(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211152635.4 (22)申请日 2022.09.21 (71)申请人 国网浙江省电力有限公司电力科 学 研究院 地址 310014 浙江省杭州市下城区朝晖八 区华电弄 1号 (72)发明人 王晨旭　马骏超　彭琰　陆承宇　 王松　吴俊　邓晖　章枫　程颖　 (74)专利代理 机构 浙江翔隆专利事务所(普通 合伙) 33206 专利代理师 张建青 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 一种多光伏电站 功率预测误差建模方法 (57)摘要 本发明公开了一种多光伏电站功率预测误 差建模方法。 本发明采用的技术方案为： 首先， 采 用K‑means聚类方法将多光伏电站气象、 功率历 史数据集划分为不同天气类型下的数据集； 然 后， 针对各天气类型下多光伏电站数据集， 采用D 藤Vine‑Copula函数构建预测功率与实测功率的 相关性模型， 实现多维变量相关性的准确建模； 最后， 在已知光伏电站功率预测值的基础上， 借 助D藤相关性模 型实现了不同天气条件 下光伏电 站功率预测误差概率分布的准确建模， 提升了光 伏电站功率预测不确定性的量 化精度。 权利要求书3页 说明书9页 附图6页 CN 115511170 A 2022.12.23 CN 115511170 A 1.一种多光伏电站 功率预测误差建模方法， 其特 征在于， 模型构建步骤如下： 1)根据区域内多个光伏电站历史统计数据， 构建包含其气象因素、 光伏预测功率和光 伏实测功率的历史数据集； 2)根据步骤1)中区域内多个光伏电站历史数据集， 以太阳辐照度、 气温和气压作为划 分依据， 采用K ‑means聚类方法得到典型天气类型 下光伏电站预测功率和实测功率数据集； 3)根据步骤2)中典型天气类型下光伏电站预测功率与实测功率数据集， 计算各时段光 伏电站功率预测误差； 4)采用Vine ‑Copula函数构 建不同天气类型下光伏电站预测功率与实测功率间相关性 模型， 具体过程如下： 4‑a)利用D藤Vine ‑Copula函数结构建立不同天气类型下光伏电站预测功率与实测功 率的D藤相关性模型； 4‑b)根据不同天气类型下光伏电站出力数据集， 采用欧式距离检验逐个选取D藤相关 性模型中二元Copula类型和参数。 2.根据权利要求1所述的多光伏电站功率预测误差建模方法， 其特征在于， 所述步骤1) 中， 在具备气象和电气量测装置的光伏电站中， 构建包含气象因素历史数据集和光伏功率 历史数据集： Wi,j＝[Ii,j,Ti,j,Vi,j] 其中， 下标i表示光伏电站序号； 下标j表示历史数据序号； Wi,j表示第i个光伏电站的第 j组气象历 史数据； Ii,j、 Ti,j、 和Vi,j为用于光伏电站功率预测的气象因素， 分别 为太阳辐照 度、 温度和气压； Di,j表示第i个光伏电站的第j组光伏功率历史数据； 为第i个光伏电站 的预测功率 值； 为第i个光伏电站的实测功率 值。 3.根据权利要求2所述的多光伏电站功率预测误差建模方法， 其特征在于， 所述步骤2) 中， 根据光伏电站气象因素历史数据集， 采用K ‑means聚类方法将该数据集划分为不同天气 类型， K‑means聚类方法采用样本之间的欧式距离描述样本的相 似性， 以第i个光伏电站为 例， 其数据样本之间的欧式距离为： 其中， Δwj.k表示第j个样本和第k个样本之间的欧式距离； | |·||表示2范 数。 4.根据权利要求2所述的多光伏电站功率预测误差建模方法， 其特征在于， K ‑means聚 类方法为典型的无监 督学习方法， 其对数据集进行划分的目标函数为： 其中， K为聚类数目， 聚类数即为所要划分的天气类型； Wi,c为第c个聚类的聚类中心， 由 属于该聚类的样本点的期望值决定； 在K ‑means聚类过程中， 首先需要确定聚类数目K， 并随 机选取K个样本点作为初始聚类， 进而以最小化样本点至所属聚类中心的欧式距离为优化 目标函数， 不断更新聚类中样本点与聚类中心直至收敛， 实现不同天气类型的划分。权　利　要　求　书 1/3 页 2 CN 115511170 A 25.根据权利要求4所述的多光伏电站功率预测误差建模方法， 其特征在于， 通过K ‑ means聚类将光伏电站气象历史数据集划分为晴天、 多云和雨雪天气， 相应的数据集通过变 量Wi1， Wi2和Wi2表示， 各数据集中的样本点表示为 和 其中， 使用类型1,2和3 对应晴天、 多云和雨雪天气。 6.根据权利要求5所述的多光伏电站功率预测误差建模方法， 其特征在于， 所述步骤2) 中， 通过K ‑means聚类方法将光伏电站气象历史数据集划分为晴天、 多云、 雨雪天气类型下 的气象数据集， 根据气象数据时序标签， 将同时刻光伏功 率数据进 行划分， 得到晴天、 多云、 雨雪天气类型下的光伏功率数据集， 相应的数据集通过变 量 和 表示， 各数据集 中的样本点表示 为 和 7.根据权利要求1所述的多光伏电站功率预测误差建模方法， 其特征在于， 所述步骤3) 中， 在得到不同天气类型下光伏功率数据集后， 根据数据集中光伏功率预测数据和 光伏功 率实测数据计算预测误差： 其中， ei,j为第j各样本点的预测误差； 为第i个光伏电站的预测功率值； 为第i个 光伏电站的实测功率 值。 8.根据权利要求1所述的多光伏电站功率预测误差建模方法， 其特征在于， 所述步骤4 ‑ a)中， 以两个光伏电站在晴天天气类型下的数据集为例， 假设第一光伏电站的功率预测值 和实测值分别为P1f和P1r， 第二光伏电站的功率预测值和实测值分别为 和 则变量 P1r、 P1f和P2f之间的相关性模型表示 为： F(P1r,P1f,P2f)＝C(F(P1r),F(P1f),F(P2f)) 其中， F(·)表示变量的累积概率分布函数； C( ·)表示用于描述多维变量相关性的 Copula函数， 进一 步得到描述多变量相关性的概 率密度函数： f(P1r,P1f,P2f)＝c(F(P1r),F(P1f),F(P2f))·f(P1r)·f(P1f)·f(P2f) 其中， f(·)表示变量的累积概率分布函数； c( ·)表示用于描述多维变量相关性的 Copula密度函数； 为便于阐述， 以变量x1、 x2和x3来代替P1r、 P1f和P2f， 并将其联合概率密度函数进一步写 成： f(x1,x2,x3)＝f(x1)·f(x2|x3)·f(x1|x2,x3) 其中， 将f(x2|x3)进一步表示为： 同样地， 将f(x1|x2,x3)进一步表示为： f(x1|x2,x3)＝c13|2(F(x1|x2),F(x3|x2))·c12(F(x1),F(x2))·f(x1) 根据上述表达式， 将变量x1， x2和x3的联合概率密度函数表示 为： f(x1,x2,x3)＝c13|2(F(x1|x2),F(x3|x2))·c12(F(x1),F(x2))f(x1)·c23(F(x2),F(x3))· f(x1)·f(x2)·f(x3)权　利　要　求　书 2/3 页 3 CN 115511170 A 3