电网技术GRID TECHNOLOGY
牛继涛1，肖海涛2
（1.国网河南省电力公司电力调度控制中心，河南郑州450018；2.北京东润环能科技股份有限公司，北京100089）
摘要：在光伏发电站发电功率预测的实际应用中，天气类型对光伏功率预测影响很大，众所周知，不同的天气类型是现代功率预测误差的主要因素之一，且天气类型无法直接通过辐射度等气象特征显性的挖掘出来。针对这个问题文中通过分析人工识别天气类型方法提出了基于数值天气预报、变分模态分解，层次聚类算法与遗传算法优化的卷积神经网络的日天气预测模型。通过实验结果对比分析可知，文中提出的算法能够应用于未来一天的光伏电站天气类型预报的任务。 关键词：变分模态分解；卷积神经网络；天气类型；无监督学习
中图分类号：TM615文献标志码：B文章编号：1006-348X（2020）12-0030-05
0引言
旅游加盟连锁哪家好太阳能是理想的可再生能源之一，近些年来我国光伏电站装机容量也在不断增加[1]。但是现代储能技术不能储存大量电力，从发电企业到电网再到用户都是即发即用的模式。光伏发电存在间歇性，随机性和波动性，对电网冲击大，随着光伏电站大规模并网[2]，大量不稳定的电量涌入电网有可能导致电网瘫痪。为了电网安全稳定运行，提高光伏功率预测精度具有重要的意义[3]。相似日在光伏短期预测上是光伏功率预测研究者热议的话题[4]。基于数值天气预报数据做无监督学习的一些传统方法，缺乏主动性、没有考虑到数值天气预报其本身的准确性、无法对每个气象类型进行有效识别、对于大量历史数据中存在的低质量数据无法剔除，很难保证算法在工业上能够长期高精度的运行。且在光伏短期预测[5-11]的实际应用中，国内许多光功率预测厂商在阴天预测误差很大，预测未来一天的天气是一种迫在眉睫的需求。本文通过分析人类判断天气类型方法，以24h为时间分辨率对实际功率数据进行聚类，得到晴天、多云或阴天两个标签；使用两种天气标签与数值天气预报相结合，建立基于遗传算法优化的卷积神经网络模型，把相似日无监督问题接入了有监督问题，避开了算法一开始就陷入了天气预报不精准，而又无法主动处理数据的被动局面。使得不同的算法在实际应用上对光伏电站数据在天气类型上主动处理成为了现实。 1光伏天气分类模型
本次实验的数据为我国某地一个装机容量为20MW光伏场站的2017-2018年的历史数据，数据的采样间隔为15min，。数据特征包括了该场站实际功率、实际辐照度与单个气象厂商的数值天气预报（辐
南宁市景点排行榜前十名
照度、温度、湿度、风速、风向、压强）。经过数据清洗以后，剩下了175天的历史数据，本次实验的训练数据为清洗后数据的前155天，测试数据为清洗后数据的后20天。图1是训练集两种天气类型的占比，类别0为阴天，类别1为晴天或多云。从图中可以看出，该场站一年阴天占比较多。潍坊旅游攻略
图1训练集类别统计图
收稿日期：2020-09-22
作者简介：牛继涛（1987），男，学士，工程师，
研究方向为水电及新能源运行管理等。30
>青岛方特梦幻王国门票多少钱>埃及旅游城市>小七孔在贵州哪里
