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

CN117117819A - 一种光伏发电短期功率预测方法、系统、设备和介质 - Google Patents

一种光伏发电短期功率预测方法、系统、设备和介质 Download PDF

Info

Publication number
CN117117819A
CN117117819A CN202210523546.XA CN202210523546A CN117117819A CN 117117819 A CN117117819 A CN 117117819A CN 202210523546 A CN202210523546 A CN 202210523546A CN 117117819 A CN117117819 A CN 117117819A
Authority
CN
China
Prior art keywords
value
power generation
time
photovoltaic power
meteorological
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
CN202210523546.XA
Other languages
English (en)
Inventor
李登宣
董昱
董存
范高锋
周海
程序
杨琪
秦放
翟保豫
胡思雨
马文文
张斌
李悦岑
丁煌
陈卫东
丘刚
吴骥
崔方
刘大贵
朱想
姚虹春
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210523546.XA priority Critical patent/CN117117819A/zh
Priority to PCT/CN2022/137289 priority patent/WO2023216576A1/zh
Publication of CN117117819A publication Critical patent/CN117117819A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种光伏发电短期功率预测方法、系统、设备和介质，包括：基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算气象要素的欧氏距离；对各预报时刻，选择预设数量个欧氏距离最小的历史时刻，获取历史时刻对应的光伏发电实际功率值，并计算光伏发电实际功率值对应的权重值；对光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值；汇总所述各预报时刻的光伏发电预测功率值，生成光伏发电短期功率预测；本发明对实测气象数据依赖小、适应性强，且简单实用，计算可靠，易于实现和工程现场部署。

Description

一种光伏发电短期功率预测方法、系统、设备和介质
技术领域
本发明属于新能源发电技术领域，具体涉及一种光伏发电短期功率预测方法、系统、设备和介质。
背景技术
光伏短期功率预测指光伏电站次日零时起到未来72h有功功率的预测，时间分辨率为15min。光伏出力具有波动性和随机性，大规模光伏发电并网会给电力系统的安全稳定运行造成较大的影响，准确的光伏发电短期功率预测有助于电力调度部门提前根据光伏出力变化及时调整调度计划，同时使得光伏资源得到充分利用，增强光伏发电参与电力市场的竞争力，从而获得更大的经济效益和社会效益。
现有技术中，可以通过神经网络建立光伏发电短期功率预测模型，通过向模型中输入变量参数，获得光伏发电短期功率预测值，但是这个技术方案有以下缺点：(1)训练速度慢，输入变量较多，计算比较复杂；(2)容易陷入局部极值；(3)对数据依赖程度高，需要大量的历史样本；还可以通过收集光伏电站地理信息、气象资源监测数据，及光伏组件性能参数，通过中尺度数值天气预报模式，预报气象要素，并建立光伏发电站预报要素误差校正型和光电转换模型，通过光电转换模型，输出光伏发电短期功率预测值，这个技术方案有以下缺点：(1)误差环节多，气象预报、模式校正、光电转换等环节均会产生误差；(2)适应性不强，对实测气象数据质量要求高，部分现场难以满足建模条件。
发明内容
为克服上述现有技术的不足，本发明提出一种光伏发电短期功率预测方法，包括：
基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离；
对各预报时刻，选择预设数量个欧氏距离最小的历史时刻，获取所述历史时刻对应的光伏发电实际功率值，并计算所述光伏发电实际功率值对应的权重值；
对所述光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值；
汇总所述各预报时刻的光伏发电预测功率值，生成光伏发电短期功率预测；
其中，所述欧氏距离是以获得与当前NWP预测序列特征相似的时刻为目标结合气象要素进行计算的。
优选的，所述基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离，包括：
设定各预报时刻时间窗，并提取历史各天中各相应历史时刻时间窗；
获取各预报时刻与各相应历史时刻时间窗的气象要素值；
计算各预报时刻和各相应历史时刻时间窗中气象要素绝对误差，结合预先计算的气象要素权重值和气象要素标准差，确定预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离。
优选的，所述气象要素权重值的计算过程，包括：
将相应历史时刻的气象要素值输入到BP神经网络模型中，生成模拟功率值；
对各相应历史时刻的气象要素值加预设百分比，带入到BP神经网络模型中，生成模拟增值功率；
对各相应历史时刻的气象要素值减预设百分比，带入到BP神经网络模型中，生成模拟减值功率；
基于所述模拟增值功率和模拟减值功率，并结合MIV变量筛选算法，生成模拟功率值的影响变化值；
根据预设个数个预报时刻的影响变化值计算平均影响变化值，并基于所述平均影响变化值，确定气象要素权重值；
其中，所述BP神经网络模型是以气象要素数值模式为输入，以历史光伏发电实际功率为输出进行训练得到的。
优选的，所述预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离，按下式计算：
其中，为预报时段内第i个预报时刻与相应历史时刻气象要素的欧式距离，t′i为第i个预报时刻，ti为第i个相应历史时刻，/>为第i个预报时刻的气象要素值，/>为第i个相应历史时刻的气象要素值，ωm为气象要素m的权重值，δm为建模样本数据集中气象要素m的标准差，m为气象要素值。
优选的，所述气象要素至少包括下述中的一种或多种：总辐照度、直接辐射辐照度、散射辐射辐照度、组件温度、平均风速、平均风向、环境温度和相对湿度。
优选的，所述光伏发电实际功率值对应的权重值，按下式计算：
其中，ηs为第s个光伏发电实际功率值对应的权重值，ts为第s个的相应历史时刻,s的取值范围为[1,2,3,......,j]，j为预设数量的总数，为预报时段内第s个预报时刻与相应历史时刻气象要素的欧氏距离。
优选的，所述各预报时刻的光伏发电预测功率值，按下式计算：
其中，为预报时段内第i个预报时刻的光伏发电预测功率值，t′i为第i个预报时刻，ηs为第s个光伏发电实际功率值对应的权重值，s的取值范围为[1,2,3,......,j]，j为预设数量的总数，/>为第s个历史时刻的光伏发电实际功率值。
基于同一发明构思，本发明还提供了一种光伏发电短期功率预测系统，包括：
欧式距离计算模块、光伏发电预测功率权重计算模块、光伏发电预测功率计算模块和发电短期功率预测模块；
所述欧式距离计算模块，用于基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离；
所述光伏发电预测功率权重计算模块，用于对各预报时刻，选择预设数量个欧氏距离最小的历史时刻，获取所述历史时刻对应的光伏发电实际功率值，并计算所述光伏发电实际功率值对应的权重值；
所述光伏发电预测功率计算模块，用于对所述光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值；
所述发电短期功率预测模块，用于汇总所述各预报时刻的光伏发电预测功率值，生成光伏发电短期功率预测。
优选的，所述欧式距离计算模块，具体用于：
设定各预报时刻时间窗，并提取历史各天中各相应历史时刻时间窗；
获取各预报时刻与各相应历史时刻时间窗的气象要素值；
计算各预报时刻和各相应历史时刻时间窗中气象要素绝对误差，结合预先计算的气象要素权重值和气象要素标准差，确定预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离。
优选的，所述欧式距离计算模块中气象要素权重值的计算过程，包括：
将相应历史时刻的气象要素值输入到BP神经网络模型中，生成模拟功率值；
对各相应历史时刻的气象要素值加预设百分比，带入到BP神经网络模型中，生成模拟增值功率；
对各相应历史时刻的气象要素值减预设百分比，带入到BP神经网络模型中，生成模拟减值功率；
基于所述模拟增值功率和模拟减值功率，并结合MIV变量筛选算法，生成模拟功率值的影响变化值；
根据预设个数个预报时刻的影响变化值计算平均影响变化值，并基于所述平均影响变化值，确定气象要素权重值；
其中，所述BP神经网络模型是以气象要素数值模式为输入，以历史光伏发电实际功率为输出进行训练得到的。
优选的，所述欧式距离计算模块按下式计算预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离：
其中，为预报时段内第i个预报时刻与相应历史时刻气象要素的欧式距离，t′i为第i个预报时刻，ti为第i个相应历史时刻，/>为第i个预报时刻的气象要素值，/>为第i个相应历史时刻的气象要素值，ωm为气象要素m的权重值，δm为建模样本数据集中气象要素m的标准差，m为气象要素值。
优选的，所述欧式距离计算模块的气象要素至少包括下述中的一种或多种：总辐照度、直接辐射辐照度、散射辐射辐照度、组件温度、平均风速、平均风向、环境温度和相对湿度。
优选的，所述光伏发电预测功率权重计算模块按下式计算光伏发电实际功率值对应的权重值：
其中，ηs为第s个光伏发电实际功率值对应的权重值，ts为第s个的相应历史时刻,s的取值范围为[1,2,3,......,j]，j为预设数量的总数，为预报时段内第s个预报时刻与相应历史时刻气象要素的欧氏距离。
优选的，所述光伏发电预测功率计算模块按下式计算各预报时刻的光伏发电预测功率值：
其中，为预报时段内第i个预报时刻的光伏发电预测功率值，t′i为第i个预报时刻，ηs为第s个光伏发电实际功率值对应的权重值，s的取值范围为[1,2,3,......,j]，j为预设数量的总数，/>为第s个历史时刻的光伏发电实际功率值。
基于同一发明构思，本发明还提供了一种计算机设备，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如前所述的一种光伏发电短期功率预测方法。
基于同一发明构思，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现如前所述的一种光伏发电短期功率预测方法。
与最接近的现有技术相比，本发明具有的有益效果如下：
1.本发明提供了一种光伏发电短期功率预测方法、系统、设备和介质，包括：基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离；对各预报时刻，选择预设数量个欧氏距离最小的历史时刻，获取所述历史时刻对应的光伏发电实际功率值，并计算所述光伏发电实际功率值对应的权重值；对所述光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值；汇总所述各预报时刻的光伏发电预测功率值，生成光伏发电短期功率预测；其中，所述欧氏距离是以获得与当前NWP预测序列特征相似的时刻为目标结合气象要素进行计算的，通过加权方式在线计算，可以分摊单点预测的误差风险，消除大偏差，提高光伏发电短期功率预测精度，本发明对实测气象数据依赖小、适应性强，对历史数据的数据量要求低，普适性好，尤其适用于气象监测数据条件不完备的光伏电站，且简单实用，计算可靠，易于实现和工程现场部署，具有很强的可操作性和推广应用价值。
2.本发明不需要实测气象要素数值模式进行校正，且优化了可能产生预报误差的流程，有助于提升伏发电短期功率预测精度。
附图说明
图1为本发明提供的一种光伏发电短期功率预测方法流程图；
图2为本发明提供的一种光伏发电短期功率预测方法具体示例的流程图；
图3为本发明提供的一种物理方法光伏发电短期功率预测示意图；
图4为本发明提供的光伏发电短期功率预测示意图；
图5为本发明提供的一种光伏发电短期功率预测系统示意图。
具体实施方式
下面结合附图和案例对本发明的具体实施方式作进一步的详细说明。
本发明提供了一种光伏发电短期功率预测方法，其流程示意图如图1所示，包括：
步骤1：基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离；
步骤2：对各预报时刻，选择预设数量个欧氏距离最小的历史时刻，获取所述历史时刻对应的光伏发电实际功率值，并计算所述光伏发电实际功率值对应的权重值；
步骤3对所述光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值；
步骤4：汇总所述各预报时刻的光伏发电预测功率值，生成光伏发电短期功率预测。
具体的，步骤1包括：
对于预报时段内某一预报时刻ti'，设定时间窗(ti'-μ,ti'+μ),提取历史各天对应的时间窗(ti-μ,ti+μ)，计算其与预报时刻气象要素的欧氏距离序列：
以预报时刻ti∈(ti-μ,ti+μ)为例，计算预报时刻与历史相应时刻的气象要素欧氏距离，需要先计算预报时刻和相应历史时刻时间窗中气象要素绝对误差，结合预先计算的气象要素权重值和气象要素标准差，确定预报时刻与相应历史时刻气象要素的欧式距离，该气象要素的欧式距离公式为：
式中，为预报时段内第i个预报时刻与相应历史时刻气象要素的欧式距离，t′i为第i个预报时刻，ti为第i个相应历史时刻，/>为第i个预报时刻的气象要素值，/>为第i个相应历史时刻的气象要素值，ωm为气象要素m的权重值，δm为建模样本数据集中气象要素m的标准差，m为气象要素值，气象要素m至少包括下述中的一种或多种：{RG,RD,RF,TM,WS,WD,T,RH,......}，RG为总辐照度，RD为直接辐射辐照度，RF为散射辐射辐照度，TM为组件温度，WS为平均风速，WD为平均风向，T为环境温度，RH为相对湿度。
通过建立模型训练数据集对BP神经网络模型进行训练，剔除限电等异常时段的光伏发电站实际功率，结合气象要素数值模式，形成多元数据序列，该数据集的建立按照数据向量的格式：
(Pt,{RGt,RDt,RFt,TMt,WSt,WDt,Tt,RHt,......},t)
其中，Pt为t时刻的光伏发电实际功率；{}为t时刻的气象要素数值模式，气象要素m包括：RGt为t时刻的总辐照度、RDt为t时刻的直接辐射辐照度、RFt为t时刻的散射辐射辐照度、TMt为t时刻的组件温度、WSt为t时刻的平均风速、WDt为t时刻的平均风向、Tt为t时刻的环境温度、RHt为t时刻的相对湿度等；t为相应历史时刻时间，分辨率通常为15分钟，利用神经网络方法，基于上述模型训练数据集，设定输入为气象要素数值模式，设定输出为光伏发电实际功率Pt。通过神经网络自适应学习能力，训练大量的输入与输出之间的非线性映射关系f()，构建BP神经网络模型。
在计算气象要素权重值时，首先将所述气象要素输入到BP神经网络模型中，生成模拟功率值，BP神经网络模型公式为：
Pt'＝f({RGt,RDt,RFt,TMt,WSt,WDt,Tt,RHt,......},t)
BP神经网络模型公式中，Pt'为t时刻的模拟功率值，f()为气象要素数值模式与历史光伏发电实际功率的非线性映射关系，{}为t时刻的气象要素数值模式，对各气象要素加预设百分比，带入到BP神经网络模型中，生成模拟增值功率；对各气象要素减预设百分比，带入到BP神经网络模型中，生成模拟减值功率；以总辐照度RGt为例：对总辐照度RGt加预设百分比和减预设百分比，生成的新的气象要素数值模式为：
{RGt +,RDt,RFt,TMt,WSt,WDt,Tt,RHt,......}
{RGt -,RDt,RFt,TMt,WSt,WDt,Tt,RHt,......}
其中，RGt +＝RGt*(1+λ)，RGt -＝RGt*(1-λ)，通常的λ＝10％，通过BP神经网络模型进行仿真，得到两个仿真结果：
Pt,RG'+＝f({RGt +,RDt,RFt,TMt,WSt,WDt,Tt,RHt,......},t)
Pt,RG'-＝f({RGt -,RDt,RFt,TMt,WSt,WDt,Tt,RHt,......},t)
其中，Pt,RG'+为t时刻的总辐照度的模拟增值功率，Pt,RG'-为t时刻的总辐照度的模拟减值功率，两个仿真结果的差值|Pt,RG'+-Pt,RG'-|，即为该总辐照度RGt变动对Pt'产生的模拟功率值的影响变化值，RGt模拟功率值的影响变化值的计算公式：
MIVt,RG＝|Pt,RG'+-Pt,RG'-|
其中，MIVt,RG为t时刻的总辐照度RGt的模拟功率值的影响变化值，将n个预报时刻的总辐照度RGt的模拟功率值的影响变化值平均，得出平均影响变化值，平均影响变化值计算公式：
其中，MIVRG为n个预报时刻的总辐照度RG的模拟功率值的平均影响变化值，同理，可以得出直接辐射辐照度RDt、散射辐射辐照度RFt、组件温度TMt、平均风速WSt、平均风向WDt、环境温度Tt、相对湿度RHt等气象要素对应的平均影响变化值：
{MIVRD,MIVRF,MIVTM,MIVWS,MIVWD,MIVT,MIVRH,......}
则，得出各气象要素对光伏发电出力影响的权重：
{ωRG,ωRD,ωRF,ωTM,ωWS,ωWD,ωT,ωRH,......}
以总辐照度权重为例，总辐照度权重的计算公式：
通过计算预报时段内的各个预报时刻与相应历史时刻气象要素的欧式距离，可以根据多气象要素寻找相似特征，在与预报时刻对应的历史时刻中查找与当前NWP预测序列特征相似的时刻，方法简单实用，计算可靠，流程更加精简，本发明不需要实测气象对模式预报结果进行校正，还省略了光电转换过程，优化了可能产生预报误差的流程，有助于提升功率预测精度，通过加权误差的方式在线计算，可以分摊单点预测的误差风险，消除大偏差，提高光伏发电短期功率预测精度；
具体的，步骤2包括：
对各历史时刻与预报时刻t′i气象要素的欧氏距离序列进行排序：
得到欧式距离最小的前j个值，提取其对应的实际功率值：
计算各实际功率值的权重系数η，各实际功率值的权重系数η计算公式：
其中，ηs为第s个光伏发电实际功率值对应的权重值，ts为第s个的相应历史时刻,s的取值范围为[1,2,3,......,j]，j为预设数量的总数，为预报时段内第s个预报时刻与相应历史时刻气象要素的欧氏距离。本方法对实测气象数据依赖小、适应性强，本发明仅需获取历史时刻的光伏发电实际功率，对历史数据的数据量要求低，普适性好，尤其适用于气象监测数据条件不完备的光伏电站。
具体的，步骤3包括：
对所述光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值，各预报时刻的光伏发电预测功率值计算公式：
其中，为预报时段内第i个预报时刻的光伏发电预测功率值，t′i为第i个预报时刻，ηs为第s个光伏发电实际功率值对应的权重值，s的取值范围为[1,2,3,......,j]，j为预设数量的总数，/>为第s个历史时刻的光伏发电实际功率值。通过提取预测时刻对应的时刻历史实际功率，按照欧式距离进行加权得到预报时刻的功率预测值，这种方法计算过程少，可以减少误差，提高预测准确度。
具体的，步骤4包括：
同时计算预报时段的各预报时刻的光伏发电预测功率值，并将各预报时刻的光伏发电预测功率值同时输出，进行汇总，生成光伏发电短期功率预测。这种方法易于实现，具有很强的可操作性和推广应用价值。
下面以装机容量为80MW的某光伏发电站为例，通过如图2所示的光伏发电短期功率预测方法具体示例的流程图，验证本发明的预测效果。选取2021年11月1日-11月30日共计30天的短期预测功率、实际发电功率数据进行验证，预测效果如图3、4和表1所示，算例结果表明，本发明短期预测功率各项误差指标均优于LSTM神经网络、物理方法的短期预测功率，应用本发明的方法可以有效提高光伏发电短期功率预测精度。
表1预测误差指标
实施例2：
基于同一发明构思，本发明还提供了一种光伏发电短期功率预测系统，其示意图如图5所示，包括：
欧式距离计算模块、光伏发电预测功率权重计算模块、光伏发电预测功率计算模块和发电短期功率预测模块；
所述欧式距离计算模块，用于基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离；
所述光伏发电预测功率权重计算模块，用于对各预报时刻，选择预设数量个欧氏距离最小的历史时刻，获取所述历史时刻对应的光伏发电实际功率值，并计算所述光伏发电实际功率值对应的权重值；
所述光伏发电预测功率计算模块，用于对所述光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值；
所述发电短期功率预测模块，用于汇总所述各预报时刻的光伏发电预测功率值，生成光伏发电短期功率预测。
其中，所述欧式距离计算模块，具体用于：
设定各预报时刻时间窗，并提取历史各天中各相应历史时刻时间窗；
获取各预报时刻与各相应历史时刻时间窗的气象要素值；
计算各预报时刻和各相应历史时刻时间窗中气象要素绝对误差，结合预先计算的气象要素权重值和气象要素标准差，确定预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离。
其中，所述欧式距离计算模块中气象要素权重值的计算过程，包括：
将相应历史时刻的气象要素值输入到BP神经网络模型中，生成模拟功率值；
对各相应历史时刻的气象要素值加预设百分比，带入到BP神经网络模型中，生成模拟增值功率；
对各相应历史时刻的气象要素值减预设百分比，带入到BP神经网络模型中，生成模拟减值功率；
基于所述模拟增值功率和模拟减值功率，并结合MIV变量筛选算法，生成模拟功率值的影响变化值；
根据预设个数个预报时刻的影响变化值计算平均影响变化值，并基于所述平均影响变化值，确定气象要素权重值；
其中，所述BP神经网络模型是以气象要素数值模式为输入，以历史光伏发电实际功率为输出进行训练得到的。
其中，所述欧式距离计算模块按下式计算预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离：
其中，为预报时段内第i个预报时刻与相应历史时刻气象要素的欧式距离，t′i为第i个预报时刻，ti为第i个相应历史时刻，/>为第i个预报时刻的气象要素值，/>为第i个相应历史时刻的气象要素值，ωm为气象要素m的权重值，δm为建模样本数据集中气象要素m的标准差，m为气象要素值。
其中，所述欧式距离计算模块的气象要素至少包括下述中的一种或多种：总辐照度、直接辐射辐照度、散射辐射辐照度、组件温度、平均风速、平均风向、环境温度和相对湿度。
其中，所述光伏发电预测功率权重计算模块按下式计算光伏发电实际功率值对应的权重值：
其中，ηs为第s个光伏发电实际功率值对应的权重值，ts为第s个的相应历史时刻,s的取值范围为[1,2,3,......,j]，j为预设数量的总数，为预报时段内第s个预报时刻与相应历史时刻气象要素的欧氏距离。
其中，所述光伏发电预测功率计算模块按下式计算各预报时刻的光伏发电预测功率值：
其中，为预报时段内第i个预报时刻的光伏发电预测功率值，t′i为第i个预报时刻，ηs为第s个光伏发电实际功率值对应的权重值，s的取值范围为[1,2,3,......,j]，j为预设数量的总数，/>为第s个历史时刻的光伏发电实际功率值。
实施例3：
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种光伏发电短期功率预测方法的步骤。
实施例4：
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种光伏发电短期功率预测方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (16)

1.一种光伏发电短期功率预测方法，其特征在于，包括：
基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离；
对各预报时刻，选择预设数量个欧氏距离最小的历史时刻，获取所述历史时刻对应的光伏发电实际功率值，并计算所述光伏发电实际功率值对应的权重值；
对所述光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值；
汇总所述各预报时刻的光伏发电预测功率值，生成光伏发电短期功率预测；
其中，所述欧氏距离是以获得与当前NWP预测序列特征相似的时刻为目标结合气象要素进行计算的。
2.如权利要求1所述的方法，其特征在于，所述基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离，包括：
设定各预报时刻时间窗，并提取历史各天中各相应历史时刻时间窗；
获取各预报时刻与各相应历史时刻时间窗的气象要素值；
计算各预报时刻和各相应历史时刻时间窗中气象要素绝对误差，结合预先计算的气象要素权重值和气象要素标准差，确定预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离。
3.如权利要求2所述的方法，其特征在于，所述气象要素权重值的计算过程，包括：
将相应历史时刻的气象要素值输入到BP神经网络模型中，生成模拟功率值；
对各相应历史时刻的气象要素值加预设百分比，带入到BP神经网络模型中，生成模拟增值功率；
对各相应历史时刻的气象要素值减预设百分比，带入到BP神经网络模型中，生成模拟减值功率；
基于所述模拟增值功率和模拟减值功率，并结合MIV变量筛选算法，生成模拟功率值的影响变化值；
根据预设个数个预报时刻的影响变化值计算平均影响变化值，并基于所述平均影响变化值，确定气象要素权重值；
其中，所述BP神经网络模型是以气象要素数值模式为输入，以历史光伏发电实际功率为输出进行训练得到的。
4.如权利要求2所述的方法，其特征在于，所述预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离，按下式计算：
其中，为预报时段内第i个预报时刻与相应历史时刻气象要素的欧式距离，t’i为第i个预报时刻，ti为第i个相应历史时刻，/>为第i个预报时刻的气象要素值，/>为第i个相应历史时刻的气象要素值，ωm为气象要素m的权重值，δm为建模样本数据集中气象要素m的标准差，m为气象要素值。
5.如权利要求1所述的方法，其特征在于，所述气象要素至少包括下述中的一种或多种：总辐照度、直接辐射辐照度、散射辐射辐照度、组件温度、平均风速、平均风向、环境温度和相对湿度。
6.如权利要求1所述的方法，其特征在于，所述光伏发电实际功率值对应的权重值，按下式计算：
其中，ηs为第s个光伏发电实际功率值对应的权重值，ts为第s个的相应历史时刻,s的取值范围为[1,2,3,......,j]，j为预设数量的总数，为预报时段内第s个预报时刻与相应历史时刻气象要素的欧氏距离。
7.如权利要求1所述的方法，其特征在于，所述各预报时刻的光伏发电预测功率值，按下式计算：
其中，为预报时段内第i个预报时刻的光伏发电预测功率值，t’i为第i个预报时刻，ηs为第s个光伏发电实际功率值对应的权重值，s的取值范围为[1,2,3,......,j]，j为预设数量的总数，/>为第s个历史时刻的光伏发电实际功率值。
8.一种光伏发电短期功率预测系统，其特征在于，包括：
欧式距离计算模块、光伏发电预测功率权重计算模块、光伏发电预测功率计算模块和发电短期功率预测模块；
所述欧式距离计算模块，用于基于预报时段内各预报时刻与各相应历史时刻的气象要素绝对误差、预先计算的气象要素标准差和预先计算的气象要素权重值，计算所述气象要素的欧氏距离；
所述光伏发电预测功率权重计算模块，用于对各预报时刻，选择预设数量个欧氏距离最小的历史时刻，获取所述历史时刻对应的光伏发电实际功率值，并计算所述光伏发电实际功率值对应的权重值；
所述光伏发电预测功率计算模块，用于对所述光伏发电实际功率值和光伏发电实际功率值对应的权重值进行加权求和，获得各预报时刻的光伏发电预测功率值；
所述发电短期功率预测模块，用于汇总所述各预报时刻的光伏发电预测功率值，生成光伏发电短期功率预测。
9.如权利要求8所述的系统，其特征在于，所述欧式距离计算模块，具体用于：
设定各预报时刻时间窗，并提取历史各天中各相应历史时刻时间窗；
获取各预报时刻与各相应历史时刻时间窗的气象要素值；
计算各预报时刻和各相应历史时刻时间窗中气象要素绝对误差，结合预先计算的气象要素权重值和气象要素标准差，确定预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离。
10.如权利要求9所述的系统，其特征在于，所述欧式距离计算模块中气象要素权重值的计算过程，包括：
将相应历史时刻的气象要素值输入到BP神经网络模型中，生成模拟功率值；
对各相应历史时刻的气象要素值加预设百分比，带入到BP神经网络模型中，生成模拟增值功率；
对各相应历史时刻的气象要素值减预设百分比，带入到BP神经网络模型中，生成模拟减值功率；
基于所述模拟增值功率和模拟减值功率，并结合MIV变量筛选算法，生成模拟功率值的影响变化值；
根据预设个数个预报时刻的影响变化值计算平均影响变化值，并基于所述平均影响变化值，确定气象要素权重值；
其中，所述BP神经网络模型是以气象要素数值模式为输入，以历史光伏发电实际功率为输出进行训练得到的。
11.如权利要求9所述的系统，其特征在于，所述欧式距离计算模块按下式计算预报时段内的各预报时刻与各相应历史时刻气象要素的欧式距离：
其中，为预报时段内第i个预报时刻与相应历史时刻气象要素的欧式距离，t’i为第i个预报时刻，ti为第i个相应历史时刻，/>为第i个预报时刻的气象要素值，/>为第i个相应历史时刻的气象要素值，ωm为气象要素m的权重值，δm为建模样本数据集中气象要素m的标准差，m为气象要素值。
12.如权利要求8所述的系统，其特征在于，所述欧式距离计算模块的气象要素至少包括下述中的一种或多种：总辐照度、直接辐射辐照度、散射辐射辐照度、组件温度、平均风速、平均风向、环境温度和相对湿度。
13.如权利要求8所述的系统，其特征在于，所述光伏发电预测功率权重计算模块按下式计算光伏发电实际功率值对应的权重值：
其中，ηs为第s个光伏发电实际功率值对应的权重值，ts为第s个的相应历史时刻,s的取值范围为[1,2,3,......,j]，j为预设数量的总数，为预报时段内第s个预报时刻与相应历史时刻气象要素的欧氏距离。
14.如权利要求8所述的系统，其特征在于，所述光伏发电预测功率计算模块按下式计算各预报时刻的光伏发电预测功率值：
其中，为预报时段内第i个预报时刻的光伏发电预测功率值，t’i为第i个预报时刻，ηs为第s个光伏发电实际功率值对应的权重值，s的取值范围为[1,2,3,......,j]，j为预设数量的总数，/>为第s个历史时刻的光伏发电实际功率值。
15.一种计算机设备，其特征在于，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至7中任一项所述的光伏发电短期功率预测方法。
16.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至7中任一项所述的光伏发电短期功率预测方法。
CN202210523546.XA 2022-05-13 2022-05-13 一种光伏发电短期功率预测方法、系统、设备和介质 Pending CN117117819A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210523546.XA CN117117819A (zh) 2022-05-13 2022-05-13 一种光伏发电短期功率预测方法、系统、设备和介质
PCT/CN2022/137289 WO2023216576A1 (zh) 2022-05-13 2022-12-07 一种光伏发电短期功率预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210523546.XA CN117117819A (zh) 2022-05-13 2022-05-13 一种光伏发电短期功率预测方法、系统、设备和介质

Publications (1)

Publication Number Publication Date
CN117117819A true CN117117819A (zh) 2023-11-24

Family

ID=88729557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210523546.XA Pending CN117117819A (zh) 2022-05-13 2022-05-13 一种光伏发电短期功率预测方法、系统、设备和介质

Country Status (2)

Country Link
CN (1) CN117117819A (zh)
WO (1) WO2023216576A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117996756A (zh) * 2024-04-02 2024-05-07 国网山东省电力公司青州市供电公司 基于多维影响因子的新能源发电预测方法及系统

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117634701B (zh) * 2023-12-13 2024-07-19 国能日新科技股份有限公司 基于区域光伏集合预报的太阳辐射短期预报方法及系统
CN117878943B (zh) * 2023-12-25 2024-08-20 江苏明茂新能源科技有限公司 一种光伏微电网实时充电调度方法及系统
CN117895506B (zh) * 2024-01-29 2024-08-23 重庆千信新能源有限公司 针对动态天气状态进行光伏电力预测方法
CN118472945B (zh) * 2024-07-10 2024-09-17 国网山西省电力公司长治供电公司 高比例分布式光伏实测数据的zip负荷模型建立方法
CN118551168B (zh) * 2024-07-29 2024-10-11 国网浙江省电力有限公司乐清市供电公司 光伏储能设施缺失功率数据重构方法、装置、设备和介质
CN118734140B (zh) * 2024-09-03 2024-11-08 安徽建筑大学 一种光伏发电方案预测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6429523B2 (ja) * 2014-07-29 2018-11-28 日立造船株式会社 太陽光発電量予測システム
CN105005825B (zh) * 2015-07-03 2018-12-07 深圳供电局有限公司 一种基于动态神经网络预测光伏功率的方法及系统
CN110619360A (zh) * 2019-09-09 2019-12-27 国家电网有限公司 一种考虑历史样本相似性的超短期风功率预测方法
CN112257941B (zh) * 2020-10-28 2023-04-18 福州大学 基于改进型Bi-LSTM的光伏电站短期功率预测方法
CN113592141A (zh) * 2021-06-28 2021-11-02 中国电力科学研究院有限公司 一种光伏发电功率预测方法和装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117996756A (zh) * 2024-04-02 2024-05-07 国网山东省电力公司青州市供电公司 基于多维影响因子的新能源发电预测方法及系统

Also Published As

Publication number Publication date
WO2023216576A1 (zh) 2023-11-16

Similar Documents

Publication Publication Date Title
CN117117819A (zh) 一种光伏发电短期功率预测方法、系统、设备和介质
CN112348292B (zh) 一种基于深度学习网络的短期风电功率预测方法和系统
Ramsami et al. A hybrid method for forecasting the energy output of photovoltaic systems
CN102945508B (zh) 一种基于模型校正的风电功率预测预报方法
CN110705771B (zh) 区域电网新能源发电功率预测优化方法和装置
CN110601250B (zh) 一种基于新能源电站接入点静态电压稳定性评估方法
CN116306798A (zh) 一种超短时风速预测方法及系统
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN111832800A (zh) 一种光伏电站功率预测方法和装置
CN113361737A (zh) 一种光伏组件的异常预警方法及系统
CN115526429A (zh) 风电功率预测误差解耦分析方法、处理器及存储介质
CN111697560B (zh) 一种基于lstm预测电力系统负荷的方法及系统
CN103984987A (zh) 一种测风网络实时校正的arma模型风电功率超短期预测方法
CN115563848A (zh) 一种基于深度学习的分布式光伏总辐射预测方法及系统
CN112036672B (zh) 一种基于迭代订正的新能源发电超短期功率预测方法及系统
CN112232598A (zh) 一种递进式光伏发电系统输出功率组合预测方法及系统
CN112070320A (zh) 一种基于动态谐波回归的超短期风电功率预测方法及系统
CN117200223A (zh) 日前电力负荷预测方法和装置
CN117371581A (zh) 一种新能源发电功率预测方法、装置及存储介质
CN110705769B (zh) 新能源发电功率预测优化方法和装置
Liu et al. A Self-Data-Driven Method for Lifetime Prediction of PV Arrays Considering the Uncertainty and Volatility
CN115081742A (zh) 分散式风电场的超短期功率预测方法及相关设备
CN103927594A (zh) 基于自学习复合数据源自回归模型的风电功率预测方法
CN111027816B (zh) 一种基于数据包络分析的光伏发电效率计算方法
CN114693022A (zh) 一种基于深度学习的分布式光伏出力估算方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication