[發明專利]一種縣域分布式光伏超短期預測方法

在審

• 申請號: 202310202480.9
• 申請日: 2023-03-06
• 公開（公告）號: CN116151465A
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 張紀欣;吳漢斌;劉新建;高龍;胡文麗;柴小亮;賈玉樸;楊笑天;樊茂森;趙軍愉;楊嘉良;張麗靜;張偉;張雷;閆興文;劉梅;羅欣;薛書倩
• 申請（專利權）人: 國網河北省電力有限公司保定供電分公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06V20/13;G06V10/762
• 代理公司: 六安創新傲風知識產權代理事務所(普通合伙) 34258
• 代理人: 龔鑫

1.一種縣域分布式光伏超短期預測方法，其特征在于：包括以下方法步驟，步驟1：利用衛星輻照度圖像對縣域分布式光伏用戶進行分區；

步驟2：對同區域下的分布式光伏用戶根據歷史功率數據進行分類；

步驟3：對每一類分布式光伏用戶構建基于長短期記憶網絡的預測模型，訓練模型參數并對每一類用戶預測超短期功率；

步驟4：對每一個分布式光伏用戶的預測結果相加。

2.根據權利要求1所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述步驟1，對于整縣制的分布式光伏用戶，由于其地理分布較為分散，不同的分布式光伏用戶上空的太陽輻照度數值之間不同，根據衛星提供的輻照度圖像數據，對分布式光伏用戶進行分區。

3.根據權利要求1所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述步驟2，衛星輻照度數據以數值的形式存儲在計算機中，為了實現輻照度分區的目的，使用機器學習聚類算法對輻照度進行處理，聚類是按照某個指標(如樣本之間的距離)把數據集分割成不同的類或者簇。

4.根據權利要求1所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述步驟2，Kmeans聚類的輻照度分區算法流程，包括以下步驟：S1.隨機將衛星輻照度矩陣中的k個值作為初始中心；S2.在第n次迭代中，對任意一個輻照度樣本，求其到k個中心的距離，將輻照度歸到距離最短的中心所在的類/簇；S3.利用均值方法更新中心值；S4.對于所有的k個聚類中心，如果利用S2、S3的迭代法更新后，聚類中心的位置保持不變，則迭代結束，否則繼續迭代。

5.根據權利要求1所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述步驟2，針對某一縣域的衛星輻照度圖像數據進行分區的方法包括以下步驟：第一步：根據縣域的經緯度范圍，從原始衛星輻照度圖像中提取對應的像素塊；第二步：根據kmeans聚類算法流程，將衛星輻照度圖像對整個縣域進行分區；第三步：根據分布式光伏用戶的地理信息，將相同輻照度下的分布式光伏視作同一區的用戶。

6.根據權利要求5所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述Kmeans的目標函數定義為：各簇成員到其簇首的距離的平方和最小。

7.根據權利要求1所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述步驟2，對分布式光伏用戶歷史發電功率進行分類，使用歷史發電功率對同一區下的多個分布式光伏用戶進行分類，分類方法使用層次聚類方法。

8.根據權利要求1所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述步驟3，伏發電功率數據作為典型的時間序列數據，未來時刻的功率大小與過去時刻的光伏發電功率數據、環境中的氣象因素具有一定的時間相關性，長短期記憶網絡能夠自動的學習時序數據之間的隱藏時間相關特征。

9.根據權利要求1所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述步驟3，縣域分布式光伏超短期功率預測模型的構建和訓練步驟包括：S1：使用長短期記憶網絡作為預測模型的基本神經單元，構造不同結構的預測模型，S2：在分區分類的結果上，使用不同的分布式光伏歷史功率數據和衛星輻照度數據訓練模型，獲得不同訓練參數的預測模型，S3：使用訓練好的模型對分布式光伏進行超短期功率預測。

10.根據權利要求1所述的一種縣域分布式光伏超短期預測方法，其特征在于：所述步驟4，對每一個分布式光伏用戶的預測結果相加，得到縣域分布式光伏功率預測結果。