一种基于气象过程与功率波动关联的光伏功率预测方法 |
|||||||
申请号 | CN202010840478.0 | 申请日 | 2020-08-20 | 公开(公告)号 | CN112116127B | 公开(公告)日 | 2024-04-02 |
申请人 | 中国农业大学; | 发明人 | 叶林; 裴铭; 路朋; 赵金龙; 何博宇; 戴斌华; | ||||
摘要 | 本 发明 涉及一种基于气象过程与功率 波动 关联的光伏功率预测方法,具体的步骤为: 数据处理 层、波动定义层、波动划分层、预测层和优化层,为了克服光伏功率短期预测波动过程预报不准确的弊端,本发明的目的在于提供一种基于气象过程与功率波动关联的光伏功率预测方法,可显著减小光伏 电场 短期功率预测的误差。 | ||||||
权利要求 | 1.一种基于气象过程与功率波动关联的光伏功率预测方法,其特征在于,包括如下步骤: |
||||||
说明书全文 | 一种基于气象过程与功率波动关联的光伏功率预测方法技术领域背景技术[0002] 太阳能是一种清洁的可再生能源,随着全球对清洁能源的需求不断增长,光伏发电将发挥重要作用。在过去的几十年中,光伏发电受到越来越多的关注,光伏发电的整合带来了显著的经济和环境效益。然而,由于其不确定性和间歇性,光伏发电的高渗透率也给现有电网系统的运行带来了许多新挑战。这些挑战包括光伏电源对气象条件的敏感性,高安装成本以及发电的间歇性。提升光伏功率预测的精度是克服这些挑战的有效解决方案。 [0003] 对于光伏系统,光伏阵列所接收的太阳光谱辐照度通常会受到其他气象因素的影响,因此不同天气条件下的光伏功率波动特征不同。这意味着光伏功率预测精度不仅取决于所选择的预报模式,而且还取决于天气状况。按照天气过程与功率波动过程相关性挖掘的思想对光伏功率进行短期预测,对提升光伏功率短期预测的精度具有重要意义。 发明内容[0004] 为了克服光伏功率波动过程短期预测不准确的弊端,本发明基于数值天气预报数据将光伏电场功率预测分为理想日预测类型和非理想日预测类型;其次定义了光伏功率波动参数,将光伏日功率序列的波动特征以数学形式表达出来,从而提出了理想日波动模型与非理想日下五种波动类型的判别式,对基于数值天气预报中气象因子所分模型对应的功率特征进行统计分析,剔除了功率与数值天气预报不匹配的数据,提升了样本质量;基于各波动模型下的光伏功率与数值天气预报数据集,构建天气因素与光伏功率波动参数的映射模型。根据待预测日每15min的数值天气预报,将待预测日各时刻下的数值天气预报值与历史数据库对应时刻值进行匹配。最后以15min为单位对待预测日前72h的数值天气预报值进行优化匹配,将优化匹配程度最高时刻的功率预测误差作为该时刻的预测补偿值,最终完成预测过程。通过上述的表达,使得光伏电场短期功率预测的精度满足调度要求。 [0005] 本发明的目的在于提供一种基于气象过程与功率波动关联的光伏功率预测方法,显著减小光伏电场短期功率预测的误差。 [0006] 为达到以上目的,本发明采取的技术方案是: [0007] 一种基于气象过程与功率波动关联的光伏功率预测方法,包括如下步骤: [0008] A.数据处理层:采集光伏电场历史有功输出功率序列及数值天气预报时间序列,对收集到的数据进行预处理,然后对每日历史数值天气预报数据基于云量、湿度、大尺度降水、对流降水进行划分,根据短期天气预报国家标准确定天气的区间阈值,将光伏电场功率预测模型分为理想日预测模型和非理想日预测模型; [0009] B.波动定义层:对单日历史有功输出功率序列的波动过程进行定义,然后利用光伏功率波动参数对波动过程进行描绘,光伏功率波动参数包括:光伏日功率序列波动峰值Rm、光伏日功率序列波动频率f、光伏日功率序列波动突变率ηm和光伏日功率序列波动对称度DP; [0010] C.波动划分层:根据光伏功率波动参数分别对理想日预测模型和非理想日预测模型下的功率数据进行识别,对理想日预测模型中的功率数据与数值天气预报数据进行统计分析,将功率数据与数值天气预报数据不匹配的数据剔除,按照光伏功率波动参数大小将理想日预测模型中的功率数据与数值天气预报数据定义为理想日波动类型,并得到理想日下的天气分型阈值;对非理想日预测模型中的功率数据与数值天气预报数据进行数学统计分析,按照光伏功率波动参数大小将非理想日预测模型中的功率数据与数值天气预报数据划分为小波动类型、中波动类型、大波动类型及复杂强波动类型,并得到各类型下的分型阈值; [0011] D.预测层:分别构建理想日预测模型与非理想日预测模型下天气因素与光伏功率波动参数的映射模型;根据理想日预测模型与非理想日预测模型中天气因素的极差,定义匹配误差值,然后按照时序构建匹配误差序列,并设置匹配误差阈值,将历史数据库中小于等于匹配误差阈值的数值天气预报数据和光伏功率数据挑选出来,对挑选后的光伏功率数据按照匹配误差值进行加权平均,作为待预测日的初次预报功率; [0012] E.优化层:根据待预测日的数值天气预报数据,按照步骤D所述的天气因素误差匹配原则,以15min为单位对待预测日前72h的数值天气预报数据进行优化匹配,将优化匹配程度最高时刻的功率预测误差作为该时刻的预测补偿值,将初次预报功率与预测补偿值叠加即为功率最终预测值,从而实现功率预测的滚动优化。 [0013] 在上述方案的基础上,步骤A中,对收集的数据进行预处理的过程为:按照时序以15min为分辨率对光伏电场历史有功输出功率数据、历史数值天气预报数据进行缺值补充,最终形成数值天气预报数据与光伏功率数据一一对应的矩阵。 [0014] 在上述方案的基础上,步骤A中,根据短期天气预报国家标准确定天气的区间阈值,首先要对光伏电场历史数值天气预报时间序列进行数据预处理,处理公式如下所示: [0015] [0016] 式中,nwpcls,lag是指光伏电场历史数值天气预报时间序列中,第cls个数值天气预报因子在lag时刻的值,nwpcls,lag中的cls=1,2,3,4时分别是指云量、湿度、大尺度降水、对流降水这四个数值天气预报因子;nd表示以15min为时间间隔预报下,一天内白天的时间点数量; 是指光伏电场历史数值天气预报时间序列中,第cls个数值天气预报因子的单日白天平均值; [0017] 其次,根据大尺度降水、对流降水定义单日白天降水时间: [0018] [0019] 式中,plla为大尺度降水在la时刻下的降水量,单位为毫米;pslb为对流降水在lb时刻下的降水量,单位为毫米;tpl为单日白天中大尺度降水的时间点数量,当大尺度降水量大于0时统计;tps为单日白天中对流降水的时间点数量,当对流降水量大于0时统计;tp为单日白天降水的时间点数量,取tpl和tps中的最大值; [0020] 最后根据上述对历史数值天气预报时间序列预处理方法及降水时间定义,结合短期天气预报国家标准给出理想日预测模型与非理想日预测模型的分型公式: [0021] 理想日预测模型: [0022] [0023] 非理想日预测模型: [0024] [0025] 或 [0026] tp∈(0,∞) (5) [0027] 式中, 为云量的单日白天平均值,c1为云量的单日白天平均值在理想日预测模型中的阈值上限,参照短期天气预报国家标准,c1=0.3。 [0028] 在上述方案的基础上,步骤B中,对单日历史有功输出功率序列的波动过程进行定义的过程为:以15min为分辨率,对单日96点的历史有功输出功率序列进行分析,分析之前要对历史有功输出功率序列进行归一化处理: [0029] [0030] 式中: 为归一化光伏电场功率序列, 其中Pmax,Pmin分别为单日历史有功输出功率序列P中的最大值与最小值。 [0031] 在上述方案的基础上,步骤B中,所述光伏日功率序列指光伏电场单日历史有功输出功率序列,其中光伏日功率序列波动峰值Rm如下式所示: [0032] [0033] 式中, 表示归一化光伏日功率序列中i时刻的输出功率值, 表示归一化光伏日功率序列中i+1时刻的输出功率值,tnw表示光伏日功率序列极值点所对应的时刻值; [0034] 光伏日功率序列波动频率f如下式所示: [0035] [0036] 式中,ntw表示归一化光伏日功率序列的极值点数量,nt表示归一化光伏日功率序列时间点的总数量,nt取值为96; [0037] 光伏日功率序列波动突变率ηm如下式所示: [0038] [0039] ηm=max{tls},s=1,2,…,ntw (10) [0040] 式中,t1表示归一化光伏日功率序列极值点1所对应的时刻值,ts‑1表示归一化光伏日功率序列极值点s‑1所对应的时刻值,ts表示归一化光伏日功率序列极值点s所对应的时刻值,tls表示归一化光伏日功率序列相邻两极值点的时间间隔; [0041] 光伏日功率序列波动对称度DP如下式所示: [0042] [0043] 式中, 是指归一化光伏日功率序列的最大值, 分别指归一化光伏日功率序列最大值左、右两侧的极小值,tmax是指归一化光伏日功率序列的最大值对应的时刻,tmin1是指归一化光伏日功率序列的最大值左侧极小值所对应的时刻,tmin2是指归一化光伏日功率序列的最大值右侧极小值所对应的时刻。 [0044] 在上述方案的基础上,步骤C中,所述理想日波动类型的判别式: [0045] [0046] 式中,Rm为光伏日功率序列波动峰值,DP为光伏日功率序列波动对称度,f为光伏日功率序列波动频率,PN为光伏电场的额定输出功率;λ1是指理想日波动模型中光伏日功率序列波动峰值的阈值上限,μ0指理想日波动模型中光伏日功率序列波动对称度的阈值下限,μ1是指理想日波动模型中光伏日功率序列波动对称度的阈值上限,ε0是指理想日波动模型中光伏日功率序列波动频率的阈值上限; [0047] 所述小波动类型的判别式: [0048] [0049] 式中,ηm为光伏日功率序列波动突变率,λ2是指小波动模型中光伏日功率序列波动峰值的阈值上限,μ2是指小波动模型中光伏日功率序列波动对称度的阈值上限,δ1是指小、中、大波动模型中光伏日功率序列波动突变率的阈值上限,ε1是指小、中波动模型中光伏日功率序列波动频率的阈值上限; [0050] 所述中波动类型的判别式: [0051] [0052] 式中,λ3是指中波动模型中光伏日功率序列波动峰值的阈值上限,μ3是指中波动模型中光伏日功率序列波动对称度的阈值上限; [0053] 所述大波动类型的判别式: [0054] [0055] 式中,μ4是指大波动模型中光伏日功率序列波动对称度的阈值上限; [0056] 所述复杂强波动类型的判别式: [0057] [0058] 在上述方案的基础上,步骤D中所述映射模型的表达式为: [0059] [0060] 其中, 是指第n个数值天气预报因子在m时刻下的参数值,Pm是指m时刻下的功率实测值。 [0061] 在上述方案的基础上,步骤D中,所述匹配误差值的具体确定方式如下: [0062] [0063] 其中, 是指第u个归一化数值天气预报因子在v时刻下的参数值,(u) (u) 是指第u个数值天气预报因子在v时刻下的参数值,max(x )、min(x )分别为第u个数(u) 值天气预报因子序列x 中的最大值与最小值, 分别为第u个归一化 数值天气预报因子序列 中的最大值与最小值, 是指第u个数值天气预报因子的匹配误差值; [0064] [0065] 其中, 是指待预测日第u个归一化数值天气预报因子在v时刻的预报值,是指第u个历史归一化数值天气预报因子在k时刻的数值,Markv,k是指待预测日在v时刻的数值天气预报因子与历史数值天气预报因子中k时刻数值的匹配程度评分。 [0066] 在上述方案的基础上,步骤D中,所述初次预报功率的具体表达式如下所示: [0067] [0068] [0069] 其中,ξr是指匹配误差阈值; 是指待预测日v时刻所匹配的历史功率序列中kr时刻的值; 是指待预测日v时刻功率中,所匹配的历史功率在kr时刻的加权系数;是待预测日v时刻的初次预报功率值。 [0070] 在上述方案的基础上,步骤E中所述功率最终预测值的表达式如下所示: [0071] [0072] [0073] 其中,errv是指待预测日v时刻的预测补偿值, 是指待预测日前hr天中v时刻的实际功率值, 是指待预测日前hr天中v时刻的功率预测值, 是待预测日v时刻的功率最终预测值。 [0074] 在上述方案的基础上,步骤E中所述功率预测的滚动优化是指:经过预测优化过程的功率最终预测值,在下一时刻的预测优化过程中就变为历史数据库的待匹配对象,从而对下一时刻预测功率的优化奠定了数据基础。附图说明 [0075] 本发明有如下附图: [0076] 图1为一种基于天气过程与功率波动过程相关性挖掘的光伏电场功率预测方法。 具体实施方式[0077] 以下结合附图1对本发明作进一步详细说明。 [0078] 一种基于气象过程与功率波动关联的光伏功率预测方法,包括如下步骤: [0079] A.数据处理层:采集光伏电场历史有功输出功率序列及数值天气预报时间序列,对收集到的数据进行预处理,然后对每日历史数值天气预报数据基于云量、湿度、大尺度降水、对流降水进行划分,根据短期天气预报国家标准确定天气的区间阈值,将光伏电场功率预测模型分为理想日预测模型和非理想日预测模型; [0080] B.波动定义层:对单日历史有功输出功率序列的波动过程进行定义,然后利用光伏功率波动参数对波动过程进行描绘,光伏功率波动参数包括:光伏日功率序列波动峰值Rm、光伏日功率序列波动频率f、光伏日功率序列波动突变率ηm和光伏日功率序列波动对称度DP; [0081] C.波动划分层:根据光伏功率波动参数分别对理想日预测模型和非理想日预测模型下的功率数据进行识别,对理想日预测模型中的功率数据与数值天气预报数据进行统计分析,将功率数据与数值天气预报数据不匹配的数据剔除,按照光伏功率波动参数大小将理想日预测模型中的功率数据与数值天气预报数据定义为理想日波动类型,并得到理想日下的天气分型阈值;对非理想日预测模型中的功率数据与数值天气预报数据进行数学统计分析,按照光伏功率波动参数大小将非理想日预测模型中的功率数据与数值天气预报数据划分为小波动类型、中波动类型、大波动类型及复杂强波动类型,并得到各类型下的分型阈值; [0082] D.预测层:分别构建理想日预测模型与非理想日预测模型下天气因素与光伏功率波动参数的映射模型;根据理想日预测模型与非理想日预测模型中天气因素的极差,定义匹配误差值,然后按照时序构建匹配误差序列,并设置匹配误差阈值,将历史数据库中小于等于匹配误差阈值的数值天气预报数据和光伏功率数据挑选出来,对挑选后的光伏功率数据按照匹配误差值进行加权平均,作为待预测日的初次预报功率; [0083] E.优化层:根据待预测日的数值天气预报数据,按照步骤D所述的天气因素误差匹配原则,以15min为单位对待预测日前72h的数值天气预报数据进行优化匹配,将优化匹配程度最高时刻的功率预测误差作为该时刻的预测补偿值,将初次预报功率与预测补偿值叠加即为功率最终预测值,从而实现功率预测的滚动优化。 [0084] 在上述方案的基础上,步骤A中,对收集的数据进行预处理的过程为:按照时序以15min为分辨率对光伏电场历史有功输出功率数据、历史数值天气预报数据进行缺值补充,最终形成数值天气预报数据与光伏功率数据一一对应的矩阵。 [0085] 在上述方案的基础上,步骤A中,根据短期天气预报国家标准确定天气的区间阈值,首先要对光伏电场历史数值天气预报时间序列进行数据预处理,处理公式如下所示: [0086] [0087] 式中,nwpcls,lag是指光伏电场历史数值天气预报时间序列中,第cls个数值天气预报因子在lag时刻的值,nwpcls,lag中的cls=1,2,3,4时分别是指云量、湿度、大尺度降水、对流降水这四个数值天气预报因子;nd表示以15min为时间间隔预报下,一天内白天的时间点数量; 是指光伏电场历史数值天气预报时间序列中,第cls个数值天气预报因子的单日白天平均值; [0088] 其次,根据大尺度降水、对流降水定义单日白天降水时间: [0089] [0090] 式中,plla为大尺度降水在la时刻下的降水量,单位为毫米;pslb为对流降水在lb时刻下的降水量,单位为毫米;tpl为单日白天中大尺度降水的时间点数量,当大尺度降水量大于0时统计;tps为单日白天中对流降水的时间点数量,当对流降水量大于0时统计;tp为单日白天降水的时间点数量,取tpl和tps中的最大值; [0091] 最后根据上述对历史数值天气预报时间序列预处理方法及降水时间定义,结合短期天气预报国家标准给出理想日预测模型与非理想日预测模型的分型公式: [0092] 理想日预测模型: [0093] [0094] 非理想日预测模型: [0095] [0096] 或 [0097] tp∈(0,∞) (5) [0098] 式中, 为云量的单日白天平均值,c1为云量的单日白天平均值在理想日预测模型中的阈值上限,参照短期天气预报国家标准,c1=0.3。 [0099] 在上述方案的基础上,步骤B中,对单日历史有功输出功率序列的波动过程进行定义的过程为:以15min为分辨率,对单日96点的历史有功输出功率序列进行分析,分析之前要对历史有功输出功率序列进行归一化处理: [0100] [0101] 式中: 为归一化光伏电场功率序列, 其中Pmax,Pmin分别为单日历史有功输出功率序列P中的最大值与最小值。 [0102] 在上述方案的基础上,步骤B中,所述光伏日功率序列指光伏电场单日历史有功输出功率序列,其中光伏日功率序列波动峰值Rm如下式所示: [0103] [0104] 式中, 表示归一化光伏日功率序列中i时刻的输出功率值, 表示归一化光伏日功率序列中i+1时刻的输出功率值,tnw表示光伏日功率序列极值点所对应的时刻值; [0105] 光伏日功率序列波动频率f如下式所示: [0106] [0107] 式中,ntw表示归一化光伏日功率序列的极值点数量,nt表示归一化光伏日功率序列时间点的总数量,nt取值为96; [0108] 光伏日功率序列波动突变率ηm如下式所示: [0109] [0110] ηm=max{tls},s=1,2,…,ntw (10) [0111] 式中,t1表示归一化光伏日功率序列极值点1所对应的时刻值,ts‑1表示归一化光伏日功率序列极值点s‑1所对应的时刻值,ts表示归一化光伏日功率序列极值点s所对应的时刻值,tls表示归一化光伏日功率序列相邻两极值点的时间间隔; [0112] 光伏日功率序列波动对称度DP如下式所示: [0113] [0114] 式中, 是指归一化光伏日功率序列的最大值, 分别指归一化光伏日功率序列最大值左、右两侧的极小值,tmax是指归一化光伏日功率序列的最大值对应的时刻,tmin1是指归一化光伏日功率序列的最大值左侧极小值所对应的时刻,tmin2是指归一化光伏日功率序列的最大值右侧极小值所对应的时刻。 [0115] 在上述方案的基础上,步骤C中,所述理想日波动类型的判别式: [0116] [0117] 式中,Rm为光伏日功率序列波动峰值,DP为光伏日功率序列波动对称度,f为光伏日功率序列波动频率,PN为光伏电场的额定输出功率;λ1是指理想日波动模型中光伏日功率序列波动峰值的阈值上限,μ0指理想日波动模型中光伏日功率序列波动对称度的阈值下限,μ1是指理想日波动模型中光伏日功率序列波动对称度的阈值上限,ε0是指理想日波动模型中光伏日功率序列波动频率的阈值上限; [0118] 所述小波动类型的判别式: [0119] [0120] 式中,ηm为光伏日功率序列波动突变率,λ2是指小波动模型中光伏日功率序列波动峰值的阈值上限,μ2是指小波动模型中光伏日功率序列波动对称度的阈值上限,δ1是指小、中、大波动模型中光伏日功率序列波动突变率的阈值上限,ε1是指小、中波动模型中光伏日功率序列波动频率的阈值上限; [0121] 所述中波动类型的判别式: [0122] [0123] 式中,λ3是指中波动模型中光伏日功率序列波动峰值的阈值上限,μ3是指中波动模型中光伏日功率序列波动对称度的阈值上限; [0124] 所述大波动类型的判别式: [0125] [0126] 式中,μ4是指大波动模型中光伏日功率序列波动对称度的阈值上限; [0127] 所述复杂强波动类型的判别式: [0128] [0129] 在上述方案的基础上,步骤D中所述映射模型的表达式为: [0130] [0131] 其中, 是指第n个数值天气预报因子在m时刻下的参数值,Pm是指m时刻下的功率实测值。 [0132] 在上述方案的基础上,步骤D中,所述匹配误差值的具体确定方式如下: [0133] [0134] 其中, 是指第u个归一化数值天气预报因子在v时刻下的参数值,(u) (u) 是指第u个数值天气预报因子在v时刻下的参数值,max(x )、min(x )分别为第u个数(u) 值天气预报因子序列x 中的最大值与最小值, 分别为第u个归一化 数值天气预报因子序列 中的最大值与最小值, 是指第u个数值天气预报因子的匹配误差值; [0135] [0136] 其中, 是指待预测日第u个归一化数值天气预报因子在v时刻的预报值,是指第u个历史归一化数值天气预报因子在k时刻的数值,Markv,k是指待预测日在v时刻的数值天气预报因子与历史数值天气预报因子中k时刻数值的匹配程度评分。 [0137] 在上述方案的基础上,步骤D中,所述初次预报功率的具体表达式如下所示: [0138] [0139] [0140] 其中,ξr是指匹配误差阈值; 是指待预测日v时刻所匹配的历史功率序列中kr时刻的值; 是指待预测日v时刻功率中,所匹配的历史功率在kr时刻的加权系数;是待预测日v时刻的初次预报功率值。 [0141] 在上述方案的基础上,步骤E中所述功率最终预测值的表达式如下所示: [0142] [0143] [0144] 其中,errv是指待预测日v时刻的预测补偿值, 是指待预测日前hr天中v时刻的实际功率值, 是指待预测日前hr天中v时刻的功率预测值, 是待预测日v时刻的功率最终预测值。 [0145] 在上述方案的基础上,步骤E中所述功率预测的滚动优化是指:经过预测优化过程的功率最终预测值,在下一时刻的预测优化过程中就变为历史数据库的待匹配对象,从而对下一时刻预测功率的优化奠定了数据基础。 |