一种基于细分网格的台区级光伏出力精准预测方法及装置与流程

本发明涉及一种基于细分网格的台区级光伏出力精准预测方法及装置研究，属于光伏发电预测的。

背景技术：

1、近年来随着社会经济的快速发展，要求积极转变能源生产和消费方式，优化能源结构，加大可再生能源的开发力度，推进分布式能源建设。分布式光伏电站具有单体小、装机分散等特点；且部分地区表现出高渗透率和高密度等特征，单一分布式光伏发电出力预测精度不高。

2、分布式光伏电站高比例接入区域电网后，将对区域电网造成如下影响：1)对电网局部电压稳定的影响；2)对电网频率稳定性的影响；3)对电能质量的影响。具体的说，与传统电源相比，光伏发电功率受到外界因素的影响更加复杂，仅凭少数特性很难直接反映其变化特性。直接影响因素有太阳辐照强度、大气质量、云的厚度和高度、光电板的安装角度、光电板的光电转化效率等，而非直接的因素则是风速、温度、湿度、降雨等各种环境因子。气象条件的突然变化，可能会导致光伏发电功率预测值与实际输出之间存在巨大差异，这给传统的优化调度和控制方法提出了新的挑战，使得以确定性优化为基础的最优调度策略在经济上表现出日益明显的不足。

技术实现思路

1、本发明针对台区级的光伏发电功率预测问题，探索分布式光伏等效替代方法，建立基于模糊c均值聚类算法和遗传算法ga(genetic algorithm)优化的bp神经网络的光伏超短期出力预测模型，并对光伏出力预测误差进行修正。

2、本发明采用如下技术手段实现：一种基于细分网格的台区级光伏出力精准预测方法，包括以下步骤：

3、步骤1、构建一种基于安装信息的分布式光伏发电仿真模型；

4、步骤2、在光伏发电仿真模型的基础上，应用模糊c均值聚类算法，根据气象条件对预测区域历史天气数据进行分类，筛选相似日集，将归一化后的相似日集划分为训练集和试验集；

5、步骤3、划分预测区域网格确定预测位置，基于各网格气象数据构成高维输入矩阵；

6、步骤4、将高维输入矩阵作为ga-bp神经网络光伏超短期出力预测模型输入量，建立ga-bp神经网络光伏超短期出力预测模型，使用相似日集的训练集进行训练，并利用遗传算法进行参数优化，以提高模型预测的泛化性和准确性；

7、步骤5、使用优化后的ga-bp神经网络光伏超短期出力预测模型对相似日集的试验集进行光伏超短期出力预测，根据实际输出与预测输出之间的误差进行动态修正。

8、步骤1中，基于安装信息的分布式光伏发电仿真模型具体包含如下三个部分：

9、第一个部分为安装参数信息计算，安装参数信息为太阳相对于地球表面观测装置的位置，是分布式光伏发电仿真模型所需的必要输入；

10、第二个部分为光伏有效辐照度计算，用于计算全球水平辐照度、直接法线辐照度和扩散水平辐照度，其被用作分布式光伏发电仿真模型的输入；

11、第三个部分为光伏发电功率计算，本发明使用de soto模型分析和模拟光伏组件的性能。

12、所述步骤2中模糊c均值聚类算法分析具体处理流程如下：

13、首先建立样本数据集x，设定模糊簇聚类中心、聚类中心个数，通过反复调节聚类中心矩阵更新隶属度矩阵，根据各数据样本到聚类中心欧氏距离之和最小得到最佳隶属度和聚类中心，最后根据隶属度对样本点进行簇的划分；其具体算式如下：

14、

15、其中，数据集x＝{x1,x2,…,xn}，vj(t)为模糊簇聚类中心；c为聚类中心个数；n为样本数据个数；uij(t)为第i个样本属于第j类的隶属度，uij(t)∈[0,1]；dij(t)为样本i到聚类中心j的欧氏距离，dij(t)＝||ci-cj||；dik(t)为样本i到聚类中心k的欧氏距离，dik(t)＝||ci-ck||；t表示所取数据样本的时间，m是一个刻画模糊化程度的权重参数。

16、所述步骤2中相似日筛选具体包括如下步骤：

17、4-1)根据之前的预测日气象状况识别，判断出预报当天属于哪一种气象类别，并对预测时段内与这一气象状况类别相符的全部数据加以筛选，得到相似日集a，利用切比雪夫方法，将预报当日的重要气象特征参量太阳辐照度c(t)、降水量g(t)与相似日集a中第m个天数的太阳辐照度cm(t)、降水量gm(t)作相应的切比雪夫距离计算，距离大小dm的表达式如下：

18、

19、其中，ρc,m为c(t)与cm(t)气象特征参量的相关系数；ρg,m为g(t)与gm(t)气象特征参量的相关系数；d(c(t))为c(t)气象特征参量的方差；d(g(t))为g(t)气象特征参量的方差。

20、4-2)利用切比雪夫方法求出相似日集a中每一天与预测日的切比雪夫距离，可得{d1,d2,…,dm}，设定比值系数η满足：

21、

22、将距离数值序列{d1,d2,…,dm}中数值小于或等于(1+η)·min{d1,d2,…,dm}的全部特征日记为相似日集a中的子集b，将子集b定义为相似日集合。

23、步骤3所述的区域网格按照以下方式划分：

24、具体是以网格尺度下的分布式光伏电站为研究对象，将预测区域划分为若干个独立的小网格，每个网格由若干个分布式光伏电站组成，根据分布式光伏电站集群的面积设定，区域中每个网格的大小约为10km×10km，每个网格包括10条及以上10kv线路。

25、步骤3中，所述的输入矩阵将单个网格内的光伏日功率曲线作为最小分析单元研究，矩阵的输入量为全区域包含的光伏发电功率、气象数据如太阳辐照度、环境温度和风速，矩阵的输出量为每个网格待预测日的光伏发电功率，在网格划分后，将各网格具有不同气象特征的光伏发电功率曲线综合在一起，进行对区域总体各类天气情况下光伏出力的预测。

26、所述的光伏出力的预测具体步骤如下：

27、首先，通过对整个预测区域的气象数据进行筛选得到相似日训练集，构建气象数据与网格输出功率之间的对应关系，并将其应用于待预测日的预测；其次根据预测位置和要求选择整体区域预测或是单个网格预测进行针对性预测。

28、所述步骤4中的ga-bp神经网络光伏超短期出力预测模型输出层激活函数为：

29、e＝spη[1-0.005(t0+25)]

30、其中，e为光伏出力的数值；s为光伏收集板面积的数值；p为有效辐照度；t0为监测温度，η为能量转换效率的数值。

31、本发明提供了一种基于细分网格的台区级光伏出力精准预测装置，该装置包括以下模块：

32、一种基于细分网格的台区级光伏出力精准预测装置，该装置包括以下模块：

33、安装参数信息计算模块：用于观测太阳相对于地球表面的位置，是分布式光伏发电仿真模型所需的必要输入；

34、光伏有效辐照度计算模块：用于计算全球水平辐照度、直接法线辐照度和扩散水平辐照度，其被用作分布式光伏发电仿真模型的输入；

35、光伏发电功率计算模块：用于分析和模拟光伏组件的性能；

36、相似日聚类模块：用于根据气象条件对预测区域历史天气数据进行分类，筛选相似日集，将归一化后的相似日集划分为训练集和试验集；

37、网格划分模块：用于划分预测区域网格确定预测位置，基于各网格气象数据构成高维输入矩阵；

38、ga-bp神经网络光伏超短期出力预测模型模块：用于进行光伏出力精准预测，根据预测位置和要求进行整体区域预测或是单个网格预测。

39、本发明还提供一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，处理器执行计算机程序时实现所述的一种基于细分网格的台区级光伏出力精准预测方法。

40、本发明同样提供一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时，控制所述存储介质所在设备执行所述的一种基于细分网格的台区级光伏出力精准预测方法。

41、本发明采用上述技术方案后具有的有益效果是：

42、在天气相似日的情况下，光伏数据受多变量气象因素影响，数据量大且数据维度高。本发明将应用模糊c均值聚类分析法，实现了柔性的模糊划分，能最大程度地保证分类结果的合理性。与现有技术相比，本发明的技术方案可以显著提高光伏超短期出力预测的精确度和泛化性，减少因光伏发电功率波动带来的电网调度风险，助力电力调度部门合理安排光伏电源的运营模式和系统调度方案，提升太阳能的并网和消纳能力，具有较好的实用性和推广价值。