基于天气相似聚类与QRNN的短期光伏功率区间概率预测

赵耀; 高少炜; 李东东; 林顺富; 杨帆; 黄学勤

doi:10.7500/AEPS20230619002

您当前的位置：

首页 >

文章列表页 >

基于天气相似聚类与QRNN的短期光伏功率区间概率预测

学术研究 | 更新时间：2025-06-16

- 基于天气相似聚类与QRNN的短期光伏功率区间概率预测
- Short-term Interval Probability Prediction of Photovoltaic Power Based on Weather Similarity Clustering and Quantile Regression Neural Network
- 电力系统自动化 2023年47卷第23期页码：152-161
- 作者机构：
  
  上海电力大学电气工程学院，上海市 200090
- 作者简介：
  
  赵耀(1986—)，男，博士，副教授，硕士生导师，主要研究方向：配电网状态感知与分析、电力设备故障诊断。E-mail：zhaoyao@shiep.edu.cn
  高少炜(1999—)，男，硕士研究生，主要研究方向：光伏预测、配电网。E-mail：gsw368687768@163.com
  李东东(1976—)，男，通信作者，博士，博士生导师，主要研究方向：电力系统分析、新能源并网和智能用电。E-mail：shiepldd@163.com
- 基金信息：
  
  上海市启明星计划项目(21QC1400200);上海市自然科学基金资助项目(21ZR1425400);国家自然科学基金资助项目(52377111);已申请国家发明专利（申请号：202310942432.3）
- DOI：10.7500/AEPS20230619002
  中图分类号：
- 收稿：2023-06-19，
  
  修回：2023-09-18，
  
  网络出版：2023-10-23，
  
  纸质出版：2023-12-10
- 稿件说明：
移动端阅览
赵耀,高少炜,李东东等.基于天气相似聚类与QRNN的短期光伏功率区间概率预测[J].电力系统自动化,2023,47(23):152-161.

ZHAO Yao,GAO Shaowei,LI Dongdong,et al.Short-term Interval Probability Prediction of Photovoltaic Power Based on Weather Similarity Clustering and Quantile Regression Neural Network[J].Automation of Electric Power Systems,2023,47(23):152-161.
赵耀,高少炜,李东东等.基于天气相似聚类与QRNN的短期光伏功率区间概率预测[J].电力系统自动化,2023,47(23):152-161. DOI： 10.7500/AEPS20230619002.

ZHAO Yao,GAO Shaowei,LI Dongdong,et al.Short-term Interval Probability Prediction of Photovoltaic Power Based on Weather Similarity Clustering and Quantile Regression Neural Network[J].Automation of Electric Power Systems,2023,47(23):152-161. DOI： 10.7500/AEPS20230619002.

摘要

为减少光伏发电的不确定性对电力系统造成的影响，描绘更为准确、清晰的光伏出力区间，提出一种基于天气相似聚类与分位数回归神经网络(QRNN)单调模型的短期光伏功率区间概率预测模型。首先，QRNN单调模型在预测过程中引入单调性，保证单调的分位数结果，并采用Huber范数近似替代原损失函数，弥补了传统区间预测分位数交叉及损失函数不可微的缺陷。其次，基于气象信息的数据特征，采用动态自组织映射聚类算法，通过神经元竞争与更新确定神经元邻域权重结构，并根据其邻域权重大小将天气聚类为晴天、多云天与阴天，得到相似天气下的数据集。然后，在不同天气条件下对影响光伏出力的因素进行相关性分析，得到不同天气下的天气影响特征，并作为输入因子输入神经网络中。最后，以澳大利亚沙漠知识太阳能中心实际数据集为例进行区间预测，并采用核密度估计给出概率预测结果，验证了所提方法的可靠性。

Abstract

In order to reduce the influence of the uncertainty of photovoltaic power generation on the power system and describe the photovoltaic power output interval more accurately and clearly

a short-term interval probability prediction model of photovoltaic power based on the weather similarity clustering and quantile regression neural network (QRNN) monotone model is proposed. Firstly

the monotonicity of QRNN monotone model is introduced in the prediction process to ensure the monotonicity of quantile results

and the Huber norm is used to replace the original loss function

which makes up the defects of the traditional interval prediction of quantile crossing and the non-differentiable loss function. Secondly

based on the data characteristics of meteorological information

the dynamic self-organizing mapping clustering algorithm is used to determine the neuronal neighborhood weight structure through neuronal competition and updating. According to the neighborhood weight

the weather is classified into sunny

cloudy and overcast days

and the data sets under similar weather are obtained. Then

the correlation analysis of the factors affecting the photovoltaic output under different weather conditions is carried out

and the weather influence characteristics under different weather are obtained and input into the neural network as input factors. Finally

the actual data set of Australian Desert Knowledge Solar Energy Center is taken as a case to make interval prediction

and the probability prediction results are given by kernel density estimation

which verifies the reliability of the proposed method.

关键词

Keywords

references

黎敏，林湘宁，张哲原，等 . 超短期光伏出力区间预测算法及其应用［J］. 电力系统自动化， 2019 ， 43 （ 3 ）： 10 - 16 .

LI Min ， LIN Xiangning ， ZHANG Zheyuan ， et al . Interval prediction algorithm for ultra-short-term photovoltaic output and its application ［J］. Automation of Electric Power Systems ， 2019 ， 43 （ 3 ）： 10 - 16 .

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］. 电工技术学报， 2022 ， 37 （ 7 ）： 1800 - 1809 .

PINSON P ， CHEVALLIER C ， KARINIOTAKIS G N . Trading wind generation from short-term probabilistic forecasts of wind power ［J］. IEEE Transactions on Power Systems ， 2007 ， 22 （ 3 ）： 1148 - 1156 .

万灿，宋永华 . 新能源电力系统概率预测理论与方法及其应用［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 2 - 16 .

WAN Can ， SONG Yonghua . Theories， methodologies and applications of probabilistic forecasting for power systems with renewable energy sources ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 2 - 16 .

VAN DER MEER D W ， WIDÉN J ， MUNKHAMMAR J . Review on probabilistic forecasting of photovoltaic power production and electricity consumption ［J］. Renewable and Sustainable Energy Reviews ， 2018 ， 81 ： 1484 - 1512 .

吴浩天，孙荣富，廖思阳，等 . 基于改进气象聚类分型的短期风电功率概率预测方法［J］. 电力系统自动化， 2022 ， 46 （ 15 ）： 56 - 65 .

WU Haotian ， SUN Rongfu ， LIAO Siyang ， et al . Short-term wind power probability forecasting method based on improved meteorological clustering and classification ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 15 ）： 56 - 65 .

FATEMI S A ， KUH A ， FRIPP M . Parametric methods for probabilistic forecasting of solar irradiance ［J］. Renewable Energy ， 2018 ， 129 ： 666 - 676 .

HUANG Q ， WEI S Y . Improved quantile convolutional neural network with two-stage training for daily-ahead probabilistic forecasting of photovoltaic power ［J］. Energy Conversion and Management ， 2020 ， 220 ： 113085 .

KAKIMOTO M ， ENDOH Y ， SHIN H ， et al . Probabilistic solar irradiance forecasting by conditioning joint probability method and its application to electric power trading ［J］. IEEE Transactions on Sustainable Energy ， 2019 ， 10 （ 2 ）： 983 - 993 .

许彪，徐青山，黄煜，等 . 基于藤Copula分位数回归的光伏功率日前概率预测［J］. 电网技术， 2021 ， 45 （ 11 ）： 4426 - 4435 .

XU Biao ， XU Qingshan ， HUANG Yu ， et al . Day-ahead probabilistic forecasting of photovoltaic power based on vine Copula quantile regression ［J］. Power System Technology ， 2021 ， 45 （ 11 ）： 4426 - 4435 .

刘洁，林舜江，梁炜焜，等 . 基于高阶马尔可夫链和高斯混合模型的光伏出力短期概率预测［J］. 电网技术， 2023 ， 47 （ 1 ）： 266 - 275 .

LIU Jie ， LIN Shunjiang ， LIANG Weikun ， et al . Short-term probabilistic forecast for power output of photovoltaic station based on high order Markov chain and Gaussian mixture model ［J］. Power System Technology ， 2023 ， 47 （ 1 ）： 266 - 275 .

SANJARI M J ， GOOI H B . Probabilistic forecast of PV power generation based on higher order Markov chain ［J］. IEEE Transactions on Power Systems ， 2017 ， 32 （ 4 ）： 2942 - 2952 .

CHAI S J ， NIU M ， ZHAO X ， et al . Nonparametric conditional interval forecasts for PV power generation considering the temporal dependence ［C］// IEEE Power and Energy Society General Meeting （PESGM）， July 17-21 ， 2016 ， Boston， USA .

贾德香，吕干云，林芬，等 . 基于SAPSO-BP和分位数回归的光伏功率区间预测［J］. 电力系统保护与控制， 2021 ， 49 （ 10 ）： 20 - 26 .

JIA Dexiang ， LÜ Ganyun ， LIN Fen ， et al . Photovoltaic power interval prediction based on SAPSO-BP and quantile regression ［J］. Power System Protection and Control ， 2021 ， 49 （ 10 ）： 20 - 26 .

AGOUA X G ， GIRARD R ， KARINIOTAKIS G . Probabilistic models for spatio-temporal photovoltaic power forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2019 ， 10 （ 2 ）： 780 - 789 .

GOLESTANEH F ， PINSON P ， GOOI H B . Very short-term nonparametric probabilistic forecasting of renewable energy generation—with application to solar energy ［J］. IEEE Transactions on Power Systems ， 2016 ， 31 （ 5 ）： 3850 - 3863 .

王开艳，杜浩东，贾嵘，等 . 基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测［J］. 高电压技术， 2022 ， 48 （ 11 ）： 4372 - 4388 .

WANG Kaiyan ， DU Haodong ， JIA Rong ， et al . Short-term interval probability prediction of photovoltaic power based on similar daily clustering and QR-CNN-BiLSTM model ［J］. High Voltage Engineering ， 2022 ， 48 （ 11 ）： 4372 - 4388 .

NAN F ， LI Y ， JIA X Y ， et al . Application of improved SOM network in gene data cluster analysis ［J］. Measurement ， 2019 ， 145 ： 370 - 378 .

赵雅雪，王旭，蒋传文，等 . 基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法［J］. 中国电机工程学报， 2021 ， 41 （ 1 ）： 135 - 146 .

ZHAO Yaxue ， WANG Xu ， JIANG Chuanwen ， et al . A novel short-term electricity price forecasting method based on correlation analysis with the maximal information coefficient and modified multi-hierarchy gated LSTM ［J］. Proceedings of the CSEE ， 2021 ， 41 （ 1 ）： 135 - 146 .

Desert Knowledge Australia Solar Centre ［DB/OL］. ［ 2023-05-14 ］. http：//dkasolarcentre.com.au/download http://dkasolarcentre.com.au/download .

李丹，任洲洋，颜伟，等 . 基于因子分析和神经网络分位数回归的月度风电功率曲线概率预测［J］. 中国电机工程学报， 2017 ， 37 （ 18 ）： 5238 - 5247 .

LI Dan ， REN Zhouyang ， YAN Wei ， et al . Month-ahead wind power curve probabilistic prediction based on factor analysis and quantile regression neural network ［J］. Proceedings of the CSEE ， 2017 ， 37 （ 18 ）： 5238 - 5247 .

WANG Y ， ZHANG N ， TAN Y S ， et al . Combining probabilistic load forecasts ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 3664 - 3674 .

徐询，谢丽蓉，叶林，等 . 基于非参数核密度估计的风电场有功功率双层优化模型［J］. 电力系统自动化， 2022 ， 46 （ 2 ）： 43 - 55 .

XU Xun ， XIE Lirong ， YE Lin ， et al . Bi-level optimization model of active power for wind farm based on nonparametric kernel density estimation ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 2 ）： 43 - 55 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于组合模态分解和深度学习的短期风电功率区间预测

考虑爬坡特性与预测区间优化的电热水器集群功率区间预测

基于改进评价指标的波动性负荷短期区间预测