[發(fā)明專利]一種基于時空相關(guān)性的短期光伏出力預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202310837787.6
• 申請日: 2023-07-10
• 公開（公告）號: CN116565863B
• 公開（公告）日: 2023-09-26
• 發(fā)明（設(shè)計）人: 李豪;馬剛;孟宇翔;李偉康;李天宇;沈靜文
• 申請（專利權(quán)）人: 南京師范大學(xué)
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J3/38;G06F18/20;G06F18/15;G06F18/213;G06N3/0442;G06N3/045;G06N3/0464;G06N3/084;G06Q10/0631;G06Q50/06
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

本發(fā)明公開了一種基于時空相關(guān)性的短期光伏出力預(yù)測方法，步驟如下：獲取某區(qū)域多個光伏電站的歷史功率及待測電站影響因子的歷史數(shù)據(jù)，建立特征數(shù)據(jù)庫；利用皮爾遜相關(guān)性分析，選取強(qiáng)相關(guān)的氣象因子；引入歷史發(fā)電功率，構(gòu)造延時輸入特征；建立基于區(qū)域光伏電站拓?fù)浣Y(jié)構(gòu)的GCN模型，對多光伏電站光伏空間演變模式橫向追蹤，聚合鄰近光伏電場的空間特征，輸出包含空間演變模式的空間特征集合；采用SGMD對輸入特征進(jìn)行模態(tài)分解，得到能夠表現(xiàn)歷史數(shù)據(jù)時序變化特征的多級模態(tài)子序列，構(gòu)造高維特征集合；采用CNN?BiLSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和光伏發(fā)電功率預(yù)測，并進(jìn)行誤差評估。本發(fā)明為新型電力系統(tǒng)的能量管理和優(yōu)化調(diào)度提供基礎(chǔ)，具備較高的預(yù)測精度和可行性。

技術(shù)領(lǐng)域

本發(fā)明涉及新能源發(fā)電及入網(wǎng)的光伏預(yù)測領(lǐng)域，特別是一種基于時空相關(guān)性的短期光伏出力預(yù)測方法。

背景技術(shù)

近些年來，隨著化石燃料的不斷消耗和新能源需求的不斷增加，有效利用可再生能源發(fā)電已成為一個熱門話題。其中光伏被認(rèn)為是最有前途的可再生能源之一，被廣泛研究和使用，其滲透率在電力系統(tǒng)中逐漸增加。然而，由于天氣狀況的混沌性和隨機(jī)性，光伏發(fā)電呈現(xiàn)出不確定性和隨機(jī)性，隨著光伏發(fā)電在電力系統(tǒng)中的滲透率越來越高，可能會對電力系統(tǒng)造成一定的沖擊。因此，提高光伏出力預(yù)測的準(zhǔn)確性，是維持新型電力系統(tǒng)穩(wěn)定、高效運(yùn)作的重要基礎(chǔ)，對于電網(wǎng)的經(jīng)濟(jì)調(diào)度至關(guān)重要。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明的目的是提供一種基于時空相關(guān)性的短期光伏出力預(yù)測方法，從而為新型電力系統(tǒng)的能量管理和優(yōu)化調(diào)度提供基礎(chǔ)，更好地實現(xiàn)日前調(diào)度與日內(nèi)調(diào)度，對能源系統(tǒng)安全、經(jīng)濟(jì)運(yùn)行起到重要的作用。

技術(shù)方案：本發(fā)明所述的一種基于時空相關(guān)性的短期光伏出力預(yù)測方法，包括以下步驟：

（1）獲取某區(qū)域相鄰光伏電站的歷史功率及待測電站影響因子的歷史數(shù)據(jù)，建立特征數(shù)據(jù)庫，對原始數(shù)據(jù)進(jìn)行異常值剔除和缺失值填補(bǔ)，由于不同特征的維度不同，使用最大-最小方法將所有數(shù)據(jù)歸一化。

（2）利用皮爾遜相關(guān)性分析，選取強(qiáng)相關(guān)的氣象因子；引入歷史發(fā)電功率，構(gòu)造延時輸入特征。

（3）建立基于區(qū)域光伏電站拓?fù)浣Y(jié)構(gòu)的GCN模型，對多光伏電站光伏空間演變模式橫向追蹤，聚合鄰近光伏電場的空間特征，輸出包含空間演變模式的空間特征集合。

（4）利用SGMD處理非線性不平穩(wěn)序列的優(yōu)點(diǎn)，將輻照度、溫度、濕度、降雨量、區(qū)域光伏出力聚合特征和待測電站光伏出力分解為一組相對平穩(wěn)的子序列，以剔除部分波動性較大的誤差分量，構(gòu)建更能反映歷史數(shù)據(jù)時序變化特征的多層模態(tài)子序列特征矩陣，將不同輸入特征及光伏出力的對應(yīng)子序列組成子序列輸入矩陣。

（5）采用CNN-BiLSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取和光伏發(fā)電功率預(yù)測，然后通過反歸一化和子序列重構(gòu)得到最終的預(yù)測結(jié)果，并對此進(jìn)行誤差評估。

所述步驟（1）具體為：

對某區(qū)域多個光伏電站歷史出力數(shù)據(jù)及待測電站氣象因子的歷史數(shù)據(jù)進(jìn)行整理；對樣本集進(jìn)行去異常值和數(shù)據(jù)補(bǔ)全。

（1.1）運(yùn)用拉依達(dá)準(zhǔn)則法，給定一個置信概率，并確定一個置信限，認(rèn)為超出此限的誤差不屬于隨機(jī)誤差范圍，將其視為異常值剔除，得到多個光伏電站歷史功率、待測電站氣象因子歷史數(shù)據(jù)。

（1.2）在剔除異常值的基礎(chǔ)上，采用雙線性插值法分別對歷史出力數(shù)據(jù)、氣象因子歷史數(shù)據(jù)中的缺失數(shù)據(jù)進(jìn)行填補(bǔ)。

（1.3）將已經(jīng)清洗完的歷史出力數(shù)據(jù)和待測電站氣象因子數(shù)據(jù)進(jìn)行歸一化處理，所述歸一化公式如下：

；