基于相似日选取和分类分时误差修正的光伏功率预测方法与流程

技术特征：
1.一种基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于，包括如下步骤：a.将光伏电场历史特征气象数据进行按天分组，得到每日的特征气象数据；将历史有功功率序列进行按天分组，得到每日的有功功率数据；b.求取任意两天有功功率数据间的欧氏距离，得到所有欧氏距离值的范围；利用基于欧氏距离的不确定性阈值划分方法完成对欧氏距离值的范围的初步分段，实现据有功功率数据相似性得到的相似日初步分类；然后，在相似日初步分类下，计算总距离相关系数；改变分段数目，取总距离相关系数下对应的相似日分类，作为最终的相似日分类；c.对各类相似日的特征气象数据进行统计分析，分别得到各类相似日特征气象数据的相似日日内数据特征和相似日日间数据特征；d.将各类相似日的特征气象数据和对应的有功功率数据作为相似日训练样本；对各类相似日的特征气象数据和对应的有功功率数据进行分开训练和预测；并得到每类相似日训练样本在不同时间点的预测误差，实现对相似日训练误差的分类分时统计；e.得到新的一天的特征气象数据后，对特征气象数据进行统计分析，与步骤c得到的各类相似日特征气象数据的相似日日内数据特征和相似日日间数据特征进行差距度对比分析，完成相似日类别归类，利用对应的相应归类的训练模型，实现初步的功率预测；f.根据各相似日内的分时误差统计结果，实现对应相似日预测的分时误差修正，从而得到最终的有功功率预测值。2.如权利要求1所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤a中所述光伏电场历史特征气象数据和历史有功功率序列的数据频率为15min，每天24h得到96组特征气象数据和有功功率数据。3.如权利要求2所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤a中所述每日的特征气象数据如式(1)所示，其中，nwf
i
表示：第i天的96组特征气象数据，db
ij
表示：第i天第j个时间点的短波辐射数据集，qr
ij
表示：第i天第j个时间点的潜热通量数据集，gr
ij
表示：第i天第j个时间点的感热通量数据集，cb
ij
表示：第i天第j个时间点的长波辐射数据集；步骤a中所述每日的有功功率数据如式(2)所示，
其中，p
i
表示：第i天的96个有功功率数据，p
ij
表示第i天第j个时间点的有功功率数据。4.如权利要求3所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤b所述求取任意两天有功功率数据间的欧氏距离的具体步骤如下：根据有功功率数据，计算得到的欧氏距离公式如式(3)所示，其中，p
mj
表示第m天第j个时间点的有功功率数据，p
nj
表示第n天第j个时间点的有功功率数据，d(p
mj
,p
nj
)表示：利用任意两天的有功功率数据计算得到的欧氏距离；求得任意两天的有功功率数据的欧氏距离后，得到所有欧氏距离值的范围在[0,s]之间；步骤b所述利用基于欧氏距离的不确定性阈值划分方法完成对欧氏距离集合的初步分段的具体步骤如下：首先，计算阈值分界数值dd
k
，如式(4)所示，其中，k表示：相似日分类数目；其次，计算各相似日分类依据的欧氏距离范围，如式(5)所示，将欧氏距离在[0,d1]，[d1,d2],[d2,d3]，
……
，[d
k-1
,s]的数据归为不同类相似日，其中，d1＝dd
k
s，d2＝2dd
k
s，d3＝3dd
k
s,
……
,d
k-1
＝(k-1)dd
k
s；当k取某一定值时，计算各类相似日日间特征气象数据的距离相关系数dcor(nwf
m
,nwf
n
)，如式(6)所示，并计算各类相似日特征气象数据距离相关系数的均值dcor
μ
，如式(7)所示，
其中，db
mj
表示：第m天第j个时间点的短波辐射数据集，db
nj
表示：第n天第j个时间点的短波辐射数据集，qr
mj
表示：第m天第j个时间点的潜热通量数据集，qr
nj
表示：第n天第j个时间点的潜热通量数据集，gr
mj
表示：第m天第j个时间点的感热通量数据集，gr
nj
表示：第n天第j个时间点的感热通量数据集，cb
mj
表示：第m天第j个时间点的长波辐射数据集；cb
nj
表示：第n天第j个时间点的长波辐射数据集；m表示该类相似日包含的总天数；最后，计算出所有类相似日对应的dcor
μ
，再计算当前分类下，所有dcor
μ
的平均值dcor
μμ
，作为总距离相关系数；更换k的取值，再次计算dcor
μμ
；将dcor
μμ
最小时所对应的k的取值作为最终的相似日分类数目。5.如权利要求4所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：当某个有功功率数据与另两个有功功率数据的欧式距离分别在两类相似日距离范围内，则将该有功功率数据同时归入两类相似日内。6.如权利要求4所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤c所述相似日日内数据特征包括：相似日日内短波辐射值变化范围、相似日日内短波辐射值的均值、相似日日内短波辐射值的变化趋势、相似日日内潜热通量值变化范围、相似日日内潜热通量值的均值、相似日日内潜热通量值的变化趋势、相似日日内感热通量值变化范围、相似日日内感热通量值的均值、相似日日内感热通量值的变化趋势、相似日日内长波辐射值变化范围、相似日日内长波辐射值的均值和相似日日内长波辐射值的变化趋势；所述相似日日内短波辐射值变化范围如式(8)所示，[mindb
i
,maxdb
i
]
ꢀꢀꢀꢀ
(8)式(8)表示：在某组相似日内，第i天短波辐射的变化范围；mindb
i
为：相似日日内短波辐射值的最小值，maxdb
i
为：相似日日内短波辐射值的最大值；所述相似日日内短波辐射的均值如式(9)所示，
式(9)表示：在某组相似日内，第i天短波辐射的均值；所述相似日日内短波辐射的变化趋势如式(10)或式(11)所示，所述相似日日内短波辐射的变化趋势如式(10)或式(11)所示，式(11)为式(10)的简记形式；同理，参照上述过程，计算相似日日内潜热通量值变化范围、相似日日内潜热通量值的均值、相似日日内潜热通量值的变化趋势、相似日日内感热通量值变化范围、相似日日内感热通量值的均值、相似日日内感热通量值的变化趋势、相似日日内长波辐射值变化范围、相似日日内长波辐射值的均值和相似日日内长波辐射值的变化趋势；步骤c所述相似日日间数据特征包括：各类相似日每个时间点的短波辐射变化范围、各类相似日每个时间点的短波辐射变化均值、各类相似日每个时间点的潜热通量变化范围、各类相似日每个时间点的潜热通量变化均值、各类相似日每个时间点的感热通量变化范围、各类相似日每个时间点的感热通量变化均值、各类相似日每个时间点的长波辐射变化范围和各类相似日每个时间点的长波辐射变化均值；假设共有k个相似日分类，其中，a类相似日为：xs
a
＝[t1,t2,
…
,t
m
]，其中，包括：m个相似日的短波辐射值数据；则各类相似日每个时间点的短波辐射变化范围为：[min db
mj
,max db
nj
]，[min db
mj
,max db
nj
]表示：在a类相似日内，第j个时间点时，短波辐射的变化范围；mindb
mj
为：在a类相似日内，第j个时间点时短波辐射值的最小值，maxdb
mj
为：在a类相似日内，第j个时间点时短波辐射值的最大值；各类相似日每个时间点的短波辐射变化均值如式(12)所示，式(12)表示：在a类相似日内，第j个时间点，短波辐射的均值；同理，参照上述过程，计算各类相似日每个时间点的潜热通量变化范围、各类相似日每个时间点的潜热通量变化均值、各类相似日每个时间点的感热通量变化范围、各类相似日每个时间点的感热通量变化均值、各类相似日每个时间点的长波辐射变化范围和各类相似日每个时间点的长波辐射变化均值。7.如权利要求6所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：在所述步骤d中，假设相似日分类数目为k，第p类相似日训练样本的数量为：m
p
，其中1≤p≤k，得到第p类相似日内训练样本内不同时间点的有功功率预测误差集合：ε
p
＝[error1,error2,...,error
mp
]，通过相似日内训练样本的分时误差统计，得到各类相似日内各个时间点的预测误差分布；假定每类相似日内训练样本训练得到的相同时间点的预测误差符合高斯分布，如式
(13)所示，其中，ε表示：某类相似日训练样本具体时间的有功功率预测误差集合，μ表示：某类相似日训练样本具体时间有功功率预测误差的均值，σ表示：某类相似日训练样本具体时间的预测误差方差，因相似日共分为k类，故得到的分类分时预测误差分布共96k个。8.如权利要求7所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：在所述步骤e中，假如得到新的一天的特征气象数据如式(14)所示，其中，表示：第j个时间点的短波辐射值，表示：第j个时间点的潜热通量值，表示：第j个时间点的感热通量值，表示：第j个时间点的长波辐射值；步骤e所述相似日日内数据特征差距度包括：相似日日内短波辐射变化趋势差距度、相似日日内短波辐射变化范围差距度、相似日日内短波辐射均值差距度、相似日日内潜热通量变化趋势差距度、相似日日内潜热通量变化范围差距度、相似日日内潜热通量均值差距度、相似日日内感热通量变化趋势差距度、相似日日内感热通量变化范围差距度、相似日日内感热通量均值差距度、相似日日内长波辐射变化趋势差距度、相似日日内长波辐射变化范围差距度和相似日日内长波辐射均值差距度；参照式(10)，假设新的一天的特征气象数据变化趋势为：以a类相似日包括：m个相似日的短波辐射值数据为例，则相似日日内短波辐射变化趋势差距度如公式(15)所示，其中，i表示：a类相似日内的第i天，表示：a类相似日内的第i天数据中第j个短波辐射变化值，表示：新的一天的特征气象数据中第j个短波辐射变化值，数值越小，表示新的一天的特征气象数据与该类相似日的相似度越高，将作为相似日日内短波辐射变化趋势差距度；参照式(8)，假设新的一天的特征气象数据日内短波辐射变化范围为：则相似日日内短波辐射变化范围差距度如公式(16)和(17)所示，
[db
ilow
,db
iup
]＝[min db
i
,max db
i
]∩[min db*,max db*]
ꢀꢀꢀꢀ
(16)其中，[db
ilow
,db
iup
]表示：新的一天的特征气象数据日内短波辐射变化范围与某相似日第i天短波辐射变化范围的交集，变化范围差距度ζ表示：a类中所有相似日短波辐射变化范围与新的一天的特征气象数据日内短波辐射变化范围的重合比例之和，此数值越小，表示新的一天的特征气象数据与该类相似日的相似度越高，将ζ作为相似日日内短波辐射变化范围差距度；参照式(9)，假设新的一天的特征气象数据日内短波辐射的均值为：μ*，则相似日日内均值差距度如式(18)所示，η值越小，表示该日短波辐射的均值与该类相似日内短波辐射的均值的相似度越高，作为相似日日内均值差距度；同理，参照上述过程，计算相似日日内潜热通量变化趋势差距度、相似日日内潜热通量变化范围差距度、相似日日内潜热通量均值差距度、相似日日内感热通量变化趋势差距度、相似日日内感热通量变化范围差距度、相似日日内感热通量均值差距度、相似日日内长波辐射变化趋势差距度、相似日日内长波辐射变化范围差距度和相似日日内长波辐射均值差距度。9.如权利要求8所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：步骤e所述相似日日间数据特征差距度包括：各类相似日每个时间点的短波辐射变化范围相似度、各类相似日每个时间点短波辐射均值相似度、各类相似日每个时间点的潜热通量变化范围相似度、各类相似日每个时间点潜热通量均值相似度、各类相似日每个时间点的感热通量变化范围相似度、各类相似日每个时间点感热通量均值相似度、各类相似日每个时间点的长波辐射变化范围相似度和各类相似日每个时间点长波辐射均值相似度；所述各类相似日每个时间点的短波辐射变化范围相似度的计算步骤如下：计算新的一天的特征气象数据中短波辐射每个时间点位于相似日各时间点短波辐射变化范围内的时间点个数，如式(19)和式(20)所示，变化范围内的时间点个数，如式(19)和式(20)所示，则λ
∑
表示：新的一天的特征气象数据中短波辐射值在某类相似日内96个时间点短波辐射变化范围内的点数之和，称为：各类相似日每个时间点的短波辐射变化范围相似度，λ
∑
越大，表示新的一天的短波辐射变化范围与该相似日短波辐射变化范围的相似性越高，作为该类相似日每个时间点的短波辐射变化范围相似度；
所述各类相似日每个时间点短波辐射均值相似度的计算步骤如下：计算新的一天的特征气象数据中短波辐射每个时间点与相似日每个时间点短波辐射均值差的平方和，如式(21)所示，其中，μ
dbj
表示：某类相似日内，第j个时间点短波辐射的均值；表示：新的一天的特征气象数据中短波辐射第j个时间点的短波辐射值；ξ2值越小表示：新的一天的短波辐射的均值与该相似日短波辐射的均值的相似性越强，作为该类相似日每个时间点短波辐射均值相似度；同理，参照上述过程，计算各类相似日每个时间点的潜热通量变化范围相似度、各类相似日每个时间点潜热通量均值相似度、各类相似日每个时间点的感热通量变化范围相似度、各类相似日每个时间点感热通量均值相似度、各类相似日每个时间点的长波辐射变化范围相似度和各类相似日每个时间点长波辐射均值相似度；新的一天的短波辐射数据与各类相似日的短波辐射差距度表示为式(22)，其中，a表示：第a类相似日，越小，表示新的一天的短波辐射数据与第a类相似日的短波辐射相似性越大；η
a
表示：新的一天的短波辐射的均值与a类相似日内的短波辐射的均值差距度，η
a
参照式(18)计算；表示：新的一天的短波辐射的均值与a类相似日每个时间点短波辐射均值的相似度，参照式(21)计算；λ
∑a
表示：a类相似日每个时间点的短波辐射变化范围相似度；同理，参照上述过程，计算新的一天的特征气象数据与各类相似日的潜热通量差距度新的一天的特征气象数据与各类相似日的感热通量差距度和新的一天的特征气象数据与各类相似日的长波辐射差距度新的一天的特征气象数据与a类相似日的总差距度如式(23)所示，参照式(23)计算新的一天的特征气象数据与所有类相似日的总差距度，如果新的一天的特征气象数据与某类相似日的总差距度最小，则将新的一天的特征气象数据归为该类相似日。10.如权利要求9所述的基于相似日选取和分类分时误差修正的光伏功率预测方法，其特征在于：根据步骤d生成的每类相似日不同时间点有功功率预测误差，采用蒙特卡罗模型生成比例与对应相似日不同时间点的预测误差分布相近的修正数组，对初步的功率预测，进行分时分类误差修正；分时分类误差修正公式如式(24)所示，p＝f
yc
(db,qr,gr,cb) mt(f
wc
(ε,μ,σ))
ꢀꢀꢀꢀꢀ
(24)
其中，p表示：经过分时分类误差修正后的最终的有功功率预测值，f
yc
(db,qr,gr,cb)表示：利用短波辐射db、潜热通量qr、感热通量gr和长波辐射cb进行的初步的功率预测，mt(f
wc
(ε,μ,σ))表示：利用对应相似日的不同时间点的预测误差分布进行蒙特卡罗模型的误差拟合结果。

技术总结
本发明属于电力系统运行与控制技术领域，涉及一种基于相似日选取和分类分时误差修正的光伏功率预测方法，包括：得到每日特征气象数据和有功功率；基于欧式距离阈值划分法实现相似日分类；得到日内和日间数据特征；对各类相似日数据分开训练预测；得到每类相似日训练样本在不同时间点的预测误差；对新一天特征气象数据统计分析，与前述日内和日间数据特征进行差距度分析，完成相似日归类，利用对应训练模型，实现初步功率预测；据相似日内分时误差，实现分时误差修正，得到最终的有功功率预测值。方法利用功率间相似性实现相似日分类，相比于利用数值天气预报数据实现相似日分类更直观，针对不同相似日分别预测，实现误差修正，提高预测精度。提高预测精度。提高预测精度。


技术研发人员：叶林 崔宝丹 罗雅迪 宋旭日 唐俊刺 於益军 李桐 孙茜
受保护的技术使用者：中国电力科学研究院有限公司 国家电网有限公司 国网辽宁省电力有限公司 国网辽宁省电力有限公司电力科学研究院
技术研发日：2021.09.06
技术公布日：2022/1/21