一种考虑时空特性聚类的光伏集群区间预测方法技术

一种考虑时空特性聚类的光伏集群区间预测方法，属于光伏功率预测技术领域，包括集群聚类和区间预测，采用K

【技术实现步骤摘要】
一种考虑时空特性聚类的光伏集群区间预测方法


[0001]本专利技术属于光伏功率预测
，特别是涉及到一种考虑时空特性聚类的光伏集群区间预测方法。

技术介绍

[0002]在可再生能源经济迅速发展和当前全球环境效益影响下，绿色清洁能源已被大规模投入到电力生产中。其中，光伏发电凭借其易于获得、成本较低及清洁度高等优势成为代替传统化石能源发电的最佳绿色能源之一。然而，光伏发电量受天气影响具有一定不确定性和随机性等特点，这些对电力系统的稳定、安全供电造成了威胁。因此，需要准确的光伏功率预测为电力部门提供调度依据，同时帮助电力系统更好地进行光伏消纳和应用。
[0003]光伏功率超短期预测是从预测时刻开始未来的15分钟至4小时的功率输出曲线的预测。超短期功率预测的意义在于滚动修正计划曲线，及时调整有功出力。区间预测是指在一定置信度下，根据给定的解释变量的值，预测相应的被解释变量取值的一个可能范围，即提供被解释变量的一个置信区间。现有的超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史数据预测未来的功率值，从而获得较高的预测精度。
[0004]光伏预测领域需亟待解决的集群预测技术问题如下：
[0005](1)目前预测方法更对是针对单个发电场进行预测，对于大规模集中式分布光伏电站的预测研究较少，实际上，大规模光伏电站的发电输出功率预测曲线对电力调度更有意义；
[0006](2)不同于单场功率预测方式，光伏集群预测的输入数据为多个电场的汇聚结果，多电场集群预测在出力曲线特征上有所不同，功率曲线归一化后的波动幅值与频数有所下降，需重新探究区别于单场预测方法的大规模集群光伏预测模型。
[0007]因此，现有技术亟需一种新的技术方案来解决上述问题。

技术实现思路

[0008]本专利技术所要解决的技术问题是：提供一种考虑时空特性聚类的光伏集群区间预测方法，克服现有技术的不足，能够针对不同地理位置得出待预测日出力曲线误差，能够反映系统动态特性、跟踪未来功率趋势，达到最好的预测效果。
[0009]一种考虑时空特性聚类的光伏集群区间预测方法，包括以下步骤，且以下步骤顺次进行，
[0010]步骤一、采用卷积神经网络模型CNN对光伏电站功率进行时间尺度初步预测，提取光伏功率波动，作为天气类型划分依据，将波动类型划分为复杂波动类型和简单波动类型；
[0011]步骤二、依据光伏电站地理位置造成的功率差异，结合时间尺度和空间尺度特征采用K
‑
Modes聚类算法依据相似特征对光伏集群进行子区域划分；
[0012]步骤三、采用长短期记忆网络模型LSTM与分位数损失函数QL结合，建立QR
‑
LSTM模型，将分位数回归和长短期记忆神经网络结合，经过OR
‑
LSTM模型训练，对划分后的子区域
进分别进行光伏功率区间预测，并根据每个子区域的特点，对LSTM的步长进行调整，完成光伏功率区间预测。
[0013]所述步骤一天气类型数据包括辐照度、云层、温度以及风速，波动类型划分的方法为：
[0014]根据日前数据计算光伏功率的一阶差分ΔP并采用argrelextrema作为比较器统计一天内功率波动的极值点个数n
e
，ΔP和n
e
的求解如下：
[0015]ΔP＝P
t+1
‑
P
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0016]n
e
＝n
emax
+n
emin
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017]式中，ΔP为前后两个时刻的功率差值，P
t+1
和P
t
分别代表t+1和t时刻的光伏电站功率，n
emax
和n
emin
为功率波动的极大值点和极小值点个数；
[0018]使用箱线图对一阶差分变量的异常点个数进行统计，相邻两个点光伏功率的变化范围在一定程度可以反映功率波动剧烈程度；其中上下限的计算公式如下：
[0019]low_limit＝Q1‑
1.5
×
(Q3‑
Q1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0020]up_limit＝Q3+1.5
×
(Q3‑
Q1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0021]式中，low_limit为一天内一阶差分变量波动特征参数的阈值下限，up_limit为一天内一阶差分变量波动特征参数的阈值上限，Q1为下四分位数，数据的25％分位点所对应的值；Q3为上四分位数，数据的75％分位点所对应的值，Q3‑
Q1为四分位差；
[0022]数据被判定为异常值的条件为一阶差分功率数据值大于箱线图的上限或小于箱线图的下限；统计一天内的一阶差分异常点个数记为n
Δ
；根据每日一阶差分异常点个数和功率波动极值点个数对复杂或简单波动类型进行划分；取n
Δ
和n
e
的上四分位数和作为判定阈值，同时满足且的波动被划分为复杂波动类型，其余为简单波动类型。
[0023]所述步骤二K
‑
Modes聚类算法为，使用Mode来表示聚类，并使用基于频率的方法更新聚类过程中的聚类中心；聚类的中心是一个数据点值为：
[0024][0025]式中，x
i
和x
j
表示数据集X聚类中心x
i
＝(f(x
i
,a1),f(x
i
,a2),...,f(x
i
,a
m
))，x
j
＝(f(x
j
,a1),f(x
j
,a2),...,f(x
j
,a
m
))，d(x
i
,x
j
)为距离的累加，表示到同一个聚类中心距离相同的点的个数；
[0026][0027]式中，F为聚类算法目标函数，k，n，m分别为聚类单元的个数，样本的个数以及样本属性的个数；W＝[w
i,l
]，w
il
∈{0,1}且W是n
×
k阶{0.1}的矩阵，w
il
＝1表示第i个样本被分配到聚类l中；Z＝{Z1,Z2,...,,Z
k
}，其中Z
l
代表聚类l的中心；Z
i
由(z
i1
,z
i2
,...,z
im
)组成；
[0028]连续迭代，至目标函数F不变，获得聚类中心和集群。
[0029]所述步骤三分位数损失函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑时空特性聚类的光伏集群区间预测方法，其特征是：包括以下步骤，且以下步骤顺次进行，步骤一、采用卷积神经网络模型CNN对光伏电站功率进行时间尺度初步预测，提取光伏功率波动，作为天气类型划分依据，将波动类型划分为复杂波动类型和简单波动类型；步骤二、依据光伏电站地理位置造成的功率差异，结合时间尺度和空间尺度特征采用K
‑
Modes聚类算法依据相似特征对光伏集群进行子区域划分；步骤三、采用长短期记忆网络模型LSTM与分位数损失函数QL结合，建立QR
‑
LSTM模型，将分位数回归和长短期记忆神经网络结合，经过OR
‑
LSTM模型训练，对划分后的子区域进分别进行光伏功率区间预测，并根据每个子区域的特点，对LSTM的步长进行调整，完成光伏功率区间预测。2.根据权利要求1所述的一种考虑时空特性聚类的光伏集群区间预测方法，其特征是：所述步骤一天气类型数据包括辐照度、云层、温度以及风速，波动类型划分的方法为：根据日前数据计算光伏功率的一阶差分ΔP并采用argrelextrema作为比较器统计一天内功率波动的极值点个数n
e
，ΔP和n
e
的求解如下：ΔP＝P
t+1
‑
P
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)n
e
＝n
emax
+n
emin
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式中，ΔP为前后两个时刻的功率差值，P
t+1
和P
t
分别代表t+1和t时刻的光伏电站功率，n
emax
和n
emin
为功率波动的极大值点和极小值点个数；使用箱线图对一阶差分变量的异常点个数进行统计，相邻两个点光伏功率的变化范围在一定程度可以反映功率波动剧烈程度；其中上下限的计算公式如下：low_limit＝Q1‑
1.5
×
(Q3‑
Q1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)up_limit＝Q3+1.5
×
(Q3‑
Q1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中，low_limit为一天内一阶差分变量波动特征参数的阈值下限，up_limit为一天内一阶差分变量波动特征参数的阈值上限，Q1为下四分位数，数据的25％分位点所对应的值；Q3为上四分位数，数据的75％分位点所对应的值，Q3‑
Q1为四分位差；数据被判定为异常值的条件为一阶差分功率数据值大于箱线图的上限或小于箱线图的下限；统计一天内的一阶差分异常点个数记为n
Δ
；根据每日一阶差分异常点个数和功率波动极值点个数对复杂或简单波动类型进行划分；取n
Δ
和n
e
的上四分位数和作为判定阈值，同时满足且的波动被划分为复杂波动类型，其余为简单波动类型。3.根据权利要求1所述的一种考虑时空特性聚类的光伏集群区间预测方法，其特征是：所述步骤二K
‑
Modes聚类算法为，使用Mode来表示聚类，并使用基于频率的方法更新聚类过程中的聚类中心；聚类的中心是一个数据点值为：式中，x
i
和x
j
表示数据集X聚类中心x
i
＝(f(x
i
,a1),f(x
i
,a2),...,f(x
i
,a
m
))，x
j
＝(f(x
j
,a1),f(x
j
,a2),...,f(x
j
,a
m
))，d(x
i
,x
j
)为距离的累加，表示到同一个聚类中心距离相同的点的个数；
式中，F为聚类算法目标函数，k，n，m分别为聚类单元的个数，样本的个数以及样本属性的个数；W＝[w
i,l
]，w
il
∈{0,1}且W是n
×
k阶{0.1}的矩阵，w
il
＝1表示第i个样本被分配到聚类l中；Z＝{Z1,Z2,...,,Z
k
}，其中Z
l
代表聚类l的中心；Z
i
由(z
i1
,z
i2
,...,z
im
)组成；连续迭代，至目标函数F不变，获得聚类中心和集群。4....

【专利技术属性】
技术研发人员：杨茂，李一，于欣楠，王达，贾梦琦，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：