一种适应层次化调度的分布式光伏集群短期出力预测方法技术

本发明专利技术提供一种适应层次化调度的分布式光伏集群短期出力预测方法，首先考虑影响分布式光伏集群出力的各类影响因素，对各类影响因素赋权并构建分布式光伏集群出力函数。其次，对分布式光伏出力的历史时序数据进行图形化转换和重构，构建分布式光伏集群出力的邻接矩阵，得到分布式光伏集群出力的图形化特征数据。最后，设计层与层间权重矩阵和激活函数构建分布式光伏集群出力预测模型，对所获得的图形化特征数据实现分布式光伏集群短期出力预测，提高分布式光伏集群出力预测精度，本发明专利技术能够在电网调度中更准确预测分布式光伏集群出力情况，实现更好的海量分布式电源功率调控与管理。与管理。与管理。

【技术实现步骤摘要】
一种适应层次化调度的分布式光伏集群短期出力预测方法


[0001]本专利技术属于配电网分布式电源功率调控
，尤其涉及一种适应层次化调度的分布式光伏集群短期出力预测方法。

技术介绍

[0002]随着高比例分布式光伏电源并网，给电网对分布式光伏集群调控与管理带来一定的挑战与困难。分布式光伏集群具有波动性强、随机性高等特征，使得电网在调控这些离散的分布式光伏集群时不能充分发挥分布式光伏集群灵活性，造成大量的弃光现象。面对上述所存在的问题，提高分布式光伏集群短期出力预测精度，可使电网掌握更加精确的分布式光伏集群出力外特性，更好的服务与电网调控管理。
[0003]目前通常采用BP、LSTM等神经网络对分布式光伏集群进行短期出力预测，将分布式光伏集群出力历史时序数据作为神经网络模型输入，通过不断迭代深度挖掘出力历史时序数据间相互关系，进而映射未来时刻内分布式光伏集群出力数据。
[0004]然而，现有的预测方法对光伏历史出力数据前一时刻的依赖度高，不同时刻光伏历史出力数据相关性较为薄弱，未从全局出发考虑分布式光伏集群各时间点间出力相关性。同时，不同分布式光伏集群在空间结构上的距离各不相同，现有的预测方法难以挖掘出不同分布式光伏集群出力间相互影响关系，导致提取到的分布式光伏集群出力特征不够全面，影响电网对分布式光伏集群的调控管理。

技术实现思路

[0005]本专利技术针对现有技术中的不足，提供一种适应层次化调度的分布式光伏集群短期出力预测方法。
[0006]本专利技术提供一种适应层次化调度的分布式光伏集群短期出力预测方法，包括：
[0007]获取分布式光伏集群出力的多个影响因素；
[0008]分别计算多个影响因素的权重；
[0009]根据多个影响因素和多个影响因素的权重构建分布式光伏集群出力函数，以得到分布式光伏集群出力历史时序数据；
[0010]将分布式光伏集群出力历史时序数据进行图形化转换和重构，得到历史出力数据各时间点的邻接矩阵；
[0011]根据历史出力数据各时间点的邻接矩阵构建分布式光伏集群出力特征的融合矩阵；
[0012]分别对多个分布式光伏集群出力特征的融合矩阵进行行和列归一化处理；
[0013]根据归一化处理后的融合矩阵构建图卷积神经网络每层特征传播函数；
[0014]根据图卷积神经网络每层特征传播函数构建图卷积神经网络分布式光伏短期出力预测模型，以对多个分布式光伏集群的出力进行短期预测。
[0015]进一步地，所述分别计算多个影响因素的权重，包括：
[0016]根据以下公式分别计算多个影响因素的权重：
[0017][0018]其中，ω
g
为分布式光伏集群出力第g个影响因素的指标权重；n为分布式光伏集群出力影响因素的总数；m为各影响指标的评价数；f
g
为分布式光伏集群出力第g个影响因素的指标的特征指标；α
g
为分布式光伏集群出力第g个影响因素。
[0019]进一步地，所述根据多个影响因素和多个影响因素的权重构建分布式光伏集群出力函数，以得到分布式光伏集群出力历史时序数据，包括：
[0020]构建分布式光伏集群出力函数的表达式：
[0021][0022]其中，f(t)为分布式光伏集群出力函数；n为分布式光伏集群出力影响因素的总数；ω
g
为分布式光伏集群出力第g个影响因素的指标权重；α
g
为分布式光伏集群出力第g个影响因素。
[0023]进一步地，所述将分布式光伏集群出力历史时序数据进行图形化转换和重构，得到历史出力数据各时间点的邻接矩阵，包括：
[0024]构建历史出力数据各时间点的邻接矩阵的表达式：
[0025][0026]其中，A(p,p)为p时刻邻接矩阵对角线的值；f(t
p
)为分布式光伏集群p时刻历史出力数据；A为时间节点的特征矩阵；I为单位矩阵；为时间节点a的特征矩阵；为时间节点a到时间节点b的出力关联矩阵；A
i
为第i个分布式光伏集群的出力邻接矩阵。
[0027]进一步地，所述根据历史出力数据各时间点的邻接矩阵构建分布式光伏集群出力特征的融合矩阵，包括：
[0028]构建分布式光伏集群出力特征的融合矩阵表达式：
[0029][0030]其中，F
ij
为第i个分布式光伏集群与第j个分布式光伏集群的出力特征融合矩阵；s为分布式光伏集群总能数；X
ij
为第i个分布式光伏集群与第j个分布式光伏集群出力的相关系数矩阵；A
i
为第i个分布式光伏集群的出力邻接矩阵；A
j
为第j个分布式光伏集群的出力邻
接矩阵。
[0031]进一步地，所述分别对多个分布式光伏集群出力特征的融合矩阵进行行和列归一化处理，包括：
[0032]根据以下公式分别对多个分布式光伏集群出力特征的融合矩阵进行行和列归一化处理：
[0033][0034]其中，为度矩阵；F
ij
为第i个分布式光伏集群与第j个分布式光伏集群的出力特征融合矩阵；s为分布式光伏集群总能数。
[0035]进一步地，所述根据归一化处理后的融合矩阵构建图卷积神经网络每层特征传播函数，包括：
[0036]构建图卷积神经网络每层特征传播函数表达式：
[0037][0038]其中，F
(l+1)
为图卷积神经网络第l+1个卷积层的特征；F
(l)
为图卷积神经网络第l个卷积层的特征；W
(l)
为图卷积神经网络第l个卷积层的权重矩阵；RELU为激活函数；为度矩阵；F
ij
为第i个分布式光伏集群与第j个分布式光伏集群的出力特征融合矩阵。
[0039]进一步地，所述根据图卷积神经网络每层特征传播函数构建图卷积神经网络分布式光伏短期出力预测模型，以对多个分布式光伏集群的出力进行短期预测，包括：
[0040]构建图卷积神经网络分布式光伏短期出力预测模型表达式：
[0041][0042]其中，Z为分布式光伏集群出力预测输出的映射变换；X为分布式光伏集群的出力历史时序数据；F
ij
为第i个分布式光伏集群与第j个分布式光伏集群的出力特征融合矩阵；为度矩阵；W
(l)
为图卷积神经网络第l个卷积层的权重矩阵；W
(l+1)
为图卷积神经网络第l+1个卷积层的权重矩阵；RELU为激活函数。
[0043]本专利技术提供一种适应层次化调度的分布式光伏集群短期出力预测方法，首先考虑影响分布式光伏集群出力的各类影响因素，对各类影响因素赋权并构建分布式光伏集群出力函数。其次，对分布式光伏出力的历史时序数据进行图形化转换和重构，构建分布式光伏集群出力的邻接矩阵，得到分布式光伏集群出力的图形化特征数据。最后，设计层与层间权重矩阵和激活函数构建分布式光伏集群本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适应层次化调度的分布式光伏集群短期出力预测方法，其特征在于，包括：获取分布式光伏集群出力的多个影响因素；分别计算多个影响因素的权重；根据多个影响因素和多个影响因素的权重构建分布式光伏集群出力函数，以得到分布式光伏集群出力历史时序数据；将分布式光伏集群出力历史时序数据进行图形化转换和重构，得到历史出力数据各时间点的邻接矩阵；根据历史出力数据各时间点的邻接矩阵构建分布式光伏集群出力特征的融合矩阵；分别对多个分布式光伏集群出力特征的融合矩阵进行行和列归一化处理；根据归一化处理后的融合矩阵构建图卷积神经网络每层特征传播函数；根据图卷积神经网络每层特征传播函数构建图卷积神经网络分布式光伏短期出力预测模型，以对多个分布式光伏集群的出力进行短期预测。2.根据权利要求1所述的分布式光伏集群短期出力预测方法，其特征在于，所述分别计算多个影响因素的权重，包括：根据以下公式分别计算多个影响因素的权重：其中，ω
g
为分布式光伏集群出力第g个影响因素的指标权重；n为分布式光伏集群出力影响因素的总数；m为各影响指标的评价数；f
g
为分布式光伏集群出力第g个影响因素的指标的特征指标；α
g
为分布式光伏集群出力第g个影响因素。3.根据权利要求1所述的分布式光伏集群短期出力预测方法，其特征在于，所述根据多个影响因素和多个影响因素的权重构建分布式光伏集群出力函数，以得到分布式光伏集群出力历史时序数据，包括：构建分布式光伏集群出力函数的表达式：其中，f(t)为分布式光伏集群出力函数；n为分布式光伏集群出力影响因素的总数；ω
g
为分布式光伏集群出力第g个影响因素的指标权重；α
g
为分布式光伏集群出力第g个影响因素。4.根据权利要求1所述的分布式光伏集群短期出力预测方法，其特征在于，所述将分布式光伏集群出力历史时序数据进行图形化转换和重构，得到历史出力数据各时间点的邻接矩阵，包括：构建历史出力数据各时间点的邻接矩阵的表达式：
其中，A(p,p)为p时刻邻接矩阵对角线的值；f(t
p
)为分布式光伏集群p时刻历史出力数据；A为时间节点的特征矩阵；I为单位矩阵；为时间节点a的特征矩阵；为时间节点a到时间节点b的出力关联矩阵；A
i
为第i个分布式光伏集群的出力邻接矩阵。5.根据权利要求1所述的分布式光...

【专利技术属性】
技术研发人员：张亮，周立洋，徐晓春，李荣，水恒华，李睿，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：