【技术实现步骤摘要】
本专利技术涉及电网发电功率预测，具体为一种基于som神经网络且考虑太阳辐照度修正的地区分布式光伏发电总功率预测方法。
技术介绍
1、近年来，随着能源紧张，减少碳排的大环境下，可再生能源的开发与使用越来越广泛，而分布式光伏发电更是其最主要的一种使用方式，具有建设方便，价格低廉，投入使用快等特点。但大范围的分布式光伏的建立给电力系统的调度运行等方面带来了一系列的难题，准确高效地对光伏发电功率进行预测能够更有效的缓解调度问题。
2、目前，对于分布式光伏发电总功率预测方法，已经有不少方案对其进行研究实践，有基于卫星云图的，也有通过分层控制完成电力调度的。比如申请公布号为cn112766568a的专利文献公开了一种基于卫星云图的超短期分布式光伏发电总功率预测方法，通过swr矩阵运算后通过res-unet网络进行光伏发电总功率预测。申请公布号为cn104242337a的专利文献公开了一种光伏微网系统的实时协调控制方法，该方案有多个控制模块如中央实时优化控制层和本地控制层，通过提供实时调度策略和调频调度来实现中央实时控制下发调度的方法。
3、目前，大部分的光伏发电总功率预测方法都是采用神经网络模型或其它机器学习拟合模型进行预测，但受太阳辐照度的影响，光伏发电功率随之有着随机性、不确定性的变化，对光伏发电总功率的预测带来了巨大的影响，光伏预测所需的太阳辐照的数据准确性较低，导致光伏发电总功率预测结果的准确性降低，难以应用到实际生产应用中的问题，所以普遍预测的误差率偏高，不利于电力系统的高效合理的调度，仍存在电力浪费的问题
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于som神经网络且考虑太阳辐照度修正的地区分布式光伏发电总功率预测方法，以解决上述现有技术存在的预测误差率偏高的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、一种地区分布式光伏发电总功率预测方法，采用下列步骤：
4、s1采集分布式光伏发电站的样本数据，所述样本数据采集时间范围至少包括指定时间阶段，所述样本数据包括光伏发电功率历史数据、气象历史数据和太阳辐照度历史数据；
5、s2对采集到的样本数据进行数据预处理，所述数据预处理步骤包括数据清洗步骤、数据去噪步骤和数据截取步骤；
6、s3使用剪除遮挡影响的改进随机森林算法，对太阳辐照度进行预测拟合修正，得到辐照度预测数据
7、其中s为根据辐照度特征a的切割点，c1为第一个分段的数据拟合常数，c2为第二个分段的数据拟合常数，d1为第一个分段的数据子集，d2为第二个分段的数据子集，yi为实际的太阳辐照度，x是变量值，xi为数据点的自变量值；
8、s4将数据制作成训练集采用som神经网络构建光伏发电总功率预测模型进行功率预测；
9、优选的，所述指定时间阶段为一年。
10、优选的，所述气象历史数据包括温度、相对湿度和气压。
11、优选的，所述数据清洗步骤包括数据消缺步骤和数据去异常步骤。
12、优选的，所述数据消缺步骤中光伏发电功率历史数据和气象历史数据使用拉格朗日插值将缺失数据补全。
13、优选的，所述数据去异常步骤使用可变长度滑动窗口平均法判断范围内的光伏发电功率样本数据是否是异常值，如果则此时数据f(i,t)为异常数据，对数据进行取空消缺处理，其中，f(i,t)为第i天t时刻的光伏发电功率样本数据，表示f(i,t)前后n个样本数据的均值，ξ是预先存储的误差阈值，所述滑动窗口大小wk根据检测到的异常数量动态调整，wk＝(1+α)kn，其中45％≤α≤55％，α为滑动窗口大小的增量百分比，k为异常数量。
14、优选的，所述数据去噪步骤包括如下步骤：
15、对数据进行n层小波分解，得到小波系数ωj,k，其中k为小波变量，j为小波变换频率；
16、确定rigrsure阈值λk，其中kmin为最小风险点所对应值，f(k)为kmin的平方根；
17、基于小波系数ωj,k，进行小波变换，得到去噪后的样本数据。
18、优选的，所述数据截取步骤截取的是日出时间hr到日落时间hs内的样本数据：
19、日出时间为hr，日落时间为hs，
20、
21、其中
22、a＝sinδ*(sinφ*cosβ-cosφ*sinβ*cosγp)
23、b＝cosδ*(cosφ*cosβ-sinφ*sinβ*cosγp)
24、c＝cosδ*sinφ*sinγp
25、d＝(b2+c2)1/2
26、ɑ为太阳光照与太阳能板的水平夹角，δ为太阳光照与太阳能板的垂直夹角，γ为太阳能板与纬度的垂直夹角，β为太阳能板与地面的水平夹角，φ为太阳光照与经度的夹角。
27、优选的，所述s3步骤包括：
28、s3.1对光伏辐照度历史数据样本进行选取；
29、s3.2分析光伏出力的突变时段和局部位置，实现遮挡影响位置的定位；
30、s3.3判断历史相似时段的光伏出力变化规律；
31、s3.4对遮挡影响位置与时段进行剪除计算；
32、s3.5修改作为随机森林模型输入的辐照度数据子集；
33、s3.6求取决策树的均值得到预测结果。
34、优选的，所述光伏发电总功率预测模型函数使用如下步骤得到：将样本数据按照特征维度整理成x＝[x1,x2……,xn]n×n，其中n为训练的样本个数，n＝3，x为神经元的权值为x∈r1×n，竞争参数为w＝[w1,w2,……,wk]k×n，w为神经元权值为w∈r1×n，通过som聚类神经网络迭代计算样本间的欧氏距离计算相似度d，得到最优聚类的表达式其中c为聚类中心的个数，n为样本数量，μ为隶属度参数。
35、本方案相对于现有技术，有益效果在于：通过本申请的基于som神经网络且考虑太阳辐照度修正的地区分布式光伏发电总功率预测方法，先采集样本数据信息，然后通过数据消缺，数据去噪等方法对数据进行预处理，再对采集到的太阳辐照度数据进行修正处理，最后通过som神经网络对光伏的功率进行预测。通过可变长度滑动窗口平均法去异常，减少了异常数据对平均值的影响，通过对太阳辐照度进行修正，提高光伏发电功率预测的精度，采用som聚类神经网络对采集到的光伏发电功率数据、气象数据和太阳辐照度等数据进行整合和预测。此预测方法一方面通过剪除遮挡影响位置与时间段的改进随机森林算法，通过考虑动态遮挡影响程度修正太阳辐照度数据，提升样本参数的准确性与可靠性，另一方面通过som神经网络实现对光伏发电功率进行预测，对光伏发电功率预测结果有着显著的提高，从而实现了分布式光伏发电功率预测的分地区、分样本、高精度预测，最后，通过实例也证明了在考虑太阳辐照度修正的情况下，光伏的发电功率预测准确率有着显著的提高。
本文档来自技高网...【技术保护点】
1.一种地区分布式光伏发电总功率预测方法，其特征在于采用下列步骤：
2.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于：所述指定时间阶段为一年。
3.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于：所述气象历史数据包括温度、相对湿度和气压。
4.根据权利要求3所述的地区分布式光伏发电总功率预测方法，其特征在于：所述数据清洗步骤包括数据消缺步骤和数据去异常步骤。
5.根据权利要求3所述的地区分布式光伏发电总功率预测方法，其特征在于：所述数据消缺步骤中光伏发电功率历史数据和气象历史数据使用拉格朗日插值将缺失数据补全。
6.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于：所述数据去异常步骤使用可变长度滑动窗口平均法判断范围内的光伏发电功率样本数据是否是异常值，如果则此时数据f(i,t)为异常数据，对数据进行取空消缺处理，其中，f(i,t)为第i天t时刻的光伏发电功率样本数据，表示f(i,t)前后n个样本数据的均值，ξ是预先存储的误差阈值，所述滑动窗口大小Wk根据检测到的异常
7.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于所述数据去噪步骤包括如下步骤：
8.根据权利要求3所述的地区分布式光伏发电总功率预测方法，其特征在于所述数据截取步骤截取的是日出时间hr到日落时间hs内的样本数据：
9.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于所述S3步骤包括：
10.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于：所述光伏发电总功率预测模型函数使用如下步骤得到：将样本数据按照特征维度整理成X＝[x1,x2……,xN]N×n，其中N为训练的样本个数，n＝3，x为神经元的权值为x∈R1×n，竞争参数为W＝[w1,w2,……,wk]k×n，w为神经元权值为w∈R1×n，通过SOM聚类神经网络迭代计算样本间的欧氏距离计算相似度d，得到最优聚类的表达式其中c为聚类中心的个数，n为样本数量，μ为隶属度参数。
...【技术特征摘要】
1.一种地区分布式光伏发电总功率预测方法，其特征在于采用下列步骤：
2.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于：所述指定时间阶段为一年。
3.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于：所述气象历史数据包括温度、相对湿度和气压。
4.根据权利要求3所述的地区分布式光伏发电总功率预测方法，其特征在于：所述数据清洗步骤包括数据消缺步骤和数据去异常步骤。
5.根据权利要求3所述的地区分布式光伏发电总功率预测方法，其特征在于：所述数据消缺步骤中光伏发电功率历史数据和气象历史数据使用拉格朗日插值将缺失数据补全。
6.根据权利要求1所述的地区分布式光伏发电总功率预测方法，其特征在于：所述数据去异常步骤使用可变长度滑动窗口平均法判断范围内的光伏发电功率样本数据是否是异常值，如果则此时数据f(i,t)为异常数据，对数据进行取空消缺处理，其中，f(i,t)为第i天t时刻的光伏发电功率样本数据，表示f(i,t)前后n个样本数据的均值，ξ是预先存储的误差阈值，所述滑动...
【专利技术属性】
技术研发人员：李楠，张敏，钱霜秋，钱天能，白阳，宋海燕，徐新宇，沈岳峰，
申请(专利权)人：国网江苏省电力有限公司南通供电分公司，
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。