一种基于天气场景与多尺度分量的光伏功率短期预测方法与流程

摘要: 本技术涉及光伏发电功率短期预测,更具体地说,本技术涉及一种基于天气场景与多尺度分量的光伏功率短期预测方法。背景技术:1、光伏发电功率短期预测,是依托光伏电站历史...
一种基于天气场景与多尺度分量的光伏功率短期预测方法与流程

本技术涉及光伏发电功率短期预测,更具体地说,本技术涉及一种基于天气场景与多尺度分量的光伏功率短期预测方法。

背景技术:

1、光伏发电功率短期预测,是依托光伏电站历史发电数据与实时、预报气象信息开展的时序预测方法,该方法结合光照强度、环境温度、云量、风速等影响光伏出力的各类气象要素,分析光伏功率随气象条件、日内时序变化的固有规律,对光伏电站未来短时间内的输出功率进行预估,它是新能源并网、电网调度、电站运行管控的重要基础技术,可提前掌握光伏出力变化情况,为电力系统平稳运行以及光伏电站日常运维提供数据支撑。

2、然而,现有的光伏发电功率短期预测方法大多采用统一模型开展全局预测,没有结合天气场景划分、功率多尺度分解、分模型特征提取与协同预测的一体化技术体系,无法区分晴天、阴天、雨天等不同场景下的出力规律,也难以分离光伏功率的低频趋势与高频波动成分,长周期演化特征和短时动态特征不能被针对性挖掘,不同尺度功率分量的预测精度参差不齐,复杂气象条件下整体预测结果误差偏大,模型场景适配能力不足。因此,如何实现气象场景自适应与多尺度分量协同预测,提升各类天气下光伏功率短期预测的精度是业界面临的关键难题。

技术实现思路

1、本技术提供一种基于天气场景与多尺度分量的光伏功率短期预测方法,可以实现气象场景自适应与多尺度分量协同预测,提升各类天气下光伏功率短期预测的精度。

2、第一方面,本技术提供一种基于天气场景与多尺度分量的光伏功率短期预测方法,所述预测方法包括:

3、采集天气场景样本,依据历史气象特征对所述天气场景样本进行划分,得到多个典型天气场景;

4、对每一类典型天气场景下的光伏功率序列进行多尺度分解,得到不同尺度的光伏功率频率特征,根据每个光伏功率频率特征和天气场景样本对应的样本熵特征确定光伏功率的低频趋势项和高频波动项;

5、从所述低频趋势项中提取光伏功率固定波动的周期演化特征,从所述高频波动项中提取光伏功率随机波动的局部短时动态特征;

6、根据所述周期演化特征和所述局部短时动态特征对各类天气场景下的光伏功率分量进行预测,并将初始预测结果进行叠加重构,得到光伏功率短期预测值。

7、在本实施例中,依据历史气象特征对所述天气场景样本进行划分,得到多个典型天气场景具体包括:

8、获取光伏电站运行时的历史气象特征;

9、基于所述历史气象特征对所述天气场景样本中的天气信息进行划分,得到多个典型天气场景。

10、在本实施例中,对每一类典型天气场景下的光伏功率序列进行多尺度分解,得到不同尺度的光伏功率频率特征具体包括:

11、确定每一类典型天气场景下的光伏功率序列;

12、对所述光伏功率序列进行模态分解,得到本征光伏功率信息;

13、对所述本征光伏功率信息进行尺度归类,得到不同尺度的光伏功率频率特征。

14、在本实施例中,对所述光伏功率序列进行模态分解,得到本征光伏功率信息具体包括:

15、从所述光伏功率序列中提取光伏功率对应的本征模态分量;

16、通过所述本征模态分量对所述光伏功率序列进行分量识别,得到本征光伏功率信息。

17、在本实施例中,根据每个光伏功率频率特征和天气场景样本对应的样本熵特征确定光伏功率的低频趋势项和高频波动项具体包括:

18、根据每个光伏功率频率特征确定光伏功率在功率跳变中的跳变特征;

19、根据天气场景样本对应的样本熵特征确定天气场景变化时光伏功率的动态失稳信息;

20、根据所有的跳变特征和所述动态失稳信息确定光伏功率的波动界限,进而通过所述波动界限确定光伏功率的低频趋势项和高频波动项。

21、在本实施例中,从所述低频趋势项中提取光伏功率固定波动的周期演化特征具体包括:

22、对所述低频趋势项的功率输入序列进行对齐变换,得到功率对齐幅值;

23、根据所述功率对齐幅值确定光伏功率固定波动时的主要周期信息;

24、通过所述主要周期信息确定光伏功率固定波动的周期演化特征。

25、在本实施例中,根据所述功率对齐幅值确定光伏功率固定波动时的主要周期信息具体包括:

26、将所述功率对齐幅值分割为多个幅值变化区段;

27、对所有的幅值变化区段进行波动趋势标记,得到光伏功率固定波动时的主要周期信息。

28、在本实施例中,从所述高频波动项中提取光伏功率随机波动的局部短时动态特征具体包括:

29、根据所述高频波动项中功率波动时的波动率折算系数,通过波动演化模型,生成光伏功率随机波动时的随机波动分量;

30、根据所述随机波动分量确定光伏功率随机波动的功率交互特征;

31、根据所述功率交互特征进行波动维持匹配,得到光伏功率随机波动的局部短时动态特征。

32、在本实施例中,根据所述随机波动分量确定光伏功率随机波动的功率交互特征具体包括:

33、根据所述随机波动分量确定光伏功率随机波动的随机积分区间;

34、将所述随机积分区间进行波动空间积分,得到光伏功率随机波动时的功率波动属性;

35、根据所述功率波动属性确定光伏功率随机波动的功率交互特征。

36、在本实施例中,根据所述周期演化特征和所述局部短时动态特征对各类天气场景下的光伏功率分量进行预测具体包括:

37、构建各类天气场景下的光伏功率的初始预测模型;

38、通过所述初始预测模型对所述周期演化特征和所述局部短时动态特征进行预测,得到低频初始预测结果和高频初始预测结果;

39、将所述低频初始预测结果和所述高频初始预测结果进行拼接,得到初始预测结果,完成对各类天气场景下的光伏功率分量的预测。

40、本技术公开的实施例提供的技术方案具有以下有益效果:

41、采集天气场景样本,依据历史气象特征对所述天气场景样本进行划分,得到多个典型天气场景;对每一类典型天气场景下的光伏功率序列进行多尺度分解,得到不同尺度的光伏功率频率特征,根据每个光伏功率频率特征和天气场景样本对应的样本熵特征确定光伏功率的低频趋势项和高频波动项;从所述低频趋势项中提取光伏功率固定波动的周期演化特征,从所述高频波动项中提取光伏功率随机波动的局部短时动态特征;根据所述周期演化特征和所述局部短时动态特征对各类天气场景下的光伏功率分量进行预测,并将初始预测结果进行叠加重构,得到光伏功率短期预测值。

42、由此可见本技术中,将初始预测结果进行叠加重构,得到光伏功率短期预测值;其中,确定低频趋势项和高频波动项即可拆分光伏功率序列中不同时间尺度的变化成分,完成多尺度数据解耦。该划分方式依据皮尔森相关系数与样本熵建立客观判别标准,能够精准区分光伏出力的基础变化规律与气象扰动引发的随机波动。以此为基础可针对两类分量匹配差异化处理逻辑,适配晴天、阴天、雨天等不同天气场景下的功率变化特性,为分组建模、气象场景自适应预测筑牢数据基础,有效规避单一数据结构无法兼顾不同波动形态的缺陷,从数据源层面提升整体预测的准确性。确定周期演化特征和局部短时动态特征即可分别提取两类功率分量的核心时序表达信息。周期演化特征完整保留低频趋势的长周期演变规律,局部短时动态特征精准刻画高频波动的瞬时扰动特性,实现特征维度的专业化提取。两类特征可直接对接适配的深度学习模型,充分发挥不同模型的技术优势,强化多尺度分量协同建模的能力,让模型在各类天气场景中都能精准捕捉出力特征,进一步缩小预测误差,全面提升光伏功率短期预测的综合精度与场景适配能力。

43、综上所述,本技术采用的技术方案可以实现气象场景自适应与多尺度分量协同预测,提升各类天气下光伏功率短期预测的精度。