一种整县屋顶分布式光伏功率预测方法与流程

1.本发明属于功率预测的技术领域，具体涉及一种整县屋顶分布式光伏功率预测方法。


背景技术：

2.随着我国“双碳”发展战略目标的提出，构建以新能源为主体的新型电力系统成为我国实现能源转型的关键支撑，为此，国家能源局公布了676个整县屋顶分布式光伏试点县，以推动新型电力系统的发展进程。整县式光伏的大规模建设和投运，极大地提高新能源在电网中的比例，这标志着新能源的出力将在电网中逐渐居于主导地位。因此，如何更好的对新能源发电进行调度和控制成为新型电力系统发展过程中的一个关键技术难题，尤其对于屋顶分布式光伏发电而言，在地域上存在分布面积广、位置分散、个体容量小等特点，这也造成了由于外界环境差别很大导致的各区域光伏运行特征不一致，而个体用户的独立预测功能应用于整县式光伏中则会造成经济投入过大，引起用户的经济损失。因此，如何准确对整县范围内的屋顶分布式光伏进行出力预测则是实现整县式光伏调度和控制的首要问题。
3.当前，光伏功率预测的方法主要以集中式的光伏发电厂（站）为主，主要采用基于数学统计预测方法和人工智能预测方法，这些方法主要根据光伏的外界环境特点和运行特性实现对光伏出力的预测，但是对于整县屋顶分布式光伏的预测，这些方法存在不足之处：（1）、集中式光伏电站的地域环境变化特征基本一致，分布式光伏的环境变化复杂多变，且天气信息采集较为困难，因此，不适用于集中预测模式；（2）、采用数学统计方法或者人工智能方法对屋顶分布式光伏进行预测，由于整县式光伏的数量多、容量小且并网运行方式不一致，导致考虑变量很多，运算量较大，运算过程复杂，严重影响预测的精度。
4.所以，现存的预测方案只针对并广泛适用于不同区域、不同特性的集中式光伏发电厂（站），对于屋顶分布式光伏的功率预测研究较少，尚无完善的功率预测方案。随着整县式屋顶光伏方案的提出与试点的建设，与之相适应的功率预测方案的研究显得十分必要和迫切。


技术实现要素：

5.本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种基于功率曲线相似性进行分区并对光伏出力预测的整县屋顶分布式光伏功率预测方法。
6.为了解决上述技术问题，本发明采用的技术方案为：一种整县屋顶分布式光伏功率预测方法，包括：s10、从整县屋顶分布式光伏的功率曲线数据库中获取功率曲线；s20、根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度，将屋顶分布式光伏功率曲线归类于相似度最大
的聚类中心曲线类别组；s30、根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整，输出最佳聚类分区方案和中心曲线集合，根据分区方案确定整县范围内的分布式光伏划定区域，根据聚类中心曲线集合确定各分区的中心功率曲线；s40、各分区进行功率的拟合预测并进行求和，得到整县范围内的预测功率。
7.优选地，所述根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度之前，包括：设置初始聚类中心数目、最佳聚类数目及迭代次数；根据初始聚类中心数目设置初始聚类中心曲线矩阵，所述；设置综合相似性衡量公式中的权重系数和。
8.优选地，所述根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度，将每条功率曲线归类于相似度最大的聚类中心曲线类别组，包括：s201、假设其中一条屋顶分布式光伏功率曲线为，其中一类聚类中心曲线，所述；，采用欧式距离来表示两条曲线对应采样点之间的距离为：
ꢀꢀ
（1）式（1）中，表示功率曲线和聚类中心曲线的欧式距离，和为功率曲线和聚类中心曲线在时刻对应的采样点；s202、曲线的斜率距离采用固定时间间隔下的变化量来表示，所述功率曲线在各时间段内的曲线变化量为：；所述聚类中心曲线在各时间段内的曲线变化量为：；其中，和的计算公式为：
ꢀꢀ
（2）
ꢀꢀ
（3）式（2）、式（3）中，为时间间隔，且 ；功率曲线和聚类中心曲线的时间序列表达如下：
ꢀꢀ
（4）
ꢀꢀ
（5）两条曲线之间的斜率距离为：
ꢀꢀꢀ
（6）
并且有下式成立：
ꢀꢀ
（7）式（7）中，表示该数据序列的结束时间；s203、根据功率曲线和聚类中心曲线的欧式距离相似性衡量依据和基于dtw算法的变化趋势相似性衡量依据，采用综合相似性衡量公式计算功率曲线和聚类中心曲线的相似度：
ꢀꢀ
（8）式（8）中，和为综合相似性衡量公式中欧式距离和斜率距离衡量方法所占有的权重；s204、根据每条功率曲线与每类聚类中心曲线的相似度，按照从大到小的顺序进行排序，将每条功率曲线归类于相似度最大的聚类中心曲线类别组。
9.优选地，所述根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整，输出最佳聚类分区方案和中心曲线集合，根据分区方案确定整县范围内的分布式光伏划定区域，根据聚类中心曲线集合确定各分区的中心功率曲线，包括：s301、计算各类中心与各样本点距离的绝对误差，将绝对误差最小的样本点作为新的中心点，进行聚类中心的计算和调整：
ꢀꢀ
（9）
ꢀꢀꢀꢀ
（10）式（9）、式（10）中，为第次迭代计算的第类的聚类中心，为第类曲线组中距离原始中心绝对误差最小的一组功率曲线；为该类中的曲线数目，为第类曲线组的各功率曲线样本与聚类中心的绝对误差；s302、判断曲线聚类结果是否满足离散度极限且聚类中心是否改变；s303、当曲线聚类结果小于聚类的离散度且聚类中心不再发生改变时；输出聚类结果，即为最优分区组；进一步地，所述判断曲线聚类结果是否满足离散度，包括：
ꢀꢀ
（11）式（11）中，为离散度的极限收敛值，为第次聚类的离散度，其计算公式为：
ꢀꢀ
（12）式（12）中，为第次迭代计算的第类的聚类中心；为属于第类曲线组的功率曲线；所述判断聚类中心曲线不再发生改变，包括：
ꢀꢀ
（13）。
10.进一步地，所述根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整，输出最佳聚类分区方案和中心曲线集合，根据分区方案确定整县范围内的分布式光伏划定区域，根据聚类中心曲线集合确定各分区的中心功率曲线，包括：s304、根据计算得到的最优分区组，计算聚类的指标值，记为；s305、判断该聚类分区指标是否满足；如是，输出分区结果和聚类中心曲线；否则重新进行聚类中心的计算和调整；s306、生成最佳分区方案和聚类中心功率曲线集合；s307、根据分区方案确定整县范围内的分布式光伏划定区域，根据聚类中心曲线集合确定各分区的中心功率曲线。
11.优选地，所述指标的计算公式为：
ꢀꢀ
（14）式（14）中，表示聚类间的分散性，表示聚类间的紧凑性，表示当前的聚类数目，表示聚类样本数目；其中，和的计算公式如下：
ꢀꢀꢀ
（15）
ꢀꢀ
（16）式（15）、式（16）中，为第个聚类中心元素，为第个样本，为聚类样本的平均值，表示第个对象对第类的隶属度，的表达式为：
ꢀꢀꢀ
（17）当指标的值最大时，对应的聚类数目为最佳数目，即。
12.优选地，所述各分区进行功率的拟合预测并进行求和，得到整县范围内的预测功率，包括：对聚类分区内的各区域中心光伏用户功率进行预测，记为：
ꢀꢀ
（18）式（18）中，为分区数目，为第个分区的聚类中心功率预测曲线；根据该区域的屋顶式光伏装机总容量的占比来实现聚类分区内光伏发电功率的预测，预测公式如下：
ꢀꢀ
（19）
式（19）中，为第个分区的预测总功率；为第个分区内聚类中心用户的光伏装机容量；为第个分区内屋顶光伏的总装机容量；将各分区的预测功率进行求和，即得到整县范围内的预测功率：
ꢀꢀ
（20）式（20）中，为整县屋顶分布式光伏的发电功率。
13.优选地，所述根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度之前，包括：对整县屋顶分布式光伏的功率曲线进行归一化处理，归一化公式如下：
ꢀꢀ
（21）式（21）中，为曲线归一化处理后的值，和为曲线最大值和最小值，经过归一化处理后，每条功率曲线就相应的映射至区间，得到聚类的曲线为：；曲线对应的斜率集合序列为：。
14.本发明与现有技术相比具有以下有益效果：1、本发明提供的一种整县屋顶分布式光伏功率预测方法，根据整县式光伏的地域分布特点及光伏发电的工作原理，采用电网传统的分区方法，在地域上对整县式光伏进行网格化分区，实现小型分区内的集中管理和监测，然后根据分区内的光伏出力运行曲线具有相似性的特点，采用该分区内的区域中心光伏用户的预测功率用于类比拟合该分区的所有屋顶光伏功率，提高了功率预测的精确度，既实现了整县式屋顶分布式光伏的分区能量管理，也实现了整县分布式光伏功率的有效预测，为电网运行的调控与决策提供了关键支撑作用。
15.2、本发明中，采用两条曲线之间的斜率距离来反应曲线之间的变化动态相似特性，采用欧式距离衡量法反应曲线之间的整体相似特性，这样从功率曲线的整体形状和动态变化趋势来综合反应曲线的相似性；根据欧式距离和斜率距离的曲线相似性衡量方法，计算各屋顶分布式光伏的功率曲线与每类聚类中心曲线的相似度，根据每条功率曲线与每类聚类中心曲线的相似度，按照从大到小的顺序进行排序，将每条功率曲线归类于相似度最大的聚类中心曲线类别组；本实施例在传统的欧式距离分析方法的基础上进行改进，能够较为全面地对曲线的瞬时变化趋势进行衡量和分析，实现曲线的高度相似匹配和聚类。
16.3、本发明采用k-mediod算法对整县屋顶分布式光伏进行聚类分区，得到最优的分区方案，在同一区域内的各屋顶分布式光伏具有相似度较高的功率曲线，在外界环境变化的影响下，出力具有一致的变化特征，侧面反应了同一分区内的屋顶光伏在地域上具有分布相同的外界环境变化特点；本发明通过k-mediod聚类算法对整县屋顶分布式光伏进行分区管理和分区预测，应用原理简单，适用于大量数据场景，在一定程度上提高了分区效率，实现新能源能量的集中分析和管理。
17.4、本发明结合整县屋顶分布式光伏的地域分布和出力运行特点，针对现有功率预测方法的不足之处，提出基于功率曲线相似性分析的分区预测方法，解决了分布式光伏功率预测难度大、精度低的问题。
18.5、本发明提出基于分布式光伏功率曲线相似性分析的分区方案，根据曲线的相似性进行整县地域内分布式光伏的分区，实现了整县式光伏的功率预测和区域新能源电量的分析和管理。
附图说明
19.下面结合附图对本发明做进一步详细的说明；图1是本发明实施例一提供的一种整县屋顶分布式光伏功率预测方法的流程示意图；图2为本发明施例二提供的一种整县屋顶分布式光伏功率预测方法中步骤s20的流程示意图；图3为本发明施例三提供的一种整县屋顶分布式光伏功率预测方法中步骤s30的流程示意图；图4为本发明施例四提供的一种整县屋顶分布式光伏功率预测方法的流程示意图。
具体实施方式
20.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.以下结合附图详细说明本发明一种整县屋顶分布式光伏功率预测方法的一个实施例。
22.实施例一图1是本发明实施例一提供的一种整县屋顶分布式光伏功率预测方法的流程示意图，如图1所示，一种整县屋顶分布式光伏功率预测方法，包括：s10、从整县屋顶分布式光伏的功率曲线数据库中获取功率曲线；s20、根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度，将屋顶分布式光伏功率曲线归类于相似度最大的聚类中心曲线类别组；s30、根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整，输出最佳聚类分区方案和中心曲线集合，根据分区方案确定整县范围内的分布式光伏划定区域，根据聚类中心曲线集合确定各分区的中心功率曲线；s40、各分区进行功率的拟合预测并进行求和，得到整县范围内的预测功率。
23.本实施例中，根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度，将屋顶分布式光伏功率曲线归类于相似度最大的聚类中心曲线类别组，分区后的各屋顶分布式光伏在功率特性上具有一致的变化
特征，反应了同一分区具有相似的外界环境变化特点，根据分区方案进行区域光伏预测，在各区域内对聚类中心屋顶分布式光伏用户的出力进行功率预测，利用该光伏用户的的功率曲线即可拟合得到该区域的分布式光伏总出力，最后将各区域的分布式光伏功率进行总加即为整县区域内分布式光伏的预测总功率；本实施例根据整县式光伏的地域分布特点及光伏发电的工作原理，采用电网传统的分区方法，在地域上对整县式光伏进行网格化分区，实现小型分区内的集中管理和监测，然后根据分区内的光伏出力运行曲线具有相似性的特点，采用该分区内的区域中心光伏用户的预测功率用于类比拟合该分区的所有屋顶光伏功率，提高了功率预测的精确度，这样既实现了整县式屋顶分布式光伏的分区能量管理，也实现了整县分布式光伏功率的有效预测，为电网运行的调控与决策提供了关键支撑作用。
24.具体地，在所述步骤s20，根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度，之前，包括：设置初始聚类中心数目、最佳聚类数目及迭代次数；根据初始聚类中心数目设置初始聚类中心曲线矩阵，所述；设置综合相似性衡量公式中的权重系数和。
25.实施例二图2为本发明施例二提供的一种整县屋顶分布式光伏功率预测方法中步骤s20的流程示意图，如图2所示，所述步骤s20，根据欧式距离和斜率距离综合相似性衡量公式分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度，将每条功率曲线归类于相似度最大的聚类中心曲线类别组，具体包括：s201、假设其中一条屋顶分布式光伏功率曲线为，其中一类聚类中心曲线，所述；，采用欧式距离来表示两条曲线对应采样点之间的距离为：
ꢀꢀꢀ
（1）式（1）中，表示功率曲线和聚类中心曲线的欧式距离，和为功率曲线和聚类中心曲线在时刻对应的采样点；s202、曲线的斜率距离采用固定时间间隔下的变化量来表示，因此，所述功率曲线在各时间段内的曲线变化量为：；所述聚类中心曲线在各时间段内的曲线变化量为：；其中，和的计算公式为：
ꢀꢀ
（2）
ꢀꢀ
（3）式（2）、式（3）中，为时间间隔，且 ；功率曲线和聚类中心曲线的时间序列表达如下：
ꢀ
（4）
ꢀꢀ
（5）两条曲线之间的斜率距离为：
ꢀꢀ
（6）并且有下式成立：
ꢀꢀ
（7）式（7）中，表示该数据序列的结束时间， 的作用是加权，时间越长，所占权重越大；s203、根据功率曲线和聚类中心曲线的欧式距离相似性衡量依据和基于dtw算法的变化趋势相似性衡量依据，采用综合相似性衡量公式计算功率曲线和聚类中心曲线的相似度：
ꢀꢀ
（8）式（8）中，和为综合相似性衡量公式中欧式距离和斜率距离衡量方法所占有的权重；s204、根据每条功率曲线与每类聚类中心曲线的相似度，按照从大到小的顺序进行排序，将每条功率曲线归类于相似度最大的聚类中心曲线类别组。
26.本实施例中，采用两条曲线之间的斜率距离来反应曲线之间的变化动态相似特性，采用欧式距离衡量法反应曲线之间的整体相似特性，这样从功率曲线的整体形状和动态变化趋势来综合反应曲线的相似性；根据欧式距离和斜率距离的曲线相似性衡量方法，计算各屋顶分布式光伏的功率曲线与每类聚类中心曲线的相似度，根据每条功率曲线与每类聚类中心曲线的相似度，按照从大到小的顺序进行排序，将每条功率曲线归类于相似度最大的聚类中心曲线类别组；传统的曲线相似度衡量方法为基于欧式距离的相似性衡量方法，但是该方法只能通过计算两条曲线之间对应采样点的欧式距离来反应两条曲线之间的相似度，无法准确反应曲线的局部动态变化特性，因此，传统的欧式距离衡量法可能造成较大的相似性计算误差；本实施例在传统的欧式距离分析方法的基础上进行改进，能够较为全面地对曲线的瞬时变化趋势进行衡量和分析，实现曲线的高度相似匹配和聚类。
27.实施例三图3为本发明施例三提供的一种整县屋顶分布式光伏功率预测方法中步骤s30的流程示意图，如图3所示，在实施例二的基础上，所述步骤s30，根据k-mediod算法对各类聚类中心曲线类别组的聚类中心进行计算和调整，输出最佳聚类分区方案和中心曲线集合，根据分区方案确定整县范围内的分布式光伏划定区域，根据聚类中心曲线集合确定各分区的中心功率曲线，具体包括：s301、计算各类中心与各样本点距离的绝对误差，将绝对误差最小的样本点作为
新的中心点，进行聚类中心的计算和调整：
ꢀꢀ
（9）
ꢀꢀ
（10）式（9）、式（10）中，为第次迭代计算的第类的聚类中心，为第类曲线组中距离原始中心绝对误差最小的一组功率曲线；为该类中的曲线数目，为第类曲线组的各功率曲线样本与聚类中心的绝对误差；s302、判断曲线聚类结果是否满足离散度极限且聚类中心是否改变；具体地，判断曲线聚类结果是否满足离散度极限且聚类中心是否改变包括判断曲线聚类结果是否小于聚类的离散度及判断聚类中心曲线不再发生改变；所述判断曲线聚类结果是否小于聚类的离散度，包括：
ꢀꢀ
（11）式（11）中，为离散度的极限收敛值，为第次聚类的离散度，其计算公式为：
ꢀꢀ
（12）式（12）中，为第次迭代计算的第类的聚类中心；为属于第类曲线组的功率曲线；所述判断聚类中心曲线不再发生改变，包括：
ꢀꢀ
（13）；s303、当满足式（11）及式（13），即曲线聚类结果小于聚类的离散度且聚类中心不再发生改变时；输出聚类结果，即为最优分区组；若不满足，则根据欧式距离和斜率距离综合相似性衡量公式重新分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度，直至满足式（11）及式（13）方可结束；s304、根据计算得到的最优分区组，计算聚类的指标值，记为；s305、判断该聚类分区指标是否满足；如是，输出分区结果和聚类中心曲线；否则，根据欧式距离和斜率距离综合相似性衡量公式重新分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度，重新进行聚类中心的计算和调整，再次经离散度和聚类中心的判断后，进入指标值计算和判断；s306、生成最佳分区方案和聚类中心功率曲线集合；s307、根据分区方案确定整县范围内的分布式光伏划定区域，根据聚类中心曲线集合确定各分区的中心功率曲线。
28.本实施例采用k-mediod算法对整县屋顶分布式光伏进行聚类分区，得到最优的分区方案，在同一区域内的各屋顶分布式光伏具有相似度较高的功率曲线，在外界环境变化的影响下，出力具有一致的变化特征，侧面反应了同一分区内的屋顶光伏在地域上具有分布相同的外界环境变化特点；本实施例通过k-mediod聚类算法对整县屋顶分布式光伏进行
分区管理和分区预测，应用原理简单，适用于大量数据场景，在一定程度上提高了分区效率，实现新能源能量的集中分析和管理。
29.进一步地，所述指标的计算公式为：
ꢀꢀꢀ
（14）式（14）中，表示聚类间的分散性，表示聚类间的紧凑性，表示当前的聚类数目，表示聚类样本数目；其中，和的计算公式如下：
ꢀꢀꢀ
（15）
ꢀꢀ
（16）式（15）、式（16）中，为第个聚类中心元素，为第个样本，为聚类样本的平均值，表示第个对象对第类的隶属度，的表达式为：
ꢀꢀꢀ
（17）当指标的值最大时，对应的聚类数目为最佳数目，即。
30.本实施例中，指标综合考虑类间的分散性和类内的紧凑性来衡量聚类的优越性；聚类之间的分散性越大，类间紧凑性越小，则聚类效果越好；因此，当的值最大时，对应的聚类数目为最佳数目。
31.实施例四图4为本发明施例四提供的一种整县屋顶分布式光伏功率预测方法的流程示意图，如图4所示，在实施例三的基础上，所述步骤s40，各分区进行功率的拟合预测并进行求和，得到整县范围内的预测功率，具体包括：根据分区内的屋顶分布式光伏的地域分布特点，对聚类分区内的各区域中心光伏用户功率进行预测，记为：
ꢀꢀ
（18）式（18）中，为分区数目，为第个分区的聚类中心功率预测曲线；根据该区域的屋顶式光伏装机总容量的占比来实现聚类分区内光伏发电功率的预测，各分区进行功率的拟合预测公式如下：
ꢀꢀ
（19）式（19）中，为第个分区的预测总功率；为第个分区内聚类中心用户的光伏装机容量；为第个分区内屋顶光伏的总装机容量；将各分区的预测功率进行求和，即得到整县范围内的预测功率：
ꢀꢀ
（20）式（20）中，为整县屋顶分布式光伏的发电功率。
32.进一步地，所述根据曲线之间的欧式距离和斜率距离分别计算每条屋顶分布式光伏功率曲线与每类聚类中心曲线的相似度之前，包括：由于整县范围内各分布式光伏用户的发电容量不同，可能会造成具有相似功率曲线因数据值差别较大带来相似性分析复杂，增加运算量，因此，对整县屋顶分布式光伏的功率曲线进行归一化处理，归一化公式如下：
ꢀꢀ
（21）式（21）中，为曲线归一化处理后的值，和为曲线最大值和最小值，经过归一化处理后，每条功率曲线就相应的映射至区间，得到聚类的曲线为：；曲线对应的斜率集合序列为：。
33.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
34.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
35.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。