一种分布式光伏电站功率数据虚拟采集方法技术

本申请公开了一种分布式光伏电站功率数据虚拟采集方法，包括根据气象特征相似性，选取待采集电站采集日的相似日，以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；构建小波神经网络，并利用蝙蝠算法优化小波神经网络的参数；使用训练样本训练小波神经网络，得到功率数据虚拟采集模型；利用功率数据虚拟采集模型进行数据拟合，实现功率数据的虚拟采集。本发明专利技术通过基于相似日与BA‑WNN相结合方法建立功率数据虚拟采集模型，实现了分布式光伏电站功率数据的虚拟采集，具有可行性与有效性。

【技术实现步骤摘要】
一种分布式光伏电站功率数据虚拟采集方法
本专利技术属于分布式光伏数据采集
，涉及一种分布式光伏电站功率数据虚拟采集方法。
技术介绍
在当前全球能源危机、环境污染加剧的背景下，光伏作为一种高效、清洁的可再生能源，得到了世界各国的大力支持并得以迅速发展。我国十分重视光伏行业的发展，装机容量逐年提升，截至2019年年底，我国光伏累计并网装机容量达到204.3GW，新增装机容量15.99GW。2019年，我国光伏发电量为2242.6亿kWh，同比增长26.3％，占所有能源全年总发电量的3.1％，同比提高0.5个百分点。目前，光伏电站主要分为集中式光伏电站与分布式光伏电站两部分。其中分布式光伏电站大多具有点多面广、分散无序的特点，导致了分布式光伏电站数据的获取需要监测数据点的数量非常庞大，仅依靠增加传感器数量和提高采集频次等方法数据采集的成本过高，且多数户用型分布式光伏的用户不愿承担该项费用，制约了分布式光伏行业的发展。为此，开发一种充分考虑分布式光伏运维的经济性，低成本、高效率的新型分布式光伏运维数据采集方案，具有重要意义。虚拟采集作为一种实时运维数据的预测技术，可利用同区域电站的外部条件与电站内部数字数值与变化趋势的相似性，结合电站部分数据，对分布式光伏电站的数据进行拟合，利用区域范围内已安装完整采集终端的光伏数据，将未安装采集装置或采集装置不完备的分布式光伏电站的数据补充完善，实现光伏运维数据的获取，节约数据采集成本。由于光伏运维数据种类繁多，其中备受光伏业主关注的为实时功率数据，也是本专利技术的研究对象。当前的分布式光伏功率数据采集方案仅仅针对未来功率的预测与历史数据的修复，而并未涉及于对于实时的光伏数据的采集与预测。因此，本专利技术借鉴以上经验并结合实际项目工程的需求，提出一种基于相似日与蝙蝠算法与小波神经网络(Batalgorithmandwaveletneuralnetwork,BA-WNN)结合的分布式光伏数据虚拟采集方法。由于目前我国的分布式光伏电站，同一区域范围内的分布式光伏电站基本都为统一安装，气象因素以及各设备的各项参数基本相同，其出力情况的变化就比较相似。从成本方面考虑，电流采集终端的成本较低，且电站内的电流数据能够较好的反映该电站出力的不确定性。因此，在同一区域内，选取具有完整数据采集系统分布式光伏电站为标杆电站，其余电站只安装了价格较低的电流采集终端，利用标杆电站的部分数据与其余电站的电流数据，对未进行实时采集的功率数据进行预测，可实现区域范围内分布式光伏电站数据的“实时+虚拟”采集。
技术实现思路
为解决现有技术中的不足，本申请提供一种分布式光伏电站功率数据虚拟采集方法。为了实现上述目标，本专利技术采用如下技术方案：一种分布式光伏电站功率数据虚拟采集方法，所述方法包括以下步骤：步骤1：根据气象特征相似性，选取待采集电站采集日的相似日，以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；步骤2：构建小波神经网络，并利用蝙蝠算法优化小波神经网络的参数；步骤3：将步骤2优化得到的小波神经网络参数作为小波神经网络的初始参数，使用训练样本训练小波神经网络，得到功率数据虚拟采集模型；步骤4：输入采集日标杆电站的功率数据及待采集电站的电流数据，利用功率数据虚拟采集模型进行数据拟合，实现功率数据的虚拟采集。本专利技术进一步包括以下优选方案：优选地，步骤1所述标杆电站和待采集电站为同一气象区域范围内的分布式光伏电站，且标杆电站和待采集电站的设备参数相同，所述标杆电站设有功率数据采集终端，待采集电站设有电流采集终端。优选地，步骤1具体包括以下步骤：步骤1.1：获取采集日及采集日前P个历史日的气象数据，P＞1；步骤1.2：对采集日和每个历史日，分别构造气象特征向量：X＝[F1,F2,…,Fn-1,Fav]；Fav为每日辐照度的平均值，Fm(m＝1,2,…,n-1)为该日各时刻的气象数据；步骤1.3：对步骤1.2构造的各气象特征向量分别进行分量归一化处理；采集日与历史日归一化后的气象特征向量分别为：x0＝(x0(1),x0(2),…,x0(n))xi＝(xi(1),xi(2),…,xi(n))式中，x0为采集日归一化后的气象特征向量，xi为第i个历史日归一化后的气象特征向量；x0(n)为采集日第n个归一化后的分量，xi(n)为第i历史日第n个归一化后的分量，i＝1,…P；步骤1.4：计算xi相对于x0的相似性综合指标Si；步骤1.5：将各历史日的相似性综合指标值递减排列，选取前Q个历史日作为相似日，Q小于P；步骤1.6：以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本。优选地，步骤1.1中，获取的气象数据为辐照度。优选地，步骤1.3中，采用如下归一化方式：式中，x、xmin、xmax分别为原始数据、原始数据中的最小值、原始数据中的最大值，x'为归一化后的数据。优选地，步骤1.4包括以下步骤：步骤1.4.1：分别计算x0与xi在第n个分量的关联系数：式中，Δ＝|x0(n)-xi(n)|，ξi(n)为关联系数，r为分辨系数；步骤1.4.2：分别计算x0和xi的相似度：式中，N为各分量的关联系数的总数；步骤1.4.3：分别计算x0和xi的余弦相似度：其中，xok、xik分别为采集日和第i个历史日气象特征向量的第k个分量；步骤1.4.4：计算xi相对于x0的相似性综合指标Si：Si＝αRi+(1-α)Dcosi其中，α为经验权重系数。优选地，所述小波神经网络将神经网络的激活函数替换成小波函数，而相应的输入层到隐含层的权值及激活阈值，由小波函数的尺度伸缩因子和平移因子所代替；所述小波神经网络的网络结构包括三层，即输入层、隐藏层和输出层；隐含层节点的个数为：式中：n为隐含层节点的个数，i为输入层节点的个数，k为输出层节点的个数，a为1-10之间的常数；所述小波神经网络的小波基函数为Morlet函数：隐含层输出公式为：式中：为隐含层第j个节点的输出；n为隐含层节点总数；输出层计算公式：式中：k为输出层节点个数；网络误差为：式中：yn(k)为期望输出，y(k)为拟合输出值。优选地，所述小波神经网络参数包括权值、伸缩因子与平移因子。优选地，步骤2所述利用蝙蝠算法优化小波神经网络的参数，包括以下步骤：步骤2.1：设置蝙蝠算法初始值：最大迭代次数IMAX，种群规模N，种群维度，脉冲频率的范围fi∈[fmin,fmax]，脉冲频率r0，响度A0，脉冲响度控制系数α，频度控制系数μ，精度为ε，所述种群维度为需要优化的权值、平移因子、伸缩因本文档来自技高网...

【技术保护点】
1.一种分布式光伏电站功率数据虚拟采集方法，其特征在于：/n所述方法包括以下步骤：/n步骤1：根据气象特征相似性，选取待采集电站采集日的相似日，以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；/n步骤2：构建小波神经网络，并利用蝙蝠算法优化小波神经网络的参数；/n步骤3：将步骤2优化得到的小波神经网络参数作为小波神经网络的初始参数，使用训练样本训练小波神经网络，得到功率数据虚拟采集模型；/n步骤4：输入采集日标杆电站的功率数据及待采集电站的电流数据，利用功率数据虚拟采集模型进行数据拟合，实现功率数据的虚拟采集。/n

【技术特征摘要】
1.一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
所述方法包括以下步骤：
步骤1：根据气象特征相似性，选取待采集电站采集日的相似日，以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本；
步骤2：构建小波神经网络，并利用蝙蝠算法优化小波神经网络的参数；
步骤3：将步骤2优化得到的小波神经网络参数作为小波神经网络的初始参数，使用训练样本训练小波神经网络，得到功率数据虚拟采集模型；
步骤4：输入采集日标杆电站的功率数据及待采集电站的电流数据，利用功率数据虚拟采集模型进行数据拟合，实现功率数据的虚拟采集。


2.根据权利要求1所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
步骤1所述标杆电站和待采集电站为同一气象区域范围内的分布式光伏电站，且标杆电站和待采集电站的设备参数相同，所述标杆电站设有功率数据采集终端，待采集电站设有电流采集终端。


3.根据权利要求2所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
步骤1具体包括以下步骤：
步骤1.1：获取采集日及采集日前P个历史日的气象数据，P＞1；
步骤1.2：对采集日和每个历史日，分别构造气象特征向量：
X＝[F1,F2,…,Fn-1,Fav]；
Fav为每日辐照度的平均值，Fm(m＝1,2,…,n-1)为该日各时刻的气象数据；
步骤1.3：对步骤1.2构造的各气象特征向量分别进行分量归一化处理；
采集日与历史日归一化后的气象特征向量分别为：
x0＝(x0(1),x0(2),…,x0(n))
xi＝(xi(1),xi(2),…,xi(n))
式中，x0为采集日归一化后的气象特征向量，xi为第i个历史日归一化后的气象特征向量；x0(n)为采集日第n个归一化后的分量，xi(n)为第i历史日第n个归一化后的分量，i＝1,…P；
步骤1.4：计算xi相对于x0的相似性综合指标Si；
步骤1.5：将各历史日的相似性综合指标值递减排列，选取前Q个历史日作为相似日，Q小于P；
步骤1.6：以相似日的标杆电站的功率数据和待采集电站的电流数据作为小波神经网络的训练样本。


4.根据权利要求3所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
步骤1.1中，获取的气象数据为辐照度。


5.根据权利要求3所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
步骤1.3中，采用如下归一化方式：



式中，x、xmin、xmax分别为原始数据、原始数据中的最小值、原始数据中的最大值，x'为归一化后的数据。


6.根据权利要求3所述的一种分布式光伏电站功率数据虚拟采集方法，其特征在于：
步骤1.4包括以下步骤：
步骤1.4.1：分别计算x0与xi在第n个分量的关联系数：



式中，Δ＝|x0(n)-xi(n)|，ξi(n)为关联系数，r为分辨系数；
步骤1.4.2：分别计算x0和xi的相似度：



式中，N为各分量的关联系数的总数；
步骤1.4.3：分别计算x0和xi的余弦相似度：



其中，xok、xik分别为采集日和第i个历史日气象特征向量的第k个分量；
步骤1.4.4：计算xi相对于x0的相似性综合指标Si：
Si＝αRi+(1-α)Dcosi
其中，α为经验权重系数。


7.根据权利要求2所述的一种分...

【专利技术属性】
技术研发人员：姜小涛，方磊，牛睿，葛磊蛟，王文天，张凌浩，秦羽飞，朱红勤，周科峰，刘嘉恒，许超，嵇文路，冯隆基，马琎劼，胡君，张继东，王文帝，杨卓然，
申请(专利权)人：国网江苏省电力有限公司南京供电分公司，天津大学，
类型：发明
国别省市：江苏;32