本发明属于光伏功率预测,特别是涉及到一种考虑气象资源关联信息匹配及趋势突变感知的光伏功率短期区间预测方法。
背景技术:
1、目前,发展可再生能源已成为解决环境污染和能源短缺的最优方案。其中,光伏发电形式因其绿色清洁、无污染等优点成为工业与民用发电的首选替代品。太阳能发电系统相关成本的大幅下降提升了光伏发电相对于其他新能源的竞争力,使得近年来全球光伏发电系统的装机容量激增。但光伏电站的功率输出具有波动性、间歇性和不确定性,这些特性会造成电网中供电侧与负荷侧的不平衡。如果不能通过备用发电重新实现平衡,会严重干扰电力系统的安全稳定运行。因此,准确的光伏功率预测可以消除光伏发电系统并网带来的负面影响,对机组检修任务与未来发电规划等具有重要意义。
2、现有气象预报模式为网格气象预报,该模式下的数值天气预报(numericalweather?prediction,nwp)虽然在空间上更加具体,但单一网格中不同局部地区的天气情况也可能会有所差异。这些问题可能导致网格气象预报数据不一定适用于该网格内所有光伏电站。已有的区间预测往往忽视了功率突变以及相关因素对预测区间的影响,导致针对功率突变的区间预测效果不理想。
3、因此,现有功率预测技术中亟需一种新的相关技术方案来解决上述问题。
技术实现思路
1、本发明所要解决的技术问题是:提供一种考虑气象关联匹配及趋势突变感知的光伏功率区间预测方法,对网格气象数据匹配偏低的电站进行气象信息重构。使用聚类方法划分不同的光伏输出类型,建立考虑趋势突变感知的区间预测方法。
2、考虑气象关联匹配及趋势突变感知的光伏功率区间预测方法,包括以下步骤,
3、步骤一、省域光伏电站匹配度检验
4、检验省域内所有光伏电站的匹配度并发掘出匹配度低于平均值的光伏电站;所述匹配度为功率与气象预报数据相关性值的绝对值之和;
5、步骤二、省域光伏电站气象信息时空相关性分析
6、通过光伏功率输出在纬度方向上的辐角特性以及在经度方向上的时差特性,获得省域内各光伏场之间输出强弱与地理位置相关性;
7、步骤三、基于气象资源关联信息匹配的nwp数据重构
8、根据所述步骤二获得的省域内各光伏场之间输出强弱与地理位置相关性,对所述步骤一获得的低匹配度电站气象预报数据进行重构;并通过深度学习、人工神经网络和组合模型验证重构nwp数据的适用性;
9、步骤四、考虑趋势突变感知的区间预测
10、将待预测时刻相的邻上一时刻、待预测时刻的点预测功率值及其一阶差分值分别由小到大进行排序,训练集做交叉预测得到预测误差;在原功率—误差矩阵前提下,增加待预测时刻相邻时点的功率值和一阶差分值共同作为功率值突变的参考量,建立相邻时刻的功率—误差及功率—误差的矩阵,通过高阶马尔科夫链模型计算得到预测区间上限与下限。
11、所述步骤二通过光伏功率输出在纬度方向上的辐角特性为:纬度的度数越大,太阳高度角则越小,辐照度参量值越??;在经度方向上的时差特性为:在东经方向靠近本初子午线,事件的发生时刻点则出现越早。
12、所述步骤三nwp数据重构方法为:以正常匹配度的电站为参考电站,通过机器学习方法建立地理坐标与nwp数据的映射关系,将地理坐标的经纬度分别设置为二阶扩展隐马尔可夫链模型隐藏链的主链和辅助修正链。首先建立主链-观测链的转移概率矩阵,得到仅考虑辐角特性的重构结果,然后加入具有时差特性的辅助链对结果进行修正,得到最终的nwp重构数据。
13、根据权利要求1所述的考虑气象关联匹配及趋势突变感知的光伏功率区间预测方法,其特征是:所述步骤三深度学习模型采用双向长短期记忆网络,人工神经网络模型采用极限学习机,组合模型采用卷积神经网络与双向长短期记忆网络组合模型;通过分别使用原始网格数据与重构nwp数据进行功率预测,计算误差指标并进行对比,验证重构nwp数据的适用性。
14、通过上述设计方案,本发明可以带来如下有益效果:考虑气象关联匹配及趋势突变感知的光伏功率区间预测方法,充分考虑了光伏出力特征进行nwp数据重构及区间预测,物理意义清晰,实用价值高,区间预测效果更高,适用于光伏功率短期区间预测;也能够评价其他光伏功率预测。
1.考虑气象关联匹配及趋势突变感知的光伏功率区间预测方法,其特征是:包括以下步骤,
2.根据权利要求1所述的考虑气象关联匹配及趋势突变感知的光伏功率区间预测方法,其特征是:所述步骤二通过光伏功率输出在纬度方向上的辐角特性为:纬度的度数越大,太阳高度角则越小,辐照度参量值越??;在经度方向上的时差特性为:在东经方向靠近本初子午线,事件的发生时刻点则出现越早。
3.根据权利要求1所述的考虑气象关联匹配及趋势突变感知的光伏功率区间预测方法,其特征是:所述步骤三nwp数据重构方法为:以正常匹配度的电站为参考电站,通过机器学习方法建立地理坐标与nwp数据的映射关系,将地理坐标的经纬度分别设置为二阶扩展隐马尔可夫链模型隐藏链的主链和辅助修正链。首先建立主链-观测链的转移概率矩阵,得到仅考虑辐角特性的重构结果,然后加入具有时差特性的辅助链对结果进行修正,得到最终的nwp重构数据。
4.根据权利要求1所述的考虑气象关联匹配及趋势突变感知的光伏功率区间预测方法,其特征是:所述步骤三深度学习模型采用双向长短期记忆网络,人工神经网络模型采用极限学习机,组合模型采用卷积神经网络与双向长短期记忆网络组合模型;通过分别使用原始网格数据与重构nwp数据进行功率预测,计算误差指标并进行对比,验证重构nwp数据的适用性。