中文字幕无码日韩视频无码三区

一種分布式光伏功率預測方法與流程

文檔序號:39653631發布日期:2024-10-15 12:52閱讀(du):15來源(yuan):國知局
一種分布式光伏功率預測方法與流程

本(ben)發明涉及光伏功(gong)率預測,尤其是一(yi)種分布式(shi)光伏功(gong)率預測方(fang)法。


背景技術:

1、分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)電(dian)站(zhan)(zhan)在(zai)(zai)世界上大多數(shu)(shu)國家都(dou)得到(dao)了(le)廣(guang)泛的(de)(de)(de)(de)(de)應用。由于(yu)分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)電(dian)站(zhan)(zhan)的(de)(de)(de)(de)(de)利(li)(li)用不斷增長(chang),無(wu)論是通過并網(wang)(wang)(wang)(wang)還是獨立網(wang)(wang)(wang)(wang)絡(luo),都(dou)可(ke)以(yi)預(yu)(yu)(yu)見電(dian)力(li)系統規劃和(he)運行階段(duan)的(de)(de)(de)(de)(de)巨(ju)大變化。分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)發(fa)電(dian)一(yi)(yi)體化需要具備(bei)(bei)處理(li)輸出功(gong)率不確(que)定性(xing)和(he)波動(dong)的(de)(de)(de)(de)(de)能(neng)力(li)。在(zai)(zai)這種情(qing)況下,分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)發(fa)電(dian)功(gong)率預(yu)(yu)(yu)測(ce)(ce)是確(que)保分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)電(dian)站(zhan)(zhan)最佳(jia)規劃和(he)建(jian)模(mo)的(de)(de)(de)(de)(de)關(guan)(guan)(guan)鍵方(fang)(fang)面。準確(que)的(de)(de)(de)(de)(de)預(yu)(yu)(yu)測(ce)(ce)為(wei)電(dian)網(wang)(wang)(wang)(wang)運營商和(he)電(dian)力(li)系統設計者提供(gong)了(le)重要的(de)(de)(de)(de)(de)信息(xi)(xi),以(yi)設計最優的(de)(de)(de)(de)(de)分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)電(dian)站(zhan)(zhan)以(yi)及(ji)管理(li)電(dian)力(li)的(de)(de)(de)(de)(de)需求和(he)供(gong)應。現有(you)技術(shu)中,光(guang)(guang)伏(fu)(fu)(fu)(fu)預(yu)(yu)(yu)測(ce)(ce)主要依據(ju)光(guang)(guang)伏(fu)(fu)(fu)(fu)歷史(shi)(shi)數(shu)(shu)據(ju)、天氣(qi)預(yu)(yu)(yu)報(bao)數(shu)(shu)據(ju)等(deng)數(shu)(shu)據(ju),利(li)(li)用機器學習方(fang)(fang)法(fa)(fa)(fa)進行建(jian)模(mo)預(yu)(yu)(yu)測(ce)(ce)。當(dang)前采用歷史(shi)(shi)光(guang)(guang)伏(fu)(fu)(fu)(fu)數(shu)(shu)據(ju)結(jie)合(he)氣(qi)象數(shu)(shu)據(ju)進行預(yu)(yu)(yu)測(ce)(ce)是主流方(fang)(fang)法(fa)(fa)(fa)。另(ling)一(yi)(yi)種針(zhen)對分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)特性(xing),可(ke)以(yi)結(jie)合(he)分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)周邊光(guang)(guang)伏(fu)(fu)(fu)(fu)的(de)(de)(de)(de)(de)時(shi)(shi)空相(xiang)(xiang)關(guan)(guan)(guan)性(xing),將時(shi)(shi)空相(xiang)(xiang)關(guan)(guan)(guan)性(xing)融入到(dao)預(yu)(yu)(yu)測(ce)(ce)模(mo)型(xing)中,目前已有(you)采用圖神經網(wang)(wang)(wang)(wang)絡(luo)進行時(shi)(shi)空相(xiang)(xiang)關(guan)(guan)(guan)性(xing)提取的(de)(de)(de)(de)(de)方(fang)(fang)法(fa)(fa)(fa)。僅采用歷史(shi)(shi)光(guang)(guang)伏(fu)(fu)(fu)(fu)數(shu)(shu)據(ju)或者天氣(qi)預(yu)(yu)(yu)報(bao)數(shu)(shu)據(ju)只考(kao)慮(lv)了(le)時(shi)(shi)間(jian)維(wei)度的(de)(de)(de)(de)(de)信息(xi)(xi),忽略(lve)了(le)空間(jian)維(wei)度的(de)(de)(de)(de)(de)特征,使得預(yu)(yu)(yu)測(ce)(ce)精(jing)確(que)度難(nan)以(yi)得到(dao)更大的(de)(de)(de)(de)(de)提升。有(you)文獻考(kao)慮(lv)了(le)云層(ceng)移動(dong),或者考(kao)慮(lv)高空風(feng)速風(feng)向的(de)(de)(de)(de)(de)影響,給數(shu)(shu)據(ju)的(de)(de)(de)(de)(de)獲取工作帶來(lai)(lai)難(nan)度,也有(you)文獻對考(kao)慮(lv)到(dao)誤(wu)差(cha)的(de)(de)(de)(de)(de)移動(dong)趨勢,再通過反(fan)饋修正提高預(yu)(yu)(yu)測(ce)(ce)精(jing)度。但(dan)由于(yu)其方(fang)(fang)法(fa)(fa)(fa)與數(shu)(shu)據(ju)的(de)(de)(de)(de)(de)時(shi)(shi)空尺度不適用,效果甚微。參考(kao)中國專(zhuan)利(li)(li)公(gong)開號為(wei)cn118300104a的(de)(de)(de)(de)(de)一(yi)(yi)種基于(yu)圖神經網(wang)(wang)(wang)(wang)絡(luo)的(de)(de)(de)(de)(de)分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)功(gong)率預(yu)(yu)(yu)測(ce)(ce)方(fang)(fang)法(fa)(fa)(fa)、系統、電(dian)子設備(bei)(bei)及(ji)存儲介質,針(zhen)對分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)點多面廣(guang)的(de)(de)(de)(de)(de)特性(xing),結(jie)合(he)時(shi)(shi)空相(xiang)(xiang)關(guan)(guan)(guan)性(xing)的(de)(de)(de)(de)(de)方(fang)(fang)法(fa)(fa)(fa),可(ke)以(yi)進一(yi)(yi)步提升分(fen)(fen)(fen)布(bu)(bu)式光(guang)(guang)伏(fu)(fu)(fu)(fu)的(de)(de)(de)(de)(de)預(yu)(yu)(yu)測(ce)(ce),當(dang)前存在(zai)(zai)利(li)(li)用圖神經網(wang)(wang)(wang)(wang)絡(luo)方(fang)(fang)法(fa)(fa)(fa),來(lai)(lai)提取空間(jian)相(xiang)(xiang)關(guan)(guan)(guan)性(xing),但(dan)是圖神經網(wang)(wang)(wang)(wang)絡(luo)結(jie)構相(xiang)(xiang)對比較復雜,需要大量的(de)(de)(de)(de)(de)數(shu)(shu)據(ju)支撐,并且可(ke)解(jie)釋性(xing)相(xiang)(xiang)對較差(cha)。


技術實現思路

1、本發明(ming)解決了在光(guang)伏預測中采用(yong)圖神經(jing)網絡來提取空間(jian)相(xiang)關性需要大(da)量的(de)(de)數據支撐(cheng)較為(wei)復(fu)雜的(de)(de)問題,提出一種分布式光(guang)伏功率預測方(fang)法,利用(yong)時(shi)滯(zhi)相(xiang)關性矩陣對空間(jian)信息(xi)進行提取,可解釋(shi)性較強,并且(qie)能夠(gou)很(hen)好地與時(shi)間(jian)相(xiang)關性進行融合。

2、為(wei)實現上述目的,提(ti)出以下(xia)技(ji)術方案:

3、一種分布式(shi)光(guang)伏功(gong)率預測方法,包括以下步驟(zou):

4、s1,獲(huo)取分布(bu)式光(guang)伏的(de)歷史數據,并對分布(bu)式光(guang)伏的(de)歷史數據進行預處理;

5、s2,利用時滯相關(guan)(guan)性(xing)矩陣從(cong)預處理后的分(fen)布式光伏(fu)的歷史數據中提取分(fen)布式光伏(fu)空(kong)間相關(guan)(guan)性(xing),得到(dao)空(kong)間信(xin)息;

6、s3,利用自動編碼器壓縮空間相(xiang)關性(xing),得到壓縮后的空間信息(xi);

7、s4,構建(jian)門控循環網(wang)絡的(de)模(mo)型(xing)架構,將壓縮后(hou)的(de)空間信(xin)息拼(pin)接到門控循環網(wang)絡得到光伏預測模(mo)型(xing);

8、s5,利(li)用光伏預(yu)測(ce)模型對待(dai)檢測(ce)的光伏電站進行(xing)功率預(yu)測(ce)。

9、本發明(ming)利(li)(li)用(yong)時(shi)滯(zhi)相(xiang)關(guan)性(xing)矩(ju)陣(zhen)提(ti)(ti)取分布式(shi)光(guang)伏(fu)空間(jian)相(xiang)關(guan)性(xing)以獲取空間(jian)信息(xi)(xi)(xi);利(li)(li)用(yong)自動編碼器壓縮空間(jian)相(xiang)關(guan)性(xing)矩(ju)陣(zhen),對空間(jian)信息(xi)(xi)(xi)進行(xing)(xing)提(ti)(ti)煉(lian);利(li)(li)用(yong)門控循環神經網絡提(ti)(ti)取分布式(shi)光(guang)伏(fu)時(shi)序特(te)性(xing),將提(ti)(ti)取的(de)空間(jian)信息(xi)(xi)(xi)拼接到(dao)門控循環網絡的(de)隱藏(zang)層,對時(shi)空信息(xi)(xi)(xi)進行(xing)(xing)融合,建立光(guang)伏(fu)預測模型對待檢測的(de)光(guang)伏(fu)電站進行(xing)(xing)功率預測。本發明(ming)利(li)(li)用(yong)時(shi)滯(zhi)相(xiang)關(guan)性(xing)矩(ju)陣(zhen)對空間(jian)信息(xi)(xi)(xi)進行(xing)(xing)提(ti)(ti)取,可(ke)解釋(shi)性(xing)較強,并且(qie)能夠很好地與時(shi)間(jian)相(xiang)關(guan)性(xing)進行(xing)(xing)融合。

10、作(zuo)為優選,所述時滯相關性矩陣(zhen)的建立過程(cheng)如下:

11、將每個分布式光伏的歷史數據分為(wei)時間(jian)(jian)序(xu)(xu)列(lie),每個時間(jian)(jian)序(xu)(xu)列(lie)按照一定(ding)的時間(jian)(jian)步長(chang)向(xiang)后或向(xiang)前(qian)移動,并計算兩兩序(xu)(xu)列(lie)之間(jian)(jian)的相(xiang)關性,得到每個站(zhan)點和與其(qi)相(xiang)關性最高的站(zhan)點,通過時間(jian)(jian)滯后長(chang)度判(pan)斷二者間(jian)(jian)的前(qian)后位(wei)置信息(xi)作為(wei)空間(jian)(jian)信息(xi)。

12、作(zuo)為(wei)優選,所述s1中的預處(chu)理包括(kuo)以下步驟:將(jiang)缺(que)(que)失數(shu)據按(an)照其(qi)缺(que)(que)失的嚴重程度(du)進行(xing)相應填補,缺(que)(que)失嚴重程度(du)從輕到重依次分為(wei):

13、小范(fan)圍數據缺失點(dian),采用均值填補法;

14、中等(deng)范(fan)圍數(shu)據(ju)缺失點(dian),采用回歸模型填充法(fa);

15、較大范圍數(shu)(shu)據(ju)缺失(shi)點,采(cai)(cai)用數(shu)(shu)據(ju)遷移法(fa),采(cai)(cai)用將前一天的數(shu)(shu)據(ju)相同時段遷移到這(zhe)一天的缺失(shi)位置上。

16、極大范圍數據(ju)(ju)缺失(shi)點,采用刪(shan)除(chu)(chu)法,直接刪(shan)除(chu)(chu)這一天的(de)數據(ju)(ju)

17、作為(wei)優選,所述小范圍(wei)數據(ju)缺(que)失(shi)(shi)點(dian)(dian)指(zhi)小于(yu)(yu)等于(yu)(yu)1小時(shi)(shi)(shi)的(de)缺(que)失(shi)(shi)點(dian)(dian);所述中(zhong)等范圍(wei)數據(ju)缺(que)失(shi)(shi)點(dian)(dian)指(zhi)大(da)(da)于(yu)(yu)1小時(shi)(shi)(shi)且小于(yu)(yu)等于(yu)(yu)6小時(shi)(shi)(shi)的(de)缺(que)失(shi)(shi)點(dian)(dian);所述中(zhong)等范圍(wei)數據(ju)缺(que)失(shi)(shi)點(dian)(dian)指(zhi)大(da)(da)于(yu)(yu)6小時(shi)(shi)(shi)且小于(yu)(yu)等于(yu)(yu)24小時(shi)(shi)(shi)的(de)缺(que)失(shi)(shi)點(dian)(dian),所述極大(da)(da)范圍(wei)數據(ju)缺(que)失(shi)(shi)點(dian)(dian)指(zhi)數據(ju)缺(que)失(shi)(shi)范圍(wei)已經(jing)超過24小時(shi)(shi)(shi)。

18、作為優選,所述自(zi)動編碼器由五層線性層組成(cheng)對空(kong)間信息(xi)進行壓(ya)縮(suo),提取空(kong)間信息(xi)的低位編碼結果,作為壓(ya)縮(suo)后的空(kong)間信息(xi)。

19、本發明建(jian)立五(wu)層(ceng)線(xian)性層(ceng)組成的(de)(de)自動(dong)編(bian)(bian)碼(ma)器。光伏(fu)預測模型從輸(shu)入層(ceng)開始(shi)對(dui)數據(ju)進行壓縮,直至(zhi)達(da)到光伏(fu)預測模型的(de)(de)中(zhong)心部分:用處理好的(de)(de)空間相關性數據(ju)訓(xun)練自動(dong)編(bian)(bian)碼(ma)器,在自動(dong)編(bian)(bian)碼(ma)器訓(xun)練完成后(hou),提(ti)取(qu)其中(zhong)的(de)(de)低(di)位編(bian)(bian)碼(ma)結果,以供(gong)后(hou)續門(men)控循環網絡(luo)隱藏層(ceng)使用。

20、作為優選,所述時滯相關(guan)性矩(ju)陣(zhen)表(biao)達式如下:

21、;

22、其(qi)中(zhong)(zhong): x表(biao)(biao)示所有光(guang)伏站(zhan)點(dian)歷史數(shu)據構成的(de)矩陣,n表(biao)(biao)示總時間(jian)(jian)步(bu)長(chang),crosscorr( y, x i, n)?表(biao)(biao)示考慮了 n個(ge)時間(jian)(jian)步(bu)長(chang)的(de)滯后可能中(zhong)(zhong)待分析站(zhan)點(dian)的(de)時間(jian)(jian)序列(lie) y和與其(qi)中(zhong)(zhong)一個(ge)站(zhan)點(dian) x i的(de)交叉相關系數(shu)。

23、作為優選(xuan),所述(shu)計算兩兩序列之間的相關性的過程如下(xia):

24、設定時間步長為(wei)(wei)t,n個變量(liang)的時間序(xu)列(lie)為(wei)(wei) x={ x i,t,?i?=1,?...,?n,?t?=1,?...,t},其中:i為(wei)(wei)當前時間序(xu)列(lie)的索(suo)引(yin),t為(wei)(wei)時間;

25、對于第i個(ge)(ge)序(xu)列和第j個(ge)(ge)序(xu)列,設cij(δt)為(wei)第j個(ge)(ge)序(xu)列時間后移了δt后與(yu)第i個(ge)(ge)序(xu)列的(de)相(xiang)關(guan)度,cij(δt)的(de)計(ji)算公式為(wei):

26、;

27、其中:σi為(wei)(wei)xi,t的標準差(cha);σj為(wei)(wei)xj,t+δt的標準差(cha);<...>為(wei)(wei)時(shi)間上的平均值(zhi)。

28、作為優選,所述空間信(xin)息(xi)提取過程如下(xia):

29、遍歷(li)每個節(jie)點(dian)進行提取,設(she)定待分析節(jie)點(dian)i,枚舉節(jie)點(dian)j和時間滯(zhi)后長度(du)δt并(bing)依(yi)次計算  c ij(δt)的(de)值,構建(jian)對(dui)于(yu)第i個站點(dian)的(de)時滯(zhi)相關(guan)性(xing)二維矩陣;

30、從時滯(zhi)相(xiang)關性二維矩(ju)陣(zhen)中獲取兩個站(zhan)點(dian)(dian)之間(jian)使得cij數值(zhi)最(zui)大的(de)δt的(de)位置(zhi)δtj以(yi)及cii數值(zhi)最(zui)大的(de)δt的(de)位置(zhi)δti;判斷(duan)(duan)δtj-δti是否等于0,若(ruo)是,則i站(zhan)點(dian)(dian)與j站(zhan)點(dian)(dian)同步(bu);若(ruo)否,判斷(duan)(duan)δtj-δti是否大于0,若(ruo)是,則i站(zhan)點(dian)(dian)滯(zhi)后于j站(zhan)點(dian)(dian);若(ruo)否,則i站(zhan)點(dian)(dian)提前于j站(zhan)點(dian)(dian)。

31、作為優選,所述門控循環(huan)網絡(luo)的模型(xing)架構包括:

32、輸入層,接收時(shi)間(jian)序(xu)列輸入數據(ju);

33、第一gru層,返(fan)回所(suo)有時間步(bu)的輸出(chu)序列;

34、第二gru層,返回最后一個時間步的輸(shu)出;

35、合并層,合并第(di)二gru層的輸出和自動編碼器的編碼信息靜態(tai)數據;

36、全連接層(ceng),接收合(he)(he)并層(ceng)合(he)(he)并后的整體輸出;

37、輸出層,輸出光伏功率出力點預測結果。

38、作為(wei)優(you)選(xuan),所述門(men)控(kong)循環網(wang)絡的門(men)控(kong)網(wang)絡形式化為(wei):

39、;

40、;

41、;

42、;

43、其中(zhong)(zhong): h t-1是(shi) t-1時刻的輸(shu)出; x t是(shi)t時刻的輸(shu)入; w xr, w xz, w hr, w hz, w xc, w hc, b c, b r, b z是(shi)模型參數(shu);*代表兩個矩陣的對應(ying)元素相乘; r t* h t-1將決定從之前的時間步中(zhong)(zhong)刪除的內容;σ是(shi)sigmoid激活函(han)數(shu),tanh是(shi)tanh激活函(han)數(shu), r t是(shi)門(men)控循環(huan)神經網(wang)(wang)絡(luo)重置門(men)輸(shu)出量(liang), z t是(shi)門(men)控循環(huan)神經網(wang)(wang)絡(luo)更新門(men)輸(shu)出量(liang)更新門(men)輸(shu)出量(liang), c t是(shi)隱藏狀態候選(xuan)集。

44、本(ben)發明(ming)的有益效(xiao)果是(shi):本(ben)發明(ming)利(li)(li)用時(shi)(shi)滯相(xiang)關(guan)(guan)性(xing)(xing)矩陣提(ti)取(qu)分布式(shi)光(guang)伏(fu)空(kong)間(jian)相(xiang)關(guan)(guan)性(xing)(xing)以獲取(qu)空(kong)間(jian)信息(xi);利(li)(li)用自動編碼(ma)器壓(ya)縮空(kong)間(jian)相(xiang)關(guan)(guan)性(xing)(xing)矩陣,對空(kong)間(jian)信息(xi)進(jin)行提(ti)煉;利(li)(li)用門(men)控循環神經網(wang)絡提(ti)取(qu)分布式(shi)光(guang)伏(fu)時(shi)(shi)序特性(xing)(xing),將(jiang)提(ti)取(qu)的空(kong)間(jian)信息(xi)拼接到(dao)門(men)控循環網(wang)絡的隱藏層,對時(shi)(shi)空(kong)信息(xi)進(jin)行融合,建立光(guang)伏(fu)預測(ce)模(mo)型對待(dai)檢測(ce)的光(guang)伏(fu)電站進(jin)行功(gong)率預測(ce)。本(ben)發明(ming)利(li)(li)用時(shi)(shi)滯相(xiang)關(guan)(guan)性(xing)(xing)矩陣對空(kong)間(jian)信息(xi)進(jin)行提(ti)取(qu),可(ke)解釋性(xing)(xing)較(jiao)強(qiang),并且能(neng)夠很好地與時(shi)(shi)間(jian)相(xiang)關(guan)(guan)性(xing)(xing)進(jin)行融合。

當前第1頁1 2 
網(wang)友詢(xun)問留(liu)言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1