面向电力现货实时市场的分布式光伏功率预测方法及系统与流程

本发明涉及光伏功率预测，尤其是涉及一种面向电力现货实时市场的分布式光伏功率预测方法及系统。

背景技术：

1、随着光伏发电大规模并入电网，光伏发电的随机性与波动性对主电网造成冲击，进行影响电力系统稳定运行的现象日趋明显，同时在电力市场环境下，如何应对市场规则以获取更高的收益成为迫切的需求。对光伏功率的准确预测有利于更好地消纳新能源，有利于更灵活地进行调频、调压、备用等，同时面向电力现货实时市场环境下，考虑发电功率的预留容量，可以减少偏差电量惩罚成本，进而获取更优的经济性。

2、针对光伏功率预测，目前主要采用三种方法：(1)根据光伏发电系统的物理特性建立物理模型，对光伏功率进行预测；(2)基于光伏发电系统的历史数据，运用统计学预测模型进行预测；(3)利用机器学习和神经网络算法，基于光伏发电系统的历史数据进行预测。然而，现有的预测方法主要针对集中式光伏，而分布式光伏存在气象数据缺失的情况，导致现有预测方法存在预测准确性不高的问题；同时现有光伏功率预测通常未考虑电力现货实时市场环境下的环境因素，存在因为偏差电量而导致受到电力市场惩罚的问题，其经济性有待进一步提高。

技术实现思路

1、本发明旨在提供一种面向电力现货实时市场的分布式光伏功率预测方法及系统，以解决上述技术问题，其基于已知的广域气象数据，采用反距离加权法对分布式光伏电站的气象数据进行插值，从而构建光伏功率预测模型对分布式光伏功率进行预测，能够有效地提升光伏功率预测的有效性；同时面向电力现货实时市场，考虑发电功率的预留容量，通过双侧超分位数模型表征正负两种偏差功率情况，可以有效减少偏差电量的惩罚成本，能够有效地提升面向电力现货实时市场环境下光伏发电的经济性。

2、为了解决上述技术问题，本发明提供了一种面向电力现货实时市场的分布式光伏功率预测方法，包括以下步骤：

3、获取各个分布式光伏电站的已知的广域气象数据，采用反距离加权法对各个分布式光伏电站的不完整气象数据进行插值补充，得到各个分布式光伏电站的完整气象数据；

4、基于各个分布式光伏电站光伏功率历史数据及完整气象数据，构建光伏功率预测模型，以对分布式光伏功率进行预测，获取分布式光伏总预测功率；

5、在预设的置信水平下，利用双侧超分位数模型计算分布式光伏总预测功率的惩罚功率；

6、基于分布式光伏总预测功率的惩罚功率计算不同置信水平下分布式光伏电站的总成本收益，在面向电力现货实时市场的环境下，作为选取报价策略的参考。

7、上述方案基于已知的广域气象数据，采用反距离加权法对分布式光伏电站的气象数据进行插值，从而构建光伏功率预测模型对分布式光伏功率进行预测，能够有效地提升光伏功率预测的有效性；同时面向电力现货实时市场，考虑发电功率的预留容量，通过双侧超分位数模型表征正负两种偏差功率情况，可以有效减少偏差电量的惩罚成本，能够有效地提升面向电力现货实时市场环境下光伏发电的经济性。

8、进一步地，获取各个分布式光伏电站的已知的广域气象数据，采用反距离加权法对各个分布式光伏电站的不完整气象数据进行插值补充，得到各个分布式光伏电站的完整气象数据，具体为：

9、对于各个分布式光伏电站的已知的广域气象数据，其s0处需要进行插值补充，则采用反距离加权法进行插值后的结果表示为：

10、

11、式中，z(s0)表示s0处的反距离加权插值结果；di表示插值点i与已知点的距离，zi为对应已知点间的距离；p为幂参数；n为插值点的个数；

12、基于反距离加权插值结果对各个分布式光伏电站的不完整气象数据进行插值补充，得到各个分布式光伏电站的完整气象数据。

13、进一步地，所述基于各个分布式光伏电站的光伏功率历史数据及完整气象数据，构建光伏功率预测模型，以对分布式光伏功率进行预测，获取分布式光伏总预测功率，具体为：

14、基于各个分布式光伏电站的完整气象数据，构造cnn神经网络以提取隐含特征信息，所述cnn神经网络包括若干个卷积层、池化层和全连接层；在卷积层中，其卷积计算公式为：

15、ci＝f(ci-1*wi+bi)

16、式中，ci为第i个卷积层的特征输出；*表示卷积运算；wi表示权重矩阵；bi表示第i个卷积层的偏移量；通过卷积层的卷积计算，获取完整气象数据的隐含特征信息c；

17、在池化层中，对隐含特征信息c进行最大池化计算，得到局部最优解d，具体计算为：

18、d＝max(c1，c2，...，cn)

19、在全连接层中，将各个局部最优解d进行全连接操作，得到最优向量；将最优向量输入预设的lstm网络中，以实现对lstm网络的初始化，构建由cnn神经网络和lstm网络组成的光伏功率预测模型，以对分布式光伏功率进行预测，获取分布式光伏总预测功率。

20、进一步地，所述lstm网络通过在rnn网络上增加遗忘门、输入门和输出门得到，其中：

21、所述遗忘门具体计算表示为：

22、ft＝σ(wf*[ht-1,xt]+bf)

23、其中，σ表示sigmoid激活函数；wf表示遗忘门的权重矩阵；*表示卷积运算；ht-1表示上一层输出；xt表示当前输入，即为最优向量中对应t时刻的完整气象数据，[ht-1,xt]为拼接后的输入；bf为遗忘门的偏移量；

24、所述输入门具体计算表示为：

25、it＝σ(wi*[ht-1,xt]+bi)

26、

27、式中，wi表示输入门的权重矩阵；表示记忆单元，在lstm网络中通过遗忘门和输入门对记忆单元进行更新，以获取最新的记忆单元，具体表示为：

28、

29、式中，ct-1表示旧的记忆单元，ct表示更新后的记忆单元；

30、所述输出门具体计算表示为：

31、ot＝σ(wo*[ht-1,xt]+bo)

32、式中，wo表示输出门的权重矩阵；

33、lstm网络最终的输出结果表示为：

34、ht＝ot*tanh(ct)

35、将各个分布式光伏电站的光伏功率历史数据及完整气象数据输入由cnn神经网络和lstm网络组成的光伏功率预测模型，对分布式光伏功率进行预测，获取分布式光伏总预测功率。

36、进一步地，所述根据预设的置信水平及双侧超分位数模型计算分布式光伏总预测功率的惩罚功率，具体为：

37、分布式光伏总预测功率的预测误差服从正态分布，其累计分布函数表示为：

38、

39、式中，μ和σ为误差拟合正态分布均值和标准差的无偏估计量；对于预设的置信水平β，其双侧超出置信水平的概率分别为α1和α2，则对应的双侧超分位数模型表示为：

40、

41、

42、其中，q＝f-1(β)，f-1表示标准正态分布累积分布函数f(x)的反函数；则分布式光伏总预测功率的惩罚功率表示为：

43、

44、

45、式中，p+(t)为过发的惩罚偏差功率，p-(t)为欠发的惩罚功率。

46、上述方案中，为应对现有分布式光伏电站气象数据存在缺失，无法准确预测分布式光伏功率的情况，本方法采用反距离加权法生成分布式光伏电站缺失的气象数据，形成完整的预测模型训练样本，提高了分布式光伏功率的预测准确性；而针对电力现货实时市场环境下因为偏差电量而导致受到电力市场惩罚的情况，本方案通过双侧超分位数模型表征正负两种偏差功率情况，可以减少偏差电量惩罚成本，进而获取更优的经济性。

47、本发明提出了一种面向电力现货实时市场的分布式光伏功率预测系统，包括数据获取模块、插值补充模块、功率预测模块、惩罚功率计算模块和报价参考模块；其中：

48、所述数据获取模块用于获取各个分布式光伏电站的已知的广域气象数据；

49、所述插值补充模块用于采用反距离加权法对各个分布式光伏电站的不完整气象数据进行插值补充，得到各个分布式光伏电站的完整气象数据；

50、所述功率预测模块用于基于各个分布式光伏电站光伏功率历史数据及完整气象数据，构建光伏功率预测模型，对分布式光伏功率进行预测，获取分布式光伏总预测功率；

51、所述惩罚功率计算模块用于在预设的置信水平下，利用双侧超分位数模型计算分布式光伏总预测功率的惩罚功率；

52、所述报价参考模块用于基于分布式光伏总预测功率的惩罚功率计算不同置信水平下分布式光伏电站的总成本收益，在面向电力现货实时市场的环境下，作为选取报价策略的参考。

53、上述系统构建简单，适用性强，可以很好地实现一种面向电力现货实时市场的分布式光伏功率预测方法，该系统基于已知的广域气象数据，采用反距离加权法对分布式光伏电站的气象数据进行插值，从而构建光伏功率预测模型对分布式光伏功率进行预测，能够有效地提升光伏功率预测的有效性；同时面向电力现货实时市场，考虑发电功率的预留容量，通过双侧超分位数模型表征正负两种偏差功率情况，可以有效减少偏差电量的惩罚成本，能够有效地提升面向电力现货实时市场环境下光伏发电的经济性。

54、进一步地，所述插值补充模块用于采用反距离加权法对各个分布式光伏电站的不完整气象数据进行插值补充，得到各个分布式光伏电站的完整气象数据，具体为：

55、对于各个分布式光伏电站的已知的广域气象数据，其s0处需要进行插值补充，则采用反距离加权法进行插值后的结果表示为：

56、

57、式中，z(s0)表示s0处的反距离加权插值结果；di表示插值点i与已知点的距离，zi为对应已知点间的距离；p为幂参数；n为插值点的个数；

58、基于反距离加权插值结果对各个分布式光伏电站的不完整气象数据进行插值补充，得到各个分布式光伏电站的完整气象数据。

59、进一步地，所述功率预测模块用于基于各个分布式光伏电站光伏功率历史数据及完整气象数据，构建光伏功率预测模型，对分布式光伏功率进行预测，获取分布式光伏总预测功率，具体为：

60、基于各个分布式光伏电站的完整气象数据，构造cnn神经网络以提取隐含特征信息，所述cnn神经网络包括若干个卷积层、池化层和全连接层；在卷积层中，其卷积计算公式为：

61、ci＝f(ci-1*wi+bi)

62、式中，ci为第i个卷积层的特征输出；*表示卷积运算；wi表示权重矩阵；bi表示第i个卷积层的偏移量；通过卷积层的卷积计算，获取完整气象数据的隐含特征信息c；

63、在池化层中，对隐含特征信息c进行最大池化计算，得到局部最优解d，具体计算为：

64、d＝max(c1，c2，...，cn)

65、在全连接层中，将各个局部最优解d进行全连接操作，得到最优向量；将最优向量输入预设的lstm网络中，以实现对lstm网络的初始化，构建由cnn神经网络和lstm网络组成的光伏功率预测模型，以对分布式光伏功率进行预测，获取分布式光伏总预测功率。

66、进一步地，在所述功率预测模块中，所述lstm网络通过在rnn网络上增加遗忘门、输入门和输出门得到，其中：

67、所述遗忘门具体计算表示为：

68、ft＝σ(wf*[ht-1,xt]+bf)

69、其中，σ表示sigmoid激活函数；wf表示遗忘门的权重矩阵；*表示卷积运算；ht-1表示上一层输出；xt表示当前输入，即为最优向量中对应t时刻的完整气象数据，[ht-1,xt]为拼接后的输入；bf为遗忘门的偏移量；

70、所述输入门具体计算表示为：

71、it＝σ(wi*[ht-1,xt]+bi)

72、

73、式中，wi表示输入门的权重矩阵；表示记忆单元，在lstm网络中通过遗忘门和输入门对记忆单元进行更新，以获取最新的记忆单元，具体表示为：

74、

75、式中，ct-1表示旧的记忆单元，ct表示更新后的记忆单元；

76、所述输出门具体计算表示为：

77、ot＝σ(wo*[ht-1,xt]+bo)

78、式中，wo表示输出门的权重矩阵；

79、lstm网络最终的输出结果表示为：

80、ht＝ot*tanh(ct)

81、将各个分布式光伏电站的光伏功率历史数据及完整气象数据输入由cnn神经网络和lstm网络组成的光伏功率预测模型，对分布式光伏功率进行预测，获取分布式光伏总预测功率。

82、进一步地，所述惩罚功率计算模块用于根据预设的置信水平及双侧超分位数模型计算分布式光伏总预测功率的惩罚功率，具体为：

83、分布式光伏总预测功率的预测误差服从正态分布，其累计分布函数表示为：

84、

85、式中，μ和σ为误差拟合正态分布均值和标准差的无偏估计量；对于预设的置信水平β，其双侧超出置信水平的概率分别为α1和α2，则对应的双侧超分位数模型表示为：

86、

87、

88、其中，q＝f-1(β)，f-1表示标准正态分布累积分布函数f(x)的反函数；则分布式光伏总预测功率的惩罚功率表示为：

89、

90、

91、式中，p+(t)为过发的惩罚偏差功率，p-(t)为欠发的惩罚功率。