【技术实现步骤摘要】
基于深度学习融合模型的光伏功率区间概率预测方法
[0001]本专利技术属于光伏发电预测
,具体涉及基于深度学习融合模型的光伏功率区间概率预测方法。
技术介绍
[0002]近年来,环境污染问题日渐严重,不可再生能源匮乏问题日渐凸显,世界各国开始寻求新的能源发展道路,我国在2014年开始实施新能源发展战略,作为能源转型重要组成部分的太阳能开始得到大规模发展和利用,截止2021年底,我国光伏发电总装机已经达到3.06亿kW,2021年一年全国光伏新增装机5300万kW。以光伏发电为代表的大规模新能源并网发电是未来新一代电力系统不可阻挡的发展趋势和其突出特征。然而,光伏发电由于受到多种复杂环境因素的影响,造成光伏发电功率存在较强的随机波动性、间歇性以及非平稳性,随着电力系统中高比例光伏发电的接入,其作为一个不可控的电源会严重威胁到电力系统的安全稳定运行。因此,研究光伏功率预测技术,对于我国构建新一代电力系统,使其适应高比例可再生能源的接入具有重要的意义,同时对构建电力系统综合安全防御体系、实现风险控制具有重要价值。
[0003]现有的光伏功率预测技术从预测的结果形式上分类,可以分为确定性预测和不确定性预测。光伏功率确定性预测结果为单点预测,优点是较为直观,但是无法表征光伏功率预测的不确定性信息。不确定性预测能够给出未来时刻光伏功率可能的变化范围以及可置信程度,不确定性预测结果能够为电力系统调度提供更加全面的数据支撑,具有更加重要的工程意义。从预测模型上分类,可以分为物理模型和数据驱动模型,物理模型从光伏组件特性 ...
【技术保护点】
【技术特征摘要】
1.基于深度学习融合模型的光伏功率区间概率预测方法,其特征在于,具体按照以下步骤实施:步骤1、获取预处理后的气象要素数据和历史光伏功率数据,对光伏功率和气象因素进行变量相关性分析,确定预测模型的输入变量;步骤2、选取聚类变量,构建聚类变量的统计特征,步骤3、根据步骤2选取的聚类变量及其统计特征,采用模糊C均值聚类算法进行光伏历史数据的相似日聚类,得到光伏相似日数据集;步骤4、采用min
‑
max归一化方法对光伏相似日数据集进行归一化处理;步骤5、将各个天气情况下的相似日数据集划分为训练集和测试集;步骤6、构建QR
‑
CNN
‑
BiLSTM区间预测模型,设置CNN和BiLSTM模型的参数,设置模型训练的相关参数;将相似日数据集的训练集输入模型中进行训练;步骤7、将测试集的数据输入到步骤6中训练好的QR
‑
CNN
‑
BiLSTM区间预测模型中,进行光伏功率区间预测;步骤8、将区间预测结果再经过反归一化使其具有物理意义;步骤9、采用交叉验证和网格搜索方法优化的核密度估计算法,生成测试集上的光伏概率预测结果。2.根据权利要求1所述的基于深度学习融合模型的光伏功率区间概率预测方法,其特征在于,所述步骤1中,具体为:步骤1.1、选取预处理后的气象要素数据和光伏发电功率数据;气象要素变量和光伏功率变量的时间分辨率为5min,选取风速、相对湿度、环境温度、总水平辐射、漫射水平辐射、降雨量、风向、总倾斜辐射以及漫射倾斜辐射作为原始的气象要素数据变量;步骤1.2,采用kendall秩相关系数R度量多个气象要素变量之间的相关性程度;步骤1.3、选取光伏功率的kendall秩相关系数R绝对值不小于0.5的气象因素,将其作为预测模型输入。3.根据权利要求2所述的基于深度学习融合模型的光伏功率区间概率预测方法,其特征在于,所述步骤2中,具体为:步骤2.1、选取光伏功率的kendall秩相关系数值最高的气象因素变量作为聚类变量;步骤2.2、选取该聚类变量的平均值、标准差、最大值、峰波谷数、变异系数、峰度和偏度作为统计特征。4.根据权利要求1所述的基于深度学习融合模型的光伏功率区间概率预测方法,其特征在于,所述步骤3中,具体为:步骤3.1、根据步骤2构建的聚类变量的统计特征,计算各天聚类变量的7个统计特征的数值;步骤3.2、确定数据聚类类别个数c,初始化聚类中心V
i
,给定模糊化参数m,初始化隶属度矩阵U
(0)
,给定算法的终止标准ε;步骤3.3、根据式(5)计算第t次迭代的所有聚类中心,得到聚类中心矩阵:
式中:u
ij
为第i个样本属于第j类的隶属度;x
i
为样本点;m是隶属度因子;n为样本数;t是迭代次数;c表示聚类个数...
【专利技术属性】
技术研发人员:王开艳,杜浩东,贾嵘,王颂凯,刘恒,
申请(专利权)人:西安理工大学,
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。