[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116470491A - 基于copula函数的光伏功率概率预测方法及系统 - Google Patents

基于copula函数的光伏功率概率预测方法及系统 Download PDF

Info

Publication number
CN116470491A
CN116470491A CN202310437581.4A CN202310437581A CN116470491A CN 116470491 A CN116470491 A CN 116470491A CN 202310437581 A CN202310437581 A CN 202310437581A CN 116470491 A CN116470491 A CN 116470491A
Authority
CN
China
Prior art keywords
photovoltaic power
copula
model
function model
correlation
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
Application number
CN202310437581.4A
Other languages
English (en)
Inventor
史洁
付钻
程新功
王潇晨
唐亮
侯振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN202310437581.4A priority Critical patent/CN116470491A/zh
Publication of CN116470491A publication Critical patent/CN116470491A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于copula函数的光伏功率概率预测方法及系统，该方法包括：获取集中式和分布式光伏电站的历史光伏功率数据和历史气象数据；通过聚类得到不同的天气类型；根据不同的天气类型下的历史光伏功率数据，得到光伏功率的累计分布，分别构建量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型；根据获取的集中式光伏电站的光伏功率数据，结合对应的最优copula函数模型，得到分布式光伏功率点预测值；基于分位数回归方法，构建条件概率模型，通过条件概率模型得到分布式光伏功率点预测值对应的条件概率预测值，实现更精确的分布式光伏功率预测及功率概率预测，保障电力系统运行的可靠性。

Description

基于copula函数的光伏功率概率预测方法及系统
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种基于copula函数的光伏功率概率预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。
随着工业化电气化进程加快，人类对能源的需求量猛增，尤其是对电能的需求，更是呈现逐年攀升的趋势。分布式光伏具有可开发资源丰富、开发建设难度小、节能环保效益显著等优势，是光伏开发利用的重要方式之一。但由于天气条件的不稳定性，光伏发电具有很强的间歇性和随机性，对现有电力系统的规划和运行造成挑战。因此，光伏发电功率预测的准确性是影响光伏接入电力系统的重要影响因素。
发明人发现，现有的光伏发电功率预测方法包括基于物理模型的方法和基于统计模型的方法，其中基于物理模型的方法建模复杂，因此通常采用基于统计模型的方法进行光伏发电功率预测。统计模型包括神经网络模型、copula模型等。由于分布式光伏数据获取难度大、安装分散等特点，通常采用copula模型来更好的刻画光伏发电功率与气象变量的不确定性，且该建模所需的数据量也相对较小。但是，传统的copula函数有局限性，不能很好地拟合功率数据，导致光伏功率预测的精度较低。
此外，传统的确定性预测无法对光伏功率预测的不确定性作出有效地描述，难以满足电网调度决策和风险评估的需求，而概率预测可提供未来光伏出力的概率信息，具有更重要的工程意义。相对于分布式光伏功率的点预测，光伏功率概率预测能够反应更多的预测信息，具有更优的实际使用参考价值。
目前，光伏功率概率预测方法可以分为参数方法和非参数方法。其中，参数方法为假定光伏功率服从某种概率分布，其主观性较强，预测结果往往与实际概率分布情况存在较大偏差；非参数方法不依赖任何先验知识，更能反应样本本身的分布特征，其使得模型有更好的泛化能力。但是，非参数方法通常以分位数回归为主，与机器学习相结合，往往存在分位数交叉问题。
发明内容
为解决上述现有技术的不足，本发明提供了一种基于copula函数的光伏功率概率预测方法及系统，通过聚类分析确定天气类型，构建Frank Copula函数模型和vine copula函数模型，根据天气类型的不同，选择适用于对应天气类型的最优函数模型进行分布式光伏功率预测，并基于分位数回归思想，构建光伏功率概率预测模型，避免分位数交叉问题，实现分布式光伏功率概率预测，提高功率预测的精度及电力系统运行的可靠性，降低用电成本，降低能耗，节能减排，提高经济效益。
第一方面，本公开提供了一种基于copula函数的光伏功率概率预测方法。
一种基于copula函数的光伏功率概率预测方法，包括：
获取集中式和分布式光伏电站的历史光伏功率数据和历史气象数据；
对历史光伏功率数据和历史气象数据进行预处理，通过聚类得到不同的天气类型；
根据不同的天气类型下的历史光伏功率数据，得到光伏功率的累计分布，分别构建不同的天气类型下量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型；
根据获取的集中式光伏电站的光伏功率数据，结合对应天气类型下的最优copula函数模型，得到分布式光伏功率点预测值；
基于分位数回归方法，构建条件概率模型，通过条件概率模型得到分布式光伏功率点预测值对应的条件概率预测值。
第二方面，本公开提供了一种基于copula函数的光伏功率概率预测系统。
一种基于copula函数的光伏功率概率预测系统，包括：
数据获取模块，用于获取集中式和分布式光伏电站的历史光伏功率数据和历史气象数据；
数据处理模块，用于对历史光伏功率数据和历史气象数据进行预处理，通过聚类得到不同的天气类型；
最优copula函数模型构建模块，用于根据不同的天气类型下的历史光伏功率数据，得到光伏功率的累计分布，分别构建不同的天气类型下量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型；
光伏功率点预测模块，用于根据获取的集中式光伏电站的光伏功率数据，结合对应天气类型下的最优copula函数模型，得到分布式光伏功率点预测值；
光伏功率概率预测模块，用于基于分位数回归方法，构建条件概率模型，通过条件概率模型得到分布式光伏功率点预测值对应的条件概率预测值。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果：
1、本发明提供了一种基于copula函数的光伏功率概率预测方法及系统，通过聚类分析确定天气类型，构建Frank Copula函数模型和Vine Copula函数模型，根据天气类型的不同，选择适用于对应天气类型的最优函数模型进行分布式光伏功率预测，解决单一Copula拟合不足的问题，提高功率预测的精度。
2、本发明基于分位数回归思想，给出一种基于copula的分位数回归算法，构建光伏功率概率预测模型，由于存在解析化表达式，因而能够克服现有非参数方法中存在的分位数交叉问题，实现分布式光伏功率概率预测，为电力系统运行调控提供了比较准确的参考数据，保障电力系统运行的可靠性，降低用电成本，降低能耗，节能减排，提高经济效益。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一的基于copula函数的光伏功率概率预测方法的流程图；
图2是本发明实施例一中K-means聚类的天气聚类结果图；
图3(a)是本发明实施例一中多云天气类型下集中式、分布式光伏出力的频数直方图；
图3(b)是本发明实施例一中晴天天气类型下集中式、分布式光伏出力的频数直方图；
图3(c)是本发明实施例一中阴天天气类型下集中式、分布式光伏出力的频数直方图；
图4是本发明实施例一中Vine Copula函数模型的结构图；
图5(a)是本发明实施例一中多云天气类型下光伏出力的点预测、实际值；
图5(b)是本发明实施例一中晴天天气类型下光伏出力的点预测、实际值；
图5(c)是本发明实施例一中阴天天气类型下光伏出力的点预测、实际值；
图6(a)是本发明实施例一中多云天气类型下光伏出力的点预测、实际值、概率预测的置信区间；
图6(b)是本发明实施例一中晴天天气类型下光伏出力的点预测、实际值、概率预测的置信区间；
图6(c)是本发明实施例一中阴天天气类型下光伏出力的点预测、实际值、概率预测的置信区间。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
针对背景技术中存在的问题，本发明提出了一种基于copula函数的光伏功率概率预测方法及系统，首先通过聚类方法对天气类型进行分类，然后针对每个天气属性的特点，构建Frank Copula函数模型和vine copula函数模型，用来量化动态表示集中式光伏和分布式光伏的功率空间相关性，最后，利用未来时刻的集中式光伏功率真实值获取分布式光伏预测值，并实现对分布式光伏功率的条件预测概率预测。本发明所述方法通过加入k-means聚类和vine copula函数，能够更好的反应分布式光伏出力的时空相关性，在一定程度上提高预测精度。下面以具体的实施例进行说明。
实施例一
本实施例提供了一种基于copula函数的光伏功率概率预测方法，如图1所示，包括：
步骤S1、获取集中式和分布式光伏电站的历史光伏功率数据和历史气象数据；
步骤S2、对历史光伏功率数据和历史气象数据进行预处理，通过聚类得到不同的天气类型；
步骤S3、根据不同的天气类型下的历史光伏功率数据，得到光伏功率的累计分布，分别构建不同的天气类型下量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型；其中，所构建的copula函数模型包括Frank Copula相关性函数模型和Vine Copula相关性函数模型，其中，Vine Copula相关性函数模型为多个二元Copula相关性函数模型的组合；
步骤S4、根据获取的集中式光伏电站的光伏功率数据，结合对应天气类型下的最优copula函数模型，得到分布式光伏功率点预测值；
步骤S5、基于分位数回归方法，构建条件概率模型，通过条件概率模型得到分布式光伏功率点预测值对应的条件概率预测值。
其中，Copula函数描述的是变量间的相关性，实际上是一类将联合分布函数与其各自的边缘分布函数连接在一起的函数，也称为连接函数。
在本实施例中，创新性的结合聚类算法以及天气分类下的vine copula函数模型应用于分布式光伏功率预测中，针对历史气象数据进行三维尺度下的天气聚类，基于聚类结果确定不同的天气类型，并构建不同天气类型下的最优copula函数模型，包括FrankCopula相关性函数模型和Vine Copula相关性函数模型，提高预测模型的精度，提高通过集中式光伏数据预测分布式光伏功率的准确性，而通过集中式光伏预测分布式光伏，解决了分布式光伏数据无法收集的问题，为电力系统运行调控提供了比较准确的参考数据。
上述步骤S1中，获取集中式和分布式光伏电站的历史光伏功率数据，并获取该历史光伏功率数据对应时期的历史气象数据。在本实施例中，可采集并获取集中式和分布式光伏电站1、2、12月的历史光伏功率数据，采样间隔为10min。该气象数据包括多种气象要素的数据，如温度、风速、相对湿度、大气压强、短波辐射度等气象要素。
上述步骤S2中，对历史光伏功率数据和历史气象数据进行预处理，对历史气象数据进行三维尺度下的天气聚类，通过聚类得到不同的天气类型，为预测模型做数据准确。
具体的，步骤S2.1、对历史光伏功率数据进行数据清洗，包括对历史光伏功率数据进行数据清洗，排除异常值和零负值。
步骤S2.2、获取历史光伏功率数据对应时期的历史气象数据，基于相关性分析确定聚类要素，通过聚类得到不同的天气类型。
具体的，本实施例中采用k-means聚类，过程包括如下：
步骤S2.2.1、基于气象要素与光伏功率的相关性，通过相关性分析，确定影响光伏发电功率的气象要素，将确定的气象要素作为聚类要素。
选取历史光伏功率数据对应日期的气象数据，经过相关性分析，如下表1所示，最终确定的气象要素包括大气压强、相对湿度、短波辐射度这三维特征，将其作为聚类要素。其中，相关性分析为：通过计算及统计某一气象要素与光伏功率的相关性系数(包括Pearson、Spearman、Kendall)来综合衡量该气象要素与光伏发电功率的相关性。
表1气象要素与光伏功率的相关系数
其中，Pearson为皮尔逊相关系数，Spearman为斯皮尔曼等级相关系数，Kendall为肯德尔等级相关系数。
本实施例中，从五种气象因素中，选取三种相关性较强的三种因素作为聚类依据，即相对湿度、气压、短波辐射度。
步骤S2.2.2，根据聚类要素，采用k-means聚类算法进行天气聚类，聚类结果如图2所示。根据聚类结果所对应的各个气象要素范围，最终确定不同的天气类型。本实施例确定的三种天气类型为多云、晴天、阴天(即分别为图2所示的R、B、G)。
步骤S3中，根据不同的天气类型下的历史光伏功率数据，得到光伏功率的累计分布，分别构建不同的天气类型下量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型，该最优copula函数模型包括Frank Copula相关性函数模型和VineCopula相关性函数模型。
步骤S3.1、根据光伏功率的累计分布，得到每种天气类型下的相关系数值λ，建立Frank Copula相关性函数模型。
通过观察频数分布，如图3(a)、图3(b)、图3(c)所示，不同天气类型下，频数分布会有区别，但总体上满足对称的尾部相关性，采用Frank Copula相关性函数来建模，FrankCopula相关性函数模型如下所示：
式中，u、v为两个边缘分布变量，λ为相关系数。
根据每种天气类型下光伏功率的累计分布，计算获得相关系数值λ，进而构建每种天气类型下的Frank Copula相关性函数模型。
步骤S3.2、根据光伏功率的累计分布，得到每种天气类型下的相关系数值λ，建立Vine Copula相关性函数模型。其中，Vine Copul函数模型除了包括上述Frank Copula模型还包括Clayton Copula函数模型、Gumbel Copula函数模型和t Copula函数模型，VineCopula相关性函数模型的连接结构如图4所示。图4中，U1、U2、U3分别表示边缘分布变量，基于U1和U2通过copula函数得到C21，基于U2和U3通过copula函数得到C31，根据C21和C31，最终得到C231，其中，所选用的copula函数及其参数如下式及下表2所示。
其中，Clayton Copula函数模型、Gumbel Copula函数模型和t Copula函数模型如下所示：
上述模型的参数如下表2所示。
表2不同模型的参数值
其中，T1、T2、T3分别代表每个节点采用的不同的Copula相关性函数类型，λ1、λ2、λ3分别表示相应Copula相关性函数模型所采用的相关系数值。进一步的，该相关系数的求解方法为：基于以上所述公式(1)、(2)、(3)、(4)，采用极大似然估计法进行参数估计。一般转化为解上述方程最值问题，通过微分方程即可求解。
本实施例中，基于Vine Copula相关性函数模型作为光伏功率预测模型，在一定程度上提高了预测精度，能够更好的拟合功率数据；通过Vine Copula模型更好的描述高维变量的相关性，克服了普通Copula模型低维变量的局限性，能够适合于光伏功率数据的拟合，更加灵活地建立模型。
为了进一步提高预测的准确性，本实施例中，针对不同的天气类型，选择最适用于该天气类型的copula函数模型为最优copula函数模型，以最优copula函数模型进行功率预测。
因此，步骤S3.3、比较每一天气类型下不同copula函数模型的相关系数和误差评价指标，在Frank Copula相关性函数模型和Vine Copula相关性函数模型中选出对应于每种天气类型的最优预测模型。
本实施例中，选用的相关系数包括Pearson相关系数和决定系数R2，选用的误差评价指标为均方根误差RMSE。
具体的，根据不同天气类型(多云、晴天、阴天)下的集中式光伏电站的历史光伏功率数据，分别通过不同的copula函数模型进行分布式光伏电站的光伏功率预测，根据光伏功率预测数据和分布式光伏电站的历史光伏功率数据，计算相关系数和误差评价指标，其结果如下表3所示，根据相关系数和误差评价指标，选出每种天气类型下的最优的预测模型。其中，首先所选的误差评价指标为RMSE以及相关系数为R2、Pearson，通过真实值与模型预测值之间的误差关系和相似程度，根据以上的评价指标，选取每种天气类型下指标最好的copula函数模型为最优的预测模型。
表3不同天气类型下Frank Copula模型和Vine Copula模型的评价指标
其中，Pearson(Pearson Correlation Coefficient)相关系数，表示两个变量间之间变化趋势的方向以及程度，取值范围在-1到+1之间，0代表不相关，正值代表正相关，负值代表负相关，值越大相关性越强；R2为决定系数，也称为拟合优度，是相关系数r的平方，表示可根据自变量的变异来解释因变量的变异部分。决定系数的大小决定了相关的密切程度，拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高，观察点在回归直线附近越密集；RMSE为均方根误差。
在本实施例中，选择最优的预测模型：对于多云和晴天这两种天气类型，FrankCopula函数模型的误差指标均优于Vine Copula函数模型，在此天气条件下优先运用FrankCopula函数模型；对于阴天这一种天气类型，Vine Copula函数模型各项指标均优于FrankCopula函数模型，在此天气条件下优先运用Vine Copula函数模型。本实施例以三种天气类型进行了聚类，其他天气类型可以采用相同的方法，选择最优的预测模型。
步骤S4中，利用不同天气类型下的最优copula函数模型，将获取的集中式光伏电站的光伏功率预测结果作为输入，通过对应的模型得到分布式光伏电站的光伏功率点预测结果。选取每种天气下部分点预测结果，如图5(a)、图5(b)、图5(c)所示，通过本实施例建立的点预测模型，得到不同天气类型下的点预测的效果图。而且从图中可以看出，不同模型的预测结果差异，有必要对每种天气类型下按上述规则选择最优的点预测方案。
步骤S5中，基于分位数回归方法，构建条件概率模型，通过条件概率模型得到分布式光伏功率点预测值对应的条件概率预测值。
最后，以当前天气类型下的最优copula函数模型为Vine Copula模型为例，利用Vine Copula模型，将光伏功率与其条件变量(如总辐照度等变量)之间的依赖结构以解析形式灵活准确地表达出来。考虑到Vine Copula函数的具有更强的稳定性且能建立多维相关性模型，因此，基于Vine Copula函数模型，通过分位数回归思想，构建条件概率模型。将集中式光伏功率预测结果及辐射度预测结果作为输入，由对应的模型得到分布式光伏功率的概率预测结果，通过条件概率模型得到点预测值对应的条件概率预测值，条件概率模型见公式(5)。
具体的，设辐射度值为x1，集中式电站的光伏功率值为x2，分布式电站的光伏功率值为x3，则F(x3|x2,x1)条件概率分布函数如下式(5)所示：
其中，h(u,v)与Copula函数的关系为需指出的是，此处的Copula函数对上述所提及的所有Copula函数均适用。
在此基础上，设给定每个条件变量的值x1＝R1、x2＝R2，通过下述方程计算得到分布式光伏功率的条件概率值，公式为：
式中，h-1(·)为h(·)的反函数，为α分位水平下的预测值，参数α表示分位水平，该参数自定义取值。
为了进一步说明本实施例利用Vine Copula模型的更优效果，进行了仿真实验，根据不同预测区间的平均宽度，对预测的条件概率进行评估和实例测试，预测评估结果如表4所示。
表4不同模型的预测评估结果
在不同天气类型下分布式光伏功率的点预测、实际值和概率预测置信区间如图6(a)、图6(b)、图6(c)所示，能够实现在所有点预测上进行条件概率预测，能够获得不同置信区间上的预测信息。表4为仅用区间平均宽度证明Vine Copula模型要优于Frank Copula模型的概率预测结果。
通过本实施例上述方法，能够实现更精确的分布式光伏功率预测，以及实现分布式光伏功率概率预测，提高功率预测的精度及电力系统运行的可靠性，降低用电成本，降低能耗，节能减排，提高经济效益。
实施例二
本实施例提供了一种基于copula函数的光伏功率概率预测系统，包括：
数据获取模块，用于获取集中式和分布式光伏电站的历史光伏功率数据和历史气象数据；
数据处理模块，用于对历史光伏功率数据和历史气象数据进行预处理，通过聚类得到不同的天气类型；
最优copula函数模型构建模块，用于根据不同的天气类型下的历史光伏功率数据，得到光伏功率的累计分布，分别构建不同的天气类型下量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型；
光伏功率点预测模块，用于根据获取的集中式光伏电站的光伏功率数据，结合对应天气类型下的最优copula函数模型，得到分布式光伏功率点预测值；
光伏功率概率预测模块，用于基于分位数回归方法，构建条件概率模型，通过条件概率模型得到分布式光伏功率点预测值对应的条件概率预测值。
实施例三
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的基于copula函数的光伏功率概率预测方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的基于copula函数的光伏功率概率预测方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于copula函数的光伏功率概率预测方法，其特征是，包括：
获取集中式和分布式光伏电站的历史光伏功率数据和历史气象数据；
对历史光伏功率数据和历史气象数据进行预处理，通过聚类得到不同的天气类型；
根据不同的天气类型下的历史光伏功率数据，得到光伏功率的累计分布，分别构建不同的天气类型下量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型；
根据获取的集中式光伏电站的光伏功率数据，结合对应天气类型下的最优copula函数模型，得到分布式光伏功率点预测值；
基于分位数回归方法，构建条件概率模型，通过条件概率模型得到分布式光伏功率点预测值对应的条件概率预测值。
2.如权利要求1所述的基于copula函数的光伏功率概率预测方法，其特征是，所构建的copula函数模型包括Frank Copula相关性函数模型和Vine Copula相关性函数模型；所述Vine Copula相关性函数模型为多个二元Copula相关性函数模型的组合。
3.如权利要求2所述的基于copula函数的光伏功率概率预测方法，其特征是，所述VineCopul相关性函数模型包括Frank Copula函数模型、Clayton Copula函数模型、GumbelCopula函数模型和t Copula函数模型。
4.如权利要求1所述的基于copula函数的光伏功率概率预测方法，其特征是，获取历史光伏功率数据对应时期的历史气象数据，基于相关性分析确定聚类要素，通过聚类得到不同的天气类型，包括：
基于气象要素与光伏功率的相关性系数，确定影响光伏发电功率的气象要素，将确定的气象要素作为聚类要素；
根据聚类要素，采用k-means聚类算法进行天气聚类，根据聚类结果所对应的各个气象要素范围，确定不同的天气类型。
5.如权利要求1所述的基于copula函数的光伏功率概率预测方法，其特征是，分别构建不同的天气类型下量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型，包括：
根据光伏功率的累计分布，得到每种天气类型下的相关系数值，建立Frank Copula相关性函数模型；
根据光伏功率的累计分布，得到每种天气类型下的相关系数值，建立Vine Copul相关性函数模型；
根据每一天气类型下不同copula函数模型的相关系数和误差评价指标，在FrankCopula相关性函数模型和Vine Copula相关性函数模型中选出对应于每种天气类型的最优预测模型。
6.如权利要求5所述的基于copula函数的光伏功率概率预测方法，其特征是，所述相关系数包括Pearson相关系数和决定系数R2，所述误差评价指标为均方根误差RMSE。
7.一种基于copula函数的光伏功率概率预测系统，其特征是，包括：
数据获取模块，用于获取集中式和分布式光伏电站的历史光伏功率数据和历史气象数据；
数据处理模块，用于对历史光伏功率数据和历史气象数据进行预处理，通过聚类得到不同的天气类型；
最优copula函数模型构建模块，用于根据不同的天气类型下的历史光伏功率数据，得到光伏功率的累计分布，分别构建不同的天气类型下量化动态表示集中式光伏和分布式光伏功率空间相关性的最优copula函数模型；
光伏功率点预测模块，用于根据获取的集中式光伏电站的光伏功率数据，结合对应天气类型下的最优copula函数模型，得到分布式光伏功率点预测值；
光伏功率概率预测模块，用于基于分位数回归方法，构建条件概率模型，通过条件概率模型得到分布式光伏功率点预测值对应的条件概率预测值。
8.如权利要求7所述的基于copula函数的光伏功率概率预测系统，其特征是，所构建的copula函数模型包括Frank Copula相关性函数模型和Vine Copula相关性函数模型；所述Vine Copula相关性函数模型为多个二元Copula相关性函数模型的组合；
所述Vine Copul函数模型包括Frank Copula函数模型、Clayton Copula函数模型、Gumbel Copula函数模型和t Copula函数模型。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于copula函数的光伏功率概率预测方法的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于copula函数的光伏功率概率预测方法的步骤。
CN202310437581.4A 2023-04-18 2023-04-18 基于copula函数的光伏功率概率预测方法及系统 Pending CN116470491A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310437581.4A CN116470491A (zh) 2023-04-18 2023-04-18 基于copula函数的光伏功率概率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310437581.4A CN116470491A (zh) 2023-04-18 2023-04-18 基于copula函数的光伏功率概率预测方法及系统

Publications (1)

Publication Number Publication Date
CN116470491A true CN116470491A (zh) 2023-07-21

Family

ID=87183992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310437581.4A Pending CN116470491A (zh) 2023-04-18 2023-04-18 基于copula函数的光伏功率概率预测方法及系统

Country Status (1)

Country Link
CN (1) CN116470491A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116742624A (zh) * 2023-08-10 2023-09-12 华能新能源股份有限公司山西分公司 一种光伏发电量预测方法及系统
CN118378025A (zh) * 2024-06-25 2024-07-23 国网江苏省电力有限公司电力科学研究院 一种分布式光伏功率数据修复方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116742624A (zh) * 2023-08-10 2023-09-12 华能新能源股份有限公司山西分公司 一种光伏发电量预测方法及系统
CN116742624B (zh) * 2023-08-10 2023-11-03 华能新能源股份有限公司山西分公司 一种光伏发电量预测方法及系统
CN118378025A (zh) * 2024-06-25 2024-07-23 国网江苏省电力有限公司电力科学研究院 一种分布式光伏功率数据修复方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN111241755A (zh) 电力负荷预测方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN113468790B (zh) 一种基于改进粒子群算法的风速特征模拟方法及系统
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN116307111A (zh) 一种基于k均值聚类和随机森林算法的无功负荷预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN109858667A (zh) 一种基于雷电气候对负荷影响的短期负荷聚类方法
CN112508254A (zh) 变电站工程项目投资预测数据的确定方法
CN115829418B (zh) 适用于负荷管理的电力用户负荷特性画像构建方法和系统
CN117932272A (zh) 一种基于pso-lstm模型的多特征逐时电力负荷预测方法
CN110852628A (zh) 考虑发展模式影响的农村中长期负荷预测方法
CN117134315A (zh) 一种基于bert算法的配电变压器负荷预测方法及装置
CN115907228A (zh) 一种基于pso-lssvm的短期电力负荷预测分析方法
CN116054240A (zh) 一种基于功率预测的风电并网运行控制优化方法及系统
CN110322063B (zh) 一种耗电功率仿真预测方法及存储介质
CN110175705B (zh) 一种负荷预测方法及包含该方法的存储器、系统

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