基于功率重构和时序特性约束的长预见期光伏集群功率预测

杨茂; 贾梦琦; 张薇; 王勃

doi:10.7500/AEPS20230829003

您当前的位置：

首页 >

文章列表页 >

基于功率重构和时序特性约束的长预见期光伏集群功率预测

学术研究 | 更新时间：2025-06-16

- 基于功率重构和时序特性约束的长预见期光伏集群功率预测
- Power Forecasting for Photovoltaic Cluster in Long Forecasting Period Based on Power Reconstruction and Temporal Characteristic Constraints
- 电力系统自动化 2024年48卷第15期页码：102-111
- 作者机构：
  
  1.现代电力系统仿真控制与绿色电能新技术教育部重点实验室(东北电力大学),吉林省吉林市 132012
  2.新能源与储能运行控制国家重点实验室(中国电力科学研究院有限公司),北京市 100192
- 作者简介：
  
  杨茂(1982—)，男，通信作者，博士，教授，博士生导师，主要研究方向：新能源发电功率预测、微网优化调度、综合能源系统。E-mail：yangmao820@163.com
  贾梦琦(1998—)，男，硕士研究生，主要研究方向：光伏功率预测。E-mail：jiamengqi0811@163.com
  张薇(1987—)，女，博士，副教授，硕士生导师，主要研究方向：新能源电力系统源荷预测。E-mail：zhangwei@neepu.edu.cn
- 基金信息：
  
  国家重点研发计划资助项目(2022YFB2403000);已申请国家发明专利（申请号：2023111711839）
- DOI：10.7500/AEPS20230829003
  中图分类号：
- 收稿：2023-08-29，
  
  修回：2023-11-19，
  
  网络出版：2024-05-07，
  
  纸质出版：2024-08-10
- 稿件说明：
移动端阅览
杨茂,贾梦琦,张薇等.基于功率重构和时序特性约束的长预见期光伏集群功率预测[J].电力系统自动化,2024,48(15):102-111.

YANG Mao,JIA Mengqi,ZHANG Wei,et al.Power Forecasting for Photovoltaic Cluster in Long Forecasting Period Based on Power Reconstruction and Temporal Characteristic Constraints[J].Automation of Electric Power Systems,2024,48(15):102-111.
杨茂,贾梦琦,张薇等.基于功率重构和时序特性约束的长预见期光伏集群功率预测[J].电力系统自动化,2024,48(15):102-111. DOI： 10.7500/AEPS20230829003.

YANG Mao,JIA Mengqi,ZHANG Wei,et al.Power Forecasting for Photovoltaic Cluster in Long Forecasting Period Based on Power Reconstruction and Temporal Characteristic Constraints[J].Automation of Electric Power Systems,2024,48(15):102-111. DOI： 10.7500/AEPS20230829003.

摘要

光伏装机容量的逐渐增大为大规模的光伏并网带来了巨大挑战，突破更长预见期的光伏功率预测有助于电力系统的安全稳定运行。现有研究及应用最长预见期为7 d，为将预见期延长至8~15 d，提出了一种基于功率重构和时序特性约束的长预见期光伏集群功率预测方法。首先，采用近似积分计算日电量和辐照能；其次，基于麻雀搜索算法优化变分模态分解以分解电量及辐照能序列，并采用多元线性回归模型对不同频率的分量进行预测叠加得到电量预测结果；然后，根据出力特性建立约束过程，将电量预测结果重构为光伏功率；最后，将所提方法应用于中国甘肃省某光伏集群，模型在不同季节典型月功率预测的均方根误差平均降低2.55%，验证了方法的有效性。

Abstract

The gradual increase of photovoltaic installed capacity has brought great challenges to the large-scale photovoltaic grid-connection

and the photovoltaic power prediction beyond the longer forecasting period is conducive to the safe and stable operation of the power system. The longest forecasting period of existing research and application is 7 days

in order to extend the forecast period to 8~15 days

a power forecasting method for photovoltaic cluster in long forecasting period is proposed based on the power reconstruction and temporal characteristic constraints. Firstly

the daily electricity quantity and irradiation energy are calculated by approximate integral. Secondly

the variational mode decomposition (VMD) is optimized based on sparrow search algorithm (SSA) to decompose the electricity quantity and irradiation energy sequence. Multiple linear regression model is used to forecast and superimpose the components of different frequencies to obtain the electricity quantity forecasting results. Then

a constraint process is established according to the output characteristics

and the electricity quantity forecasting results are reconstructed into photovoltaic power. Finally

the proposed method is applied to a photovoltaic cluster in Gansu Province

China

and the root mean square error of the power forecasting for the proposed model is reduced by 2.55% on average in typical months in different seasons

which verifies the effectiveness of the proposed method.

关键词

Keywords

references

叶伟 . 成绩喜人——光伏高质量发展加速跑［N］. 中国高新技术产业导报， 2023-07-31 （012）.

YE Wei . Get excellent results—PV high-quality development is accelerating ［N］. China High-tech Industry Guide News ， 2023-07-31 （012）.

周剑平，李世民 . 光伏、风力发电助推甘肃省经济发展和实现“双碳”目标［J］. 太阳能， 2022 （ 4 ）： 13 - 19 .

ZHOU Jianping ， LI Shimin . PV and wind power generation boost economic development of Gansu Province and achieve “emission peak and carbon neutrality” ［J ］. Solar Energy ， 2022 （ 4 ）： 13 - 19 .

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 .

BRUNE B ， ORTNER I ， EDER G C ， et al . Connecting material degradation and power loss of PV modules using advanced statistical methodology ［J］. Solar Energy Materials and Solar Cells ， 2023 ， 260 ： 112485 .

WANG J Z ， ZHOU Y L ， LI Z W . Hour-ahead photovoltaic generation forecasting method based on machine learning and multi objective optimization algorithm ［J］. Applied Energy ， 2022 ， 312 ： 118725 .

汪鸿，朱正甲，陈建华，等 . 基于人工智能技术与物理方法结合的新能源功率预测研究［J］. 高电压技术， 2023 ， 49 （增刊1 ）： 111 - 117 .

WANG Hong ， ZHU Zhengjia ， CHEN Jianhua ， et al . Research on new energy power prediction based on artificial intelligence technology and physical method ［J］. High Voltage Engineering ， 2023 ， 49 （ Supplement 1 ）： 111 - 117 .

WANG L N ， MAO M X ， XIE J L ， et al . Accurate solar PV power prediction interval method based on frequency-domain decomposition and LSTM model ［J］. Energy ， 2023 ， 262 ： 125592 .

谢小瑜，周俊煌，张勇军，等 . 基于W-BiLSTM的可再生能源超短期发电功率预测方法［J］. 电力系统自动化， 2021 ， 45 （ 8 ）： 175 - 184 .

XIE Xiaoyu ， ZHOU Junhuang ， ZHANG Yongjun ， et al . W-BiLSTM based ultra-short-term generation power prediction method of renewable energy ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 8 ）： 175 - 184 .

杨茂，申晓璇，顾大可，等 . 基于短波辐射修正的光伏超短期出力预测［J］. 东北电力大学学报， 2022 ， 42 （ 6 ）： 52 - 61 .

YANG Mao ， SHEN Xiaoxuan ， GU Dake ， et al . Ultra short term photovoltaic output prediction based on short wave radiation correction ［J］. Journal of Northeast Electric Power University ， 2022 ， 42 （ 6 ）： 52 - 61 .

杨茂，黄鑫，苏欣 . 基于ANFIS的光伏输出功率超短期预测方法研究［J］. 东北电力大学学报， 2018 ， 38 （ 4 ）： 14 - 18 .

YANG Mao ， HUANG Xin ， SU Xin . Study on ultra-short term prediction method of photovoltaic power based on ANFIS ［J］. Journal of Northeast Electric Power University ， 2018 ， 38 （ 4 ）： 14 - 18 .

杨茂，刘慧宇，孙勇，等 . 基于原子稀疏分解和支持向量机的风电功率实时预测研究［J］. 东北电力大学学报， 2020 ， 40 （ 3 ）： 1 - 7 .

YANG Mao ， LIU Huiyu ， SUN Yong ， et al . A study on real-time prediction of wind power based on atomic sparse decomposition and support vector machine ［J］. Journal of Northeast Electric Power University ， 2020 ， 40 （ 3 ）： 1 - 7 .

王晓霞，俞敏，霍泽健，等 . 基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测［J］. 电力系统自动化， 2023 ， 47 （ 6 ）： 133 - 141 .

WANG Xiaoxia ， YU Min ， HUO Zejian ， et al . Short-term power forecasting of distributed photovoltaic station clusters based on affinity propagation clustering and long short-term time-series network ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 6 ）： 133 - 141 .

权浩，吕立臻，郭健，等 . 基于自然进化策略的可再生能源ELM预测两阶段优化训练方法［J］. 电力系统自动化， 2022 ， 46 （ 20 ）： 83 - 91 .

QUAN Hao ， LYU Lizhen ， GUO Jian ， et al . Two-stage optimal training method of extreme learning machine forecasting based on natural evolution strategy for renewable energy ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 20 ）： 83 - 91 .

戴千斌，黄南天 . 短期风电功率预测误差修正研究综述［J］. 东北电力大学学报， 2023 ， 43 （ 2 ）： 1 - 7 .

DAI Qianbin ， HUANG Nantian . Review of research on error correction of short-term wind power prediction ［J］. Journal of Northeast Electric Power University ， 2023 ， 43 （ 2 ）： 1 - 7 .

任立阳，付昱，王宝财，等 . 考虑经济效益的风储联合发电系统的最优功率预测［J］. 东北电力大学学报， 2020 ， 40 （ 3 ）： 16 - 25 .

REN Liyang ， FU Yu ， WANG Baocai ， et al . Optimal power prediction of wind power storage combined power generation system considering economic benefits ［J］. Journal of Northeast Electric Power University ， 2020 ， 40 （ 3 ）： 16 - 25 .

刘大贵，王维庆，张慧娥，等 . 基于隐马尔科夫修正的光伏中长期电量预测及调度计划应用［J］. 高电压技术， 2023 ， 49 （ 2 ）： 840 - 848 .

LIU Dagui ， WANG Weiqing ， ZHANG Huie ， et al . Mid-long term available quantity of electricity forecasting with error calibration by hidden Markov model in photovoltaic and application of dispatching plan ［J］. High Voltage Engineering ， 2023 ， 49 （ 2 ）： 840 - 848 .

孙书凯，董存，王铮，等 . 考虑不同风能特征的风电中长期电量预测方法［J］. 高电压技术， 2021 ， 47 （ 4 ）： 1224 - 1233 .

SUN Shukai ， DONG Cun ， WANG Zheng ， et al . Medium-long-term quantity of electricity forecasting method in wind power considering different wind energy characteristics ［J］. High Voltage Engineering ， 2021 ， 47 （ 4 ）： 1224 - 1233 .

仇琦，杨兰，丁旭，等 . 基于改进EMD-ARIMA的光伏发电系统短期功率预测［J］. 电力科学与工程， 2020 ， 36 （ 8 ）： 42 - 50 .

QIU Qi ， YANG Lan ， DING Xu ， et al . An improved short-term power prediction method of PV power generation system based on EMD-ARIMA model ［J］. Electric Power Science and Engineering ， 2020 ， 36 （ 8 ）： 42 - 50 .

张雲钦，程起泽，蒋文杰，等 . 基于EMD-PCA-LSTM的光伏功率预测模型［J］. 太阳能学报， 2021 ， 42 （ 9 ）： 62 - 69 .

ZHANG Yunqin ， CHENG Qize ， JIANG Wenjie ， et al . Photovoltaic power prediction model based on EMD-PCA-LSTM ［J］. Acta Energiae Solaris Sinica ， 2021 ， 42 （ 9 ）： 62 - 69 .

杨晶显，张帅，刘继春，等 . 基于VMD和双重注意力机制LSTM的短期光伏功率预测［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 174 - 182 .

YANG Jingxian ， ZHANG Shuai ， LIU Jichun ， et al . Short-term photovoltaic power prediction based on variational mode decomposition and long short-term memory with dual-stage attention mechanism ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 174 - 182 .

王粟，江鑫，曾亮，等 . 基于VMD-DESN-MSGP模型的超短期光伏功率预测［J］. 电网技术， 2020 ， 44 （ 3 ）： 917 - 926 .

WANG Su ， JIANG Xin ， ZENG Liang ， et al . Ultra-short-term photovoltaic power prediction based on VMD-DESN-MSGP model ［J］. Power System Technology ， 2020 ， 44 （ 3 ）： 917 - 926 .

GAO X Z ， GUO W ， MEI C X ， et al . Short-term wind power forecasting based on SSA-VMD-LSTM ［J］. Energy Reports ， 2023 ， 9 ： 335 - 344 .

NGUYEN TRONG T ， VU XUAN SON H ， DO DINH H ， et al . Short-term PV power forecast using hybrid deep learning model and variational mode decomposition ［J］. Energy Reports ， 2023 ， 9 ： 712 - 717 .

IQBAL S ， KHAN T M ， NAQVI S S ， et al . MLR-Net： a multi-layer residual convolutional neural network for leather defect segmentation ［J］. Engineering Applications of Artificial Intelligence ， 2023 ， 126 ： 107007 .

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

考虑多目标全场景的大规模光伏集群送端系统无功优化配置

光伏集群有功功率分层预测控制策略

基于自然进化策略的可再生能源ELM预测两阶段优化训练方法