一种基于层次聚类分场景的光伏汇聚趋势量化方法与流程

1.本发明涉及光伏并网技术领域，尤其是一种基于层次聚类分场景的光伏汇聚趋势量化方法。

背景技术：

2.由于太阳能具有随机性、波动性等特点，使我国有些地区面临光伏并网输电规划难度较大的困境，因此，掌握待建光伏集出力波动特性规律，对降低并网难度、科学配置输电容量具有现实意义。
3.针对待建光伏集出力波动性获取困难的问题，因此如何在原有光伏集实测数据的基础上，分析不同规模功率特性变化趋势，揭示汇聚过程中光伏集装机容量与集功率的关系，在已知待建集装机容量下，定量预测待建光伏集持续功率曲线的趋势，对光伏并网规划配置问题具有指导意义。

技术实现要素：

4.本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于层次聚类分场景的光伏汇聚趋势量化方法，其通过研究已知光伏集持续功率曲线，建立组合预测模型揭示不同规模集的汇聚演化规律，最终得到待建光伏集的持续功率曲线。
5.为实现上述技术目的，本发明采用的技术方案为：一种基于层次聚类分场景的光伏汇聚趋势量化方法，其包括：
6.采集多个光伏电站持续出力数据，采用基于层次聚类算法的层级顺序选择，实现光伏集分层，得到不同集规模持续功率曲线；
7.将不同集规模持续功率曲线进行m等分，输出第m个场景的不同集规模持续功率曲线，构成各集规模持续功率曲线；
8.针对各集规模持续功率曲线，在各出力场景下建立持续功率曲线组合预测模型；
9.利用持续功率曲线组合预测模型输出各出力场景下的集持续功率曲线，拼接得到待建集持续功率曲线。
10.进一步地，所述层次聚类算法的核心内容如下：
11.先将每个样本对象作为一个簇，然后合并这些簇聚集为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足；每个样本对象，即每个光伏电站单独当作一个类，类间距离就是这两个光伏电站之间的距离；依据类间样本离差平方和应尽可能大而类内样本离差平方和应尽可能小的原则，采用平均距离法进行合并类，从而得到聚类树状图。
12.更进一步地，所述层次聚类算法的具体步骤如下：
13.1)首先对光伏电站的输出功率信息做相应的标准化处理，避免不同装机容量对处理过程的影响，再构造整体数据矩阵；
14.2)先将各个电站分别作为一类，选用不同相似度的距离公式计算出每两个电站之间的距离，构建相似度度量矩阵，设某两个电站功率序列为：
15.xm＝{x
m1
，x
m2
，
…
，x
mi
}，xn＝{x
n1
，x
n2
，
…
，x
ni
}；
16.欧式距离计算公式为：
[0017][0018]
弗雷歇距离计算公式为：
[0019][0020]
式中，d为两点间的欧拉距离，而弗雷歇距离f(a,b)为两曲线上各采样点a(α(t))和b(β(t))之间距离的最大值的下确界；
[0021]
3)将最近距离的两个类别作为一个新类合并，并更新类别数量；采取平均距离法计算新类之间的平均距离，更新相似度矩阵；
[0022]
4)不断进行第3)步，一直到将所有类别聚为一类，画出聚类树状图。
[0023]
进一步地，将光伏功率的输出范围等分为若干个功率区间，每一个功率区间代表一个出力场景。
[0024]
进一步地，假设某光伏电站的装机容量为p，将此电站的功率区间进行m等分，第m个状态对应的输出功率范围为其中，
[0025][0026][0027]
进一步地，根据层次聚类结果确定光伏电站的依次加入顺序，得到基于层次聚类方法下的不同集规模光伏持续功率曲线。
[0028]
进一步地，完成光伏集汇聚分层后，需要对得到的不同集规模的持续功率曲线进行出力场景划分，划分过程保留光伏持续出力数据。
[0029]
进一步地，采用卷积神经网络、灰模型和回归分析三种模型组成组合预测模型，在不同出力场景下对各光伏持续功率曲线进行组合预测。
[0030]
更进一步地，持续功率曲线组合预测模型的建立步骤如下：
[0031]
(1)数据预处理；
[0032]
(2)单一模型预测：依次输入五个出力场景下不同集规模下的持续功率曲线作为3种预测模型的输入，训练集输入为集规模为1、3、5的持续功率曲线，输出为集规模为7的持续功率曲线，测试集输入为集规模为1、4、7的持续功率曲线，预测输出分别得到五个场景下10个电站集规模的持续功率曲线数据预测值y
ik
，其中i为预测模型个数，i＝1、2、3；k为划分出力场景，k＝1、2、3、4、5；
[0033]
(3)构造评价矩阵x，根据3种单一预测模型结果求出每种模型的4种多维误差x
1j
、x
2j
、x
3j
,根据多维误差构造评价矩阵x＝[x
ij
]3*4,并根据以下公式得到标准化矩阵d＝[d
ij
]
3*4
：
[0034][0035]
式中，j为误差评价标准个数，j＝1、2、3、4；
[0036]
(4)基于信息熵理论，计算四种误差评价标准的熵权，第i种预测模型第j种误差比重m
ij
：
[0037][0038]
式中，a＝3，为预测模型个数；
[0039]
(5)根据误差比重m
ij
计算单一模型下4种误差的信息熵hj：
[0040][0041]
(6)根据误差的信息熵hj计算单一模型下4种误差熵权值qj：
[0042][0043]
式中，n＝4，为误差评价标准个数；
[0044]
(7)根据误差值计算单一模型权重ω
ij
：
[0045][0046]
式中，e
ij
为第i种预测模型的第j个多维误差值；
[0047]
(8)根据误差熵权值qj计算3种单一预测模型的多误差评价标准信息熵权ωi：
[0048][0049]
(9)通过以下公式获得3种组合预测模型的各出力场景下持续功率曲线数据组合预测模型：
[0050][0051]
式中，yk为出力场景k下的组合预测值。
[0052]
进一步地，所述的数据预处理包括光伏电站数据特殊点清除。
[0053]
本发明具有的有益效果如下：
[0054]
针对待建光伏集出力波动性获取困难的问题，在原有光伏集实测数据的基础上，分析不同规模功率特性变化趋势，揭示汇聚过程中光伏集装机容量与集功率的关系，在已知待建集装机容量下，定量预测待建光伏集持续功率曲线的趋势。光伏汇聚效应的研究对于光伏电站联网外送输电容量规划配置具有重要意义。持续功率曲线能反映长时间波动特性规律，通过研究已知光伏集持续功率曲线，建立预测模型揭示不同规模集的汇聚演化规律，最终得到待建光伏集的持续功率曲线。
[0055]
基于多维误差评价标持续功率曲线组合预测模型不仅有效弥补了由单一模型引
起的模型预测稳定性不足的问题，而且提高了预测精度。
附图说明
[0056]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1是本发明基于层次聚类分场景的光伏汇聚趋势量化方法的流程图；
[0058]
图2是本发明所述的光伏场景2持续功率曲线图；
[0059]
图3是本发明所述的光伏场景5持续功率曲线图；
[0060]
图4是本发明所述的不同集规模下功率极值差及波动率图；
[0061]
图5是本发明选用聚类顺序得到的不同规模集进行预测得到的预测曲线和一般顺序得到的预测曲线的对比图；
[0062]
图6是本发明所述的不同汇聚规模光伏持续功率曲线图；
[0063]
图7是本发明所述的含10个电站的集持续出力预测曲线图。
具体实施方式
[0064]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
本发明针对待建光伏集出力波动性获取困难的问题，在原有光伏集实测数据的基础上，分析不同规模功率特性变化趋势，揭示汇聚过程中光伏集装机容量与集功率的关系，在已知待建集装机容量下，定量预测待建光伏集持续功率曲线的趋势。光伏汇聚效应的研究对于光伏电站联网外送输电容量规划配置具有重要意义。持续功率曲线能反映长时间波动特性规律，通过研究已知光伏集持续功率曲线，建立预测模型揭示不同规模集的汇聚演化规律，最终得到待建光伏集的持续功率曲线。
[0066]
如图1所示，本发明提供的基于层次聚类分场景的光伏汇聚趋势量化方法的流程图，包括以下步骤：
[0067]
步骤一：采集多个光伏电站持续出力数据，采用基于层次聚类算法的层级顺序选择，实现光伏集分层，得到不同集规模持续功率曲线；
[0068]
步骤二：将不同集规模持续功率曲线进行m等分，输出第m个场景的不同集规模持续功率曲线，构成各集规模持续功率曲线；
[0069]
步骤三：针对各集规模持续功率曲线，在各出力场景下建立持续功率曲线组合预测模型；利用持续功率曲线组合预测模型输出各出力场景下的集持续功率曲线，拼接得到待建集持续功率曲线。
[0070]
层次聚类算法的具体步骤如下：
[0071]
(1)对光伏电站的输出功率信息做相应的标准化处理，避免不同装机容量对处理过程的影响，再构造整体数据矩阵。
[0072]
(2)先将各个电站分别作为一类，选用不同相似度的距离公式计算出每两个电站之间的距离，构建相似度度量矩阵，设某两个电站功率序列为xm＝{x
m1
，x
m2
，
…
，x
mi
}，xn＝{x
n1
，x
n2
，
…
，x
ni
}。
[0073]
欧式距离计算公式为：
[0074][0075]
弗雷歇距离计算公式为：
[0076][0077]
式中，d为两点间的欧拉距离，而弗雷歇距离f(a,b)为两曲线上各采样点a(α(t))和b(β(t))之间距离的最大值的下确界。
[0078]
(3)将最近距离的两个类别作为一个新类合并，并更新类别数量；采取平均距离法计算新类之间的平均距离，更新相似度矩阵。
[0079]
(4)不断进行第(3)步，一直到将所有类别聚为一类，画出聚类树状图。
[0080]
为了更好地判断持续功率曲线的变化趋势，将持续出力曲线分段研究，对持续功率曲线进行分场景划分。
[0081]
首先将光伏功率的输出范围等分为若干个功率区间，每一个功率区间代表一个出力场景。假设某光伏电站的装机容量为p，将此电站的功率区间进行m等分，第m(1,2,...,m)个状态对应的输出功率范围为其中，
[0082][0083][0084]
针对2019年河北地区某含10个电站的光伏集，以前7个电站为已知电站，后3个作为待建设电站。汇聚过程涵盖7个光伏电站，以往研究中以某个光伏电站向四周逐渐扩大范围确定光伏电站的加入顺序，本发明根据层次聚类结果确定光伏电站的依次加入顺序，得到基于层次聚类算法下的不同汇聚规模光伏持续功率曲线。完成光伏集汇聚分层后，需要对得到的不同集规模的持续功率曲线进行出力场景划分。划分过程应注意保留光伏持续出力数据。汇聚过程包含7个光伏电站，光伏电站的加入顺序由聚类算法确定，依次加入与中心光伏电站类间距离最近的电站，得到不同集规模的持续功率曲线，接着对其进行出力场景划分，5场景划分下，以场景2、场景5为例，分别代表低出力、高出力场景。集规模分别涵盖1、3、5、7个光伏电站。
[0085]
由图2、3可知：各出力场景下随着光伏集规模的变化，持续功率曲线的变化具有一定的趋势。随着汇聚规模的增大，持续功率曲线愈加平滑，低出力场景持续时间逐渐增大，高出力场景持续时间逐渐减小，汇聚效应明显。
[0086]
图4是不同集规模下功率极值差及波动率图。针对2019年河北地区某含10个光伏电站的光伏集，汇聚过程涵盖7个光伏电站，基于层次聚类算法选择的电站层级顺序
为：2、3、5、7、8、6、0号7个电站；由中心电站根据地理位置随机划分层级顺序为：3、5、2、0、6、8、7号7个电站。针对以上两种顺序组成的不同规模光伏集，按上述顺序对光伏电站出力序列进行逐级叠加，分别得到7个集规模的电站出力序列，通过时频分析指标分析对比两种顺序选择下的汇聚效应。
[0087]
由图4所示，聚类算法选择的汇聚顺序为实线，而根据地理位置选择的汇聚顺序为虚线，从图中可知，第一种顺序随着集规模的增大，极值差逐渐变小，波动率也逐渐减小，验证了光伏集的功率平滑效应，即汇聚效应更显著，而第二种顺序下得到的光伏集序列，随着集规模的增大，极值差和波动率都没有逐渐下降的趋势，表现出此顺序下的汇聚效应不明显，因此，可以得出聚类算法选择的顺序在光伏电站汇聚过程中比地理随机选择顺序展现出的汇聚效应更明显。
[0088]
本发明选用聚类顺序得到的不同规模集进行预测：首先，得到各单电站持续功率曲线，其次，根据光伏集层级顺序累加光伏电站持续功率曲线，依次得到规模为1、2、3、4、5、6、7个光伏集的持续功率曲线，最后，以前七个电站数据为基础，将集规模为1、3、5的集持续功率曲线作为训练集输入，集规模为7的集持续功率曲线作为训练集输出，通过回归训练模型掌握规模增大过程中汇聚演化规律，模型训练完成后将集规模为1、4、7的持续功率曲线作为测试集输入，通过预测模型得到涵盖10个电站的光伏集的持续功率曲线。为验证聚类算法层级顺序的性能，选用回归模型，拼接得到持续功率曲线结果如图5所示。
[0089]
由图5可知，基于层次聚类法的光伏集划分层级，相比于以中心电站逐级发散随机划分层级，用于持续功率曲线的预测精度更高，因此，通过层次聚类算法分层级累加光伏电站持续功率曲线能有效提高预测精度，相比随机选取电站的方法，更接近实际工程场景。
[0090]
图6是不同汇聚规模光伏持续功率曲线图；确定聚类算法选择的层级顺序后，逐层叠加得到的7个汇聚规模的光伏持续功率曲线。由图6可知：在光伏集汇聚规模的增大过程中，持续功率曲线逐渐减缓，纵轴交点代表的最大出力标幺值逐渐下移，曲线愈发平滑，随着光伏集装机容量的增加，其最大出力标幺值逐渐减小，充分解释了光伏集的汇聚效应，通过持续功率曲线定量研究光伏集随规模增加的光伏汇聚趋势性的变化规律。
[0091]
图7是含10个电站的集持续出力预测曲线图；为了验证改进信息熵组合预测模型的准确性，分别选用基于交叉熵和信息熵的熵权计算方法做对比，根据三种模型的预测误差分别采用改进信息熵、交叉熵和信息熵的熵权计算方法计算熵权得到最终含10个电站光伏集预测持续功率曲线。其中1dcnn网络选用三层卷积层，激活函数选用relu函数，每层卷积核数量为64，卷积核宽度设为3，通过三种单一预测模型和三种组合预测模型，得到预测模型结果，其中图7给出三种组合预测模型预测结果，不同出力场景下预测模型的持续功率曲线预测准确度如表1所示。
[0092]
表1 各出力场景下模型预测准确度
[0093][0094]
从图7可以看出，基于改进信息熵的组合预测模型输出的持续功率曲线与实际曲线最接近，同时从表1可知，出力场景1、2、4下，单一模型的预测准确度都在90％以上，三种组合预测模型预测准确度在94％以上，而本发明提出的基于改进信息熵的方法的预测准确度均在95％以上，验证了基于改进信息熵的组合预测模型的有效性。
[0095]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0096]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
[0097]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

技术特征：

1.一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，包括：采集多个光伏电站持续出力数据，采用基于层次聚类算法的层级顺序选择，实现光伏集分层，得到不同集规模持续功率曲线；将不同集规模持续功率曲线进行m等分，输出第m个场景的不同集规模持续功率曲线，构成各集规模持续功率曲线；针对各集规模持续功率曲线，在各出力场景下建立持续功率曲线组合预测模型；利用持续功率曲线组合预测模型输出各出力场景下的集持续功率曲线，拼接得到待建集持续功率曲线。2.根据权利要求1所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，所述层次聚类算法的核心内容如下：先将每个样本对象作为一个簇，然后合并这些簇聚集为越来越大的簇，直到所有对象都在一个簇中，或者某个终结条件被满足；每个样本对象，即每个光伏电站单独当作一个类，类间距离就是这两个光伏电站之间的距离；依据类间样本离差平方和应尽可能大而类内样本离差平方和应尽可能小的原则，采用平均距离法进行合并类，从而得到聚类树状图。3.根据权利要求2所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，所述层次聚类算法的具体步骤如下：1)首先对光伏电站的输出功率信息做相应的标准化处理，避免不同装机容量对处理过程的影响，再构造整体数据矩阵；2)先将各个电站分别作为一类，选用不同相似度的距离公式计算出每两个电站之间的距离，构建相似度度量矩阵，设某两个电站功率序列为：x
m
＝{x
m1
，x
m2
，
…
，x
mi
}，x
n
＝{x
n1
，x
n2
，
…
，x
ni
}；欧式距离计算公式为：弗雷歇距离计算公式为：式中，d为两点间的欧拉距离，而弗雷歇距离f(a,b)为两曲线上各采样点a(α(t))和b(β(t))之间距离的最大值的下确界；3)将最近距离的两个类别作为一个新类合并，并更新类别数量；采取平均距离法计算新类之间的平均距离，更新相似度矩阵；4)不断进行第3)步，一直到将所有类别聚为一类，画出聚类树状图。4.根据权利要求3所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，将光伏功率的输出范围等分为若干个功率区间，每一个功率区间代表一个出力场景。5.根据权利要求4所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，假设某光伏电站的装机容量为p，将此电站的功率区间进行m等分，第m个状态对应的输出功率范围为其中，
6.根据权利要求3所述的一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，根据层次聚类结果确定光伏电站的依次加入顺序，得到基于层次聚类方法下的不同集规模光伏持续功率曲线。7.根据权利要求6所述一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，完成光伏集汇聚分层后，需要对得到的不同集规模的持续功率曲线进行出力场景划分，划分过程保留光伏持续出力数据。8.根据权利要求1所述一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，采用卷积神经网络、灰模型和回归分析三种模型组成组合预测模型，在不同出力场景下对各光伏持续功率曲线进行组合预测。9.根据权利要求8所述一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，持续功率曲线组合预测模型的建立步骤如下：(1)数据预处理；(2)单一模型预测：依次输入五个出力场景下不同集规模下的持续功率曲线作为3种预测模型的输入，训练集输入为集规模为1、3、5的持续功率曲线，输出为集规模为7的持续功率曲线，测试集输入为集规模为1、4、7的持续功率曲线，预测输出分别得到五个场景下10个电站集规模的持续功率曲线数据预测值y
ik
，其中i为预测模型个数，i＝1、2、3；k为划分出力场景，k＝1、2、3、4、5；(3)构造评价矩阵x，根据3种单一预测模型结果求出每种模型的4种多维误差x
1j
、x
2j
、x
3j
,根据多维误差构造评价矩阵x＝[x
ij
]
3*4
,并根据以下公式得到标准化矩阵d＝[d
ij
]
3*4
：式中，j为误差评价标准个数，j＝1、2、3、4；(4)基于信息熵理论，计算四种误差评价标准的熵权，第i种预测模型第j种误差比重m
ij
：式中，a＝3，为预测模型个数；(5)根据误差比重m
ij
计算单一模型下4种误差的信息熵h
j
：(6)根据误差的信息熵h
j
计算单一模型下4种误差熵权值q
j
：式中，n＝4，为误差评价标准个数；(7)根据误差值计算单一模型权重ω
ij
：
式中，e
ij
为第i种预测模型的第j个多维误差值；(8)根据误差熵权值q
j
计算3种单一预测模型的多误差评价标准信息熵权ω
i
：(9)通过以下公式获得3种组合预测模型的各出力场景下持续功率曲线数据组合预测模型：式中，y
k
为出力场景k下的组合预测值。10.根据权利要求9所述一种基于层次聚类分场景的光伏汇聚趋势量化方法，其特征在于，所述的数据预处理包括光伏电站数据特殊点清除。

技术总结

本发明公开了一种基于层次聚类分场景的光伏汇聚趋势量化方法。本发明的方法，包括：采集多个光伏电站持续出力数据，采用基于层次聚类算法的层级顺序选择，实现光伏集分层，得到不同集规模持续功率曲线；将不同集规模持续功率曲线进行M等分，输出第m个场景的不同集规模持续功率曲线，构成各集规模持续功率曲线；针对各集规模持续功率曲线，在各出力场景下建立持续功率曲线组合预测模型；利用持续功率曲线组合预测模型输出各出力场景下的集持续功率曲线，拼接得到待建集持续功率曲线。本发明的持续功率曲线组合预测模型不仅有效弥补了由单一模型引起的模型预测稳定性不足的问题，而且提高了预测精度。而且提高了预测精度。而且提高了预测精度。