CN114611842B - 一种整县屋顶分布式光伏功率预测方法 - Google Patents
一种整县屋顶分布式光伏功率预测方法 Download PDFInfo
- Publication number
- CN114611842B CN114611842B CN202210503752.4A CN202210503752A CN114611842B CN 114611842 B CN114611842 B CN 114611842B CN 202210503752 A CN202210503752 A CN 202210503752A CN 114611842 B CN114611842 B CN 114611842B
- Authority
- CN
- China
- Prior art keywords
- curve
- power
- clustering
- center
- distributed photovoltaic
- 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 61
- 238000005192 partition Methods 0.000 claims abstract description 95
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims description 23
- 239000006185 dispersion Substances 0.000 claims description 21
- 239000011541 reaction mixture Substances 0.000 claims description 21
- 238000000638 solvent extraction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- 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; 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Photovoltaic Devices (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种整县屋顶分布式光伏功率预测方法,包括:S10、从整县屋顶分布式光伏的功率曲线数据库中获取功率曲线;S20、根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度;S30、根据k‑mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整,确定整县范围内的分布式光伏划定区域和各分区的中心功率曲线;S40、各分区进行功率的拟合预测并进行求和,得到整县范围内的预测功率;本发明提高了功率预测的精确度,既实现了整县式屋顶分布式光伏的分区能量管理,也实现了整县分布式光伏功率的有效预测,为电网运行的调控与决策提供了关键支撑作用。
Description
技术领域
本发明属于功率预测的技术领域,具体涉及一种整县屋顶分布式光伏功率预测方法。
背景技术
随着我国“双碳”发展战略目标的提出,构建以新能源为主体的新型电力***成为我国实现能源转型的关键支撑,为此,国家能源局公布了676个整县屋顶分布式光伏试点县,以推动新型电力***的发展进程。整县式光伏的大规模建设和投运,极大地提高新能源在电网中的比例,这标志着新能源的出力将在电网中逐渐居于主导地位。因此,如何更好的对新能源发电进行调度和控制成为新型电力***发展过程中的一个关键技术难题,尤其对于屋顶分布式光伏发电而言,在地域上存在分布面积广、位置分散、个体容量小等特点,这也造成了由于外界环境差别很大导致的各区域光伏运行特征不一致,而个体用户的独立预测功能应用于整县式光伏中则会造成经济投入过大,引起用户的经济损失。因此,如何准确对整县范围内的屋顶分布式光伏进行出力预测则是实现整县式光伏调度和控制的首要问题。
当前,光伏功率预测的方法主要以集中式的光伏发电厂(站)为主,主要采用基于数学统计预测方法和人工智能预测方法,这些方法主要根据光伏的外界环境特点和运行特性实现对光伏出力的预测,但是对于整县屋顶分布式光伏的预测,这些方法存在不足之处:
(1)、集中式光伏电站的地域环境变化特征基本一致,分布式光伏的环境变化复杂多变,且天气信息采集较为困难,因此,不适用于集中预测模式;
(2)、采用数学统计方法或者人工智能方法对屋顶分布式光伏进行预测,由于整县式光伏的数量多、容量小且并网运行方式不一致,导致考虑变量很多,运算量较大,运算过程复杂,严重影响预测的精度。
所以,现存的预测方案只针对并广泛适用于不同区域、不同特性的集中式光伏发电厂(站),对于屋顶分布式光伏的功率预测研究较少,尚无完善的功率预测方案。随着整县式屋顶光伏方案的提出与试点的建设,与之相适应的功率预测方案的研究显得十分必要和迫切。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为:提供一种基于功率曲线相似性进行分区并对光伏出力预测的整县屋顶分布式光伏功率预测方法。
为了解决上述技术问题,本发明采用的技术方案为:一种整县屋顶分布式光伏功率预测方法,包括:
S10、从整县屋顶分布式光伏的功率曲线数据库中获取功率曲线;
S20、根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,将屋顶分布式光伏功率曲线归类于相似度最大的聚类中心曲线类别组;
S30、根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整,输出最佳聚类分区方案和中心曲线集合,根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线;
S40、各分区进行功率的拟合预测并进行求和,得到整县范围内的预测功率。
优选地,所述根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度之前,包括:
优选地,所述根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,将每条功率曲线归类于相似度最大的聚类中心曲线类别组,包括:
两条曲线之间的斜率距离为:
并且有下式成立:
优选地,所述根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整,输出最佳聚类分区方案和中心曲线集合,根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线,包括:
S301、计算各类中心与各样本点距离的绝对误差,将绝对误差最小的样本点作为新的中心点,进行聚类中心的计算和调整:
S302、判断曲线聚类结果是否满足离散度极限且聚类中心是否改变;
S303、当曲线聚类结果小于聚类的离散度且聚类中心不再发生改变时;输出聚类结果,即为最优分区组;
进一步地,所述判断曲线聚类结果是否满足离散度,包括:
所述判断聚类中心曲线不再发生改变,包括:
进一步地,所述根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整,输出最佳聚类分区方案和中心曲线集合,根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线,包括:
S306、生成最佳分区方案和聚类中心功率曲线集合;
S307、根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线。
优选地,所述各分区进行功率的拟合预测并进行求和,得到整县范围内的预测功率,包括:
对聚类分区内的各区域中心光伏用户功率进行预测,记为:
根据该区域的屋顶式光伏装机总容量的占比来实现聚类分区内光伏发电功率的预测,预测公式如下:
将各分区的预测功率进行求和,即得到整县范围内的预测功率:
优选地,所述根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度之前,包括:
对整县屋顶分布式光伏的功率曲线进行归一化处理,归一化公式如下:
本发明与现有技术相比具有以下有益效果:
1、本发明提供的一种整县屋顶分布式光伏功率预测方法,根据整县式光伏的地域分布特点及光伏发电的工作原理,采用电网传统的分区方法,在地域上对整县式光伏进行网格化分区,实现小型分区内的集中管理和监测,然后根据分区内的光伏出力运行曲线具有相似性的特点,采用该分区内的区域中心光伏用户的预测功率用于类比拟合该分区的所有屋顶光伏功率,提高了功率预测的精确度,既实现了整县式屋顶分布式光伏的分区能量管理,也实现了整县分布式光伏功率的有效预测,为电网运行的调控与决策提供了关键支撑作用。
2、本发明中,采用两条曲线之间的斜率距离来反应曲线之间的变化动态相似特性,采用欧式距离衡量法反应曲线之间的整体相似特性,这样从功率曲线的整体形状和动态变化趋势来综合反应曲线的相似性;根据欧式距离和斜率距离的曲线相似性衡量方法,计算各屋顶分布式光伏的功率曲线与每类聚类中心曲线的相似度,根据每条功率曲线与每类聚类中心曲线的相似度,按照从大到小的顺序进行排序,将每条功率曲线归类于相似度最大的聚类中心曲线类别组;本实施例在传统的欧式距离分析方法的基础上进行改进,能够较为全面地对曲线的瞬时变化趋势进行衡量和分析,实现曲线的高度相似匹配和聚类。
3、本发明采用k-mediod算法对整县屋顶分布式光伏进行聚类分区,得到最优的分区方案,在同一区域内的各屋顶分布式光伏具有相似度较高的功率曲线,在外界环境变化的影响下,出力具有一致的变化特征,侧面反应了同一分区内的屋顶光伏在地域上具有分布相同的外界环境变化特点;本发明通过k-mediod聚类算法对整县屋顶分布式光伏进行分区管理和分区预测,应用原理简单,适用于大量数据场景,在一定程度上提高了分区效率,实现新能源能量的集中分析和管理。
4、本发明结合整县屋顶分布式光伏的地域分布和出力运行特点,针对现有功率预测方法的不足之处,提出基于功率曲线相似性分析的分区预测方法,解决了分布式光伏功率预测难度大、精度低的问题。
5、本发明提出基于分布式光伏功率曲线相似性分析的分区方案,根据曲线的相似性进行整县地域内分布式光伏的分区,实现了整县式光伏的功率预测和区域新能源电量的分析和管理。
附图说明
下面结合附图对本发明做进一步详细的说明;
图1是本发明实施例一提供的一种整县屋顶分布式光伏功率预测方法的流程示意图;
图2为本发明施例二提供的一种整县屋顶分布式光伏功率预测方法中步骤S20的流程示意图;
图3为本发明施例三提供的一种整县屋顶分布式光伏功率预测方法中步骤S30的流程示意图;
图4为本发明施例四提供的一种整县屋顶分布式光伏功率预测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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作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。
以下结合附图详细说明本发明一种整县屋顶分布式光伏功率预测方法的一个实施例。
实施例一
图1是本发明实施例一提供的一种整县屋顶分布式光伏功率预测方法的流程示意图,如图1所示,一种整县屋顶分布式光伏功率预测方法,包括:
S10、从整县屋顶分布式光伏的功率曲线数据库中获取功率曲线;
S20、根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,将屋顶分布式光伏功率曲线归类于相似度最大的聚类中心曲线类别组;
S30、根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整,输出最佳聚类分区方案和中心曲线集合,根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线;
S40、各分区进行功率的拟合预测并进行求和,得到整县范围内的预测功率。
本实施例中,根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,将屋顶分布式光伏功率曲线归类于相似度最大的聚类中心曲线类别组,分区后的各屋顶分布式光伏在功率特性上具有一致的变化特征,反应了同一分区具有相似的外界环境变化特点,根据分区方案进行区域光伏预测,在各区域内对聚类中心屋顶分布式光伏用户的出力进行功率预测,利用该光伏用户的的功率曲线即可拟合得到该区域的分布式光伏总出力,最后将各区域的分布式光伏功率进行总加即为整县区域内分布式光伏的预测总功率;本实施例根据整县式光伏的地域分布特点及光伏发电的工作原理,采用电网传统的分区方法,在地域上对整县式光伏进行网格化分区,实现小型分区内的集中管理和监测,然后根据分区内的光伏出力运行曲线具有相似性的特点,采用该分区内的区域中心光伏用户的预测功率用于类比拟合该分区的所有屋顶光伏功率,提高了功率预测的精确度,这样既实现了整县式屋顶分布式光伏的分区能量管理,也实现了整县分布式光伏功率的有效预测,为电网运行的调控与决策提供了关键支撑作用。
具体地,在所述步骤S20,根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,之前,包括:
实施例二
图2为本发明施例二提供的一种整县屋顶分布式光伏功率预测方法中步骤S20的流程示意图,如图2所示,所述步骤S20,根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,将每条功率曲线归类于相似度最大的聚类中心曲线类别组,具体包括:
两条曲线之间的斜率距离为:
并且有下式成立:
本实施例中,采用两条曲线之间的斜率距离来反应曲线之间的变化动态相似特性,采用欧式距离衡量法反应曲线之间的整体相似特性,这样从功率曲线的整体形状和动态变化趋势来综合反应曲线的相似性;根据欧式距离和斜率距离的曲线相似性衡量方法,计算各屋顶分布式光伏的功率曲线与每类聚类中心曲线的相似度,根据每条功率曲线与每类聚类中心曲线的相似度,按照从大到小的顺序进行排序,将每条功率曲线归类于相似度最大的聚类中心曲线类别组;传统的曲线相似度衡量方法为基于欧式距离的相似性衡量方法,但是该方法只能通过计算两条曲线之间对应采样点的欧式距离来反应两条曲线之间的相似度,无法准确反应曲线的局部动态变化特性,因此,传统的欧式距离衡量法可能造成较大的相似性计算误差;本实施例在传统的欧式距离分析方法的基础上进行改进,能够较为全面地对曲线的瞬时变化趋势进行衡量和分析,实现曲线的高度相似匹配和聚类。
实施例三
图3为本发明施例三提供的一种整县屋顶分布式光伏功率预测方法中步骤S30的流程示意图,如图3所示,在实施例二的基础上,所述步骤S30,根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整,输出最佳聚类分区方案和中心曲线集合,根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线,具体包括:
S301、计算各类中心与各样本点距离的绝对误差,将绝对误差最小的样本点作为新的中心点,进行聚类中心的计算和调整:
S302、判断曲线聚类结果是否满足离散度极限且聚类中心是否改变;具体地,判断曲线聚类结果是否满足离散度极限且聚类中心是否改变包括判断曲线聚类结果是否小于聚类的离散度及判断聚类中心曲线不再发生改变;
所述判断曲线聚类结果是否小于聚类的离散度,包括:
所述判断聚类中心曲线不再发生改变,包括:
S303、当满足式(11)及式(13),即曲线聚类结果小于聚类的离散度且聚类中心不再发生改变时;输出聚类结果,即为最优分区组;若不满足,则根据欧式距离和斜率距离综合相似性衡量公式重新分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,直至满足式(11)及式(13)方可结束;
S305、判断该聚类分区指标是否满足;如是,输出分区结果和聚类中心曲线;否则,根据欧式距离和斜率距离综合相似性衡量公式重新分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,重新进行聚类中心的计算和调整,再次经离散度和聚类中心的判断后,进入指标值计算和判断;
S306、生成最佳分区方案和聚类中心功率曲线集合;
S307、根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线。
本实施例采用k-mediod算法对整县屋顶分布式光伏进行聚类分区,得到最优的分区方案,在同一区域内的各屋顶分布式光伏具有相似度较高的功率曲线,在外界环境变化的影响下,出力具有一致的变化特征,侧面反应了同一分区内的屋顶光伏在地域上具有分布相同的外界环境变化特点;本实施例通过k-mediod聚类算法对整县屋顶分布式光伏进行分区管理和分区预测,应用原理简单,适用于大量数据场景,在一定程度上提高了分区效率,实现新能源能量的集中分析和管理。
实施例四
图4为本发明施例四提供的一种整县屋顶分布式光伏功率预测方法的流程示意图,如图4所示,在实施例三的基础上,所述步骤S40,各分区进行功率的拟合预测并进行求和,得到整县范围内的预测功率,具体包括:
根据分区内的屋顶分布式光伏的地域分布特点,对聚类分区内的各区域中心光伏用户功率进行预测,记为:
根据该区域的屋顶式光伏装机总容量的占比来实现聚类分区内光伏发电功率的预测,各分区进行功率的拟合预测公式如下:
将各分区的预测功率进行求和,即得到整县范围内的预测功率:
进一步地,所述根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度之前,包括:
由于整县范围内各分布式光伏用户的发电容量不同,可能会造成具有相似功率曲线因数据值差别较大带来相似性分析复杂,增加运算量,因此,对整县屋顶分布式光伏的功率曲线进行归一化处理,归一化公式如下:
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种整县屋顶分布式光伏功率预测方法,其特征在于:包括:
S101、从整县屋顶分布式光伏的功率曲线数据库中获取功率曲线;
S102、根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,将屋顶分布式光伏功率曲线归类于相似度最大的聚类中心曲线类别组;
S103、根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整,输出最佳聚类分区方案和中心曲线集合,根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线;
S104、各分区进行功率的拟合预测并进行求和,得到整县范围内的预测功率;
所述根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度之前,包括:
所述根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整,输出最佳聚类分区方案和中心曲线集合,根据分区方案确定整县范围内的分布式光伏划定区域,根据聚类中心曲线集合确定各分区的中心功率曲线,包括:
计算各类中心与各样本点距离的绝对误差,将绝对误差最小的样本点作为新的中心点,进行聚类中心的计算和调整:
判断曲线聚类结果是否满足离散度极限且聚类中心是否改变;
当曲线聚类结果小于聚类的离散度且聚类中心不再发生改变时;输出聚类结果,即为最优分区组。
2.根据权利要求1所述的一种整县屋顶分布式光伏功率预测方法,其特征在于:所述根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度,将每条功率曲线归类于相似度最大的聚类中心曲线类别组,包括:
两条曲线之间的斜率距离为:
并且有下式成立:
6.根据权利要求4所述的一种整县屋顶分布式光伏功率预测方法,其特征在于:所述各分区进行功率的拟合预测并进行求和,得到整县范围内的预测功率,包括:
对聚类分区内的各区域中心光伏用户功率进行预测,记为:
根据该区域的屋顶式光伏装机总容量的占比来实现聚类分区内光伏发电功率的预测,预测公式如下:
将各分区的预测功率进行求和,即得到整县范围内的预测功率:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210503752.4A CN114611842B (zh) | 2022-05-10 | 2022-05-10 | 一种整县屋顶分布式光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210503752.4A CN114611842B (zh) | 2022-05-10 | 2022-05-10 | 一种整县屋顶分布式光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611842A CN114611842A (zh) | 2022-06-10 |
CN114611842B true CN114611842B (zh) | 2022-07-29 |
Family
ID=81869571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210503752.4A Active CN114611842B (zh) | 2022-05-10 | 2022-05-10 | 一种整县屋顶分布式光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611842B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662994B (zh) * | 2022-05-18 | 2022-08-05 | 国网山西省电力公司晋城供电公司 | 一种整县式光伏分区方法、存储设备及终端 |
CN116109009B (zh) * | 2023-04-10 | 2023-07-18 | 山东理工大学 | 基于多特征量提取的光储型园区负荷曲线动态识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680261A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 |
CN106529731A (zh) * | 2016-11-17 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种区域电网光伏电站集群划分方法 |
CN110009385A (zh) * | 2019-01-11 | 2019-07-12 | 国网浙江杭州市临安区供电有限公司 | 一种基于多因素映射的光伏发电用户群划分方法 |
CN110008982A (zh) * | 2019-01-11 | 2019-07-12 | 国网浙江省电力有限公司 | 一种基于光伏发电出力聚类的气象监测点选择方法 |
CN111199016A (zh) * | 2019-09-29 | 2020-05-26 | 国网湖南省电力有限公司 | 一种基于DTW的改进K-means的日负荷曲线聚类方法 |
CN113902304A (zh) * | 2021-10-12 | 2022-01-07 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于总负荷曲线相似性的可控负荷筛选方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020178150A1 (en) * | 2001-05-12 | 2002-11-28 | X-Mine | Analysis mechanism for genetic data |
CN108574300B (zh) * | 2018-04-19 | 2020-06-30 | 中国科学院电工研究所 | 一种基于相似性聚合的分布式光伏发电功率状态估计方法 |
CN110676871A (zh) * | 2019-08-16 | 2020-01-10 | 华北电力大学 | 一种分布式光伏规模化接入农村配电网的组群划分方法 |
US11055616B2 (en) * | 2019-11-18 | 2021-07-06 | UMNAI Limited | Architecture for an explainable neural network |
-
2022
- 2022-05-10 CN CN202210503752.4A patent/CN114611842B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680261A (zh) * | 2015-03-16 | 2015-06-03 | 朗新科技股份有限公司 | 基于重点大客户负荷曲线聚类的电力负荷运行控制方法 |
CN106529731A (zh) * | 2016-11-17 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种区域电网光伏电站集群划分方法 |
CN110009385A (zh) * | 2019-01-11 | 2019-07-12 | 国网浙江杭州市临安区供电有限公司 | 一种基于多因素映射的光伏发电用户群划分方法 |
CN110008982A (zh) * | 2019-01-11 | 2019-07-12 | 国网浙江省电力有限公司 | 一种基于光伏发电出力聚类的气象监测点选择方法 |
CN111199016A (zh) * | 2019-09-29 | 2020-05-26 | 国网湖南省电力有限公司 | 一种基于DTW的改进K-means的日负荷曲线聚类方法 |
CN113902304A (zh) * | 2021-10-12 | 2022-01-07 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于总负荷曲线相似性的可控负荷筛选方法 |
Non-Patent Citations (3)
Title |
---|
《光伏电站群区域功率预测的统计升尺度方法》;陈颖等;《可再生能源》;20121130;全文 * |
基于无监督神经网络聚类算法的研究;刘文杰等;《信息技术与信息化》;20061215;全文 * |
基于统计升尺度方法的分布式光伏发电功率预测研究;邵艺博;《沈阳工程学院硕士学位论文》;20210215;第4-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114611842A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Day-ahead wind power forecasting based on the clustering of equivalent power curves | |
CN114611842B (zh) | 一种整县屋顶分布式光伏功率预测方法 | |
CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
Jiang et al. | Comprehensive assessment of wind resources and the low-carbon economy: An empirical study in the Alxa and Xilin Gol Leagues of inner Mongolia, China | |
CN117272850B (zh) | 配电网安全运行调度弹性空间分析方法 | |
CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
CN116388245A (zh) | 光储充一体化电站储能容量配置方法及相关设备 | |
CN115905904A (zh) | 一种配电网馈线的线损异常评估方法及装置 | |
CN115907511A (zh) | 可调节负荷资源价值评估模型的构建方法及装置 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN110852495A (zh) | 一种分布式储能电站选址方法 | |
Qiu et al. | Comprehensive evaluation of power quality based on improved TOPSIS-RSR method | |
CN117910668A (zh) | 一种考虑多不确定性因素的电力***演化路径规划方法 | |
CN115693787B (zh) | 考虑源荷随机性的光储配电网新能源接纳能力分析方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN117183803A (zh) | 电动汽车充电控制方法、装置和计算机设备 | |
CN114662994B (zh) | 一种整县式光伏分区方法、存储设备及终端 | |
CN116468331A (zh) | 一种分级评估的风电场主动支撑控制能力评价方法 | |
CN114971427A (zh) | 基于熵权-层次分析法的储能电站并网安全评价方法 | |
CN115689620A (zh) | 基于物理模型和数据驱动的煤价与电价传导模型构建方法 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
CN114552634A (zh) | 一种分布式电源规模化并网多目标动态集群划分方法及装置 | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
CN112668764A (zh) | 一种基于云模型和fcm算法的海上风电场储能***优化配置方法 | |
Fan et al. | Prediction and Analysis of Power User Energy Consumption Based on Demand Side Management |
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 |