基于光伏发电符号序列直方图聚类的天气类型划分方法技术

本发明专利技术涉及一种基于光伏发电符号序列直方图聚类的天气类型划分方法。针对光伏出力呈现间歇性和不确定性特征，本发明专利技术在对光伏出力序列进行去趋势重建、差分计算和符号化处理，从而利用符号直方图来表征光伏出力波动特征的基础上，通过设定聚类簇边界，即波动分值分界；根据边界对数据集进行划分，并计算聚类评价指标；通过移动聚类簇边界进行迭代，寻找最优聚类评价指标，得到最优聚类边界；根据最优边界和给出的分类规则对历史样本日天气类型的自动划分。的自动划分。的自动划分。

【技术实现步骤摘要】
基于光伏发电符号序列直方图聚类的天气类型划分方法


[0001]本专利技术属于光伏新能源领域，涉及一种基于光伏发电符号序列直方图聚类的天气类型划分方法。

技术介绍

[0002]光伏发电作为太阳能利用的主要形式之一，具有零污染和可再生的优点，已成为解决碳排放问题的重要途径。但太阳能是一种自然变动能源，光伏发电出力受天气条件尤其是云层变化的影响较大，其供电模式呈现间歇性和不确定性特征。这些特征不仅给电力系统安全稳定运行带来新的挑战，也对电力灵活性和调节能力提出了更高的要求。随着光伏发电在电网和微电网中渗透率的提高，光伏发电的出力预测已成为光伏应用领域的重要研究课题。
[0003]由于光伏发电与云层覆盖度，即晴、雨、阴天以及多云等气象条件存在着密切联系，因此，历史日天气类型的有效分类是获得准确相似日的关键所在，也是提高光伏发电预测精度的一个关键因素。但目前光伏出力预测研究中，针对直接影响相似日准确性的天气条件的研究往往被忽视，它们大多直接采用气象服务供货商提供的天气预报数据。这存在两方面的问题：(1)公共天气预报自身存在的误差。(2)公共天气预报对天气类型的划分是基于全天空云层覆盖比例，因此一般也只能提供较大地理范围的粗略预报，用于光伏发电预测时，其空间分辨率难以满足要求。这意味着光伏出力预测中相似日的训练样本标签并不可靠，这将严重影响到后续的光伏出力预测精度。

技术实现思路

[0004]目前的光伏发电预测在确定相似日时普遍依赖于气象数据，这在某种程度上限制了光伏发电预测精度的进一步提高。而实验研究表明，光伏组件的输出功率波动趋势与太阳辐射强度的波动趋势基本一致。被普遍接受的观点是，太阳辐射强度与由云层覆盖度定义的天气类型存在着密切联系。基于以上背景，本专利技术面向光伏发电预测，提出一种由历史光伏出力数据反向推算对应天气类型的新策略，以改变光伏出力预测中相似日选取普遍依赖天气预报数据的现状，从而提升光伏出力预测的准确性和鲁棒性。
[0005]本专利技术提出一种基于光伏发电符号序列直方图聚类的天气类型划分方法，包括以下步骤：
[0006]步骤(1)对原始光伏出力序列和去除固定趋势性成分后序列的符号直方图特征分别计算波动分值，获得波动分值序列。
[0007]步骤(2)基于波动分值序列，对符号序列直方图进行聚类，得到最优边界和分类规则。
[0008]步骤(3)根据最优边界和分类规则对样本日的天气类型重新划分。
[0009]本专利技术具有的有益效果为：
[0010]1、本专利技术提供了一种基于历史光伏出力波动分析的天气类型映射方法。根据光伏
发电的气象敏感特点，利用无监督聚类算法挖掘历史光伏出力所隐含的气象信息，由历史光伏出力数据反向推算对应的气象条件，实现对历史天气类型的重新划分，为光伏发电预测提供更准确的相似日信息。
[0011]2、本专利技术聚类得到的历史天气类型与天空太阳辐射状况密切相关，而且是根据历史光伏数据特征得到的，是面向光伏发电日前预测的，尤其对于分布式光伏电站的局部天气类型描述具有较强的针对性。
附图说明
[0012]图1为符号序列直方图聚类及天气类型划分流程图。
具体实施方式
[0013]通过对光伏出力序列进行去趋势重建、差分计算、符号化，进行字编码，以及符号直方图特征提取步骤，可以分别获得原始光伏出力序列X
(m,d)
和去除固定趋势性成分后的序列R
(m,d)
的符号序列SX
(m,d)
和SR
(m,d)
，并最终获得符号序列直方图HX
(m,d)
和HR
(m,d)
；其中去趋势重建，具体为：针对特定的光伏发电系统，以日为单位，记录光伏发电有效时段内的输出功率，用X
(m,d)
表示；如式(1)所示；
[0014][0015]式中，i、d和m分别代表采样周期序号及其所在的日期和月份；N表示一天的总采样点数；表示在第m月第d天、第i个采样周期内的光伏发电平均功率；
[0016]采用一种逐点组合的方式得到近似晴空序列来代替理想晴空序列；设为历史样本库中遍历第m月所有天、第i个采样周期内光伏发电平均功率的最大值，将上述最大值组合成第m月的近似晴空序列如式(2)所示：
[0017][0018]从中分解出能反映瞬时气象条件变化的去趋势项r
i(m,d)
；如式(3)所示：
[0019][0020]则去掉固定趋势性成分后的序列R
(m,d)
表示为：
[0021][0022]差分计算具体为：
[0023]对X
(m,d)
和R
(m,d)
分别进行一阶差分计算，获得特征序列的差分时间序列
△
X
(m,d)
和
△
R
(m,d)
，以下简称“差分序列”；以
△
X
(m,d)
为例，计算如式(5)和(6)所示；
[0024][0025][0026]其中i、d和m分别代表采样周期序号及其所在的日期和月份；
△
R
(m,d)
的计算过程同上。
[0027]符号化具体为：以
△
X
(m,d)
的符号化为例，设差分序列
△
X
(m,d)
根据波动程度分为M
个等级，即差分序列的幅值空间Ω分为M个勒贝格测度上的子空间Ω
n
，其中则用M个字符对差分序列的元素进行赋值，从而将差分序列离散化为字符串；
[0028]采用等概率原则，用自然数集合作为赋值符号对差分序列的元素进行赋值，即如式(7)所示；
[0029]sx
i(m,d)
＝{n|
△
x
i(m,d)
∈Ω
n
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0030]其中，Ω
n
表示值区间，n为自然数，取值范围为[0,M
‑
1]，i、d和m分别代表采样周期序号及其所在的日期和月份；
[0031]通过上述时间上离散、空间上连续的映射，将
△
X
(m,d)
离散化生成一个符号序列，用SX
(m,d)
表示；如式(8)所示；
[0032]SX
(m,d)
＝(sx
1(m,d)
,sx
2(m,d)
,
…
,sx
N
‑
1(m,d)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0033]同理可得到差分序列
△
R
(m,d)
的符号序列SR
(m,d)
。
[0034]进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于光伏发电符号序列直方图聚类的天气类型划分方法，其特征在于，该方法具体包括以下步骤：步骤(1)对原始光伏出力序列和去除固定趋势性成分后序列的符号直方图特征分别计算波动分值，获得波动分值序列QX和QR；以日为单位，引入表征光伏出力时间序列波动程度的波动分值的概念；由于符号序列字编码值的大小反映了一个字长时间段内波动的剧烈程度，所提波动分值是以字编码为依据进行的计算；定义波动分值为符号直方图中的编码值与频次的乘积之和；以符号序列直方图HX
(m,d)
波动分值qx
(m,d)
的计算为例，如式(1)所示：其中，PX
k
表示当前日的所有样本对应字编码值k的出现频次；L为符号序列SX
(m,d)
的最优字长，M为符号化处理过程中的波动程度等级数，X
(m,d)
表示光伏发电有效时段内的输出功率，d和m分别代表采样所在的日期和月份；计算样本集中所有日的波动分值；设所有出现过的不同波动分值的个数为T
x
；将所有qx
(m,d)
按从小到大的顺序重新排列，构成X
(m,d)
的波动分值序列QX，如式(2)所示；QX＝{qx1,qx2,
…
qx
t
,
…
,qx
T
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，qx1为最小波动分值；qx
T
为最大波动分值；至此，样本日的特征序列的波动就可由该日的波动分值进行量化；该波动分值越大，说明该日光伏出力波动越剧烈，同理可得R
(m,d)
的波动分值序列QR；步骤(2)基于波动分值序列QX和QR，对符号序列直方图进行聚类，得到最优边界和分类规则；通过寻找波动分值的最优聚类簇边界，将QX和QR分别分割为若干个带标签的子类，实现这些子类所对应的符号序列直方图的无监督聚类；步骤(3)根据最优边界和分类规则对样本日的天气类型重新划分。...

【专利技术属性】
技术研发人员：郑凌蔚，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：