技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于多元数据融合的区域升尺度光伏功率估算方法  >  正文

基于多元数据融合的区域升尺度光伏功率估算方法

  • 国知局
  • 2024-09-05 14:27:18

本发明属于可再生能源应用中的人工智能,具体涉及基于多元数据融合的区域升尺度光伏功率估算方法。

背景技术:

1、随着全球能源需求的不断增长和传统能源对环境的广泛冲击,可再生能源的开发与应用已成为全球能源战略的关键。在各类可再生能源技术中,太阳能光伏发电以其巨大的潜力备受国际社会关注。但由于光伏发电受辐照度、气温以及湿度等多种气象因子的影响,使得所获得的功率数据具有明显的波动性与不稳性,对光伏电站高效运行、并网后电力调配规划以及系统的安全稳定造成一定影响。因此,光伏功率的精确预测对电网的稳定运行以及调度有着重要意义。

2、在相关技术的研究中,国内外学者对光伏发电在不同地理和气候条件下的性能表现进行了广泛而深入的研究。此外,机器学习技术在光伏功率预测领域的应用也取得了显著的进展。多种机器学习与深度学习模型及其改进版本相继被提出,并被广泛应用于光伏功率的预测之中。然而,在现有的相关技术中,大多数研究仅从光伏功率单一维度进行考量,即主要关注光伏功率时间序列的预测,却忽视了空间维度的预测。在区域尺度的光伏功率预测中,更是鲜有研究能够同时考虑到气象相关因素的影响。这样的局限性导致区域光伏功率预报的可靠性不足,难以满足实际应用的需求。

技术实现思路

1、本发明为了解决现有光伏功率预报方法中区域预报精度低和区域预报可靠性不足的问题,进而提出了基于多元数据融合的区域升尺度光伏功率估算方法。

2、实现本发明目的的技术解决方案为:基于多元数据融合的区域升尺度光伏功率估算方法,包括以下步骤:

3、实地测量收集光伏功率数据和卫星遥感数据;

4、对收集到的光伏功率数据和卫星遥感数据进行数据预处理;

5、融合预处理后的卫星遥感数据与光伏功率数据;

6、基于已知站点数据训练随机森林模型;

7、基于训练好的随机森林模型预测其他区域数据;

8、双线性插值插补空白区域数据,将点数据合成为面数据,得到区域光伏功率估算值;

9、所述收集光伏功率数据,包括:采集时刻t时的真实15min分辨率光伏功率数据,将所采集的15min分辨率的有效功率数据统一成1h分辨率数据;

10、所述数据预处理,包括:数据清洗、数据去重、去缺失和去除异常点。

11、进一步地,所述去除异常点,具体公式为:

12、

13、其中,xi表示第i个样本的数据,μ表示样本数据的均值,σ表示样本数据的标准差,z表示样本数据的异常阈值;

14、设置阈值为3倍标准差,若该序列的异常阈值z大于3σ或者小于-3σ,则该条数据被判断为异常值,需要进行替换;

15、其中,使用移动平均法进行异常值替换,具体公式为:

16、

17、其中,设置移动平均窗口大小为3,即n=3,表示替换后的数据。

18、进一步地,所述将所采集的15min分辨率的有效功率数据统一成1h分辨率数据,具体公式为:

19、

20、其中,y表示1h分辨率数据,y0min表示15min分辨率下的初始数据,y15min表示15min分辨率下的第15分钟数据,y30min表示15min分辨率下的第30分钟数据,y45min表示15min分辨率下的第45分钟数据。

21、进一步地,所述卫星遥感数据,包括:卫星资料数据、气象探空数据和地面气象观测数据;其中,卫星资料,包括:云图ct,气温ttsat,湿度风向和风速表示为矩阵气象探空资料,包括:温度ttsonde,湿度气压ptsonde,风向和风速表示为矩阵地面气象观测资料,包括:温度ttsurface,湿度气压ptsurface,风向风速和降水ptrain,表示为矩阵

22、进一步地,所述融合预处理后的卫星遥感数据与光伏功率数据,包括:处理后的每小时光伏功率真实数据作为一个节点,将一个节点按照时间顺序进行排序,将对应的气象数据按照对应的时间节点进行合并,得到每个节点融合后的数据。

23、进一步地,所述基于已知站点数据训练随机森林模型,包括:将融合后的数据整理成[t-n,t-n+1,...,t]时间序列,将整理好的数据输入至随机森林网络进行模型训练,并且进行未来24小时时刻的预测,得到时刻t+1及其之后时刻的光伏功率站点的功率预测数据。

24、进一步地,所述基于训练好的随机森林模型预测其他区域数据,包括:将所研究区域按照经纬度进行预测点划分,并进行站点数据划分,提取对应站点的气象数据,并按照时间顺序进行排序;将每个站点数据输入到训练好的随机森林模型中,利用该点的t时刻的气象数据进行t时刻的光伏功率预测,将t时刻气象数据和预测得到的t时刻光伏功率数据一起再次输入进训练好的网络中进行t+1时刻的光伏功率预测,以此类推,循环进行n次。

25、进一步地,所述将点数据合成为面数据,得到区域光伏功率估算值,包括:在所研究区域,利用所取得的t时刻的1°×1°分辨率的点数据按照双线性插值算法,将数据分辨率修改成0.5°×0.5°,在按照相同的双线性插值算法进行数据插值,将数据分辨率修改成0.25°×0.25°;将t时刻的点数据组合在平面中合成为面数据,将t+1时刻的点数据按照相同的线性插值算法组合为面数据,将t+2时刻的点数据组合为面数据,以此类推,一直到t+n时刻为止,其中n表示时间序列长度。

26、进一步地,所述随机森林模型中,决策树数量n_estimators的参数值的搜索范围在10~200的整10的倍数之间,树的最大深度max_depth参数值的搜索范围在10~30的整2的倍数之间,节点可分的最小样本数min_samples_split参数值的搜索范围在2~10的整2的倍数之间,叶子节点含有的最少样本数min_samples_leaf参数值的搜索范围在1~15的整数之间

27、相比于现有技术,本发明的有益效果如下:

28、1、本发明采用了一种基于多元数据融合的区域升尺度光伏功率估算方法,可以有效地集成并提取卫星资料、气象资料、地面气象观测资料、光伏功率测量资料等多源数据中的有用信息。

29、2、本发明引入随机森林模型,构建了一种能够自动学习数据中复杂特征并实现高精度光伏功率预测的模型,同时,模型经过参数优化后,能够有效且准确地进行光伏功率预测。

30、3、本发明提出了一种区域升尺度功率预测算法,可以以研究区域面为估计单元,预测该区域内地光伏功率数值,并可以给出研究区域平面内的功率预测的直观变化趋势。

31、4、本发明提出了一种数据驱动的权重选择与优化技术,通过参数逐个优化算法,能够准确找出最佳参数组合,使模型具有良好的普适性和鲁棒性。

技术特征:

1.基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,所述去除异常点,具体公式为:

3.根据权利要求1所述的基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,所述将所采集的15min分辨率的有效功率数据统一成1h分辨率数据,具体公式为:

4.根据权利要求1所述的基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,所述卫星遥感数据,包括:卫星资料数据、气象探空数据和地面气象观测数据;其中,卫星资料,包括:云图ct,气温ttsat,湿度风向和风速表示为矩阵气象探空资料,包括:温度ttsonde,湿度气压ptsonde,风向和风速表示为矩阵地面气象观测资料,包括:温度ttsurface,湿度气压ptsurface,风向风速和降水ptrain,表示为矩阵

5.根据权利要求1所述的基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,所述融合预处理后的卫星遥感数据与光伏功率数据,包括:处理后的每小时光伏功率真实数据作为一个节点,将一个节点按照时间顺序进行排序,将对应的气象数据按照对应的时间节点进行合并,得到每个节点融合后的数据。

6.根据权利要求1所述的基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,所述基于已知站点数据训练随机森林模型,包括:将融合后的数据整理成[t-n,t-n+1,...,t]时间序列,将整理好的数据输入至随机森林网络进行模型训练,并且进行未来24小时时刻的预测,得到时刻t+1及其之后时刻的光伏功率站点的功率预测数据。

7.根据权利要求1所述的基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,所述基于训练好的随机森林模型预测其他区域数据,包括:将所研究区域按照经纬度进行预测点划分,并进行站点数据划分,提取对应站点的气象数据,并按照时间顺序进行排序;将每个站点数据输入到训练好的随机森林模型中,利用该点的t时刻的气象数据进行t时刻的光伏功率预测,将t时刻气象数据和预测得到的t时刻光伏功率数据一起再次输入进训练好的网络中进行t+1时刻的光伏功率预测,以此类推,循环进行n次。

8.根据权利要求1所述的基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,所述将点数据合成为面数据,得到区域光伏功率估算值,包括:在所研究区域,利用所取得的t时刻的1°×1°分辨率的点数据按照双线性插值算法,将数据分辨率修改成0.5°×0.5°,在按照相同的双线性插值算法进行数据插值,将数据分辨率修改成0.25°×0.25°;将t时刻的点数据组合在平面中合成为面数据,将t+1时刻的点数据按照相同的线性插值算法组合为面数据,将t+2时刻的点数据组合为面数据,以此类推,一直到t+n时刻为止,其中n表示时间序列长度。

9.根据权利要求1所述的基于多元数据融合的区域升尺度光伏功率估算方法,其特征在于,所述随机森林模型中,决策树数量n_estimators的参数值的搜索范围在10~200的整10的倍数之间,树的最大深度max_depth参数值的搜索范围在10~30的整2的倍数之间,节点可分的最小样本数min_samples_split参数值的搜索范围在2~10的整2的倍数之间,叶子节点含有的最少样本数min_samples_leaf参数值的搜索范围在1~15的整数之间。

技术总结本发明公开了基于多元数据融合的区域升尺度光伏功率估算方法,所述方法包括:实地测量收集光伏功率数据和卫星遥感数据;对收集到的光伏功率数据和卫星遥感数据进行数据预处理;融合预处理后的卫星遥感数据与光伏功率数据;基于已知站点数据训练随机森林模型;基于训练好的随机森林模型预测其他区域数据;双线性插值插补空白区域数据,将点数据合成为面数据,得到区域光伏功率估算值。本发明集成并提取卫星资料、气象资料、地面气象观测资料、光伏功率测量资料等多源数据中的有用信息;引入随机森林模型,经过参数优化后,能够有效且准确地进行光伏功率预测。技术研发人员:黄子凡,段泽霞,张翼驰受保护的技术使用者:南通大学技术研发日:技术公布日:2024/9/2

本文地址:https://www.jishuxx.com/zhuanli/20240905/286530.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。