CN115374995A - 一种分布式光伏、小风电场站功率预测方法 - Google Patents

Abstract

本发明公开了一种分布式光伏、小风电场站功率预测方法，克服了现有技术中光伏发电出力预测主要用于集中式光伏发电站,缺少用于分布式光伏发电中的光伏发电出力预测的问题，包括以下步骤：S1：进行天气分型，利用功率曲线判断当日天气类型；S2：确定出力特性动态气象特征指标；S3：映射建模，确定短期分布式光伏、小风电场站功率预测模型和超短期分布式光伏、小风电场站功率预测模型；S4：构建基于动态权重修正的短期区域分布式光伏、小风电集群多尺度功率预测模型和超短期区域分布式光伏、小风电集群多尺度功率预测模型。可以预测分布式光伏、小风电场站的功率，提高预测准确性。

Description

一种分布式光伏、小风电场站功率预测方法

技术领域

本发明涉及电力预测技术领域，特别涉及了一种分布式光伏、小风电场站功率预测方法。

背景技术

近年来，人们对风光功率预测的认识进一步深入，开始着力开展功率预测模型输入数据研究。资源参量预报方面，基于数值预报模式的资源参量精细化预报得到深入发展，如引进WRF(Weather Research and Forecasting)模式，并通过卫星数据反演技术，获得实际气象参量值，丰富初始观测场数据，弥补了西部内陆、东部海域等区域气象观测数据的不足，提升了风速、风向、光照等资源参量预报的准确性。结果优化方面，通过认识误差特性，采用有针对性的优化方法提升预测精度。例如研究发现，不同功率水平下短期风电功率预测误差特性各异，对不同功率水平分别优化取得了较好的效果。针对不同资源预报模式在不同时空下误差特性各异，不同预测建模方法误差特性也存在差异，提出了不同资源预报模式和不同功率预测模型的组合预测方法，提升了功率预测结果的性能，成为目前功率预测普遍采用的方法。特别在光伏预测应用方面，已有多个机构提供光伏发电出力预测和光资源评估服务，但其预测技术主要用于集中式光伏电站，分布式电源预测应用还有待开发。

发明内容

本发明的目的是克服现有技术中光伏发电出力预测主要用于集中式光伏发电站,缺少用于分布式光伏发电中的光伏发电出力预测的问题，提供了一种分布式光伏、小风电场站功率预测方法，可以预测分布式光伏、小风电场站的功率，提高预测准确性。

为了实现上述目的，本发明采用以下技术方案：一种分布式光伏、小风电场站功率预测方法，包括下列步骤：

S1：进行天气分型，利用功率曲线判断当日天气类型；

S2：确定出力特性动态气象特征指标；

S3：映射建模，确定短期分布式光伏、小风电场站功率预测模型和超短期分布式光伏、小风电场站功率预测模型；

S4：构建基于动态权重修正的短期区域分布式光伏、小风电集群多尺度功率预测模型和超短期区域分布式光伏、小风电集群多尺度功率预测模型。

本发明采用双层协同模型，根据日前预测值与实测误差的推演关系进行误差逐时刻迭代校正，有效地削减了单一误差趋势推移算法的不稳定性，提供受气象影响下分布式光伏、小风电功率波动时更加准确的超短期预测，较为实用，适合广泛推广和使用。

作为优选，所述的步骤S2，进一步表示为：

S2.1：记录初始动态气象特征变量集；

S2.2：针对第k类曲线，采用皮尔森相关系数分别计算第k类分类下各动态气象特征变量与场站出力之间的相关度，并进行判定；

S2.3：若相关系数大于0.3，该气象特征与第k类分类下的场站出力具有强相关性，记录场站第k类功率曲线选取的出力特性动态气象特征指标集。

步骤S2.2中，判定时，按照皮尔森相关系数平方来进行判定。

作为优选，所述的步骤S3中，映射建模进一步表示为：

S3.1：建立与天气日K类型之间的映射关系；

S3.2：确定待预测日的出力特性动态气象特征指标数值集，得到预测日所属曲线类型簇类编号；

S3.3：在步骤S3.2中得到的曲线类型下进行该日超短期与短期预测。

所述步骤3中的映射建模为实现对场站全局出力的整体观测，同时综合考虑不同特征在各天气分型下的不同作用，此处采用各天气下的全动态气象特征分量，通过支持向量机(SVM)分类模型，建立与天气日K类型之间的映射关系，即：

式中，type⁽ⁱ⁾表示第i日曲线类型；

表示第i日动态气象数值；f代表训练模型，当预测时，首先确定待预测日的出力特性动态气象特征指标数值集，随后

表示的SVM分类模型f，可得预测日所属曲线类型簇类编号，则该日超短期与短期预测均在该分类下进行。

作为优选，所述的步骤S3中，所述短期分布式光伏、小风电场站功率预测模型包括：

短期功率预测模型以ti min为时间分辨率进行单个时刻的训练和预测；训练中以历史气象特征为输入、历史功率为输出建模，以平均百分比误差最小为目标函数；预测中则以NWP中的出力特性气象特征为输入，输出短期预测时刻光伏功率。

将历史功率出力数据与NWP预测出力数据的误差项考虑为准确模式中的未知项，构造出历史时间段误差项的推演关系。

作为优选，所述的步骤S3中，超短期分布式光伏、小风电场站功率预测模型基于NWP进行未来h时段内预测。在预测中，依据大气的连续演变性和自相似性，将未来预测时段的误差项估计问题提为反问题，由训练得到的推演模型求解，从而获得功率预测效果的改进。

作为优选，所述的步骤S4，包括以下预测步骤：

S4.1：针对每个聚合后子区域，利用区域内场站集合以及聚类中心，得到初始化子区域邻域校验选择样本序列S，初始化待检验序列X；

S4.2：遍历待检验序列X，利用前向扩增序列S′，预测时刻功率输出y，得到待校验的多维功率表征特征集

形成全时刻训练校验模型F，其中

S4.3：采用K折交叉验证法对训练校验模型F进行评价，得到训练误差

S4.4：计算每次枚举的扩展样本表征点所产生的误差均值

得到误差取最小均值

所对应的扩展样本表征点为a_m；

S4.5：确定已选择邻域集合的误差评价函数值为

判断

与

的关系，若

则S＝S'＝S+a{}_m，

否则S与

不变；

S4.6：令X＝X-{a_m}，若

则邻域校验结束，执行步骤S4.7，否则返回步骤S4.2；

S4.7：得到序列S，序列S成为新的子区域聚合样本表征序列。

假设区域内场站集合为A＝{a₀,a₁,...,a_n}，聚类中心为a_c(a_c∈A)，则子区域邻域校验选择样本序列初始化为S＝{a_c}，待检验序列初始化为X＝A-S；前向扩增序列为S'＝S+{a_k}(a_k∈X)，以预测时刻功率为输出y，可得到待校验的多维功率表征特征集为

作为优选，将训练样本划分为大小相同的K个分区，依次选择不同分区作为测试集，剩余的K-1个区作为训练集，每次训练误差为：测试集的模型功率预测值与真实功率值间的平均百分比误差的平均值

。

作为优选，所述步骤S4中，所述构建基于动态权重修正的短期区域分布式光伏、小风电集群功率预测模型：

A1：基于近邻传播-邻域校验得到区域集群样本表征集合；

A2：采用传统统计升尺度方法构建各样本点功率与全局功率间的最优权重矩阵；

A3：求解函数f得到样本权重系数向量，如下式所示：

式中，

表示第i天的区域全局出力，M表示样本场站个数，L表示一天数据点个数，k表示样本场站，s表示功率数据点，P_k ^(i，s)表示样本场站k在第i天第s个点的功率数值，b_k ^(s)表示样本场站k在一天内第s个功率数据点的权重，N表示总天数。

作为优选，所述步骤S4中，所述构建基于动态权重修正的超短期区域分布式光伏、小风电集群功率预测模型，采用临近时段的建模方法：

式中，

表示第t个时刻，所有样本场站功率特征的向量；T表示该时刻的日历特征，

表示，P_total表示对应该时刻的区域实际全局出力，P_M，t表示某日t时刻的短期预测向量，len表示临近时段数据点数，由训练中计算最优确定。

所述超短期区域分布式光伏、小风电集群功率预测模型，超短期集群功率预测较短期功率预测而言，实时可用信息更多，因此采取临近时段的建模方法。

因此，本发明具有如下有益效果：1、将历史功率出力数据与NWP预测出力数据的误差项考虑为准确模式中的未知项，构造出历史时间段误差项的推演关系；而在预测中，依据大气的连续演变性和自相似性，将未来预测时段的误差项估计问题提为反问题，由训练得到的推演模型求解，从而获得功率预测效果的改进；2、采用XGBoost算法构建短期与超短期预测模型，XGBoost算法较其他机器学习方法，具有防过拟合效果更好、损失函数更精确、处理稀疏矩阵效率更高等优势；3、双层协同模型根据日前预测值与实测误差的推演关系进行误差逐时刻迭代校正，有效地削减了单一误差趋势推移算法的不稳定性，提供受气象影响下分布式光伏、小风电功率波动时更加准确的超短期预测。

附图说明

图1为本发明方法的具体操作流程图。

图2为本发明短期(日前)功率预测模型结构示意表。

图3为本发明超短期功率预测模型结构示意表。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

实施例一：

如图1所示的实施例中，可以看到一种分布式光伏、小风电场站功率预测方法，其操作流程为：步骤一，进行天气分型，利用功率曲线判断当日天气类型；步骤二，确定出力特性动态气象特征指标；步骤三，映射建模，确定短期分布式光伏、小风电场站功率预测模型和超短期分布式光伏、小风电场站功率预测模型；步骤四，构建基于动态权重修正的短期区域分布式光伏、小风电集群多尺度功率预测模型和超短期区域分布式光伏、小风电集群多尺度功率预测模型。本发明采用双层协同模型，根据日前预测值与实测误差的推演关系进行误差逐时刻迭代校正，有效地削减了单一误差趋势推移算法的不稳定性，提供受气象影响下分布式光伏、小风电功率波动时更加准确的超短期预测，较为实用，适合广泛推广和使用。

具体表现为：

第一步：进行天气分型，利用功率曲线判断当日天气类型

天气分型可以采用反推演方法。

第二步：确定出力特性动态气象特征指标

首先确定初始动态气象特征变量集；针对第k类曲线，采用皮尔森相关系数分别计算此分类下各动态气象特征变量与场站出力之间的相关度，按照皮尔森相关系数平方来进行判定；相关判定系数大于0.3时，可认为该气象特征与第k类下的场站出力具有强相关性，记录场站第k类功率曲线选取的出力特性动态气象特征指标集。

第三步：映射建模，确定短期(日前)分布式光伏、小风电场站功率预测模型和超短期分布式光伏、小风电场站功率预测模型

如图2所示，所述短期(日前)分布式光伏、小风电场站功率预测模型主要包括：短期功率预测模型以15min为时间分辨率进行单个时刻的训练和预测；训练中以历史气象特征为输入、历史功率为输出建模，以平均百分比误差最小为目标函数；预测中则以NWP中的出力特性气象特征为输入，输出短期预测时刻光伏功率。

所述超短期分布式光伏、小风电场站功率预测模型基于NWP进行未来4h时段内预测。与短期预测日前层互相独立的单点预测不同，超短期模型虽同样为单预测点输出，但输入量涉及临近时段内多个功率数据，且滚动预测过程具有延续性，因此需加入时间特征维度，来更准确地区分处于不同预测时刻但有相似性的气象变化场景的后续演变规律。此外，超短期模型还需要确定临近时段参数即预测误差推移步长，来获得最好的校正效果。枚举推移步长获取最优步长参数。超短期模型的输入量、输出量、目标如图3所示。

再具体实施过程中，所述映射建模为实现对场站全局出力的整体观测，同时综合考虑不同特征在各天气分型下的不同作用，本实施例采用各天气下的全动态气象特征分量，通过支持向量机(SVM)分类模型，建立与天气日K类型之间的映射关系，即：

式中，type⁽ⁱ⁾表示第i日曲线类型；

表示第i日动态气象数值；f代表训练模型，当预测时，首先确定待预测日的出力特性动态气象特征指标数值集，随后

表示的SVM分类模型f，可得预测日所属曲线类型簇类编号，则该日超短期与短期预测均在该分类下进行。

本实施例中短期(日前)分布式光伏、小风电场站功率预测模型主要包括短期功率预测模型以15min为时间分辨率进行单个时刻的训练和预测；训练中以历史气象特征为输入、历史功率为输出建模，以平均百分比误差最小为目标函数；预测中则以NWP中的出力特性气象特征为输入，输出短期预测时刻光伏功率。

第四步：构建基于动态权重修正的短期区域分布式光伏、小风电集群多尺度功率预测模型和超短期区域分布式光伏、小风电集群多尺度功率预测模型

基于动态权重修正的区域分布式光伏、小风电集群多尺度功率预测模型包括以下预测步骤：

1)针对每个聚合后子区域，假设区域内场站集合为A＝{a₀,a₁,...,a_n}，聚类中心为a_c(a_c∈A)，则子区域邻域校验选择样本序列初始化为S＝{a_c}，待检验序列初始化为X＝A-S；

2)遍历待检验序列X，令前向扩增序列为S'＝S+{a_k}(a_k∈X)，以预测时刻功率为输出y，可得到待校验的多维功率表征特征集为

形成全时刻

的训练校验模型；

3)采用K折交叉验证法(K-Fold Cross Validation)对训练校验模型F进行评价，即将训练样本划分为大小相同的K个分区，依次选择不同分区作为测试集，剩余的K-1个区作为训练集，每次训练误差(评价标准)为测试集的模型功率预测值与真实功率值间的平均百分比误差的平均值

4)在K折交叉验证法下，计算每次枚举的扩展样本表征点所产生的误差均值

令误差取最小均值

所对应的扩展样本表征点为a_m；

5)假设已选择邻域集合的误差评价函数值为

若

则令S＝S'＝S+{a_m}，

否则S与

不变；

6)令X＝X-{a_m}，若

时，邻域校验结束，否则返回步骤2)。

7)得到的序列S，成为新的子区域聚合样本表征序列。

实施例二：

在本实施例中，所述短期(日前)区域分布式光伏、小风电集群功率预测模型，基于由近邻传播-邻域校验计算得出的区域集群样本表征集合，传统统计升尺度方法为构建各样本点功率与全局功率间的最优权重矩阵，即求解函数f得到样本权重系数向量，如下式所示：

式中，

表示第i天的区域全局出力；

代表样本场站k在第i天第s个点的功率数值；

代表样本场站k在一天内第s个功率数据点的权重；N为总天数；M为样本场站个数；L为一天数据点个数。

针对构造矩阵可能存在无法对海量丰富场景进行完全分类与判断的情况，通过人工智能算法实现样本输入-全局输出模型的全方位学习，即采用XGBoost算法构建模型训练集内各时刻样本点集合与全局出力的机器学习模型：

F_st([P1,P2,...,PM,T])＝Ptotal

式中，P_i为第i个样本场站某时刻的功率特征；T则代表该时刻的日历特征；P_total则对应该时刻的区域实际全局出力。

假设各样本点某日t时刻的短期预测向量序列为[p₁,p₂,...,p_M,t]，则带入训练后模型Fst预测，可得到该时刻全局短期基准预测功率Yst,t。

但日前预测必然存在一定误差，因此考虑利用历史预测信息对功率进行动态修正。令第i日t时刻的误差为：

以过去一月的短期预测总误差信息构建训练模型：

G_st([S_w,1,S_w,2,...,S_w,M,T])＝λ_stE_st，

式中，λ_st为预测修正系数，根据预测效果经验确定；G为区域日前预测功率误差的动态深度学习模型，以样本基准预测功率为输入，输出经计算得到的每时刻区域总功率的误差修正量。G模型中根据树节点分类，隐性体现了各样本场站的修正权重，同时也反映了在每种预测结果下的修正量变化趋势。

将各样本场站日前预测功率信息先后带入模型Fst与模型Gst，分别得到区域基准预测总功率Yst与日前误差修正量Est，则动态权重修正后的短期功率为Yst+Est。

所述超短期区域分布式光伏、小风电集群功率预测模型，超短期集群功率预测较短期功率预测而言，实时可用信息更多。因此采取临近时段的建模方法，即：

式中，

为第t个时刻，所有样本场站功率特征的向量；len表示临近时段数据点数，由训练中计算最优确定；λ_ust为预测修正系数，根据预测效果经验确定，令预测时刻得到的全局超短期基准预测功率为Y_ust,t。

同样地，考虑超短期动态功率预测误差，构建误差信息构建训练模型：

式中，λ_ust为预测修正系数，根据预测效果经验确定。将各样本场站超短期预测功率信息先后带入模型Fust与模型Gust，分别得到区域基准预测总功率Yust’与误差修正量Eust’，则动态权重修正后的超短期功率为Yust’+Eust’。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (9)

1.一种分布式光伏、小风电场站功率预测方法，其特征在于，它包括下列步骤：

S1：进行天气分型，利用功率曲线判断当日天气类型；

S2：确定出力特性动态气象特征指标；

S3：映射建模，确定短期分布式光伏、小风电场站功率预测模型和超短期分布式光伏、小风电场站功率预测模型；

S4：构建基于动态权重修正的短期区域分布式光伏、小风电集群多尺度功率预测模型和超短期区域分布式光伏、小风电集群多尺度功率预测模型。

2.根据权利要求1所述的一种分布式光伏、小风电场站功率预测方法，其特征在于，所述的步骤S2，进一步表示为：

S2.1：记录初始动态气象特征变量集；

S2.2：针对第k类曲线，采用皮尔森相关系数分别计算第k类分类下各动态气象特征变量与场站出力之间的相关度，并进行判定；

S2.3：若相关系数大于0.3，该气象特征与第k类分类下的场站出力具有强相关性，记录场站第k类功率曲线选取的出力特性动态气象特征指标集。

3.根据权利要求1所述的一种分布式光伏、小风电场站功率预测方法，其特征在于，所述的步骤S3中，映射建模进一步表示为：

S3.1：建立与天气日k类型之间的映射关系；

S3.2：确定待预测日的出力特性动态气象特征指标数值集，得到预测日所属曲线类型簇类编号；

S3.3：在步骤S3.2中得到的曲线类型下进行该日超短期与短期预测。

4.根据权利要求1或3所述的一种分布式光伏、小风电场站功率预测方法，其特征在于，所述的步骤S3中，所述短期分布式光伏、小风电场站功率预测模型包括：

短期功率预测模型以ti min为时间分辨率进行单个时刻的训练和预测；训练中以历史气象特征为输入、历史功率为输出建模，以平均百分比误差最小为目标函数；预测中则以NWP中的出力特性气象特征为输入，输出短期预测时刻光伏功率。

5.根据权利要求1或3所述的一种分布式光伏、小风电场站功率预测方法，其特征在于，所述的步骤S3中，超短期分布式光伏、小风电场站功率预测模型基于NWP进行未来h时段内预测。

6.根据权利要求1所述的一种分布式光伏、小风电场站功率预测方法，其特征在于，所述的步骤S4，包括以下预测步骤：

S4.1：针对每个聚合后子区域，利用区域内场站集合以及聚类中心，得到初始化子区域邻域校验选择样本序列S，初始化待检验序列X；

S4.2：遍历待检验序列X，利用前向扩增序列S′，预测时刻功率输出y，得到待校验的多维功率表征特征集

形成全时刻训练校验模型F，其中

S4.3：采用K折交叉验证法对训练校验模型F进行评价，得到训练误差

S4.4：计算每次枚举的扩展样本表征点所产生的误差均值

得到误差取最小均值

所对应的扩展样本表征点为a_m；

S4.5：确定已选择邻域集合的误差评价函数值为

判断

与

的关系，若

则S＝S'＝S+{a_m}，

否则S与

不变；

S4.6：令X＝X-{a_m}，若

则邻域校验结束，执行步骤S4.7，否则返回步骤S4.2；

S4.7：得到序列S，序列S成为新的子区域聚合样本表征序列。

7.根据权利要求6所述的一种分布式光伏、小风电场站功率预测方法，其特征在于，所述步骤S4.3中，采用K折交叉验证法对训练校验模型F进行评价：将训练样本划分为大小相同的K个分区，依次选择不同分区作为测试集，剩余的K-1个区作为训练集，每次训练误差为：测试集的模型功率预测值与真实功率值间的平均百分比误差的平均值

8.根据权利要求6或7所述的一种分布式光伏、小风电场站功率预测方法，其特征在于，所述步骤S4中，所述构建基于动态权重修正的短期区域分布式光伏、小风电集群功率预测模型：

A1：基于近邻传播-邻域校验得到区域集群样本表征集合；

A2：采用传统统计升尺度方法构建各样本点功率与全局功率间的最优权重矩阵；

A3：求解函数f得到样本权重系数向量，如下式所示：

9.根据权利要求6或7所述的一种分布式光伏、小风电场站功率预测方法，其特征在于，所述步骤S4中，所述构建基于动态权重修正的超短期区域分布式光伏、小风电集群功率预测模型，采用临近时段的建模方法：

Images