Hybrid Mechanism-Data-Driven Short-term Power Forecasting of Distributed Photovoltaic Considering Information Time Shift

Biao WANG; Yang LYU; Zhong CHEN; Qi ZHAO; Ziqi ZHANG; Jiang TIAN

doi:10.7500/AEPS20211020004

您当前的位置：

首页 >

文章列表页 >

Hybrid Mechanism-Data-Driven Short-term Power Forecasting of Distributed Photovoltaic Considering Information Time Shift

Basic Research | 更新时间：2025-06-16

- Hybrid Mechanism-Data-Driven Short-term Power Forecasting of Distributed Photovoltaic Considering Information Time Shift
- Automation of Electric Power Systems Vol. 46, Issue 11, Pages: 67-74(2022)
- 作者机构：
  
  1.东南大学电气工程学院，江苏省南京市 210096
  2.国网苏州供电公司，江苏省苏州市 215004
- 作者简介：
- 基金信息：
  
  State Grid Corporation of China(5108-202018026A-0-0-00)
- DOI：10.7500/AEPS20211020004
  CLC：
- Received：20 October 2021，
  
  Revised：2021-12-28，
  
  Published Online：21 March 2022，
  
  Published：10 June 2022
- 稿件说明：
移动端阅览
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 Biao,LYU Yang,CHEN Zhong,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.
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. DOI： 10.7500/AEPS20211020004.

WANG Biao,LYU Yang,CHEN Zhong,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. DOI： 10.7500/AEPS20211020004.

摘要

分布式光伏短期功率预测缺乏同时空气象数据。传统方法直接借助邻近集中式光伏站点数据进行功率预测，忽略了地理位置偏移带来的气象信息时移，难以满足预测精度要求。文中提出了一种考虑气象信息时移的混合预测方法。在机理驱动模型中，采用最优时移对气象数据进行偏移修正；在数据驱动模型中，引入时间模式注意力机制削弱气象数据偏移的影响。然后，通过Stacking集成学习框架将两种方法进行融合，形成机理-数据混合驱动模型，进一步提高预测稳定性及准确率。基于分布式光伏和公共气象站点实际数据进行的案例分析表明，所提方法能够有效利用偏移地理位置的气象数据，实现更高精度的分布式光伏发电功率预测。

Abstract

The short-term power forecasting of distributed photovoltaic lacks the same spatio-temporal meteorological data. Traditional methods of power forecasting directly use the data of adjacent centralized photovoltaic stations

ignore the time shift of meteorological information caused by geographical location offset

which is difficult to meet the requirements of forecasting accuracy. A hybrid forecasting method considering the time shift of meteorological information is proposed. In the mechanism-driven model

the optimal time shift is used to modify the meteorological data offset. In the data-driven model

the temporal pattern attention (TPA) mechanism is introduced to weaken the impact of meteorological data offset. Then

the two methods are fused through the Stacking ensemble learning framework to form a hybrid mechanism-data-driven model to further improve the forecasting stability and accuracy. The case analysis based on the actual data of the distributed photovoltaic and public meteorological stations shows that the proposed method can effectively use the meteorological data of geographical location offset to achieve higher accuracy of power generation forecasting for distributed photovoltaics.

关键词

Keywords

references

方一晨，张沈习，程浩忠，等 . 含智能软开关的主动配电网分布式光伏准入容量鲁棒优化［J］. 电力系统自动化， 2021 ， 45 （ 7 ）： 8 - 17 .

FANG Yichen ， ZHANG Shenxi ， CHENG Haozhong ， et al . Robust optimization of distributed photovoltaic hosting capacity of active distribution network with soft open point ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 8 - 17 .

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 Tinghui ， XIE Mingcheng ， WANG Beibei ， 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 .

马原，张雪敏，甄钊，等 . 基于修正晴空模型的超短期光伏功率预测方法［J］. 电力系统自动化， 2021 ， 45 （ 11 ）： 44 - 51 .

MA Yuan ， ZHANG Xuemin ， ZHEN Zhao ， et al . Ultra-short-term photovoltaic power prediction method based on modified clear-sky model ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 11 ）： 44 - 51 .

BARBIERI F ， RAJAKARUNA S ， GHOSH A . Very short-term photovoltaic power forecasting with cloud modeling： a review ［J］. Renewable and Sustainable Energy Reviews ， 2017 ， 75 ： 242 - 263 .

SHENG H M ， XIAO J ， CHENG Y H ， et al . Short-term solar power forecasting based on weighted Gaussian process regression ［J］. IEEE Transactions on Industrial Electronics ， 2018 ， 65 （ 1 ）： 300 - 308 .

赵文清，郭丙旭，李刚，等 . 基于智能水滴算法优化Elman神经网络的光伏电站输出功率预测［J］. 太阳能学报， 2017 ， 38 （ 6 ）： 1553 - 1559 .

ZHAO Wenqing ， GUO Bingxu ， LI Gang ， et al . Output power forecast of PV plant based on Elman neural network optimized by intelligent water drop algorithm ［J］. Acta Energiae Solaris Sinica ， 2017 ， 38 （ 6 ）： 1553 - 1559 .

唐雅洁，林达，倪筹帷，等 . 基于XGBoost的双层协同实时校正超短期光伏预测［J］. 电力系统自动化， 2021 ， 45 （ 7 ）： 18 - 27 .

TANG Yajie ， LIN Da ， NI Chouwei ， et al . XGBoost based bi-layer collaborative real-time calibration for ultra-short-term photovoltaic prediction ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 18 - 27 .

ZANG H X ， LIU L ， SUN L ， et al . Short-term global horizontal irradiance forecasting based on a hybrid CNN-LSTM model with spatiotemporal correlations ［J］. Renewable Energy ， 2020 ， 160 ： 26 - 41 .

申振 . 基于轨迹特征的分布式光伏发电功率预测技术研究［D］. 南京：东南大学， 2017 .

SHEN Zhen . Research on power forecasting of distributed photovoltaic power based on trajectory characteristics ［D］. Nanjing ： Southeast University ， 2017 .

焦田利，章坚民，李熊，等 . 基于空间相关性的大规模分布式用户光伏空间分群方法［J］. 电力系统自动化， 2019 ， 43 （ 21 ）： 97 - 102 .

JIAO Tianli ， ZHANG Jianmin ， LI Xiong ， et al . Spatial clustering method for large-scale distributed user photovoltaics based on spatial correlation ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 21 ）： 97 - 102 .

刘晓艳，王珏，姚铁锤，等 . 基于卫星遥感的超短期分布式光伏功率预测［J/OL］电工技术学报［ 2021-09-06 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=DGJS2021090300R&uniplatform=N https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=DGJS2021090300R&uniplatform=N

ZKPT&v=xNi 65 Yu5be5Q0N1DjybTodMfbUdYAwQQ2FXt_ViszlVB_kseYNimmd0fXPjToUXq .

LIU Xiaoyan ， WANG Jue ， YAO Tiechui ， et al . Ultra short term distributed photovoltaic power prediction based on satellite remote sensing ［J/OL］. Transactions of China Electrotechnical Society ［ 2021-09-06 ］. https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=DG https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=DG JS2021090300R & uniplatform=NZKPT & v=xNi65Yu5be 5 Q 0 N 1 DjybTodMfbUdYAwQQ2FXt_ViszlVB_kseYNimmd0fXPjToUXq .

张家安，王琨玥，陈建，等 . 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 ， et al . Research on prediction of distributed photovoltaic output considering spatial relevance ［J］. Electric Power Construction ， 2020 ， 41 （ 3 ）： 47 - 53 .

SHI Y C ， HE W G ， ZHAO J ， et al . Expected output calculation based on inverse distance weighting and its application in anomaly detection of distributed photovoltaic power stations ［J］. Journal of Cleaner Production ， 2020 ， 253 ： 119965 .

赵康宁 . 基于贝叶斯神经网络的分布式光伏预测及应用［D］. 北京：中国电力科学研究院， 2020 .

ZHAO Kangning . Probabilistic power forecasting for distributed photovoltaic based on Bayesian neural network and its application ［D］. Beijing ： China Electric Power Research Institute ， 2020 .

尚宇炜，郭剑波，吴文传，等 . 数据-知识融合的机器学习（1）：模型分析［J］. 中国电机工程学报， 2019 ， 39 （ 15 ）： 4406 - 4416 .

SHANG Yuwei ， GUO Jianbo ， WU Wenchuan ， et al . Machine learning methods embedded with domain knowledge （part Ⅰ）： model analysis ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 15 ）： 4406 - 4416 .

尚宇炜，郭剑波，吴文传，等 . 数据-知识融合的机器学习（2）：泛化风险［J］. 中国电机工程学报， 2019 ， 39 （ 16 ）： 4641 - 4649 .

SHANG Yuwei ， GUO Jianbo ， WU Wenchuan ， et al . Machine learning methods embedded with domain knowledge （part Ⅱ）： generalization risk ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 16 ）： 4641 - 4649 .

SHIH S Y ， SUN F K ， LEE H Y . Temporal pattern attention for multivariate time series forecasting ［J］. Machine Learning ， 2019 ， 108 （ 8/9 ）： 1421 - 1441 .

LORENZ E ， HEINEMANN D . Prediction of solar irradiance and photovoltaic power ［J］. Comprehensive Renewable Energy ， 2012 ， 1 ： 239 - 292 .

史佳琪，张建华 . 基于多模型融合Stacking集成学习方式的负荷预测方法［J］. 中国电机工程学报， 2019 ， 39 （ 14 ）： 4032 - 4042 .

SHI Jiaqi ， ZHANG Jianhua . Load forecasting based on multi-model by Stacking ensemble learning ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 14 ）： 4032 - 4042 .

CAO Z X ， YIN Z ， ZHANG J H . Recognition of cognitive load with a stacking network ensemble of denoising autoencoders and abstracted neurophysiological features ［J］. Cognitive Neurodynamics ， 2021 ， 15 （ 3 ）： 425 - 437 .

BREIMAN L . Stacked regressions ［J］. Machine Learning ， 1996 ， 24 （ 1 ）： 49 - 64 .

Data platform： open power system data ［EB/OL］. ［ 2021-02-01 ］. https：//data.open-power-system-data.org/household_data/ https://data.open-power-system-data.org/household_data/ .

Solar forecasting & solar irradiance data ［EB/OL］. ［ 2021-02-04 ］. https：//solcast.com/ https://solcast.com/ .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Review on Data-driven Based Electricity Theft Detection Method and Research Prospect for Low False Positive Rate

Probabilistic Prediction Method for Interpretable Net Load Based on Kolmogorov-Arnold Network

Related Author

HUANG Yu

ZHANG Xiaoxiao

YUE Dong

HU Songlin

WANG Juan

LI Zhukun

Sheng JIN

Sheng SU

Related Institution

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

NARI Group Corporation (State Grid Electric Power Research Institute)

Hunan Key Laboratory of Smart Grid Operation and Control (Changsha University of Science and Technology)

China Electric Power Research Institute Co., Ltd.

Changsha University of Science and Technology

⁰