基于空间相关性的分布式光伏出力预测

doi:10.3969/j.issn.1000－7229.2020.03.006

摘要/Abstract

摘要： 随着分布式光伏在配电网的渗透率不断上升，其出力波动将成为调度运行中不可忽略的一项不确定因素。基于同一地区光伏出力变化的相关性，提出一种基于空间相关性的分布式光伏出力预测方法。先对同一地区集中式、分布式光伏出力历史数据做无遮归一化，以无遮系数表征光伏出力不确定性；再由K-means聚类方法对天气情况分类，建立基于Copula函数的各类天气工况下光伏出力的相关性模型；最后根据集中式光伏出力信息实现分布式光伏出力预测。以我国北部某城市光伏电站数据为算例，验证了该方法的有效性。

关键词: 分布式光伏, 出力预测, 空间相关性, Copula

Abstract: With the increasing proportion of distributed photovoltaic （DPV） power in distribution network， the fluctuation of its power output will become a non-negligible uncertain factor in power grid dispatch and operation. On the basis of the correlation of photovoltaic power generation in one region， a prediction method for distributed photovoltaic output is proposed on the basis of spatial correlation. Firstly， the historical data of centralized and distributed photovoltaic output in the same region are normalized to uncovered coefficient which represents the randomness of photovoltaic output. Then， the weather conditions are classified by K-means clustering. According to Copula theory， the correlation model of photovoltaic output under various weather conditions is established. Finally， the distributed photovoltaic output is predicted according to the information of centralized photovoltaic output. The validity of the proposed method is verified by using an example of a photovoltaic power station in a city of northern China.

Key words: distributed photovoltaic, output prediction, spatial relevance, Copula

中图分类号:

TM 615

张家安, 王琨玥，陈建，郭凌旭，黄潇潇，范瑞卿，李志军. 基于空间相关性的分布式光伏出力预测[J]. 电力建设, 2020, 41(3): 47-53.

ZHANG Jiaan， WANG Kunyue， CHEN Jian， GUO Lingxu， HUANG Xiaoxiao,FAN Ruiqing， LI Zhijun. Research on Prediction of Distributed Photovoltaic Output Considering Spatial Relevance[J]. Electric Power Construction, 2020, 41(3): 47-53.

参考文献

［1］中电联行业发展与环境资源部.中电联发布《2018-2019年度全国电力供需形势分析预测报告》［EB/OL］.（2019-01-29）［2019-07-20］.http：//www.cec.org.cn/yaowenkuaidi/2019-01-29/188578.html.
［2］王洪坤，葛磊蛟，李宏伟，等.分布式光伏发电的特性分析与预测方法综述［J］. 电力建设， 2017，38（7）： 1-9.
WANG Hongkun， GE Leijiao， LI Hongwei，et al. A review on characteristic analysis and prediction method of distributed PV［J］. Electric Power Construction， 2017， 38（7）： 1-9.
［3］陈志宝，丁杰，周海，等. 地基云图结合径向基函数人工神经网络的光伏功率超短期预测模型［J］. 中国电机工程学报， 2015，35（3）： 561-567.
CHEN Zhibao， DING Jie， ZHOU Hai，et al. A model of very short-term photovoltaic power forecasting based on ground-based cloud images and RBF neural network［J］.Proceedings of the CSEE， 2015，35（3）： 561-567.
［4］葛乐，陆文伟，袁晓冬，等. 基于改进相似日和ABC-SVM的光伏电站功率预测［J］. 太阳能学报， 2018，39（3）： 775-782.
GE Le， LU Wenwei， YUAN Xiaodong，et al. Power forecasting of photovoltaic plant based on improved similar day and ABC-SVM［J］. Acta Energiae Solaris Sinica， 2018，39（3）： 775-782.
［5］于秋玲，许长清，李珊，等. 基于模糊聚类和支持向量机的短期光伏功率预测［J］. 电力系统及其自动化学报， 2016，28（12）： 115-118，129.
YU Qiuling，XU Changqing，LI Shan，et al. Application of fuzzy clustering algorithm and support vector machine to short-term forecasting of PV power［J］. Proceedings of the CSU-EPSA， 2016，28（12）： 115-118，129.
［6］王继东，宋智林，冉冉. 基于改进支持向量机算法的光伏发电短期功率滚动预测［J］. 电力系统及其自动化学报， 2016，28（11）： 9-13.
WANG Jidong，SONG Zhilin，RAN Ran. Short-term photovoltaic power generation rolling forecast based on optimized SVM［J］. Proceedings of the CSU-EPSA， 2016，28（11）： 9-13.
［7］丁明，王磊，毕锐. 基于改进BP神经网络的光伏发电系统输出功率短期预测模型［J］. 电力系统保护与控制， 2012， 40（11）： 93-99.
DING Ming， WANG Lei， BI Rui. A Short-term prediction model to forecast output power of photovoltaic system based on improved bp neural network［J］. Power System Protection and Control， 2012， 40（11）： 93-99.
［8］LIU L Y， LIU D R， SUN Q， et al. Forecasting power output of photovoltaic system using a BP network method［J］ Energy Procedia， 2017，142：780-786.
［9］丁明，刘志，毕锐，等. 基于灰色系统校正－小波神经网络的光伏功率预测［J］. 电网技术， 2015，39（9）： 2438-2443.
DING Ming， LIU Zhi， BI Rui， et al. Photovoltaic output prediction based on grey system correction-wavelet neural network［J］. Power System Technology，2015，39（9）： 2438-2443.
［10］YANG X Y， XU M L， XU S C， et al. Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining［J］. Applied Energy， 2017，206：683-696.
［11］王志忠，韩茂林，胡海，等. 基于晴朗系数和多层次匹配的光伏功率预测方法研究［J］. 电测与仪表， 2019， 56（8）： 45-50.
WANG Zhizhong， HAN Maolin， HU Hai， et al. Research on photovoltaic power prediction method based on sunny coefficient and multi-similarity matching［J］. Electrical Measurement & Instrumentation， 2019， 56（8）： 45-50.
［12］张曦，康重庆，张宁，等. 太阳能光伏发电的中长期随机特性分析［J］. 电力系统自动化， 2014， 38（6）： 6-13.
ZHANG Xi， KANG Chongqing， ZHANG Ning， et al. Analysis of mid/long term random characteristics of photovoltaic power generation［J］. Automation of Electric Power Systems， 2014， 38（6）： 6-13.
［13］张柏林，拜润卿，智勇，等. 基于空间相关性的分布式光伏超短期预测技术研究［J］. 陕西电力， 2017，45（5）： 22-26.
ZHANG Bolin， BAI Runqing， ZHI Yong， et al. Distributed PV ultra-short term power forecast technology based on spatial correlation［J］. Shaanxi Electric Power， 2017，45（5）： 22-26.
［14］王晶，黄越辉，李驰，等. 考虑空间相关性和天气类型划分的多光伏电站时间序列建模方法［J/OL］. 电网技术，（2019-07-19）［2019-07-20］. http：//kns.cnki.net/kcms/detail/11.2410.TM.20190719.1456.002.html.
WANG Jing， HUANG Yuehui， LI Chi， et al. Time series modeling method for multi-photovoltaic power stations considering spatial correlation and weather type classification［J/OL］. Power System Technology，（2019-07-19）［2019-07-20］. http：//kns.cnki.net/kcms/detail/11.2410.TM.20190719.1456.002.html.
［15］江雪辰，朱俊澎，袁越，等. 基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法［J］. 电力建设， 2018， 39（10）： 63-70.
JIANG Xuechen， ZHU Junpeng， YUAN Yue， et al. Simulation method based on improved scenario division considering temporal correlation for PV output time series［J］. Electric Power Construction， 2018， 39（10）： 63-70.
［16］SKLAR A. Fonctions de répartition à n dimensions etleursmarges ［J］. Publications de I'Institut de I'Université Statistique de Paris，1959（8）： 229-231.
［17］吴建华，王新军，张颖. 相关性分析中Copula函数选择［J］. 统计研究， 2014， 31（10）： 99-107.
WU Jianhua， WANG Xinjun， ZHANG Ying. The choice of the copula function in the correlation analysis［J］. Statistical Research， 2014， 31（10）： 99-107.

[1]	高建伟, 郎宇彤, 高芳杰, 郭贵雨, 梁鹏程. 基于Copula-UCVaR风险度量的风电场投资时序规划[J]. 电力建设, 2020, 41(8): 78-86.
[2]	孙蓉，吕振华，廖星星，陈兵，王锐，朱晨宸，卫志农. 基于广义半不变量及最大熵法的电网概率潮流分析[J]. 电力建设, 2020, 41(7): 33-41.
[3]	何后裕，何华琴，王骞，王彦铭，高领军，骆钊，臧海祥. 考虑碳足迹与交易的分布式光伏发电成本分摊[J]. 电力建设, 2020, 41(6): 85-92.
[4]	蒋浩，林舜江，卢艺，何森. 考虑时间相关性的电动汽车充电站负荷概率建模及场景生成[J]. 电力建设, 2020, 41(2): 47-57.
[5]	闫园，林鸿基，文福拴，龚建荣，李道强，陈成. 考虑电价和碳价间Copula风险依赖的虚拟电厂竞标策略[J]. 电力建设, 2019, 40(11): 106-115.
[6]	江雪辰，袁越，吴涵，徐蕴岱，黄阮明，王跃峰. 基于分段Copula函数和高斯混合模型的多段线性化概率潮流计算[J]. 电力建设, 2018, 39(9): 120-128.
[7]	江雪辰，朱俊澎，袁越，王跃峰，黄阮明. 基于新型场景划分与考虑时序相关性的光伏出力时间序列模拟方法[J]. 电力建设, 2018, 39(10): 63-70.
[8]	洪博文，李琼慧，何永胜，黄碧斌，郑漳华. 虚拟电厂在分布式光伏发电应用示范区中的应用及前景[J]. 电力建设, 2017, 38(9): 32-.
[9]	王洪坤，葛磊蛟，李宏伟，迟福建. 分布式光伏发电的特性分析与预测方法综述[J]. 电力建设, 2017, 38(7): 1-.
[10]	梁浚杰，兰飞，农植贵，黎静华. 考虑风电非线性相关性的配电网概率潮流研究 [J]. 电力建设, 2017, 38(7): 34-.
[11]	孙波，董浩，樊亚南，王璐，廖强强. 多情形下电动汽车与分布式光伏协同优化调度算法[J]. 电力建设, 2017, 38(10): 99-.
[12]	章竹耀,肖欣,郭晓丽,姜亚海,顾磊,陈伟峰. 基于储能电池的光伏功率波动平抑策略[J]. 电力建设, 2016, 37(8): 90-.
[13]	徐斌，丁然，刘康丽，徐斌，刘红新，陈娅，阮力. 基于序优化的分布式光伏配电网储能系统容量评估[J]. 电力建设, 2016, 37(8): 122-.
[14]	栾伟杰，蒋献伟，张节潭，程浩忠，孙诗航，黄国樑. 考虑主动管理的分布式光伏发电消纳能力研究[J]. 电力建设, 2016, 37(1): 137-143.
[15]	刘芳，李冰，张帆. 计及配电网经济性与可靠性的电池储能系统优化配置[J]. 电力建设, 2015, 36(12): 76-83.