【技術實現步驟摘要】
本專利技術涉及低壓分布式光伏調控，特別是涉及一種基于大數據模型低壓分布式光伏出力預測及群調群控方法。
技術介紹
1、隨著全球對清潔能源的需求日益增長，分布式光伏憑借其靈活的安裝方式、就近消納的優勢，在配電網中的接入比例不斷攀升。然而，這種高比例接入猶如一把雙刃劍，在帶來清潔能源效益的同時，諸多棘手問題也接踵而至。
2、一方面，低壓分布式光伏具有數量龐大、分布極為分散且單戶裝機容量微小的顯著特性。這使得對其進行統一、高效的管控變得異常艱難，傳統的電網管理模式難以適應這種分散式能源格局，仿佛面對一盤散沙，力不從心。
3、另一方面，其給配電網的穩定運行造成了一系列嚴峻挑戰。大量分布式光伏的無序接入，導致配變反向重過載現象頻發，如同給配電網的“心臟”施加了過重的負擔；10kv潮流反向問題打亂了原本有序的電力流向，使得電網的潮流分布變得錯綜復雜；配電線路末端高電壓問題更是像潛伏的隱患，隨時可能影響供電質量，威脅用電設備的安全穩定運行。
4、而在電網運行的實際需求中，特殊時段(如用電高峰、極端天氣下的電力應急時段等)對全網電力平衡有著極高的要求。這些時段往往伴隨著負荷的急劇變化，如果不能有效管理低壓分布式光伏的出力，不僅無法發揮其清潔能源優勢助力電網穩定，反而會進一步加劇電網的失衡風險。
5、因此，迫切需要一種創新且行之有效的方法，既能精準把握低壓分布式光伏的出力特性，又能對其實施智能化的群調群控，使其與電網的負荷需求完美匹配，從而確保電網在任何工況下都能穩定運行，實現特殊時段全網電力平衡這一
技術實現思路
1、為解決上述技術問題，本專利技術提供一種基于大數據模型的低壓分布式光伏功率預測與群調群控方法，通過精準的出力預測和有效的群調群控策略，實現低壓分布式光伏在電網中的穩定運行，并參與電網調峰，達成特殊時段全網電力平衡的目標。
2、本專利技術的基于大數據模型低壓分布式光伏出力預測及群調群控方法，包括以下步驟：
3、步驟一：數據收集與分析：收集低壓分布式光伏的歷史出力數據、氣象數據和地理信息數據，對收集的數據進行預處理，包括清洗和歸一化操作；
4、步驟二：光伏功率預測模型構建：基于光伏發電物理原理，考慮多種影響因素構建融合多個機器學習回歸方法的光伏發電功率預測融合模型，利用歷史數據擬合修正光伏發電功率預測融合模型的超參數，包括模型調研與選擇、模型訓練過程；
5、步驟三：光伏調控策略制定：進行光伏出力能力分析、功率預測與調控需量分析，確定光伏調控策略，所述調控策略包括構建出力能力動態仿真模型、利用nwp數據預測功率、分析調控需量和時間要求、基于區域出力能力指標制定方案，同時進行光伏反向過載預警；
6、步驟四：群調群控方案實施：根據光伏調控策略生成調控用戶清單，按照用戶額定容量占比等比例下調調控，通過用電信息采集系統下發控制命令至采集終端，再到協議轉換器，最終調節逆變器出力實現群調群控。
7、進一步的，所述氣象數據包括太陽輻射強度、溫度、濕度、氣壓、風速和風向，所述地理信息數據包括電站的經緯度、海拔高度和地形地貌；清洗操作包括去除明顯錯誤的數據點，對于缺失的數據采用線性插值或均值插值方法進行補充，歸一化操作包括將數據映射到[0,1]區間，與分布式光伏電站監控系統、氣象部門和地理信息系統建立數據接口，獲取實時數據，數據獲取的時間間隔為每小時或更短時間間隔。
8、進一步的，在光伏功率預測融合模型的訓練與優化中，模型調研對比多種類型模型后選擇融合物理模型與機器學習方法的混合模型，模型訓練包括數據劃分、訓練、驗證和測試操作；在模型訓練過程中，使用交叉驗證技術選擇最優的模型超參數組合，定期根據新獲取的歷史數據對模型進行重新訓練，選擇支持向量機、神經網絡、決策樹中的至少一種作為融合模型中的回歸方法；以光伏發電的物理原理為基礎，建立多參數的物理模型，多參數包括角度、面積、遮擋、輻照度和溫度，通過時間序列分析方法對物理模型中的參數進行估計和優化，構建光伏功率預測模型。
9、進一步的，在光伏功率預測模型訓練與優化中，引入的神經網絡模型為transformer和linear模型，采用bagging集成學習方法，對多個基模型進行集成，基模型通過對訓練集進行有放回隨機抽樣得到的不同子訓練集訓練得到。
10、進一步的，在光伏調控策略制定中，利用機器學習算法建立光伏出力能力與環境因素、設備狀態之間的關系模型，實時計算不同條件下的光伏出力能力指標，以此構建出力能力動態仿真模型；利用nwp數據預測功率，具體為根據數值氣象預報數據和已訓練的光伏發電功率預測融合模型，對未來時段的光伏功率輸出進行預測；分析調控需量和時間要求，具體為結合電網的負荷需求預測，分析在不同時段內光伏電站需要提供的調控功率量和調控時間要求；基于區域出力能力指標制定方案，具體為將調控任務分解到各個區域和用戶，確定每個區域內需要參與調控的用戶數量，以及每個用戶設備的具體調控數值，調控數值包括功率削減比例和出力調整量；進行光伏反向過載預警即在整個調控過程中，實時監測功率輸出，通過對功率相關數據的分析，對可能出現的反向過載情況進行預警；通過通信系統將調控指令下發到各個分布式光伏用戶的設備端，通信系統包括用電信息采集系統、采集終端和協議轉換器。
11、進一步的，在光伏調控策略制定中，利用歷史數據和實時監測數據，對光伏電站的出力能力進行動態評估，評估公式為：pout＝f(e,t,d,m)，其中pout為光伏電站出力能力，e為環境因素向量，t為設備狀態向量，d為電站設計因素向量，m為維護因素向量，f為機器學習算法構建的函數關系。
12、進一步的，在光伏調控策略制定中，根據數值氣象預報數據和已訓練的功率預測模型，對未來時段的光伏功率輸出進行預測，預測公式為：pt＝g(wt,pt-1,pt-2,...)，其中pt為t時刻的光伏功率預測值，wt為t時刻的數值氣象預報數據，pt-1,pt-2,...為前一時刻、前二時刻、...的光伏功率實際值，g為功率預測模型構建的函數關系。
13、進一步的，在群調群控方案實施中，在調控過程中，實時監測光伏電站的運行狀態和功率輸出，根據實際情況對調控策略進行動態調整，確保調控效果滿足電網運行要求，按照用戶額定容量占比等比例下調調控的計算公式為：其padj中為用戶需要調整的功率，puser為用戶當前實際功率，radj為調控指標，rtotal為所有用戶的額定裝機容量總和。
14、進一步的，在群調群控方案實施中，實時監測光伏電站的運行狀態和功率輸出，根據實際情況對調控策略進行動態調整，調整的依據為功率偏差率，功率偏差率計算公式為：其δ中為功率偏差率，pactual為實際功率，ptarget為目標功率，當功率偏差率超出設定閾值時，對調控策略進行調整。
15、進一步的，在群調群控方案實施中，用電信息采集系統將控制命令下發至采集終端，采集終端與協議轉換器之間采用有線或無線通信方式本文檔來自技高網...
【技術保護點】
1.一種基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，所述氣象數據包括太陽輻射強度、溫度、濕度、氣壓、風速和風向，所述地理信息數據包括電站的經緯度、海拔高度和地形地貌；清洗操作包括去除明顯錯誤的數據點，對于缺失的數據采用線性插值或均值插值方法進行補充，歸一化操作包括將數據映射到[0,1]區間，與分布式光伏電站監控系統、氣象部門和地理信息系統建立數據接口，獲取實時數據，數據獲取的時間間隔為每小時或更短時間間隔。
3.如權利要求1所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在光伏功率預測融合模型的訓練與優化中，模型調研對比多種類型模型后選擇融合物理模型與機器學習方法的混合模型，模型訓練包括數據劃分、訓練、驗證和測試操作；在模型訓練過程中，使用交叉驗證技術選擇最優的模型超參數組合，定期根據新獲取的歷史數據對模型進行重新訓練，選擇支持向量機、神經網絡、決策樹中的至少一種作為融合模型中的回歸方法；以光伏發電的物理原理為基礎
4.如權利要求3所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在光伏功率預測模型訓練與優化中，引入的神經網絡模型為transformer和linear模型，采用bagging集成學習方法，對多個基模型進行集成，基模型通過對訓練集進行有放回隨機抽樣得到的不同子訓練集訓練得到。
5.如權利要求1所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在光伏調控策略制定中，利用機器學習算法建立光伏出力能力與環境因素、設備狀態之間的關系模型，實時計算不同條件下的光伏出力能力指標，以此構建出力能力動態仿真模型；利用NWP數據預測功率，具體為根據數值氣象預報數據和已訓練的光伏發電功率預測融合模型，對未來時段的光伏功率輸出進行預測；分析調控需量和時間要求，具體為結合電網的負荷需求預測，分析在不同時段內光伏電站需要提供的調控功率量和調控時間要求；基于區域出力能力指標制定方案，具體為將調控任務分解到各個區域和用戶，確定每個區域內需要參與調控的用戶數量，以及每個用戶設備的具體調控數值，調控數值包括功率削減比例和出力調整量；進行光伏反向過載預警即在整個調控過程中，實時監測功率輸出，通過對功率相關數據的分析，對可能出現的反向過載情況進行預警；通過通信系統將調控指令下發到各個分布式光伏用戶的設備端，通信系統包括用電信息采集系統、采集終端和協議轉換器。
6.如權利要求5所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在光伏調控策略制定中，利用歷史數據和實時監測數據，對光伏電站的出力能力進行動態評估，評估公式為：Pout＝f(E,T,D,M)，其中Pout為光伏電站出力能力，E為環境因素向量，T為設備狀態向量，D為電站設計因素向量，M為維護因素向量，f為機器學習算法構建的函數關系。
7.如權利要求6所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在光伏調控策略制定中，根據數值氣象預報數據和已訓練的功率預測模型，對未來時段的光伏功率輸出進行預測，預測公式為：Pt＝g(Wt,Pt-1,Pt-2,...)，其中Pt為t時刻的光伏功率預測值，Wt為t時刻的數值氣象預報數據，Pt-1,Pt-2,...為前一時刻、前二時刻、...的光伏功率實際值，g為功率預測模型構建的函數關系。
8.如權利要求1所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在群調群控方案實施中，在調控過程中，實時監測光伏電站的運行狀態和功率輸出，根據實際情況對調控策略進行動態調整，確保調控效果滿足電網運行要求，按照用戶額定容量占比等比例下調調控的計算公式為：其Padj中為用戶需要調整的功率，Puser為用戶當前實際功率，Radj為調控指標，Rtotal為所有用戶的額定裝機容量總和。
9.如權利要求8所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在群調群控方案實施中，實時監測光伏電站的運行狀態和功率輸出，根據實際情況對調控策略進行動態調整，調整的依據為功率偏差率，功率偏差率計算公式為：其δ中為功率偏差率，Pactual為實際功率，Ptarget為目標功率，當功率偏差率超出設定閾值時，對調控策略進行調整。
10.如權利要求9所述的基于大數據模型低壓分布式光伏出力預測及群調...
【技術特征摘要】
1.一種基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，所述氣象數據包括太陽輻射強度、溫度、濕度、氣壓、風速和風向，所述地理信息數據包括電站的經緯度、海拔高度和地形地貌；清洗操作包括去除明顯錯誤的數據點，對于缺失的數據采用線性插值或均值插值方法進行補充，歸一化操作包括將數據映射到[0,1]區間，與分布式光伏電站監控系統、氣象部門和地理信息系統建立數據接口，獲取實時數據，數據獲取的時間間隔為每小時或更短時間間隔。
3.如權利要求1所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在光伏功率預測融合模型的訓練與優化中，模型調研對比多種類型模型后選擇融合物理模型與機器學習方法的混合模型，模型訓練包括數據劃分、訓練、驗證和測試操作；在模型訓練過程中，使用交叉驗證技術選擇最優的模型超參數組合，定期根據新獲取的歷史數據對模型進行重新訓練，選擇支持向量機、神經網絡、決策樹中的至少一種作為融合模型中的回歸方法；以光伏發電的物理原理為基礎，建立多參數的物理模型，多參數包括角度、面積、遮擋、輻照度和溫度，通過時間序列分析方法對物理模型中的參數進行估計和優化，構建光伏功率預測模型。
4.如權利要求3所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在光伏功率預測模型訓練與優化中，引入的神經網絡模型為transformer和linear模型，采用bagging集成學習方法，對多個基模型進行集成，基模型通過對訓練集進行有放回隨機抽樣得到的不同子訓練集訓練得到。
5.如權利要求1所述的基于大數據模型低壓分布式光伏出力預測及群調群控方法，其特征在于，在光伏調控策略制定中，利用機器學習算法建立光伏出力能力與環境因素、設備狀態之間的關系模型，實時計算不同條件下的光伏出力能力指標，以此構建出力能力動態仿真模型；利用nwp數據預測功率，具體為根據數值氣象預報數據和已訓練的光伏發電功率預測融合模型，對未來時段的光伏功率輸出進行預測；分析調控需量和時間要求，具體為結合電網的負荷需求預測，分析在不同時段內光伏電站需要提供的調控功率量和調控時間要求；基于區域出力能力指標制定方案，具體為將調控任務分解到各個區域和用戶，確定每個區域內需要參與調控的用戶數量，以及每個用戶設備的具體調控數值，調控數值包括功率削減比例和...
【專利技術屬性】
技術研發人員：邱旭山，劉琪，卜智睿，潘軍，劉洋，
申請(專利權)人：湖北華中電力科技開發有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。