基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法技术

本发明专利技术提供基于IDBO

【技术实现步骤摘要】
基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法


[0001]本专利技术涉及分布式光伏运维数据采集
，尤其涉及一种基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法。

技术介绍

[0002]分布式光伏系统由于其安装灵活、环境效益突出、发电与消费并存等特点得到了迅速发展。2023年分布式光伏新增装机容量大大超过集中式光伏。然而，分布式光伏出力具有间歇性强、随机性强的特点，光伏出力特征不光会受到光照等环境条件的影响，还会受到季节、地理区域、时间等其他相关因素的影响，还会与相连的临近光伏形成电力负荷制约，大规模分散无序的接入配电网，仅仅通过增配采集传输控制装备，不仅极大增加了电网和用户的建设成本，也会后续的运维管理增加极大的工作量，如何通过装设有限的分布式光伏采集装备实现全域范围内分布式光伏运行数据“实时+虚拟”采集，达成分布式光伏运行数据的高精度获取是关键点和难点。
[0003]当前的分布式光伏功率数据采集方案仅仅针对未来功率的预测与历史数据的修复，对于部分分布式光伏电站只安装了电流采集终端、未安装功率采集终端的情况，现有技术并未涉及基于实时电流数据的有功功率虚拟采集与预测。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法，提供对于只安装了电流采集终端、未安装功率采集终端的分布式光伏电站的实施有功功率预测方案。
[0005]本专利技术实施例解决其技术问题所采用的技术方案是：
[0006]一种基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法，包括：
[0007]步骤S1，根据地理位置，进行虚拟采集区域的网格初步划分；
[0008]步骤S2，利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法，选取出待采集分布式光伏电站的相似电站；
[0009]步骤S3，建立IDBO
‑
KELM
‑
BiGRU神经网络、并利用各个所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练，得到电流
‑
功率数据转换模型，所述IDBO
‑
KELM
‑
BiGRU神经网络中采用改进的蜣螂优化算法IDBO优化KELM神经网络的超参数；
[0010]步骤S4，利用所述电流
‑
功率数据转换模型，将所述待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史光伏输出功率预测数据、并进一步训练所述IDBO
‑
KELM
‑
BiGRU神经网络模型，得到有功功率数据虚拟采集模型；
[0011]步骤S5，输入所述待采集分布式光伏电站的采集日实时电流数据，利用所述有功
功率数据虚拟采集模型进行数据拟合，实时得出所述待采集分布式光伏电站的采集日光伏输出功率预测数据。
[0012]较优地，所述步骤S1根据地理位置，进行虚拟采集区域的网格初步划分，划分规则为：
[0013]所述虚拟采集区域中，对于位于海拔1公里以下的分布式光伏电站区域，按照单位面积为1km
×
1km进行划分；对于位于海拔1.5公里以上的分布式光伏电站区域，按照单位面积为3km
×
3km进行划分；所述虚拟采集区域被初步划分为A个子区域。
[0014]较优地，所述步骤S2利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法，选取出待采集分布式光伏电站的相似电站，具体步骤包括：
[0015]步骤S21，创建所述待采集分布式光伏电站所在的子区域中各分布式光伏电站的电流数据的随机矩阵Z：
[0016][0017]其中，历史日数量为n，m为历史电流数据时间序列总长度，每个历史日各采集时刻的电流数据分别为z
11
，z
12
，
…
，z
1n
,
…
,z
m1
,z
m2
,
…
,z
mn
，m取值为96；
[0018]步骤S22，基于所述矩阵Z选取实时滑动时间窗，得到的时间窗矩阵Z
i
，其中，实时滑动时间窗口长度为N
w
、宽度为I
w
，即每次采样向后平移一个采样点，i时刻的实时滑动时间窗包含i时刻的当前数据和I
w
‑
1个相邻的历史数据：
[0019][0020]式中表示i时刻采集到的第N
w
个电流数据，N
w
＝n，I
w
＝m；
[0021]步骤S23，将所述矩阵Z
i
进行标准化处理得到标准化矩阵标准化处理规则为：
[0022][0023]式中，为所述标准矩阵的第i行j列的元素，z
i,j
表示所述矩阵Z
i
第i行j列的光伏输出功率实际值，μ(z
j
)和σ(z
j
)分别为z
j
的均值与标准差，和分别为的均值与标准差，且z
j
表示所述矩阵Z
i
的第j列矩阵，表示所述矩阵的第j列矩阵；
[0024]步骤S24，根据所述矩阵得出奇异值等价矩阵并作标准化操作，得到n个标准矩阵Z
u
；
[0025][0026]式中，表示标准化矩阵的共轭转置矩阵，U为Haar酉矩阵；
[0027]步骤S25，计算出n个标准矩阵Z
u
的乘积即标准非Hermitian矩阵积
[0028][0029]步骤S26，计算出所述标准非Hermitian矩阵积的标准矩阵S，其中：
[0030][0031]式中，j∈[1,n]表示所述矩阵积的列数，s
j
表示所述标准矩阵S的各列元素，表示所述矩阵积的各列元素，表示所述矩阵积第j列元素的标准差；
[0032]步骤S27，计算所述标准矩阵S在i时刻的平均谱半径MSR统计量R
MSR,i
：
[0033][0034]式中，q∈[1,N]，N代表特征根的数量；λ
q
表示所述标准矩阵S的特征根；
[0035]步骤S28，按照时序滑动时间窗，构建所述分布式光伏电站的实时平均谱半径特征数据集R
MSR
‑
c
，其中，R
MSR
‑
c
＝{R
MSR
‑
c,1
,R
MSR
‑...

【技术保护点】

【技术特征摘要】
1.一种基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法，其特征在于，包括：步骤S1，根据地理位置，进行虚拟采集区域的网格初步划分；步骤S2，利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法，选取出待采集分布式光伏电站的相似电站；步骤S3，建立IDBO
‑
KELM
‑
BiGRU神经网络、并利用各个所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练，得到电流
‑
功率数据转换模型，所述IDBO
‑
KELM
‑
BiGRU神经网络中采用改进的蜣螂优化算法IDBO优化KELM神经网络的超参数；步骤S4，利用所述电流
‑
功率数据转换模型，将所述待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史光伏输出功率预测数据、并进一步训练所述IDBO
‑
KELM
‑
BiGRU神经网络模型，得到有功功率数据虚拟采集模型；步骤S5，输入所述待采集分布式光伏电站的采集日实时电流数据，利用所述有功功率数据虚拟采集模型进行数据拟合，实时得出所述待采集分布式光伏电站的采集日光伏输出功率预测数据。2.如权利要求1所述的基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法，其特征在于，所述步骤S1根据地理位置，进行虚拟采集区域的网格初步划分，划分规则为：所述虚拟采集区域中，对于位于海拔1公里以下的分布式光伏电站区域，按照单位面积为1km
×
1km进行划分；对于位于海拔1.5公里以上的分布式光伏电站区域，按照单位面积为3km
×
3km进行划分；所述虚拟采集区域被初步划分为A个子区域。3.如权利要求2所述的基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法，其特征在于，所述步骤S2利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法，选取出待采集分布式光伏电站的相似电站，具体步骤包括：步骤S21，创建所述待采集分布式光伏电站所在的子区域中各分布式光伏电站的电流数据的随机矩阵Z：其中，历史日数量为n，m为历史电流数据时间序列总长度，每个历史日各采集时刻的电流数据分别为z
11
,z
12
,
…
,z
1n
,
…
,z
m1
,z
m2
,
…
,z
mn
，m取值为96；步骤S22，基于所述矩阵Z选取实时滑动时间窗，得到的时间窗矩阵Z
i
，其中，实时滑动时间窗口长度为N
w
、宽度为I
w
，即每次采样向后平移一个采样点，i时刻的实时滑动时间窗包含i时刻的当前数据和I
w
‑
1个相邻的历史数据：
式中表示i时刻采集到的第N
w
个电流数据，N
w
＝n，I
w
＝m；步骤S23，将所述矩阵Z
i
进行标准化处理得到标准化矩阵标准化处理规则为：式中，为所述标准矩阵的第i行j列的元素，z
i,j
表示所述矩阵Z
i
第i行j列的光伏输出功率实际值，μ(z
j
)和σ(z
j
)分别为z
j
的均值与标准差，和分别为的均值与标准差，且z
j
表示所述矩阵Z
i
的第j列矩阵，表示所述矩阵的第j列矩阵；步骤S24，根据所述矩阵得出奇异值等价矩阵并作标准化操作，得到n个标准矩阵Z
u
；式中，表示标准化矩阵的共轭转置矩阵，U为Haar酉矩阵；步骤S25，计算出n个标准矩阵Z
u
的乘积即标准非Hermitian矩阵积的乘积即标准非Hermitian矩阵积步骤S26，计算出所述标准非Hermitian矩阵积的标准矩阵S，其中：式中，j∈[1,n]表示所述矩阵积的列数，s
j
表示所述标准矩阵S的各列元素，表示所述矩阵积的各列元素，表示所述矩阵积第j列元素的标准差；步骤S27，计算所述标准矩阵S在i时刻的平均谱半径MSR统计量R
MSR,i
：式中，q∈[1,N]，N代表特征根的数量；λ
q
表示所述标准矩阵S的特征根；步骤S28，按照时序滑动时间窗，构建所述分布式光伏电站的实时平均谱半径特征数据集R
MSR
‑
c
，其中，R
MSR
‑
c
＝{R
MSR
‑
c,1
,R
MSR
‑
c,2
,
…
,R
MSR
‑
c,m
}，c∈[1,r]，所述子区域中分布式光伏电站的数量为r；得到所述子区域的平均谱半径特征数据集R
’
，R
’
＝{R
MSR
‑1,R
MSR
‑2,
…
,R
MSR
‑
r
}；步骤S29，将所述平均谱半径特征数据集R
’
中各个元素均作为时间序列，令时间序列o代表所述待采集分布式光伏电站所对应的时间序列，时间序列e代表所述平均谱半径特征
数据集R
’
中的一个非待采集分布式光伏电站所对应的时间序列：步骤S210，根据欧式距离度量找到规整路径W，其中，o和e的欧式距离度量表示为：τ(m,m)＝(o
m
‑
e
m
)2W＝{w1,w2,...,w
k
}式中w
k
为平均谱半径特征数据时序曲线中各点对的最短距离点对；步骤S211，计算所述时间序列o和所述时间序列e的相似度DTW(o,e)：步骤S212，将计算出的各个相似度值进行从大到小排序，选取前十个相似度值所对应非待采集分布式光伏电站作为所述相似电站。4.如权利要求3所述的基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法，其特征在于，所述步骤S3中所述KELM神经网络的超参数包括KELM的内部正则化系数和核函数参数。5.如权利要求4所述的基于IDBO
‑
KELM
‑
BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法，其特征在于，所述步骤S3建立IDBO
‑
KELM
‑
BiGRU神经网络、并利用各个所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练，得到电流
‑
功率数据转换模型包括：步骤S31，建立电流
‑
功率数据转换模型数据集并分为第一训练集、第一验证集和第一测试集，所述电流
‑<...

【专利技术属性】
技术研发人员：徐涛，张云峰，杨龙雨，马振华，王蓉蓉，马静，孔新帆，宋丹，黄烨，翟坤鹏，葛磊蛟，
申请(专利权)人：天津大学，
类型：发明
国别省市：