【技术实现步骤摘要】
本专利技术涉及预测，具体是一种覆盖多地形地貌的集中式光伏功率预测方法。
技术介绍
1、太阳能作为关键的可再生能源，在电力系统中占据重要位置，尤其在光伏发电领域展现出广泛的应用潜力。然而，光伏发电固有的间歇性和随机性特征，加之地域性气候条件与地形差异对光伏输出的显著影响，为电网整合集中式与分布式光伏项目带来了复杂挑战。大规模光伏接入电网时，其输出功率的波动性可能导致电网稳定性受扰，增加了电网调度的难度。
2、针对集中式光伏功率预测难题，当前技术主要依靠两大路径：一是基于气象预报数据(nwp)构建的物理模型，旨在通过物理法则将天气预测转化为光伏功率输出预测；二是运用人工智能技术，基于历史运营业绩构建统计预测模型。前者利用nwp数据输入物理模型直接估算光伏出力，但受限于nwp数据的不确定性及模型对非理想输入的敏感性，预测精度受限；后者虽能挖掘历史数据中的模式，却可能因数据量需求大、易陷于局部最优解及忽视地理环境因素而影响预测效果。两者均未充分融合nwp数据与场站历史数据的优势，且在处理不同地形地貌引起的微气象效应时显得力不从心，缺乏针对特殊地形的定制化预测策略，难以达到高度精确的分类匹配预测水平。
3、因此，现有技术方案暴露出的关键缺陷在于：未能全面考虑地形地貌差异对微气象环境及光伏功率的具体影响，导致对多样地形下光伏电站的适应性和预测准确性不足；同时，过度依赖单一类型的数据源(历史数据或nwp)，未能有效整合两者信息，以实现更稳健、全面的预测能力。这凸显了构建一个既能综合运用nwp与历史数据，又能精准适应多种
技术实现思路
1、为解决现有技术中的不足，本专利技术提供一种覆盖多地形地貌的集中式光伏功率预测方法，能够对输入的光伏场站的地理信息进行地形自适应分类；定量描述不同地形下场站的功率差异以细化地形分类；采用特征属性依赖值模型得到不同地形下的气象因子影响权重；并基于预测因子权重改进相似日的选取方式；同时考虑数据时序特性，实现考虑地形因素的相似日样本光伏功率预测统计。
2、本专利技术为实现上述目的，通过以下技术方案实现：
3、一种覆盖多地形地貌的集中式光伏功率预测方法，基于地形地貌对光伏场站功率的影响进行场站地形的分类自识别，得到不同地形下的气象因子影响权重，实现对改进相似日提取方案的改进及对不同地形场站光伏功率的准确预测，包括以下步骤：
4、s1、根据场站中心经纬度数据，得到地形数据集s；
5、s2、输入场站中心的地形数据集s，利用光伏场站地形自识别模型ftype，结合可视化地形图的结果校正，得到场站地形分类atype；
6、s3、将场站地形分类atype输入到dtw功率特性差异识别模型，计算其累计距离矩阵di,j，输出细化后的场站地形分类at'ype；
7、s4、将预处理后的光伏气象历史样本数据ypv，分别按地形分类at'ype输入到特征属性依赖值模型中，得到不同地形下的气象因子影响权重wtype；
8、s5、将不同地形下的气象因子影响权重wtype，输入到欧式距离的改进相似日提取模型，得到改进相似日days；
9、s6、将选取的改进相似日days、目标日期下的数值天气预报气象数据ypre及前一天时刻下的光伏历史功率yhis，考虑输入数据的时序特性ρl建立模型特征向量y，输入到基于lstm的相似样本光伏功率预测模型中，实现对多地形地貌下集中式光伏电站的功率预测统计。
10、进一步的，所述地形数据集s包括海拔、坡度、坡度的百分数、坡向梯度。
11、进一步的，s2中采用以下公式得到场站地形分类atype：
12、atype＝ftype(shigh,sdeg,spct,sdir)
13、式中，ftype为地形自识别模型，shigh为海拔数据，sdeg为坡度数据，spct为坡度百分比，sdir为坡向梯度数据，输出的场站地形分类atype包括：山地、平原、丘陵、滩涂、盆地。
14、进一步的，s3中针对不同地形的光伏场站，计算其累计距离矩阵di,j，在满足两个序列的所有点都有相应映射的前提下，选取使得累计距离和最小的映射方式并计算最小累计距离对不同场站的不等长时间序列数据进行定量描述，并基于最小累计距离给出最具差异的电站排名表，实现光伏电站地形的进一步细化分类。
15、di,0＝dis(ai,b0)+di-1,0
16、di,j＝dis(ai,bj)+min{di-1,j,di,j-1,di-1,j-1}
17、at'ype＝{atype,atype.d}
18、其中，di,0为累计距离初始值，di,j为累计距离矩阵，ai,bj为不同光伏场站的功率数据，atype.d为最小累计距离较大的电站即最具差异的电站排名，at'ype为细化后的地形分类数据。
19、进一步的，s4中具体采用以下公式得到不同地形下的气象因子影响权重wtype：
20、wtype＝fweight(x1,x2,…,xi)
21、其中，fweight为基于模糊聚类和粗糙集理论基于模糊聚类与粗糙集理论的特征属性依赖值模型，x1,x2,…,xi为微地形环境引起变化的主要气象因子。
22、进一步的，s5中采用以下公式计算改进相似日days：
23、days＝fsame(ypv,wtype,atype)
24、其中,fsame为基于欧式距离的改进相似日提取模型；ypv为预处理后的光伏气象历史样本数据。
25、进一步的，s6中考虑气象特征与历史功率时序特性，分析数据自相关系数，并以此为依据构建含预测数据及历史数据输入的模型特征向量y:
26、
27、y＝{ypre(ρl),yhis(ρl)}
28、其中：x1,x2,…,xt为一组时间序列样本，ρl为与xt时间间隔长度为l的样本自相关系数,ypre(ρl)为考虑时序特性的数值天气预报气象数据，yhis(ρl)为考虑数据时序特性得到的前一天时刻下的光伏历史功率。
29、进一步的，s6中采用以下公式得到光伏电站的功率预测统计数据ppre：
30、ppre＝fpre(y,days)
31、式中，fpre为覆盖多地形地貌集中式光伏电站的光伏功率预测统计适配模型。
32、对比现有技术，本专利技术的有益效果在于：
33、本专利技术对输入的光伏场站的地理信息进行地形自适应分类；定量描述不同地形下场站的功率差异以细化地形分类；采用特征属性依赖值模型得到不同地形下的气象因子影响权重；并基于预测因子权重改进相似日的选取方式；同时考虑数据时序特性，实现考虑地形因素的相似日样本光伏功率预测统计。
本文档来自技高网...【技术保护点】
1.一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，所述地形数据集S包括海拔、坡度、坡度的百分数、坡向梯度。
3.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，
4.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，
5.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，S4中具体采用以下公式得到不同地形下的气象因子影响权重Wtype：
6.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于：S5中采用以下公式计算改进相似日days：
7.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，S6中考虑气象特征与历史功率时序特性，分析数据自相关系数，并以此为依据构建含预测数据及历史数据输入的模型特征向量Y:
8.根据权利要求1一种覆盖多地形地貌的集中式光伏功率预测方法，
...【技术特征摘要】
1.一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，所述地形数据集s包括海拔、坡度、坡度的百分数、坡向梯度。
3.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，
4.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，
5.根据权利要求1所述的一种覆盖多地形地貌的集中式光伏功率预测方法，其特征在于，s4...
【专利技术属性】
技术研发人员：杨东升，罗毅，唐世友，李光勇，王顺艳，匡邵峰，吴姿慰，
申请(专利权)人：大唐贵州钟山新能源有限公司，
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。