一种考虑误差修正的两阶段光伏功率预测方法技术

本发明专利技术提出一种考虑误差修正的两阶段光伏功率预测方法，属于光伏发电功率预测技术领域。该方法首先获取历史数据样本并对样本数据进行标准化处理；采用主成分分析法对标准化处理后的气象因素数据进行非相关性处理；通过波动量分析建立功率数据与气象类型的匹配模型；然后采用回归分析的方法构建各时段不同气象类型的差异化初步预测模型；最后根据初步预测误差的分布特性，建立不同气象类型对应的误差修正模型，实现对初步预测结果的误差修正。本发明专利技术的两阶段光伏功率预测方法能充分挖掘数据的潜在特性，提高光伏功率预测的准确性。

【技术实现步骤摘要】
一种考虑误差修正的两阶段光伏功率预测方法
本专利技术属于光伏发电功率预测
，特别涉及一种考虑误差修正的两阶段光伏功率预测方法。
技术介绍
光伏功率预测对电力系统的安全稳定和经济运行具有重要作用。光伏功率预测的结果可用于电网调度计划的制定，能够在保证电力供需平衡的前提下减少旋转备用容量，从而降低发电成本，有助于充分挖掘太阳能这一清洁能源的潜能。目前对于光伏功率预测，所建立的预测模型主要分为以下三种：1)物理模型，依据光电转化原理结合光伏电站具体的系统信息，建立该电站特定的物理模型进行功率预测；2)人工智能算法模型，采用某种智能算法对样本数据进行训练，从而建立输入量与输出量之间的关系进行预测；3)统计学模型，应用统计学方法对历史数据进行分析，建立输入与输出的映射关系。基于光伏电站物理模型的预测方法，虽然不需要大量的样本数据来训练模型，但是在建模过程中所用到的物理公式本身存在一定误差，且预测模型对光伏电站的系统信息依赖性较大，使得模型抗干扰能力差。人工智能算法模型虽然不需要建立输入与输出之间明确的关系表达式，建模过程相对简单，但是很难避免模型陷入局部最优和过学习的缺陷。相比之下，基于统计学模型的预测方法从数据角度出发，不需要考虑光伏电站具体的系统信息以及复杂的物理模型，建模简单易于实现。数值天气预报(numericalweatherprediction，NWP)的广泛应用也为提高统计学模型的预测精度提供了可能。然而现有基于统计学模型的光伏功率预测方法并没有显著减小预测误差，原因在于对样本数据特性的挖掘不够深入，建立的模型不能准确表征各因素与输出功率之间的关系，同时忽略了对预测结果的二次修正过程。
技术实现思路
本专利技术的目的是为了克服已有基于统计学模型的光伏功率预测技术的不足，提出一种考虑误差修正的两阶段光伏功率预测方法。本专利技术建立的预测模型充分挖掘了数据的潜在特性，并在功率初步预测的基础上进行了误差修正，能够有效提高光伏功率的预测精度，从而提升将光伏功率预测输出作为电力系统调度参考的可靠性，促进光电的消纳。本专利技术提出一种考虑误差修正的两阶段光伏功率预测方法，其特征在于，包括以下步骤：1)选取待预测光伏电站，获取该光伏电站的历史数据样本，对每个样本中的数据进行标准化处理；处理完毕后，将所有历史数据样本分为两个样本数据集；具体步骤如下：1-1)选取待预测光伏电站，获取该光伏电站有功率输出的n个历史数据样本，其中每个样本包括光伏电站在对应历史时刻的数值天气预报NWP数据和光伏功率数据；其中将NWP数据作为光伏电站在对应历史时刻的气象因素数据；得到每个历史数据样本表达式如下：di＝[di,1,di,2,…,di,m,pi]其中，di,m为第i个历史数据样本中第m个气象因素数据；pi为第i个历史数据样本中的光伏功率数据；1-2)对每个历史数据样本中的所有数据采用Min-Max标准化方法进行标准化处理，得到对应的修正样本；对于每个历史数据样本中的气象因素数据，标准化处理方法如下：其中，xi,j表示di,j标准化处理后对应的数值，表示对集合{d1,j,d2,j,…,dn,j}中取最小值，表示对集合{d1,j,d2,j,…,dn,j}取最大值；对于每个历史数据样本中的光伏功率数据数据，标准化处理方法如下其中，xi,m+1表示pi标准化处理后对应的修正值；每个历史数据样本处理完毕后，得到对应的修正样本记为xi＝[xi,1,…,xi,m,xi,m+1]，其中xi代表第i个历史数据样本对应的修正样本；1-3)将所有修正样本按采样时刻先后排序后划分为两个样本数据集，分别记为X1、X2：X1＝[x1,x2,…,xn1]X2＝[xn1+1,xn1+2,…,xn]其中，n1为数据集X1中样本个数；2)气象因素数据非相关性处理；将所有修正样本依据该样本所在的月份划分为12个月份子集，对各月份子集中的所有修正后的气象因素数据采用主成分分析法PCA进行非相关性处理，得到各月份子集中每种修正后的气象因素数据在各主成分变量中的权重系数；每个月份子集中主成分变量的种类数与气象因素数据的类别数相同，均为m个，则每个月份子集中共得到m2个转换系数，从而将每个修正样本的m个气象因素数据转换为对应的m个主成分变量，其中每个主成分变量等于各气象因素数据与对应转换系数相乘后的相加之和；非相关性处理后各主成分变量与修正后的气象因素数据的关系表达式为：Vi,s＝k1sxi,1+k2sxi,2+…+kmsxi,ms＝1,2…m其中，kms为修正样本中第m种气象因素数据在第s个主成分变量中的权重系数，xi,m为修正样本xi的第m种气象因素数据值，Vi,s表示第i个修正样本的第s个主成分变量；3)光伏功率数据与气象类型匹配；将所有修正样本依据该样本所在月份及所在光照时段划分为12*N个时段子集，其中，N为每日光照时段总数；把每个时段子集中属于同一日期的修正样本的光伏功率数据按照时刻先后顺序组成一个功率序列，通过波动量分析将各功率序列与复杂或简单气象类型匹配，分别得到匹配为简单气象类型的功率序列和匹配为复杂气象类型的功率序列；其中，晴、阴、雨为简单气象类型，除晴、阴、雨之外的其他天气均为复杂气象类型；然后，采用k-means聚类算法对所有匹配为简单气象类型的功率序列进行聚类分析，依据序列间距离将所有匹配为简单气象类型的功率序列划分为3个功率序列子集，根据3个功率序列子集中整体功率数值从大到小的顺序，将所述3个功率序列子集分别与晴、阴、雨三种气象类型匹配，则匹配晴的功率序列子集中所有功率序列匹配气象类型为晴，匹配阴的功率序列子集中所有功率序列匹配气象类型为阴，匹配雨的功率序列子集中所有功率序列匹配气象类型为雨；4)建立初步预测模型；将12*N个时段子集中每个子集里属于数据集X1的修正样本按照该样本的匹配的气象类型分类，则每个时段子集中属于数据集X1的修正样本划分为4个类别，分别匹配晴，阴，雨和复杂气象类型；其中，每个样本匹配的气象类型对应该样本中光伏功率数据所属的功率序列所匹配的气象类型，则数据集X1中的所有修正样本被划分为12*4*N个类别；分别对数据集X1划分后的每种类别进行多元线性回归分析；每个类别中，将修正样本的气象因素数据对应的主成分变量作为输入，该样本的光伏功率数据作为输出，构建多重线性回归模型作为初步预测模型，最终得到每个类别对应的初步预测模型，共12*4*N个初步预测模型；其中，任一类别建立的多重线性回归模型表达式如下：Pf'＝β0+β1V1+…+βsVs其中，β0,β1,…,βs为该多重线性回归模型的回归系数；V1,V2,…,Vs为待预测时刻气象因素数据对应的主成分变量；Pf'为待预测时刻光伏功率的初步预测值；5)建立误差修正模型；具体步骤如下：5-1)将12*N个时段子集中每个子集里属于数据集X2本文档来自技高网...

【技术保护点】
1.一种考虑误差修正的两阶段光伏功率预测方法，其特征在于，包括以下步骤：/n1)选取待预测光伏电站，获取该光伏电站的历史数据样本，对每个样本中的数据进行标准化处理；处理完毕后，将所有历史数据样本分为两个样本数据集；具体步骤如下：/n1-1)选取待预测光伏电站，获取该光伏电站有功率输出的n个历史数据样本，其中每个样本包括光伏电站在对应历史时刻的数值天气预报NWP数据和光伏功率数据；其中将NWP数据作为光伏电站在对应历史时刻的气象因素数据；得到每个历史数据样本表达式如下：/nd

【技术特征摘要】
1.一种考虑误差修正的两阶段光伏功率预测方法，其特征在于，包括以下步骤：
1)选取待预测光伏电站，获取该光伏电站的历史数据样本，对每个样本中的数据进行标准化处理；处理完毕后，将所有历史数据样本分为两个样本数据集；具体步骤如下：
1-1)选取待预测光伏电站，获取该光伏电站有功率输出的n个历史数据样本，其中每个样本包括光伏电站在对应历史时刻的数值天气预报NWP数据和光伏功率数据；其中将NWP数据作为光伏电站在对应历史时刻的气象因素数据；得到每个历史数据样本表达式如下：
di＝[di,1,di,2,…,di,m,pi]
其中，di,m为第i个历史数据样本中第m个气象因素数据；pi为第i个历史数据样本中的光伏功率数据；
1-2)对每个历史数据样本中的所有数据采用Min-Max标准化方法进行标准化处理，得到对应的修正样本；
对于每个历史数据样本中的气象因素数据，标准化处理方法如下：



其中，xi,j表示di,j标准化处理后对应的数值，表示对集合{d1,j,d2,j,…,dn,j}中取最小值，表示对集合{d1,j,d2,j,…,dn,j}取最大值；
对于每个历史数据样本中的光伏功率数据数据，标准化处理方法如下



其中，xi,m+1表示pi标准化处理后对应的修正值；
每个历史数据样本处理完毕后，得到对应的修正样本记为xi＝[xi,1,…,xi,m,xi,m+1]，其中xi代表第i个历史数据样本对应的修正样本；
1-3)将所有修正样本按采样时刻先后排序后划分为两个样本数据集，分别记为X1、X2：
X1＝[x1,x2,…,xn1]
X2＝[xn1+1,xn1+2,…,xn]
其中，n1为数据集X1中样本个数；
2)气象因素数据非相关性处理；
将所有修正样本依据该样本所在的月份划分为12个月份子集，对各月份子集中的所有修正后的气象因素数据采用主成分分析法PCA进行非相关性处理，得到各月份子集中每种修正后的气象因素数据在各主成分变量中的权重系数；每个月份子集中主成分变量的种类数与气象因素数据的类别数相同，均为m个，则每个月份子集中共得到m2个转换系数，从而将每个修正样本的m个气象因素数据转换为对应的m个主成分变量，其中每个主成分变量等于各气象因素数据与对应转换系数相乘后的相加之和；
非相关性处理后各主成分变量与修正后的气象因素数据的关系表达式为：
Vi,s＝k1sxi,1+k2sxi,2+…+kmsxi,ms＝1,2…m
其中，kms为修正样本中第m种气象因素数据在第s个主成分变量中的权重系数，xi,m为修正样本xi的第m种气象因素数据值，Vi,s表示第i个修正样本的第s个主成分变量；
3)光伏功率数据与气象类型匹配；
将所有修正样本依据该样本所在月份及所在光照时段划分为12*N个时段子集，其中，N为每日光照时段总数；把每个时段子集中属于同一日期的修正样本的光伏功率数据按照时刻先后顺序组成一个功率序列，通过波动量分析将各功率序列与复杂或简单气象类型匹配，分别得到匹配为简单气象类型的功率序列和匹配为复杂气象类型的功率序列；其中，晴、阴、雨为简单气象类型，除晴、阴、雨之外的其他天气均为复杂气象类型；
然后，采用k-means聚类算法对所有匹配为简单气象类型的功率序列进行聚类分析，依据序列间距离将所有匹配为简单气象类型的功率序列划分为3个功率序列子集，根据3个功率序列子集中整体功率数值从大到小的顺序，将所述3个功率序列子集分别与晴、阴、雨三种气象类型匹配，则匹配晴的功率序列子集中所有功率序列匹配气象类型为晴，匹配阴的功率序列子集中所有功率序列匹配气象类型为阴，匹配雨的功率序列子集中所有功率序列匹配气象类型为雨；
4)建立初步预测模型；
将12*N个时段子集中每个子集里属于数据集X1的修正样本按照该样本的匹配的气象类型分类，则每个时段子集中属于数据集X1的修正样本划分为4个类别，分别匹配晴，阴，雨和复杂气象类型；其中，每个样本匹配的气象类型对应该样本中光伏功率数据所属的功率序列所匹配的气象类型，则数据集X1中的所有修正样本被划分为12*4*N个类别；
分别对数据集X1划分后的每种类别进行多元线性回归分析；每个类别中，将修正样本的气象因素数据对应的主成分变量作为输入，该样本的光伏功率数据作为输出，构建多重线性回归模型作为初步预测模型，最终得到每个类别对应的初步预测模型，共12*4*N个初步预测模型；
其中，任一类别建立的多重线性回归模型表达式如下：
Pf'＝β0+β1V1+…+βsVs
其中，β0,β1,…,βs为该多重线性回归模型的回归系数；...

【专利技术属性】
技术研发人员：叶洪波，刘杰，王伟红，崔勇，陆超，陈明，
申请(专利权)人：国网上海市电力公司，清华大学，
类型：发明
国别省市：上海;31