测***,其特征在于,所述参考电站预测模块包括电站选择单元以及功率预测单元;所述电站选择单元用于根据分布式与集中式的灰色关联分析,确定最佳的距离范围;并在网格中以目标分布式光伏为中心,该距离为半径范围内的集中式光伏确定为参考电站;所述功率预测单元,用于根据该参考电站的历史气象数据和功率数据,训练出高精度的功率预测模型,从而获取功率时序数据从数据异常处理后的数据中获取***所需历史数据。
5.根据权利要求1所述的一种基于时空关联的分布式光伏功率网格虚拟预测***,其特征在于,所述分布式光伏预测模块包括建立关系单元以及预测单元;所述建立关系单元,用于以参考电站的气象因素(云量、风速、风向)和历史发电功率作为自变量,目标分布式光伏发电功率作为因变量,建立非线性回归关系;所述预测单元用于将参考电站功率预测单元读取的功率预测值及气象因素带入所述参考电站和目标电站关系式中,得到目标分布式光伏的光伏功率预测值。
6.一种基于时空关联的分布式光伏功率网格虚拟预测方法,其基于上述权利要求1-5任一项所述的一种基于时空关联的分布式光伏功率网格虚拟预测***,其特征在于,包括以下步骤:
获取选定区域的地理信息数据和光伏数据;
对光伏电站进行网格化处理和地形上的可视化;
对选定区域中的光伏电站历史数据进行预处理;
根据分布式光伏与众多集中式光伏的历史发电序列,确定参考电站,并建立一种高精度的集中式光伏预测模型,对所选参考电站的功率进行预测;
根据目标电站的历史发电时序数据和参考电站的历史时序数据的关系预测分布式光伏的发电功率。
7.根据权利要求6所述的一种基于时空关联的分布式光伏功率网格虚拟预测方法,其特征在于,建立一种高精度的集中式光伏预测模型对所选参考电站的功率进行预测具体包括:根据集中式光伏电站的气象数据与历史发电功率数据建立EOSSA-ELM高精度预测模型进行功率预测。
8.根据权利要求6所述的一种基于时空关联的分布式光伏功率网格虚拟预测方法,其特征在于,对所述的根据目标电站的历史发电时序数据和参考电站的历史时序数据的关系预测分布式光伏的发电功率,包括:以参考电站的气象因素和预测的功率作为自变量,目标分布式光伏发电功率作为因变量,建立非线性回归关系;输入上述参考/目标关系式中的自变量数值,预测出分布式光伏的发电功率。
9.根据权利要求6所述的一种基于时空关联的分布式光伏功率网格虚拟预测方法,其特征在于,所述的历史数据预处理,具体包括以下步骤:
数据异常值类型判断;
若所述数据中包含负值,采用0替代负值;
若所述数据中缺失较少,采用移动窗口的中位值进行补全;
若所属数据缺失严重,直接删除该天数据。
10.根据权利要求6所述的一种基于时空关联的分布式光伏功率网格虚拟预测方法,其特征在于,根据分布式光伏与众多集中式光伏的历史发电序列,确定参考电站,包括:根据分布式光伏与集中式光伏历史发电时间序列进行灰色关联度分析,确定相关系较高对应的两者之间距离为高度相关性距离;以待预测分布式光伏为圆心,高度相关的距离为半径,画圆,从该圆范围中确定参考站。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419103.8A CN114186723A (zh) | 2021-11-26 | 2021-11-26 | 一种基于时空关联的分布式光伏功率网格虚拟预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419103.8A CN114186723A (zh) | 2021-11-26 | 2021-11-26 | 一种基于时空关联的分布式光伏功率网格虚拟预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186723A true CN114186723A (zh) | 2022-03-15 |
Family
ID=80602648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111419103.8A Withdrawn CN114186723A (zh) | 2021-11-26 | 2021-11-26 | 一种基于时空关联的分布式光伏功率网格虚拟预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186723A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862023A (zh) * | 2022-05-11 | 2022-08-05 | 济南大学 | 基于四维逐点气象预报的分布式光伏功率预测方法及*** |
CN116070728A (zh) * | 2022-10-25 | 2023-05-05 | 国网河北省电力有限公司营销服务中心 | 光伏发电***发电量预测方法、设备、***及介质 |
CN116432874A (zh) * | 2023-06-14 | 2023-07-14 | 青岛鼎信通讯科技有限公司 | 一种基于特征功率的分布式光伏功率预测方法 |
CN116865263A (zh) * | 2023-08-30 | 2023-10-10 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
CN117613909A (zh) * | 2024-01-24 | 2024-02-27 | 国能日新科技股份有限公司 | 分布式光伏区域气象建模方法及装置 |
-
2021
- 2021-11-26 CN CN202111419103.8A patent/CN114186723A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114862023A (zh) * | 2022-05-11 | 2022-08-05 | 济南大学 | 基于四维逐点气象预报的分布式光伏功率预测方法及*** |
CN116070728A (zh) * | 2022-10-25 | 2023-05-05 | 国网河北省电力有限公司营销服务中心 | 光伏发电***发电量预测方法、设备、***及介质 |
CN116070728B (zh) * | 2022-10-25 | 2024-05-07 | 国网河北省电力有限公司营销服务中心 | 光伏发电***发电量预测方法、设备、***及介质 |
CN116432874A (zh) * | 2023-06-14 | 2023-07-14 | 青岛鼎信通讯科技有限公司 | 一种基于特征功率的分布式光伏功率预测方法 |
CN116865263A (zh) * | 2023-08-30 | 2023-10-10 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
CN116865263B (zh) * | 2023-08-30 | 2024-01-09 | 天津市普迅电力信息技术有限公司 | 一种基于空间网格的分布式光伏功率预测方法 |
CN117613909A (zh) * | 2024-01-24 | 2024-02-27 | 国能日新科技股份有限公司 | 分布式光伏区域气象建模方法及装置 |
CN117613909B (zh) * | 2024-01-24 | 2024-04-12 | 国能日新科技股份有限公司 | 分布式光伏区域气象建模方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114186723A (zh) | 一种基于时空关联的分布式光伏功率网格虚拟预测*** | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控*** | |
CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
CN106651036A (zh) | 空气质量预报*** | |
CN113496311A (zh) | 光伏电站发电功率预测方法及*** | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测***及预测方法 | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
CN103955521B (zh) | 一种风电场机群划分方法 | |
CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析***及其方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN111428942A (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及*** | |
CN104520861A (zh) | 风功率密度预测方法 | |
CN114510513A (zh) | 用于光伏功率超短期预测的短临气象预报数据处理方法 | |
CN112100922A (zh) | 一种基于wrf和cnn卷积神经网络的风资源预测方法 | |
WO2024031449A1 (zh) | 一种基于网格聚类的峡谷风电短期功率预测方法 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析*** | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
CN117493476A (zh) | 一种融合物理机制和人工智能的径流回溯模拟方法及*** | |
CN116202575B (zh) | 一种水土保持土壤流失率监测***及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220315 |
|
WW01 | Invention patent application withdrawn after publication |