【技术实现步骤摘要】
本专利技术属于光伏发电功率预测，具体涉及一种基于小尺度天气分类和自适应窗口的超短期光伏功率预测方法。
技术介绍
1、光伏发电作为一种清洁能源方案，正受到广泛关注，并其并网容量显著增加。然而，由于光伏发电具有明显的间歇性，并受到天气变化的显著影响，特别是在阴雨天气下，光伏发电表现出强烈的波动性和随机性，这为大规模光伏能源并网带来了严峻的挑战。目前在晴朗天气下，光伏功率预测效果较好，而在阴雨天气下，光伏功率预测效果大大下降。因此，在阴雨气象条件下，准确可靠的光伏发电功率预测对电力系统的能源调度和运行稳定安全具有重要意义。
2、光伏功率预测主要采用物理法和统计法两大类方法。物理法因其建模复杂且难以适应某些极端天气情况而受到限制，而统计法则以输入因素与实际功率之间的统计规律进行预测，具有较强的鲁棒性。因此，近年来统计法越来越受到广泛的应用。常用的统计方法包括支持向量机、马尔可夫链、神经网络等。其中门控循环单元(gru)就是典型的一种神经网络算法，而双向门控循环单元(bigru)是其基础上同时考虑前后数据的变化规律而改进的，能够更加充分的挖掘数据前后之间的相关性，对于时间序列预测具有更好的效果。然而，太阳运动的规律性与大气状态的波动性导致太阳辐照度变化复杂，导致了光伏功率在不同天气下有不同特点，尤其在阴雨天气下多呈现突变和大幅波动，这对预测带来了很大的挑战。
3、目前很多学者通过预测前的预处理来提高机器学习算法的预测性能，例如通过聚类算法对历史数据进行天气分类从而建立不同的训练集来捕捉和反映不同天气情况对光伏功率的
4、现有技术方案存在以下两个需要解决的问题：
5、问题一：光伏发电功率在不同气象条件下出力差异性较大，且由于其波动性和不稳定性导致预测效果不佳，尤其在阴雨天等波动较大的天气，短时的天气波动将造成光伏大面积出力波动，甚至出现短时低出力现象，如果不能及时识别天气过程，建立针对性的预测方法，将严重影响电力系统功率平衡，因此需要区分出不同气象条件下的训练集。现有天气类型分类大多以天为单元，阴雨天气受云的运动和阵雨的影响，随机性强，很难以一天的变化做相似性匹配来预测另一天的功率，而需要更小尺度的气象事件划分。
6、问题二：针对超短期光伏发电功率预测，利用bigru神经网络固定时间窗口虽然可以捕捉时序的相关信息进行预测，但在光伏功率的时间序列中，不同时间段内的变化表现不一致，即存在着时间尺度上的差异。这就意味着用一个固定的时间窗口进行训练的机器学习方法可能无法捕捉到这种时间序列中不同尺度上的变化和趋势，会导致在某些时间段内捕捉到的信息过于有限，或者在某些时间段内包含了过多的冗余信息同时无法捕捉气象突变造成的功率大幅波动从而影响光伏功率的预测效果，因此需要动态选择最佳匹配的时间窗口和气象事件作为学习数据进行预测。
7、综上所述，对于超短期光伏功率预测需要更小尺度的天气情况划分和实时调整时间窗口来建立预测模型进行训练和预测。
技术实现思路
1、专利技术目的：为了克服天气复杂多变导致大时间尺度天气分类不准确和固定时间窗口带来信息捕捉困难的问题，本专利技术提出一种基于小尺度天气分类和自适应窗口的超短期光伏功率预测方法。利用针对性的学习窗口和数据对不同天气下的光伏功率进行超短期预测，旨在提升在阴雨天气等复杂情况下的超短期光伏发电功率预测精度，增强光伏发电并网电力系统的稳定性与可靠性，从而工程应用在电网系统能量调度，提高系统稳定性。
2、技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于小尺度天气分类和自适应窗口的超短期光伏功率预测方法，包括以下步骤：
3、s1、获取光伏电站历史实测数据及数值天气预报数据，每条实测数据由光伏功率数据和气象数据组成，数值天气预报数据由多个气象因素数据组成，进行数据预处理及相关性分析；
4、s2、利用dtw算法对历史数据划分出小尺度的雨天、阴天、晴天三类气象事件样本数据，得到三类小时间尺度气象事件数据集；
5、s3、dtw算法自适应时间窗口匹配：利用dtw算法对待预测时间段的nwp数据匹配与其最相似的若干个历史气象事件；
6、s4、将s2划分的数据集作为训练集输入bigru预测模型，根据s3的匹配和时间窗口自适应机制，对模型进行训练，模型输出预测的功率数据。
7、进一步地，s1进行数据预处理及相关性分析，过程包括：
8、删除异常值及缺失值，利用皮尔逊相关系数法对历史实测数据中所有的气象因素与光伏发电功率进行相关性分析，公式如下：
9、
10、式中，r为气象因素与光伏发电功率的相关系数值，t为原始输入数据的长度，t为第t个时刻，xt为第t个时刻与光伏发电功率计算相关系数的某项气象因素值，为对应气象因素的平均数值，yt为第t个时刻光伏发电功率数值；为光伏发电功率的平均值。
11、进一步地，s2利用dtw算法对历史数据进行小尺度气象事件划分，把含有n个历史数据的集合x划分为雨天、阴天、晴天气象事件3个类；
12、s2.1、设h为雨天的典型天气样本作为匹配基准，l为历史数据中的太阳直接辐射序列；
13、h＝{h1,h2,...,hn}和l＝{l1,l2,...,lm}是长度分别为n和m的两个太阳直接辐射的时间序列，hi和lj两点间的距离定义为d(i,j)＝|hi-lj|p，| |p表示p范数；
14、s2.2、创建一个n×m距离矩阵d，矩阵的元素(i,j)表示时间序列h的第i个点与时间序列l的第j个点的距离d(i,j)，也表示时间序列h的第i个点与时间序列l的第j个点对齐；
15、s2.3、在矩阵d中找到一条通过若干个点的路径，该路径表示时间序列h和l上每个点的匹配关系，不同路径对应不同匹配关系；
16、在满足边界性、单调性与连续性的条件下，利用动态规划方法求解距离矩阵中d(1,1)至d(n,m)的最优的规整路径s＝{s1,s2,...,sk}，其中sk为路径上的点，max(m,n)≤k≤m+n-1；
17、累计距离是当前元素的距离d(i,j)与可到达该元素的最小的邻近元素的累计距离之和，最终得到的累计距离对应时间序列h和l的dtw距离，也就是时间序列h和l的相似性度量距离；的计算公式为：
18、
19、其中，
20、s2.4、根据s2.1～s2.3的方法，分别计算以阴天和晴天为典型天气样本作本文档来自技高网...
【技术保护点】
1.一种基于小尺度天气分类和自适应窗口的超短期光伏功率预测方法，其特征在于，
2.根据权利要求1所述的超短期光伏功率预测方法，其特征在于，S1进行数据预处理及相关性分析，过程包括：
3.根据权利要求1或2所述的超短期光伏功率预测方法，其特征在于，S2利用DTW算法对历史数据进行小尺度气象事件划分，把含有N个历史数据的集合X划分为雨天、阴天、晴天气象事件3个类；
4.根据权利要求3所述的超短期光伏功率预测方法，其特征在于，S3利用DTW算法对待预测时间段的NWP数据匹配与其最相似的若干个历史气象事件，过程包括：
【技术特征摘要】
1.一种基于小尺度天气分类和自适应窗口的超短期光伏功率预测方法，其特征在于，
2.根据权利要求1所述的超短期光伏功率预测方法，其特征在于，s1进行数据预处理及相关性分析，过程包括：
3.根据权利要求1或2所述的超短期光伏功率预测方法，其特征在于，s2利...
【专利技术属性】
技术研发人员：张颖超，曾伟麟，叶小岭，熊雄，陈昕，张永胜，
申请(专利权)人：南京信息工程大学，
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。