CN116205377B - 分布式光伏电站出力预测方法、***、计算机及存储介质 - Google Patents
分布式光伏电站出力预测方法、***、计算机及存储介质 Download PDFInfo
- Publication number
- CN116205377B CN116205377B CN202310473718.1A CN202310473718A CN116205377B CN 116205377 B CN116205377 B CN 116205377B CN 202310473718 A CN202310473718 A CN 202310473718A CN 116205377 B CN116205377 B CN 116205377B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- data
- prediction
- parameters
- particle
- 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 57
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 134
- 239000002245 particle Substances 0.000 claims abstract description 91
- 230000000737 periodic effect Effects 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 238000013145 classification model Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012512 characterization method Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 9
- 238000010248 power generation Methods 0.000 abstract description 20
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR 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; 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种分布式光伏电站出力预测方法、***、计算机及存储介质,属于光伏电站的技术领域;该方法包括采集目标分布式光伏电站的周期性历史数据;将周期性历史数据通过预处理算法获取有效出力数据;基于有效出力数据采用微粒群算法优化二类分类模型的相关参数得到预制预测算法;根据目标分布式光伏电站的预测日的天气数据,并利用预制预测算法针对预测日的发电功率进行短期出力预测。本申请通过对异常数据和缺失数据进行删除、插值能够提高数据质量,且利用微粒群算法对二类分类模型的正则化参数和核参数进行优化,可以提高预制预测算法针对光伏发电功率的预测精度及求解速度,并具有更强的泛化能力和结果稳定性。
Description
技术领域
本发明属于光伏电站的技术领域,具体地涉及一种分布式光伏电站出力预测方法、***、计算机及存储介质。
背景技术
太阳能是全球最为丰富的可再生能源,而光伏发电也是太阳能利用的有效方式。在能源与环境的双重压力下,光伏发电发展前景广阔。然而,光伏发电与常规的火电、水电等发电方式不同,对于常规能源而言,其发电功率连续且可调、可控;但对于光伏发电而言,光伏电站输出功率受辐照度、环境温度以及光伏组件温度等气象因素的影响,其输出功率具有明显的随机性和波动性。而对于电力***而言,其发电、输电、用电的实时动态平衡是电力***运行的根本特性之一,如何通过各种运行控制手段以及技术措施保证该三者的平衡状态是电力***调度以及管理的核心任务。
随着生产生活中各种先进元器件对电能质量的要求愈发严苛,分布式光伏并网造成的电能质量问题,会极大的制约配电网对分布式光伏的消纳能力。如果电网调度中心能够根据天气预报的信息,提前获得分布式光伏发电功率的精准预测数据,并制定更加完善的调度策略,便可以有效的维持配电网电压稳定,同时还可以避免电量过多导致弃光现象的出现。因此随着分布式光伏在电网中比重的不断增加,提高光伏发电功率的预测精度,对提高配电网电能质量尤为重要。
目前,针对光伏发电功率短期预测算法,光伏输出功率的预测方法根据预测方式的不同可以分为间接预测方法和直接预测方法。其中,直接预测方法是根据光伏输出功率和气象因素的历史数据对光伏功率进行预测;诸如广泛应用的二类分类模型和神经网络等机器语言。但是,直接预测方法中使用的预测算法模型的相关参数并不能随着需求自行调节影响预测算法模型的泛化能力及稳定性,从而影响了直接预测算法的预测精度,导致难以满足分布式光伏电站优化运行和电网调度管理的需求。
因此,如何针对现有直接预测方法中预测算法模型进行优化改进提高模型的泛化能力及稳定性,以使提升分布式光伏电站出力预测的预测精度,显得尤为重要。
发明内容
为了解决上述技术问题,本发明提供了一种分布式光伏电站出力预测方法、***、计算机及存储介质,可以提升分布式光伏电站出力预测的预测精度。
第一方面,本申请提供了一种分布式光伏电站出力预测方法,其包括:
采集目标分布式光伏电站的周期性历史数据;其中,所述周期性历史数据为以天为周期的光伏特征数据;
将所述周期性历史数据通过预处理算法获取有效出力数据;其中,所述预处理算法包括数据处理算法、连续子数据算法以及线性插值算法;
基于所述有效出力数据采用微粒群算法优化二类分类模型的相关参数得到预制预测算法;其中,所述相关参数包括正则化参数和核参数;
根据所述目标分布式光伏电站的预测日的天气数据,并利用所述预制预测算法针对所述预测日的发电功率进行短期出力预测。
进一步可选地,所述光伏特征数据包括空气质量指数、温度、湿度、风速、天气和发电功率;其中,所述天气采用云层厚度表征。
进一步可选地,所述将所述周期性历史数据通过预处理算法获取有效出力数据的具体步骤包括:
以周期为处理单元遍历所述周期性历史数据中的光伏特征数据;
基于数据处理算法将所述光伏特征数据中的异常值及缺省值添加到待处理特征数组;
将所述待处理特征数组对应的下标添加到待处理时刻数组;
将所述待处理时刻数组输入至所述连续子数据算法,计算所述目标分布式光伏电站在该周期内最长的连续异常或缺失的时刻数;
判断所述时刻数是否小于第一预设阈值;
若是,则调用线性插值算法纠正所述异常值及填补所述缺省值,得到所述周期性历史数据对应的有效出力数据;
若否,则直接删除该周期内所对应的所有光伏特征数据,得到所述周期性历史数据对应的有效出力数据。
进一步可选地,所述线性插值算法具体算法如下:
;
式中:(t 0,x 0),(t 1,x 1)表示已知的两个点,表示在某一时刻t中的下标及其对应的特征值;x表示t时刻对应的特征值。
进一步可选地,所述基于所述有效出力数据采用微粒群算法优化二类分类模型的相关参数得到预制预测算法的步骤包括:
基于相关系数矩阵将所述有效出力数据作为样本矩阵,并采用归一化规则将所述样本矩阵进行归一化处理;
采用Matlab仿真程序初始化二类分类模型的参数;
按照微粒群规则从所述参数选取相关参数,得到所述相关参数的粒子坐标;
将所述粒子坐标代入所述二类分类模型且根据归一化处理的所述样本矩阵进行位置预测,通过误差算法计算每个粒子的适应度值;
根据所述适应度值更新每个粒子的局部及全局最优位置;
根据所述局部及全局最优位置采用迭代更新算法更新每个粒子的速度和位置;
当相邻两迭代更新后的位置最优适应度值的差值小于第二预设阈值时,退出迭代更新并输出所述相关参数的最优参数;
基于所述最优参数优化所述二类分类模型的相关参数得到预制预测算法。
进一步可选地,所述误差算法具体如下:
;
式中:x i表示第i个粒子的预测位置,y i表示第i个粒子的实际位置,n表示第n个时间段,E c表示实际位置与预测位置之间的误差。
进一步可选地,所述迭代更新算法具体如下:
V i(k+1)=ωV ik+c1r1(pi-x ik)+c2r2(pig-x ik),x i(k+1)=x ik+V ik;
式中:V ik表示第i个粒子迭代到第k次的速度,x ik表示第i个粒子迭代到第k次的位置;
pi表示第i个粒子的局部最优位置,pig表示第i个粒子的全局最优位置;
ω表示惯性权重,c1、r1表示第i个粒子局部最优位置的加速度、加速度权重,c2、r2表示第i个粒子全局最优位置的加速度、加速度权重;
V i(k+1)表示第i个粒子迭代到第k+1次的速度,x i(k+1)表示第i个粒子迭代到第k+1次的位置。
第二方面,本申请提供了一种分布式光伏电站出力预测***,包括:
采集模块,用于采集目标分布式光伏电站的周期性历史数据;其中,所述周期性历史数据为以天为周期的光伏特征数据;
预处理模块,用于将所述周期性历史数据通过预处理算法获取有效出力数据;其中,所述预处理算法包括数据处理算法、连续子数据算法以及线性插值算法;
优化模块,用于基于所述有效出力数据采用微粒群算法优化二类分类模型的相关参数得到预制预测算法;其中,所述相关参数包括正则化参数和核参数;
预测模块,用于根据所述目标分布式光伏电站的预测日的天气数据,并利用所述预制预测算法针对所述预测日的发电功率进行短期出力预测。
进一步可选地,所述预处理模块包括:
遍历单元,用于以周期为处理单元遍历所述周期性历史数据中的光伏特征数据;
数据处理单元,用于基于数据处理算法将所述光伏特征数据中的异常值及缺省值添加到待处理特征数组;
添加单元,用于将所述待处理特征数组对应的下标添加到待处理时刻数组;
计算单元,用于将所述待处理时刻数组输入至所述连续子数据算法,计算所述目标分布式光伏电站在该周期内最长的连续异常或缺失的时刻数;
判断单元,用于判断所述时刻数是否小于第一预设阈值;
插值单元,用于若所述时刻数小于第一预设阈值,则调用线性插值算法纠正所述异常值及填补所述缺省值,得到所述周期性历史数据对应的有效出力数据;
删除单元,用于若所述时刻数不小于第一预设阈值,则直接删除该周期内所对应的所有光伏特征数据,得到所述周期性历史数据对应的有效出力数据。
进一步可选地,所述优化模块包括:
归一化单元,用于基于相关系数矩阵将所述有效出力数据作为样本矩阵,并采用归一化规则将所述样本矩阵进行归一化处理;
初始化单元,用于采用Matlab仿真程序初始化二类分类模型的参数;
选取单元,用于按照微粒群规则从所述参数选取相关参数,得到所述相关参数的粒子坐标;
计差单元,用于将所述粒子坐标代入所述二类分类模型且根据归一化处理的所述样本矩阵进行位置预测,通过误差算法计算每个粒子的适应度值;
更新单元,用于根据所述适应度值更新每个粒子的局部及全局最优位置;
迭代单元,用于根据所述局部及全局最优位置采用迭代更新算法更新每个粒子的速度和位置;
输出单元,用于当相邻两迭代更新后的位置最优适应度值的差值小于第二预设阈值时,退出迭代更新并输出所述相关参数的最优参数;
优化单元,用于基于所述最优参数优化所述二类分类模型的相关参数得到预制预测算法。
第三方面,本申请提供了一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的分布式光伏电站出力预测方法。
第四方面,本申请提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的分布式光伏电站出力预测方法。
相比于现有技术,本申请提供的一种分布式光伏电站出力预测方法、***、计算机及存储介质,具有以下有益效果:
1、采用统计学填充方法中的插值方法针对分布式光伏电站的历史时序数据中的缺失值填充以及针对异常值检测后修正,这样既可以保证光伏时序数据的质量,又可以保证分布式光伏电站的光伏时序数据的连续性;通过高效的对异常数据和缺失数据进行删除、插值能够提高数据质量,进而提高发电功率的短期预测模型的预测性能。
2、利用微粒群算法对二类分类模型的正则化参数和核参数进行优化,使得正则化参数和核参数可以随着需求自行调节,从而提高预制预测算法针对光伏发电功率的预测精度及求解速度。
3、利用微粒群算法优化二类分类模型方法构建的预制预测算法,基于预制预测算法在小样本的条件下相比其他预测算法具有更强的泛化能力和结果稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述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为本发明实施例1提供的分布式光伏电站出力预测方法的流程图;
图2是本发明实施例2提供的与实施例1方法对应的分布式光伏电站出力预测***结构框图;
图3为本发明实施例3提供的分布式光伏电站出力预测方法中步骤S202的具体流程图;
图4是本发明实施例4提供的与实施例3方法对应的分布式光伏电站出力预测***中预处理模块的结构框图;
图5是本发明实施例5提供的计算机的硬件结构示意图。
附图标记说明:
10-采集模块;
20-预处理模块、21-遍历单元、22-数据处理单元、23-添加单元、24-计算单元、25-判断单元、26-插值单元、27-删除单元;
30-优化模块、31-归一化单元、32-初始化单元、33-选取单元、34-计差单元、35-更新单元、36-迭代单元、37-输出单元、38-优化单元;
40-预测模块;
50-总线、51-处理器、52-存储器、53-通信接口。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
实施例1
具体而言,图1所示为本实施例所提供的一种基于分布式光伏电站出力预测方法的流程示意图。
如图1所示,本实施例的分布式光伏电站出力预测方法包括以下步骤:
S101,采集目标分布式光伏电站的周期性历史数据。
其中,所述周期性历史数据为以天为周期的光伏特征数据。本实施例中,所述光伏特征数据包括空气质量指数、温度、湿度、风速、天气和发电功率;优选地,所述天气采用云层厚度表征。
具体地,将天气预报数据和环境检测仪所采集的数据加以收集,可以获取分布式光伏电站的历史数据。由于分布式光伏易受环境影响,发电功率波动性较大;因此在选择样本的同时,需要了解影响分布式光伏发电功率的主要因素。光伏电池在辐照强度和温度一定的条件下,其发电功率可用下列公式得到:
式中,P STC表示环境温度为25℃下的最大测试功率,G表示接收的太阳辐射值,G STC表示GSTC标准条件下的光照强度(W/m2),k表示功率温度系数取-0.0047/℃,T c表示电池组件温度,T r表示为参考温度取25℃,T sur表示环境温度。根据上述发电功率模型可知影响光伏发电功率的直接因素为照射到光伏电池板表面的太阳辐射强度和表面温度,且到达光伏电池表面的辐照强度和温度一定时,光伏阵列的发电功率保持不变,因此辐照强度和温度可以作为直接影响因素对光伏发电功率进行功率预测。
通过对大量光伏历史数据的分析,可以得到辐照强度和温度的变化规律。然而辐照强度的数据不易获得,为了降低成本需要选择其他的间接影响因素代替辐照强度。太阳光穿过大气层时受空中微小颗粒和云层等因素的影响辐照强度有所减少,同时风速大小又会影响大气中的颗粒浓度和云层厚度。因此有多个因素影响到达光伏电池板表面的辐照强度,本实施例通过对某一段时间内的气象数据和光伏电站发电功率的数据进行相关性分析,提取出影响光伏发电功率的间接因素,发现对光伏发电功率有影响的环境因素除温度外还有空气质量、湿度、风速以及云层厚度等间接因素,其中云层厚度可以用天气类型代替。
S102,将所述周期性历史数据通过预处理算法获取有效出力数据。
其中,所述预处理算法包括数据处理算法、连续子数据算法以及线性插值算法。
具体地,在分布式光伏电站的光伏时序数据的采集过程中,由于传感器的故障、纪录人员的误操、传输出错以及个别极端天气的影响,都会导致缺失值、异常值的出现,影响数据的正常使用。本实施例采用统计学填充方法中的插值方法针对分布式光伏电站的历史时序数据中的缺失值填充以及针对异常值检测后修正,这样既可以保证光伏时序数据的质量,又可以保证分布式光伏电站的光伏时序数据的连续性;通过高效的对异常数据和缺失数据进行删除、插值能够提高数据质量,进而提高发电功率的短期预测模型的预测性能。具体实践中,本实施例中数据处理算法以X、τ、T为输入,输出Y;以X表示某电站在某一天原始的光伏特征(功率特征或者辐照度等气象特征)序列,是一维数组;T是一个常数表示数组X的长度;τ是一个长度为的T字符串数组,存储了特征对应的时刻字符串。
进一步地,步骤S102的具体步骤包括:
S1021,以周期为处理单元遍历所述周期性历史数据中的光伏特征数据。
具体地,遍历处理过程中会对X中的每一个X[t]进行遍历,判断是否是异常值及缺省值。诸如功率或辐照度必定是大于等于零的,且不可能无限大,经统计得到光伏特征的最大值η,本实施例中如果特征值小于零或者大于η,则判定为异常值。特征值为None或者在白天为零则判定为是缺省值。
S1022,基于数据处理算法将所述光伏特征数据中的异常值及缺省值添加到待处理特征数组。
具体地,判断是否是异常值及缺省值的过程中,如果是则将异常值或缺省值添加到待处理特征数组X'。
S1023,将所述待处理特征数组对应的下标添加到待处理时刻数组。
具体地,本实施例添加的待处理特征数组X',其对应的下标添加到待处理时刻数组u'。
S1024,将所述待处理时刻数组输入至所述连续子数据算法,计算所述目标分布式光伏电站在该周期内最长的连续异常或缺失的时刻数。
具体地,以u'作为longConsecutive()的输入,得到该目标分布式光伏电站在这一天最长的连续异常或缺失的时刻数lonc。本实施例中,时刻数lonc可采用如下编程进行:
1:temp_l=0
2:lonc=0
3:p=0
4:q=1
5:whileq<len(u')do
6:ifu'[p]+q-p==u'[q]
7:then
8:temp_l+=1
9:q+=1
10:else
11:lonc=max(l,temp_l)
12:temp_l=0
13:p=q
14:q+=1
15:end if
16:end while
17:returnlonc。
S1025,判断所述时刻数是否小于第一预设阈值。
具体地,本实施例的第一预设阈值为α。
S1026,若是,则调用线性插值算法纠正所述异常值及填补所述缺省值,得到所述周期性历史数据对应的有效出力数据。
其中,所述线性插值算法具体算法如下:
;
式中:(t 0,x 0),(t 1,x 1)表示已知的两个点,表示在某一时刻t中的下标及其对应的特征值;x表示t时刻对应的特征值。
具体地,如果lonc<α,则认为是属于“段缺省值”或者“段异常值”的情况,进而调用Y=interpolate(u-u',X-X',u),通过正常时刻(u-u')及对应特征值(X-X')的函数关系,填补缺省值和纠正异常值,得到处理后的特征数组Y。
需要说明的是,本实施例中的步骤S102可采用如下编程进行:
1:u=[ ]
2:u'=[ ]
3:X'=[ ],Y=[ ]
4:fort=0;t<T;t++ do
5:u.append(t)
6:ifX[t]<0 orX[t]>ηorX[t]is None or (<'08:00'=τt≤'17:00'andX[t]==0)
7:then
8:u'.append(t)
9:X'.append(X[t])
10:end if
11:end for
12:lonc=longConsecutive(u')
13:iflonc<α
14:then
15:Y=interpolate(u-u',X-X',u)
16:end if
17:returnY。
S103,基于所述有效出力数据采用微粒群算法优化二类分类模型的相关参数得到预制预测算法。
其中,所述相关参数包括正则化参数和核参数。
具体地,二类分类模型具有所需样本少、不易陷入局部最优等特点,且不像神经网络过于依赖设计者的经验;二类分类模型将不等式约束变为等式约束,将原问题转变为求解线性方程组的问题,求解过程更加快速。在二类分类模型的求解过程中,影响计算精度的主要因素是正则化参数和核参数,然而传统的LSSVM预测模型中两者不能随着需求自行调节,因此为了提高预测结果的精度,选取微粒群算法对其两个参数进行优化。
进一步地,步骤S103的具体步骤包括:
S1031,基于相关系数矩阵将所述有效出力数据作为样本矩阵,并采用归一化规则将所述样本矩阵进行归一化处理。
具体地,从光伏电站发电功率的历史数据和当地天气的历史数据中,选取一段时间的数据进行相关性分析,得到各天气因素与光伏发电功率间的相关系数,如表1所示。进行相关性分析的几种指标包括AQI(空气质量指数)、温度、湿度、风速、天气和光伏发电功率,表中数据为每项指标与其他指标间的相关系数,以温度系数为例,0.35表示AQI与温度之间的相关系数,0.58表示温度与功率之间的相关系数。
表1:各影响因素与光伏发电功率间的相关系数
由于选取样本中不同的特征量单位不同,其数量级和数值波动程度不同,为了减小数据形式不同带来的预测误差,对样本矩阵每一列进行归一化处理。
S1032,采用Matlab仿真程序初始化二类分类模型的参数。
具体地,采用Matlab编制仿真程序,参数设置为:粒子群规模设置为20;解空间为2维,分别对应正则化参数C、核参数δ;最大迭代次数为200;C、δ的取值范围为[0,1000];对应的(C、δ)的速度最大值向量为(100,100)。
S1033,按照微粒群规则从所述参数选取相关参数,得到所述相关参数的粒子坐标。
具体地,微粒群规则是一种智能优化算法,算法中每个待优化问题的潜在解称为“粒子”,所有的粒子组成群体,由一个被优化函数所决定的适应值来评价,每个粒子用于描述一个解空间中的备选解,且具有一个随机速度在整个解空间中运动,通过其他粒子群之间以一定形式的信息交换,来互相获得启发式信息从而引导整个群体的运动。本实施例通过在所有参数中选取影响计算精度的主要因素-正则化参数和核参数,并获取正则化参数和核参数的粒子坐标。
S1034,将所述粒子坐标代入所述二类分类模型且根据归一化处理的所述样本矩阵进行位置预测,通过误差算法计算每个粒子的适应度值。
其中,所述误差算法具体如下:
;
式中:x i表示第i个粒子的预测位置,y i表示第i个粒子的实际位置,n表示第n个时间段,E c表示实际位置与预测位置之间的误差。
具体地,适应度值为实际值与预测结果间的误差。本实施例以均方差值评估两者之间的误差。
S1035,根据所述适应度值更新每个粒子的局部及全局最优位置。
具体地,通过每个粒子的位置实际值与预测值之间的误差情况更新具体的局部最优位置,以及全局最优位置。
S1036,根据所述局部及全局最优位置采用迭代更新算法更新每个粒子的速度和位置。
其中,所述迭代更新算法具体如下:
V i(k+1)=ωV ik+c1r1(pi-x ik)+c2r2(pig-x ik),x i(k+1)=x ik+V ik;
式中:V ik表示第i个粒子迭代到第k次的速度,x ik表示第i个粒子迭代到第k次的位置;
pi表示第i个粒子的局部最优位置,pig表示第i个粒子的全局最优位置;
ω表示惯性权重,c1、r1表示第i个粒子局部最优位置的加速度、加速度权重,c2、r2表示第i个粒子全局最优位置的加速度、加速度权重;
V i(k+1)表示第i个粒子迭代到第k+1次的速度,x i(k+1)表示第i个粒子迭代到第k+1次的位置。
S1037,当相邻两迭代更新后的位置最优适应度值的差值小于第二预设阈值时,退出迭代更新并输出所述相关参数的最优参数。
具体地,根据以往所有位置预测目前最优的智者,即在每次算完最优之后在最优值旁边随机取值,用迭代方式预测一下哪一点是最优的;随后将回归预测的最优点代替任意一个非最优粒子位置,并计算相应的适应度值与对应的前适应度值位置替换。
S1038,基于所述最优参数优化所述二类分类模型的相关参数得到预制预测算法。
具体地,本实施例利用微粒群算法对二类分类模型的正则化参数和核参数进行优化,使得正则化参数和核参数可以随着需求自行调节,从而提高预制预测算法针对光伏发电功率的预测精度及求解速度。
需要说明的是,为了验证本实施例所采用的预制预测算法相比于传统BP神经网络的泛化能力及稳定性。泛化能力越强,则可以得到越准确的预测结果。在概率论中方差用来度量随机变量和其数学期望之间的偏离程度,以仿真预测值和真实值间差值的方差作为评估值,可以准确描述模型的预测精度,评估值越小表示预测结果越接近真实值。为分析两种方法预测能力的大小,基于某预测日前30天的数据分别进行预测仿真。在不同样本容量下分别进行10次仿真得到预测数据,并与真实值比较得到评估值,平均值越小表示整体预测误差越小。在样本相同的条件下,每次仿真所得评估值不同,因此计算10次仿真评估结果的方差值,方差值越小表示预测稳定性越高。对传统神经网络算法和预制预测算法得到的预测结果进行评估,评估值如表2和表3中数据所示。
表2:传统神经网络预测结果评估
表3:预制预测模型预测结果评估
表2中数据显示,随着样本数的增多,实验所得评估结果的平均值和方差值趋势在变小,表明传统神经网络算法的预测精度需要大量的样本数据支撑。而表3中数据表明,相比传统神经网络算法,预制预测模型算法虽然也需要一定量的样本数据,但是不像传统神经网络算法那样需要大量的样本数据,而且其在在预测精度和预测稳定性方面效果更好。由此可知,在小样本的条件下预制预测模型的泛化能力明显比传统神经网络强,且预制预测模型每次计算得到的预测结果基本是唯一的,而不像神经网络那样不稳定。
S104,根据所述目标分布式光伏电站的预测日的天气数据,并利用所述预制预测算法针对所述预测日的发电功率进行短期出力预测。
具体地,通过本实施例针对影响预测模型计算精度的主因正则化参数和核参数进行优化以使两者可随着需求自行调节,从而得到优化的预制预测模型;结合分布式光伏电站的发电功率与历史数据中的历史天气数据存在相关性特征,因此通过将目标分布式光伏电站的预测日的天气数据输入预制预测算法可以针对预测日的发电功率进行短期出力预测,预测精度高且运算速度快。
综上所述,首先通过。插值方法针对分布式光伏电站的光伏数据中的缺失值填充以及异常值检测后修正的数据预处理,保证光伏数据质量的同时保证光伏数据的连续性,进而提高发电功率的短期预测模型的预测性能;再利用微粒群算法对二类分类模型的正则化参数和核参数进行优化,使得正则化参数和核参数可以随着需求自行调节,提高预制预测算法针对光伏发电功率的预测精度及求解速度,从而确保在小样本的条件下相比其他预测算法具有更强的泛化能力和结果稳定性。
实施例2
本实施例提供了与实施例1所述方法相对应的***的结构框图。图2是根据本实施例的分布式光伏电站出力预测***的结构框图,如图2所示,该***包括:
采集模块10,用于采集目标分布式光伏电站的周期性历史数据;其中,所述周期性历史数据为以天为周期的光伏特征数据;
预处理模块20,用于将所述周期性历史数据通过预处理算法获取有效出力数据;其中,所述预处理算法包括数据处理算法、连续子数据算法以及线性插值算法;
优化模块30,用于基于所述有效出力数据采用微粒群算法优化二类分类模型的相关参数得到预制预测算法;其中,所述相关参数包括正则化参数和核参数;
预测模块40,用于根据所述目标分布式光伏电站的预测日的天气数据,并利用所述预制预测算法针对所述预测日的发电功率进行短期出力预测。
进一步地,所述预处理模块20包括:
遍历单元21,用于以周期为处理单元遍历所述周期性历史数据中的光伏特征数据;
数据处理单元22,用于基于数据处理算法将所述光伏特征数据中的异常值及缺省值添加到待处理特征数组;
添加单元23,用于将所述待处理特征数组对应的下标添加到待处理时刻数组;
计算单元24,用于将所述待处理时刻数组输入至所述连续子数据算法,计算所述目标分布式光伏电站在该周期内最长的连续异常或缺失的时刻数;
判断单元25,用于判断所述时刻数是否小于第一预设阈值;
插值单元26,用于若所述时刻数小于第一预设阈值,则调用线性插值算法纠正所述异常值及填补所述缺省值,得到所述周期性历史数据对应的有效出力数据。
进一步地,所述优化模块30包括:
归一化单元31,用于基于相关系数矩阵将所述有效出力数据作为样本矩阵,并采用归一化规则将所述样本矩阵进行归一化处理;
初始化单元32,用于采用Matlab仿真程序初始化二类分类模型的参数;
选取单元33,用于按照微粒群规则从所述参数选取相关参数,得到所述相关参数的粒子坐标;
计差单元34,用于将所述粒子坐标代入所述二类分类模型且根据归一化处理的所述样本矩阵进行位置预测,通过误差算法计算每个粒子的适应度值;
更新单元35,用于根据所述适应度值更新每个粒子的局部及全局最优位置;
迭代单元36,用于根据所述局部及全局最优位置采用迭代更新算法更新每个粒子的速度和位置;
输出单元37,用于当相邻两迭代更新后的位置最优适应度值的差值小于第二预设阈值时,退出迭代更新并输出所述相关参数的最优参数;
优化单元38,用于基于所述最优参数优化所述二类分类模型的相关参数得到预制预测算法。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
实施例3
本实施例与实施例1的不同之处在于:如图3所示,本实施例的分布式光伏电站出力预测方法的步骤S202的具体步骤包括:
S2021,以周期为处理单元遍历所述周期性历史数据中的光伏特征数据;
S2022,基于数据处理算法将所述光伏特征数据中的异常值及缺省值添加到待处理特征数组;
S2023,将所述待处理特征数组对应的下标添加到待处理时刻数组;
S2024,将所述待处理时刻数组输入至所述连续子数据算法,计算所述目标分布式光伏电站在该周期内最长的连续异常或缺失的时刻数;
S2025,判断所述时刻数是否小于第一预设阈值;
S2026,若否,则直接删除该周期内所对应的所有光伏特征数据,得到所述周期性历史数据对应的有效出力数据。
需要说明的是,本实施例中的步骤S202可采用如下运行程序进行:
1:u=[ ]
2:u'=[ ]
3:X'=[ ],Y=[ ]
4:fort=0;t<T;t++ do
5:u.append(t)
6:ifX[t]<0 orX[t]>ηorX[t]is None or (<'08:00'=τt≤'17:00'andX[t]==0)
7:then
8:u'.append(t)
9:X'.append(X[t])
10:end if
11:end for
12:lonc=longConsecutive(u')
13:iflonc≥α
14:then
15:Y=[ ]
16:end if
17:returnY。
实施例4
本实施例提供了与实施例3所述方法相对应的***的结构框图。本实施例的***结构框图与实施例2的***结构框图的不同之处在于:预处理模块的具体单元模块,如图4所示,本实施例的预处理模块包括:
遍历单元21,用于以周期为处理单元遍历所述周期性历史数据中的光伏特征数据;
数据处理单元22,用于基于数据处理算法将所述光伏特征数据中的异常值及缺省值添加到待处理特征数组;
添加单元23,用于将所述待处理特征数组对应的下标添加到待处理时刻数组;
计算单元24,用于将所述待处理时刻数组输入至所述连续子数据算法,计算所述目标分布式光伏电站在该周期内最长的连续异常或缺失的时刻数;
判断单元25,用于判断所述时刻数是否小于第一预设阈值;
删除单元27,用于若所述时刻数不小于第一预设阈值,则直接删除该周期内所对应的所有光伏特征数据,得到所述周期性历史数据对应的有效出力数据。
需要说明的是,上述各个模块可以是功能模块也可以是程序模块,既可以通过软件来实现,也可以通过硬件来实现。对于通过硬件来实现的模块而言,上述各个模块可以位于同一处理器中;或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
实施例5
结合图1和图3所描述的分布式光伏电站出力预测方法可以由计算机来实现。图5为根据本实施例的计算机的硬件结构示意图。
计算机可以包括处理器51以及存储有计算机程序指令的存储器52。
具体地,上述处理器51可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请的一个或多个集成电路。
其中,存储器52可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器52可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器52可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器52可在数据处理装置的内部或外部。在特定实施例中,存储器52是非易失性(Non-Volatile)存储器。在特定实施例中,存储器52包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(RandomAccess Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(Static Random-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器52可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器51所执行的可能的计算机程序指令。
处理器51通过读取并执行存储器52中存储的计算机程序指令,以实现上述实施例1的分布式光伏电站出力预测方法。
在其中一些实施例中,计算机还可包括通信接口53和总线50。其中,如图5所示,处理器51、存储器52、通信接口53通过总线50连接并完成相互间的通信。
通信接口53用于实现本申请中各模块、装置、单元和/或设备之间的通信。通信接口53还可以实现与其他部件例如:外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线50包括硬件、软件或两者,将计算机的部件彼此耦接在一起。总线50包括但不限于以下至少之一:数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制,总线50可包括图形加速接口(Accelerated Graphics Port,简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,简称为EISA)总线、前端总线(FrontSide Bus,简称为FSB)、超传输(Hyper Transport,简称为HT)互连、工业标准架构(Industry Standard Architecture,简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count,简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture,简称为MCA)总线、***组件互连(Peripheral Component Interconnect,简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment,简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus,简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线50可包括一个或多个总线。尽管本申请描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
该计算机可以获取到分布式光伏电站出力预测***,执行实施例一和实施例三的分布式光伏电站出力预测方法。
另外,结合上述实施例一和实施例三中的分布式光伏电站出力预测方法,本申请可提供一种存储介质来实现。该存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例一和实施例三的分布式光伏电站出力预测方法。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种分布式光伏电站出力预测方法,其特征在于,包括:
采集目标分布式光伏电站的周期性历史数据;其中,所述周期性历史数据为以天为周期的光伏特征数据;
将所述周期性历史数据通过预处理算法获取有效出力数据;其中,所述预处理算法包括数据处理算法、连续子数据算法以及线性插值算法;具体地,以周期为处理单元遍历所述周期性历史数据中的光伏特征数据;
基于数据处理算法将所述光伏特征数据中的异常值及缺省值添加到待处理特征数组;
将所述待处理特征数组对应的下标添加到待处理时刻数组;
将所述待处理时刻数组输入至所述连续子数据算法,计算所述目标分布式光伏电站在该周期内最长的连续异常或缺失的时刻数;
判断所述时刻数是否小于第一预设阈值;
若是,则调用线性插值算法纠正所述异常值及填补所述缺省值,得到所述周期性历史数据对应的有效出力数据;
若否,则直接删除该周期内所对应的所有光伏特征数据,得到所述周期性历史数据对应的有效出力数据;
基于所述有效出力数据采用微粒群算法优化二类分类模型的相关参数得到预制预测算法;其中,所述相关参数包括正则化参数和核参数;具体地,基于相关系数矩阵将所述有效出力数据作为样本矩阵,并采用归一化规则将所述样本矩阵进行归一化处理;
采用Matlab仿真程序初始化二类分类模型的参数;
按照微粒群规则从所述参数选取相关参数,得到所述相关参数的粒子坐标;
将所述粒子坐标代入所述二类分类模型且根据归一化处理的所述样本矩阵进行位置预测,通过误差算法计算每个粒子的适应度值;
根据所述适应度值更新每个粒子的局部及全局最优位置;
根据所述局部及全局最优位置采用迭代更新算法更新每个粒子的速度和位置;
当相邻两迭代更新后的位置最优适应度值的差值小于第二预设阈值时,退出迭代更新并输出所述相关参数的最优参数;
基于所述最优参数优化所述二类分类模型的相关参数得到预制预测算法;
根据所述目标分布式光伏电站的预测日的天气数据,并利用所述预制预测算法针对所述预测日的发电功率进行短期出力预测。
2.根据权利要求1所述的分布式光伏电站出力预测方法,其特征在于,所述光伏特征数据包括空气质量指数、温度、湿度、风速、天气和发电功率;其中,所述天气采用云层厚度表征。
3.根据权利要求1所述的分布式光伏电站出力预测方法,其特征在于,所述线性插值算法具体算法如下:
;
式中:(t 0,x 0),(t 1,x 1)表示已知的两个点,表示在某一时刻t中的下标及其对应的特征值;x表示t时刻对应的特征值。
4.根据权利要求1所述的分布式光伏电站出力预测方法,其特征在于,所述误差算法具体如下:
;
式中:x i表示第i个粒子的预测位置,y i表示第i个粒子的实际位置,n表示第n个时间段,E c表示实际位置与预测位置之间的误差。
5.根据权利要求1所述的分布式光伏电站出力预测方法,其特征在于,所述迭代更新算法具体如下:
V i(k+1)=ωV ik+c1r1(pi-x ik)+c2r2(pig-x ik),x i(k+1)=x ik+V ik;
式中:V ik表示第i个粒子迭代到第k次的速度,x ik表示第i个粒子迭代到第k次的位置;
pi表示第i个粒子的局部最优位置,pig表示第i个粒子的全局最优位置;
ω表示惯性权重,c1、r1表示第i个粒子局部最优位置的加速度、加速度权重,c2、r2表示第i个粒子全局最优位置的加速度、加速度权重;
V i(k+1)表示第i个粒子迭代到第k+1次的速度,x i(k+1)表示第i个粒子迭代到第k+1次的位置。
6.一种分布式光伏电站出力预测***,其特征在于,包括:
采集模块,用于采集目标分布式光伏电站的周期性历史数据;其中,所述周期性历史数据为以天为周期的光伏特征数据;
预处理模块,用于将所述周期性历史数据通过预处理算法获取有效出力数据;其中,所述预处理算法包括数据处理算法、连续子数据算法以及线性插值算法;具体地,所述预处理模块包括:
遍历单元,用于以周期为处理单元遍历所述周期性历史数据中的光伏特征数据;
数据处理单元,用于基于数据处理算法将所述光伏特征数据中的异常值及缺省值添加到待处理特征数组;
添加单元,用于将所述待处理特征数组对应的下标添加到待处理时刻数组;
计算单元,用于将所述待处理时刻数组输入至所述连续子数据算法,计算所述目标分布式光伏电站在该周期内最长的连续异常或缺失的时刻数;
判断单元,用于判断所述时刻数是否小于第一预设阈值;
插值单元,用于若所述时刻数小于第一预设阈值,则调用线性插值算法纠正所述异常值及填补所述缺省值,得到所述周期性历史数据对应的有效出力数据;
删除单元,用于若所述时刻数不小于第一预设阈值,则直接删除该周期内所对应的所有光伏特征数据,得到所述周期性历史数据对应的有效出力数据;
优化模块,用于基于所述有效出力数据采用微粒群算法优化二类分类模型的相关参数得到预制预测算法;其中,所述相关参数包括正则化参数和核参数;具体地,所述优化模块包括:
归一化单元,用于基于相关系数矩阵将所述有效出力数据作为样本矩阵,并采用归一化规则将所述样本矩阵进行归一化处理;
初始化单元,用于采用Matlab仿真程序初始化二类分类模型的参数;
选取单元,用于按照微粒群规则从所述参数选取相关参数,得到所述相关参数的粒子坐标;
计差单元,用于将所述粒子坐标代入所述二类分类模型且根据归一化处理的所述样本矩阵进行位置预测,通过误差算法计算每个粒子的适应度值;
更新单元,用于根据所述适应度值更新每个粒子的局部及全局最优位置;
迭代单元,用于根据所述局部及全局最优位置采用迭代更新算法更新每个粒子的速度和位置;
输出单元,用于当相邻两迭代更新后的位置最优适应度值的差值小于第二预设阈值时,退出迭代更新并输出所述相关参数的最优参数;
优化单元,用于基于所述最优参数优化所述二类分类模型的相关参数得到预制预测算法;
预测模块,用于根据所述目标分布式光伏电站的预测日的天气数据,并利用所述预制预测算法针对所述预测日的发电功率进行短期出力预测。
7.一种计算机,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的分布式光伏电站出力预测方法。
8.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任一项所述的分布式光伏电站出力预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473718.1A CN116205377B (zh) | 2023-04-28 | 2023-04-28 | 分布式光伏电站出力预测方法、***、计算机及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310473718.1A CN116205377B (zh) | 2023-04-28 | 2023-04-28 | 分布式光伏电站出力预测方法、***、计算机及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116205377A CN116205377A (zh) | 2023-06-02 |
CN116205377B true CN116205377B (zh) | 2023-08-18 |
Family
ID=86511490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310473718.1A Active CN116205377B (zh) | 2023-04-28 | 2023-04-28 | 分布式光伏电站出力预测方法、***、计算机及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205377B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104779611A (zh) * | 2015-03-23 | 2015-07-15 | 南京邮电大学 | 基于集中式和分布式双层优化策略的微电网经济调度方法 |
CN107230999A (zh) * | 2017-07-17 | 2017-10-03 | 国网江西省电力公司电力科学研究院 | 一种区域分布式光伏最大容量接入评价方法 |
CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
CN109888835A (zh) * | 2019-04-16 | 2019-06-14 | 武汉理工大学 | 一种基于改进粒子群的分布式光伏配电网规划方法 |
CN110727919A (zh) * | 2019-09-17 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种光伏发电量预测方法、装置及*** |
CN113191564A (zh) * | 2021-05-18 | 2021-07-30 | 阳光电源股份有限公司 | 一种光伏功率预测方法、装置及服务器 |
CN113780644A (zh) * | 2021-08-31 | 2021-12-10 | 济南大学 | 一种基于在线学习的光伏出力预测方法 |
CN115169659A (zh) * | 2022-06-23 | 2022-10-11 | 四川思极科技有限公司 | 一种基于多分类器的超短期屋顶光伏功率预测方法及*** |
CN115543004A (zh) * | 2022-06-29 | 2022-12-30 | 湖北工业大学 | 一种基于改进粒子群优化算法的mppt控制方法及*** |
CN115759365A (zh) * | 2022-11-02 | 2023-03-07 | 亚信科技(中国)有限公司 | 光伏发电功率的预测方法及相关设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152B (zh) * | 2016-05-19 | 2017-06-06 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
CN107506956B (zh) * | 2017-06-12 | 2018-06-15 | 合肥工业大学 | 基于改进粒子群算法供应链生产运输协同调度方法及*** |
-
2023
- 2023-04-28 CN CN202310473718.1A patent/CN116205377B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104779611A (zh) * | 2015-03-23 | 2015-07-15 | 南京邮电大学 | 基于集中式和分布式双层优化策略的微电网经济调度方法 |
CN107230999A (zh) * | 2017-07-17 | 2017-10-03 | 国网江西省电力公司电力科学研究院 | 一种区域分布式光伏最大容量接入评价方法 |
CN109492676A (zh) * | 2018-10-23 | 2019-03-19 | 东华大学 | 基于粒子群算法优化支持向量机的研究生就业预测方法 |
CN109888835A (zh) * | 2019-04-16 | 2019-06-14 | 武汉理工大学 | 一种基于改进粒子群的分布式光伏配电网规划方法 |
CN110727919A (zh) * | 2019-09-17 | 2020-01-24 | 珠海格力电器股份有限公司 | 一种光伏发电量预测方法、装置及*** |
CN113191564A (zh) * | 2021-05-18 | 2021-07-30 | 阳光电源股份有限公司 | 一种光伏功率预测方法、装置及服务器 |
CN113780644A (zh) * | 2021-08-31 | 2021-12-10 | 济南大学 | 一种基于在线学习的光伏出力预测方法 |
CN115169659A (zh) * | 2022-06-23 | 2022-10-11 | 四川思极科技有限公司 | 一种基于多分类器的超短期屋顶光伏功率预测方法及*** |
CN115543004A (zh) * | 2022-06-29 | 2022-12-30 | 湖北工业大学 | 一种基于改进粒子群优化算法的mppt控制方法及*** |
CN115759365A (zh) * | 2022-11-02 | 2023-03-07 | 亚信科技(中国)有限公司 | 光伏发电功率的预测方法及相关设备 |
Non-Patent Citations (1)
Title |
---|
基于数据挖掘的光伏发电预测;周慧;王进;顾翔;;计算机时代(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116205377A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及*** | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN110556820B (zh) | 用于确定能量***操作场景的方法和设备 | |
CN108428017B (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
CN112862630B (zh) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
Girimurugan et al. | Application of deep learning to the prediction of solar irradiance through missing data | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
CN113487064A (zh) | 基于主成分分析和改进lstm的光伏功率预测方法及*** | |
CN116845868A (zh) | 分布式光伏功率预测方法、装置、电子设备及存储介质 | |
CN114897264A (zh) | 一种基于迁移学习的小样本场景下光伏出力区间预测方法 | |
CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
CN116205377B (zh) | 分布式光伏电站出力预测方法、***、计算机及存储介质 | |
Fuselero et al. | Daily Solar Radiation Forecasting based on a Hybrid NARXGRU Network in Dumaguete, Philippines. | |
CN116822331A (zh) | 一种多能源融合的风光发电预测方法 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN115575737A (zh) | 一种载流量检测方法及*** | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和*** | |
Liu et al. | Short-term PV power prediction model based on weather feature clustering and Adaboost-GA-BP | |
Lee et al. | Application of temperature prediction model based on LSTNet in telecommunication Room |
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 |