【技术实现步骤摘要】
基于相似日选取和分类分时误差修正的光伏功率预测方法
[0001]本专利技术属于电力系统运行与控制
，涉及一种基于相似日选取和分类分时误差修正的光伏功率预测方法。
技术介绍
[0002]经济的快速发展以及人口数量的迅猛增长导致人们对能源的需求逐渐增大，但是目前应用较多的不可再生能源日趋枯竭，能源短缺情况变得日渐严重，这使得太阳能和风能等清洁能源近年来在世界范围内备受关注，并且得到了广泛地开发和应用。
[0003]因为天气具有很强的不确定性，所以光伏功率具有较强的不稳定性。随着大规模光伏的装机运行，具有高度不确定性的光电输出功率会使得电网运行变得不安全。对光伏功率进行较为精确的预测，可以在有效提高电力系统稳定运行的同时，减少弃光限电造成的经济损失。
[0004]目前，国内外对光伏功率预测课题的研究越来越广泛，产生了很多种预测光伏功率的方法，包括：简单的持续法预测、高级的机器学习和神经网络方法等；除了改进预测算法外，为了提高预测精度，研究人员也通过选择相似日的方法进行分组预测，来提高预测精度。但是，在目前使用的相似日选择方法中，多是通过分析数值天气预报数据的相似性，来得到相似日的分组，这种方式具有一定的合理性，但是忽略了目标数据(有功功率)的相似性，导致预测精度尚存在提高的空间；同时，现有的各种预测算法对于变化平缓的数据，预测精度都普遍偏高，而对于波动性强的数据，预测精度普遍偏低，为此，有必要对不同相似日预测得到的数据进行分类分时误差分析，得到不同组相似日的不同时间点的误差分布规律，进而对预测功率实现...
【技术保护点】
【技术特征摘要】
1.一种基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于，包括如下步骤：A.将光伏电场历史特征气象数据进行按天分组，得到每日的特征气象数据；将历史有功功率序列进行按天分组，得到每日的有功功率数据；B.求取任意两天有功功率数据间的欧氏距离，得到所有欧氏距离值的范围；利用基于欧氏距离的不确定性阈值划分方法完成对欧氏距离值的范围的初步分段，实现据有功功率数据相似性得到的相似日初步分类；然后，在相似日初步分类下，计算总距离相关系数；改变分段数目，取总距离相关系数下对应的相似日分类，作为最终的相似日分类；C.对各类相似日的特征气象数据进行统计分析，分别得到各类相似日特征气象数据的相似日日内数据特征和相似日日间数据特征；D.将各类相似日的特征气象数据和对应的有功功率数据作为相似日训练样本；对各类相似日的特征气象数据和对应的有功功率数据进行分开训练和预测；并得到每类相似日训练样本在不同时间点的预测误差，实现对相似日训练误差的分类分时统计；E.得到新的一天的特征气象数据后，对特征气象数据进行统计分析，与步骤C得到的各类相似日特征气象数据的相似日日内数据特征和相似日日间数据特征进行差距度对比分析，完成相似日类别归类，利用对应的相应归类的训练模型，实现初步的功率预测；F.根据各相似日内的分时误差统计结果，实现对应相似日预测的分时误差修正，从而得到最终的有功功率预测值。2.如权利要求1所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤A中所述光伏电场历史特征气象数据和历史有功功率序列的数据频率为15min，每天24h得到96组特征气象数据和有功功率数据。3.如权利要求2所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤A中所述每日的特征气象数据如式(1)所示，其中，NWF
i
表示：第i天的96组特征气象数据，DB
ij
表示：第i天第j个时间点的短波辐射数据集，QR
ij
表示：第i天第j个时间点的潜热通量数据集，GR
ij
表示：第i天第j个时间点的感热通量数据集，CB
ij
表示：第i天第j个时间点的长波辐射数据集；步骤A中所述每日的有功功率数据如式(2)所示，
其中，P
i
表示：第i天的96个有功功率数据，P
ij
表示第i天第j个时间点的有功功率数据。4.如权利要求3所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤B所述求取任意两天有功功率数据间的欧氏距离的具体步骤如下：根据有功功率数据，计算得到的欧氏距离公式如式(3)所示，其中，P
mj
表示第m天第j个时间点的有功功率数据，P
nj
表示第n天第j个时间点的有功功率数据，d(P
mj
,P
nj
)表示：利用任意两天的有功功率数据计算得到的欧氏距离；求得任意两天的有功功率数据的欧氏距离后，得到所有欧氏距离值的范围在[0,s]之间；步骤B所述利用基于欧氏距离的不确定性阈值划分方法完成对欧氏距离集合的初步分段的具体步骤如下：首先，计算阈值分界数值dd
k
，如式(4)所示，其中，k表示：相似日分类数目；其次，计算各相似日分类依据的欧氏距离范围，如式(5)所示，将欧氏距离在[0,d1]，[d1,d2],[d2,d3]，
……
，[d
k
‑1,s]的数据归为不同类相似日，其中，d1＝dd
k
s，d2＝2dd
k
s，d3＝3dd
k
s,
……
,d
k
‑1＝(k
‑
1)dd
k
s；当k取某一定值时，计算各类相似日日间特征气象数据的距离相关系数dcor(NWF
m
,NWF
n
)，如式(6)所示，并计算各类相似日特征气象数据距离相关系数的均值dcor
μ
，如式(7)所示，
其中，DB
mj
表示：第m天第j个时间点的短波辐射数据集，DB
nj
表示：第n天第j个时间点的短波辐射数据集，QR
mj
表示：第m天第j个时间点的潜热通量数据集，QR
nj
表示：第n天第j个时间点的潜热通量数据集，GR
mj
表示：第m天第j个时间点的感热通量数据集，GR
nj
表示：第n天第j个时间点的感热通量数据集，CB
mj
表示：第m天第j个时间点的长波辐射数据集；CB
nj
表示：第n天第j个时间点的长波辐射数据集；M表示该类相似日包含的总天数；最后，计算出所有类相似日对应的dcor
μ
，再计算当前分类下，所有dcor
μ
的平均值dcor
μμ
，作为总距离相关系数；更换k的取值，再次计算dcor
μμ
；将dcor
μμ
最小时所对应的k的取值作为最终的相似日分类数目。5.如权利要求4所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：当某个有功功率数据与另两个有功功率数据的欧式距离分别在两类相似日距离范围内，则将该有功功率数据同时归入两类相似日内。6.如权利要求4所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤C所述相似日日内数据特征包括：相似日日内短波辐射值变化范围、相似日日内短波辐射值的均值、相似日日内短波辐射值的变化趋势、相似日日内潜热通量值变化范围、相似日日内潜热通量值的均值、相似日日内潜热通量值的变化趋势、相似日日内感热通量值变化范围、相似日日内感热通量值的均值、相似日日内感热通量值的变化趋势、相似日日内长波辐射值变化范围、相似日日内长波辐射值的均值和相似日日内长波辐射值的变化趋势；所述相似日日内短波辐射值变化范围如式(8)所示，[minDB
i
,maxDB
i
]
ꢀꢀꢀꢀ
(8)式(8)表示：在某组相似日内，第i天短波辐射的变化范围；minDB
i
为：相似日日内短波辐射值的最小值，maxDB
i
为：相似日日内短波辐射值的最大值；所述相似日日内短波辐射的均值如式(9)所示，
式(9)表示：在某组相似日内，第i天短波辐射的均值；所述相似日日内短波辐射的变化趋势如式(10)或式(11)所示，所述相似日日内短波辐射的变化趋势如式(10)或式(11)所示，式(11)为式(10)的简记形式；同理，参照上述过程，计算相似日日内潜热通量值变化范围、相似日日内潜热通量值的均值、相似日日内潜热通量值的变化趋势、相似日日内感热通量值变化范围、相似日日内感热通量值的均值、相似日日内感热通量值的变化趋势、相似日日内长波辐射值变化范围、相似日日内长波辐射值的均值和相似日日内长波辐射值的变化趋势；步骤C所述相似日日间数据特征包括：各类相似日每个时间点的短波辐射变化范围、各类相似日每个时间点的短波辐射变化均值、各类相似日每个时间点的潜热通量变化范围、各类相似日每个时间点的潜热通量变化均值、各类相似日每个时间点的感热通量变化范围、各类相似日每个时间点的感热通量变化均值、各类相似日每个时间点的长波辐射变化范围和各类相似日每个时间点的长波辐射变化均值；假设共有k个相似日分类，其中，a类相似日为：XS
a
＝[T1,T2,
…
,T
M
]，其中，包括：M个相似日的短波辐射值数据；则各类相似日每个时间点的短波辐射变化范围为：[min DB
mj
,max DB
nj
]，[min DB
mj
,max DB
nj
]表示：在a类相似日内，第j个时间点时，短波辐射的变化范围；minDB
mj
为：在a类相似日内，第j个时间点时短波辐射值的...
【专利技术属性】
技术研发人员：叶林，崔宝丹，罗雅迪，宋旭日，唐俊刺，於益军，李桐，孙茜，
申请(专利权)人：中国电力科学研究院有限公司国家电网有限公司国网辽宁省电力有限公司国网辽宁省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。