一种新型分布式光伏出力区间预测方法

doi:10.12096/j.2096-4528.pgt.23045

发电技术 ›› 2024, Vol. 45 ›› Issue (4): 684-695.DOI: 10.12096/j.2096-4528.pgt.23045

一种新型分布式光伏出力区间预测方法

杨康¹, 李蓝青¹, 李艺丰¹, 宋东阔², 王博仑¹, 陈金², 周霞³, 单宇³

^1.国网江苏省电力有限公司，江苏省南京市 210008
^2.国电南瑞科技股份有限公司，江苏省南京市 211000
^3.南京邮电大学自动化学院/人工智能学院，江苏省南京市 210023

收稿日期:2023-04-12 修回日期:2023-08-25 出版日期:2024-08-31 发布日期:2024-08-27
通讯作者: 周霞
作者简介:杨康(1990)，男，硕士，工程师，主要研究方向为电力电子，yangkangtc@163.com；
周霞(1978)，女，博士，副教授，从事电力通信、电力系统分析与控制研究，本文通信作者，zhouxia@njupt.edu.cn。
基金资助:
国家自然科学基金项目(61933005)

A Novel Distributed Photovoltaic Output Interval Prediction Method

Kang YANG¹, Lanqing LI¹, Yifeng LI¹, Dongkuo SONG², Bolun WANG¹, Jin CHEN², Xia ZHOU³, Yu SHAN³

^1.State Grid Jiangsu Electric Power Co. , Ltd. , Nanjing 210008, Jiangsu Province, China
^2.Guodian NARI Technology Co. , Ltd. , Nanjing 211000, Jiangsu Province, China
^3.College of Automation/College of Artificial Intelligence, Nanjing University of Posts and Telecommunications, Nanjing 210023, Jiangsu Province, China

Received:2023-04-12 Revised:2023-08-25 Published:2024-08-31 Online:2024-08-27
Contact: Xia ZHOU
Supported by:
National Natural Science Foundation of China(61933005)

摘要/Abstract

摘要：

目的分布式光伏功率预测对光伏电站运行和调度具有重要意义，针对点预测方法难以全面描绘分布式光伏功率不确定性的问题，提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN)和麻雀搜索算法优化的最小二乘支持向量机(sparrow search algorithm optimized least square support vector machine，SSA-LSSVM)分布式光伏功率区间预测模型。方法首先，通过CEEMDAN将光伏功率序列分解为多个模态分量，再对一次分解得到的高频非平稳分量进行二次分解；其次，采用样本熵(sample entropy，SE)将所有分量重构为趋势分量和振荡分量；然后，通过SSA-LSSVM得到2个分量的点预测值；最后，对振荡分量的点预测误差进行概率密度估计，叠加点预测值得到总体的预测区间结果。结果所提区间预测模型具有更高的区间覆盖率且区间平均宽度更窄。结论在分布式光伏功率数据处理中加入二次模态分解，再结合样本熵对其子序列进行重构，可有效降低原始预测分量的复杂程度，同时提升模型预测准确性。

关键词: 分布式光伏, 功率预测, 核密度估计, 区间预测

Abstract:

Objectives Distributed photovoltaic power prediction is of great significance for the operation and scheduling of photovoltaic power plants. Point prediction methods are difficult to comprehensively describe the uncertainty of distributed photovoltaic power. This article proposed a distributed photovoltaic power interval prediction model based on complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) and sparrow search algorithm optimized least squares support vector machine (SSA-LSSVM). Methods Firstly, the photovoltaic sequence was broken down into multimodal components through CEEMDAN, and then the high-frequency non-stationary components obtained from the first decomposition were decomposed twice. Secondly, sample entropy (SE) was used to reconstruct all components into trend and oscillation components. Then, the point prediction values of the two components were obtained through SSA-LSSVM. Finally, the probability density estimation was performed on the point prediction error of the oscillation component, and the stacked point prediction value was used to obtain the overall prediction interval result. Results The interval prediction model proposed in this paper has higher interval coverage and narrower average interval width. Conclusions Adding secondary modal decomposition to distributed photovoltaic power data processing and combining sample entropy to reconstruct its sub-sequences can effectively reduce the complexity of the original prediction components and improve the accuracy of model prediction.

Key words: distributed photovoltaic, power prediction, kernel density estimation, intervel prediction

中图分类号:

TK 01

杨康, 李蓝青, 李艺丰, 宋东阔, 王博仑, 陈金, 周霞, 单宇. 一种新型分布式光伏出力区间预测方法[J]. 发电技术, 2024, 45(4): 684-695.

Kang YANG, Lanqing LI, Yifeng LI, Dongkuo SONG, Bolun WANG, Jin CHEN, Xia ZHOU, Yu SHAN. A Novel Distributed Photovoltaic Output Interval Prediction Method[J]. Power Generation Technology, 2024, 45(4): 684-695.

图/表 11

图1 区间预测方法流程图

Fig. 1 Flow chart of interval prediction method

图2 水平和垂直相关性系数

Fig. 2 Horizontal and vertical correlation coefficient

图3 CEEMDAN一次分解结果图

Fig. 3 CEEMDAN single decomposition result chart

图4 VMD二次分解结果图

Fig. 4 VMD secondary decomposition result diagram

图5 样本熵重构结果

Fig. 5 Sample entropy reconstruction results

图6 PSO与SSA迭代收敛对比图

Fig. 6 Comparison chart of PSO and SSA iteration convergence

图7 不同模型的点预测结果

Fig. 7 Point prediction results of different models

图8 不同测试集下各类模型预测指标雷达图

Fig. 8 Radar chart of various model prediction indicators under different test sets

图9 2种置信水平下光伏功率区间预测结果

Fig. 9 Prediction results of photovoltaic power interval under two confidence levels

表1 不同方法区间预测指标对比

Tab.1 Comparison of interval prediction indicators using different methods

算法	置信度/%	$ε P I C P$ /%	$ε P I N A W$
Bootstrap	85	82.93	1.33
Bootstrap	95	87.80	1.71
蒙特卡洛法	85	85.36	1.231
蒙特卡洛法	95	90.24	1.667
本文方法	85	87.80	1.092 8
本文方法	95	95.12	1.554 0

表1 不同方法区间预测指标对比

Tab.1 Comparison of interval prediction indicators using different methods

算法	置信度/%	$ε P I C P$ /%	$ε P I N A W$
Bootstrap	85	82.93	1.33
Bootstrap	95	87.80	1.71
蒙特卡洛法	85	85.36	1.231
蒙特卡洛法	95	90.24	1.667
本文方法	85	87.80	1.092 8
本文方法	95	95.12	1.554 0

图10 不同算法区间预测指标对比

Fig. 10 Comparison of interval prediction indicators for different algorithms

参考文献 22

1	张汀荟，谢明成，王蓓蓓，等．分布式光伏的共享价值及其对配电网影响的系统动力学仿真[J]．电力系统自动化，2021，45(18)：35-44．
	ZHANG T H， XIE M C， WANG B B，et al ．System dynamics simulation of shared value of distributed photovoltaic and its impact on distribution network[J]．Automation of Electric Power Systems，2021，45(18)：35-44．
2	赖昌伟，黎静华，陈博，等．光伏发电出力预测技术研究综述[J]．电工技术学报，2019，34(6)：1201-1217．
	LAI C W， LI J H， CHEN B，et al ．Review of photovoltaic power output prediction technology[J]．Transactions of China Electrotechnical Society，2019，34(6)：1201-1217．
3	李博彤，李明睿，刘梦晴．基于通径分析和相空间重构的光伏发电预测模型[J]．电测与仪表，2022，59(11)：79-87．
	LI B T， LI M R， LIU M Q ．PV power generation forecast model based on path analysis and phase space reconstruction[J]．Electrical Measurement & Instrumentation，2022，59(11)：79-87．
4	商立群，李洪波，侯亚东，等．基于VMD-ISSA-KELM的短期光伏发电功率预测[J]．电力系统保护与控制，2022，50(21)：138-148．
	SHANG L Q， LI H B， HOU Y D，et al ．Short-term photovoltaic power generation prediction based on VMD-ISSA-KELM[J]．Power System Protection and Control，2022，50(21)：138-148．
5	李琰，吕南君，刘雪涛，等．考虑新能源消纳和网损的分布式光伏集群出力评估方法[J]．电力建设，2022，43(10)：136-146．
	LI Y， LÜ N J， LIU X T，et al ．Output evaluation method of distributed photovoltaic cluster considering renewable energy accommodation and power loss of network[J]．Electric Power Construction，2022，43(10)：136-146．
6	吕清泉，张珍珍，马彦宏，等．区域光伏发电出力特性分析研究[J]．发电技术，2022，43(3)：413-420． doi:10.12096/j.2096-4528.pgt.21060
	LÜ Q Q， ZHANG Z Z， MA Y H，et al ．Analysis and research on output characteristics of regional photovoltaic power generation[J]．Power Generation Technology，2022，43(3)：413-420． doi:10.12096/j.2096-4528.pgt.21060
7	叶畅，柳丹，曹侃．基于云图特征的超短期光伏发电功率预测模型[J]．电网与清洁能源，2023，39(10)：70-79．
	YE C， LIU D， CAO K ．An ultra-short-term photovoltaic power forecasting model based on cloud features[J]．Power System and Clean Energy，2023，39(10)：70-79．
8	张津源，蒲天骄，李烨，等．基于多智能体深度强化学习的分布式电源优化调度策略[J]．电网技术，2022，46(9)：3496-3503．
	ZHANG J Y， PU T J， LI Y，et al ．Multi-agent deep reinforcement learning based optimal dispatch of distributed generators[J]．Power System Technology，2022，46(9)：3496-3503．
9	张雪松，李鹏，周亦尧，等．基于贝叶斯概率的光伏出力组合预测方法[J]．太阳能学报，2021，42(10)：80-86．
	ZHANG X S， LI P， ZHOU Y Y，et al ．Photovoltaic output combination forecasting method based on Bayesian probability[J]．Acta Energiae Solaris Sinica，2021，42(10)：80-86．
10	王勇，王婷，岳园园，等．提升分布式光伏承载力的灵活资源协同规划[J]．电网与清洁能源，2023，39(8)：116-126．
	WANG Y， WANG T， YUE Y Y，et al ．Flexible resource collaborative planning to enhance the capacity of distributed photovoltaic[J]．Power System and Clean Energy，2023，39(8)：116-126．
11	叶林，程文丁，李卓，等．光伏集群有功功率分层预测控制策略[J]．电力系统自动化，2023，47(2)：42-52．
	YE L， CHENG W D， LI Z，et al ．Hierarchical prediction control strategy of active power for photovoltaic cluster[J]．Automation of Electric Power Systems，2023，47(2)：42-52．
12	王彪，吕洋，陈中，等．考虑信息时移的分布式光伏机理-数据混合驱动短期功率预测[J]．电力系统自动化，2022，46(11)：67-74．
	WANG B， LÜ Y， CHEN Z，et al ．Hybrid mechanism-data-driven short-term power forecasting of distributed photovoltaic considering information time shift[J]．Automation of Electric Power Systems，2022，46(11)：67-74．
13	李丰君，王磊，赵健，等．基于天气融合和LSTM网络的分布式光伏短期功率预测方法[J]．中国电力，2022，55(11)：149-154．
	LI F J， WANG L， ZHAO J，et al ．Research on distributed photovoltaic short-term power prediction method based on weather fusion and LSTM-net[J]．Electric Power，2022，55(11)：149-154．
14	卿会，李薇，刘文娇，等．基于极点对称模态分解-支持向量机的短期光伏发电预测方法[J]．热能动力工程，2022，37(10)：189-197．
	QING H， LI W， LIU W J，et al ．Research on short-term photovoltaic power forecasting technology based on ESMD-SVM[J]．Journal of Engineering for Thermal Energy and Power，2022，37(10)：189-197．
15	丁明，虞海彪，刘练，等．基于多变量相空间重构和RBF神经网络的光伏功率预测方法[J]．电子测量与仪器学报，2020，34(8)：1-7．
	DING M， YU H B， LIU L，et al ．Power prediction method of photovoltaic generation based on multivariable phase space reconstruction and RBF neural network[J]．Journal of Electronic Measurement and Instrumentation，2020，34(8)：1-7．
16	向玲，刘佳宁，苏浩，等．基于CEEMDAN二次分解和LSTM的风速多步预测研究[J]．太阳能学报，2022，43(8)：334-339．
	XIANG L， LIU J N， SU H，et al ．Research on multi-step wind speed forecast based on ceemdan secondary decomposition and LSTM[J]．Acta Energiae Solaris Sinica，2022，43(8)：334-339．
17	韦权，汤占军．基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测[J]．智慧电力，2022，50(9)：59-66．
	WEI Q， TANG Z J ．Wind power range prediction based on SSA-VMD-SE-KELM combined with Monte Carlo method[J]．Smart Power，2022，50(9)：59-66．
18	杨国清，李建基，王德意，等．基于信息熵变权区间组合和边界逼近的短期光伏功率区间预测[J]．太阳能学报，2023，44(2)：381-390．
	YANG G Q， LI J J， WANG D Y，et al ．Short-term photovoltaic power interval prediction based on information entropy variable weight interval combination and boundary approximation[J]．Acta Energiae Solaris Sinica，2023，44(2)：381-390．
19	肖白，张博，王辛玮，等．基于组合模态分解和深度学习的短期风电功率区间预测[J]．电力系统自动化，2023，47(17)：110-117．
	XIAO B， ZHANG B， WANG X W，et al ．Short-term wind power interval prediction based on combined mode decomposition and deep learning[J]．Automation of Electric Power Systems，2023，47(17)：110-117．
20	杨海柱，石剑，江昭阳，等.基于CEEMD-SSA-LSSVM短期电力负荷预测模型[J]．武汉大学学报(工学版)，2022，55(6)：609-616.
	YANG H Z， SHI J， JIANG Z Y，et al ．Short term power load prediction model based on CEEMD-SSA-LSSVM [J]. Journal of Wuhan University (Engineering Edition)，2022，55(6)：609-616．
21	王鹏翔，沈娟，王菁旸，等．基于PCA-LMD-WOA-ELM的短期光伏功率预测[J]．智慧电力，2022，50(6)：72-78． doi:10.3969/j.issn.1673-7598.2022.06.012
	WANG P X， SHEN J， WANG J Y，et al ．Short term photovoltaic power prediction based on PCA-LMD-WOA-ELM[J]．Smart Power，2022，50(6)：72-78. doi:10.3969/j.issn.1673-7598.2022.06.012
22	赵超，王斌，孙志新，等．基于改进灰狼算法的独立微电网容量优化配置[J]．太阳能学报，2022，43(1)：256-262．
	ZHAO C， WANG B， SUN Z X，et al ．Optimal configuration optimization of islanded microgrid using improved grey wolf optimizer algorithm[J]．Acta Energiae Solaris Sinica，2022，43(1)：256-262．

[1]	钱乙卫, 田浩, 刘财华, 田昕泽, 周霞, 戴剑丰. 考虑概率分布的分布式光伏无功下垂控制策略[J]. 发电技术, 2024, 45(2): 273-281.
[2]	张永蕊, 阎洁, 林爱美, 韩爽, 刘永前. 多点数值天气预报风速和辐照度集中式修正方法研究[J]. 发电技术, 2022, 43(2): 278-286.
[3]	黄树帮, 陈耀, 金宇清. 碳中和背景下多通道特征组合超短期风电功率预测[J]. 发电技术, 2021, 42(1): 60-68.
[4]	杨正瓴, 王如雪, 乔健, 张玺, 杨钊, 张军. 大气压的差值对风速空间相关性预测的影响分析[J]. 发电技术, 2020, 41(6): 617-624.
[5]	金鑫城,杨秀媛. 基于失真数据降噪的数据预处理方法及其在风电功率预测中的应用[J]. 发电技术, 2020, 41(4): 447-451.
[6]	吴攀. 光伏发电系统发电功率预测[J]. 发电技术, 2020, 41(3): 231-236.
[7]	陈豪,张伟华,石磊,李晓江,王开让,巩宇. 国内外用户侧光储系统发展应用研究[J]. 发电技术, 2020, 41(2): 110-117.
[8]	史洁,刘晓飞. 新能源功率预测算法优化研究[J]. 发电技术, 2019, 40(1): 78-82.
[9]	邓忻依,艾欣. 分布式光伏储能系统综合效益评估与激励机制[J]. 发电技术, 2018, 39(1): 30-36.

一种新型分布式光伏出力区间预测方法

A Novel Distributed Photovoltaic Output Interval Prediction Method

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 11

参考文献 22

相关文章 9

编辑推荐

Metrics