本技术提出了一种分布式光伏超短期出力预测技术,通过预选时空预测因子,实现精准预测。该方法首先实时获取分布式光伏输出功率的时间序列数据,然后进行在线场景识别,以晴空场为场景之一,进而利用预选的时空因子进行超短期出力预测,提高预测准确性。
背景技术
分布式光伏的有效利用是推动能源生产和低碳转型的重要手段。然而,由于其功率受环境、气象条件影响,具有较大的波动性和随机性。这些特性使得分布式光伏并网后对配电网安全、电能质量以及系统稳定性等造成不良影响。因此,分布式光伏功率的准确预测,对多层级电网的运用优化具有重要意义。
根据预测时间尺度,光伏功率预测常可分为中长期预测(1日至1年)、短期预测(6小时至1天)和超短期预测(0至6小时)。由于分布式光伏系统不具备传统火力发电的惯量转动,其出力在云团遮挡的瞬时可波动超过80%。大规模分布式光伏发电并网情况下,高频的分布式光伏发电波动将严重影响电网的频率稳定性。对此,如何对超短期分布式光伏功率进行精细化预测已经成为了现阶段配电网规划需要考虑的重要问题。
针对超短期分布式光伏功率预测,目前主要有两种方法,一是机理驱动方法,由气象信息和光伏系统参数,依据物理原理建立预测模型。二是基于空间参考点的时空预测法,通过挖掘不同空间参考点(光伏电站或辐照度传感器)与目标电站测量数据间的关系,建立预测模型,常用的方法有统计模型、机器学习算法和融合算法等。国内外学者对上述两种方法均开展了相关研究,如:文献“基于空间相关性的大规模分布式用户光伏空间分群方法”(焦田利,章坚民,李熊,等.电力系统自动化,2019,43(21):97-102)基于商业气象数据如数值天气预报(NWP)服务,对多用户的出力空间相关性进行聚类,进而预测整个光伏集群的功率;文献“基于空间相关性的分布式光伏出力预测”(张家安,王琨玥,陈建,等.电力建设,2020,41(3):47-53.)基于Copula函数构建了各类天气下分布式光伏和集中式光伏的出力相关性模型;文献“Expected output calculation based on inverse distanceweighting and its application in anomaly detection of distributedphotovoltaic power stations”(Y.Shi,W.He,J.Zhao,et al.Journal of CleanerProduction,2020,253:119965.)则基于气象数据的逆距离加权算法得到了目标站点的期望输出。然而,分布式站点出于成本考虑往往没有购买NWP服务,缺乏预测所需的同时空气象数据信息。此外,分布式光伏由于运维水平、组件工艺等因素,一般难以获得硬件设施的具体参数,基于机理驱动的物理建模只能采用简化模型和经验参数,预测精度相对较低。文献“Very short term irradiance forecasting using the lasso”(D.Yang,Z.Ye,L.Lim,Z.Dong.Solar Energy,2015,114:314–326.)采用lasso算法建立了分布式光伏网络的时空预测模型,通过参数正则化对不同光伏电站间的空间相关性进行筛选,赋予了不同权重。然而,该类方法往往只考虑了电站间的各向同性,当云团遮挡频繁发生时,电站间的时空相关性将迅速发生改变,采用固定模式的时空预测因子难以在不同场景中保持良好精度和泛化性。
实现思路