一种基于SVR的超短期光伏预测残差修正方法技术

本发明专利技术公开了一种基于SVR的超短期光伏预测残差修正方法，包括以下步骤：步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型，得到初步预测结果；步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型，并计算得到相似日残差数据；步骤3：用步骤2得到的相似日残差数据建立SVR模型，得到预测日的预测残差；步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果。

【技术实现步骤摘要】
一种基于SVR的超短期光伏预测残差修正方法
本专利技术涉及一种基于SVR的超短期光伏预测残差修正方法，属于电力系统领域，尤其涉及电力系统运行调度技术。
技术介绍
当前，光伏发电系统在我国发展迅速。截止2018年，全国光伏发电累计装机容量达到1.74亿千瓦，新增装机容量4426万千瓦，装机容量占电源比例达到了9.2％。大规模光伏并网是实现节能减排，保证能源供应安全和实现能源可持续发展的必由之路。但是，光伏系统并网也会给电网带来诸如电能质量，可靠性和稳定性等方面的问题。大规模光伏并网还会引起节点电压、支路潮流波动范围过大的问题。从时间尺度看，光伏功率预测可以分为中长期(>24h)、短期(6～24h)、超短期(0～6h)。光伏功率短期预测是电网调度部门提前调整调度计划的依据，光伏预测精度越高，越能够减小光伏系统并网对电网的负面影响，促进新能源消纳目标的实现。光伏发电功率预测技术经过多年的发展，目前已经朝着精细化的目标前进。通常，光伏功率预测方法可以分为直接预测，间接预测和混合预测三类。直接预测是直接利用功率的时间序列数据，通过信号处理等手段进行分析预测的手段。张倩等人提出了一种基于频域分解和长短期记忆神经网络的光伏功率预测方法。黎静华等人提出一种嵌入气象因素的改进奇异谱分析方法用于光伏短期出力预测。间接预测是先预测与光伏出力相关度较大的物理量(例如辐照度)，再对光伏发电功率进行预测。潘益等人先通过差分自回归移动平均模型(AutoregressiveIntegratedMovingAveragemodel，ARIMA)预测了辐照度和温度，再进行功率预测。刘长亮等人建立了大气气溶胶光学厚度估计模型，进而计算光伏电池面板接收的辐射强度，实现了计及雾霾影响因素的光伏发电超短期功率预测。近年来，随着人工智能技术兴起，基于神经网络、机器学习等人工智能方法的混合预测方法成为提升光伏预测精度的有效手段。Wang等人建立了结合天气分类和多元自适应回归样条的预报模型用于光伏功率预测。王育飞等人利用C-C相空间重构和混沌-径向基函数建立光伏预测模型。影响光伏功率预测精度的最主要原因在于光伏发电功率的波动性，来源于太阳光辐射受气象条件影响而产生的波动。不确定性和随机性的特征阻碍了光伏功率预测精度的进一步提升。同时，由于辐照度和温度等气象数据本身存在预测误差，用于光伏预测会进一步放大误差的影响。因此，具有高预测精度的预测算法成为亟需解决的问题。
技术实现思路
专利技术目的：本专利技术针对光伏出力的波动性，提出一种基于SVR的超短期光伏预测残差修正方法。技术方案：一种基于SVR的超短期光伏预测残差修正方法，包括以下步骤：步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型中，得到初步预测结果；步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型中，计算得到相似日残差数据；步骤3：用步骤2得到的相似日残差数据建立SVR模型中，得到预测日的预测残差；步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果。进一步的，所述预测日ARIMA滚动预测模型构建步骤包括：S210：根据某日前n个时刻的光伏发电功率数据组成的时间序列y1,y2,…,yn建立ARIMA模型；S220：采用建立的ARIMA模型对下一时刻的光伏发电功率数据进行预测，得到下一时刻的光伏发电功率预测数据；S230：到达下一时刻后，获取下一时刻的光伏发电功率实测数据，再以下一时刻的光伏发电功率预测数据和下一时刻的光伏发电功率实测数据进行对比，当建立的ARIMA模型的预测精度不满足要求时，则将下一时刻的功率实测数据yn+1加入到时间序列y1,y2,…,yn中，构成新的时间序列y1,y2,…,yn,yn+1，基于新的时间序列构建新ARIMA模型；S240：循环执行S220和S230，直至完成一整天的功率预测，得到预测日ARIMA滚动预测模型。进一步的，所述步骤2具体包括：选取最为靠近预测日的相似日一天的实时光伏发电功率数据建立相似日ARIMA滚动预测模型，得到该相似日的预测数据；将该相似日的预测值和该相似日的实测数据做差，得到相似日残差数据。进一步的，所述相似日与预测日为同一天气类型。进一步的，所述SVR模型的输入为一组连续的时间序列残差向量，其输出为下一时刻的发电功率残差功率，表示为：式中，Yin是SVR模型的输入矩阵，Yout是输出向量，m为残差序列中元素的个数，l为输入向量中元素的个数。有益效果：本专利技术通过实测数据不断修正预测模型，具有更高的精度；相对于间接预测方法，本方法不需要辐照和温度等间接数据，且算法结构简单，有利于工程化推广。附图说明图1是ARIMA+SVR残差修正光伏发电预测模型流程图；图2是ARIMA光伏发电初步预测结果；图3是9月12日(多云)发电功率的拟合残差，9月13日(多云)SVR预测残差的及发电功率修正结果；图4是7月14日(晴天)发电功率的拟合残差，7月15日(晴天)SVR预测残差的及发电功率修正结果；图5是5月12日(雨天)发电功率的拟合残差，5月17日(雨天)SVR预测残差的及发电功率修正结果；图6是10月3日(阴天)发电功率的拟合残差，10月18日(阴天)SVR预测残差的及发电功率修正结果。具体实施方式现结合附图和实施例进一步阐述本专利技术的技术方案。如图1所示，本实施例的基于SVR的超短期光伏预测残差修正方法，包括以下步骤：步骤1：构建预测日ARIMA滚动预测模型，其构建步骤为：S110：根据某日前n个时刻的功率实测数据组成的时间序列y1,y2,…,yn建立ARIMA模型；光伏发电功率的波动性决定了其时间序列为一组非平稳数据，因此本实施例采用ARIMA模型进行预测。ARIMA模型一般表示为ARIMA(p，d，q)，AR是“自回归”，p为自回归项数；MA为“移动平均”，q为滑动平均项数；d为阶数，即成为平稳序列所做的差分次数。通常，非平稳序列通过一次或者多次差分，得到平稳序列，再建立平稳序列的ARMA模型。ARIMA模型的建模精度取决于p，q，d的取值。对于d次差分后的平稳时间序列yt来说，ARIMA模型可表示为：式中，c为常数，ut为白噪声序列，为自回归系数，θ1,θ2,…,θq为移动平均系数，yt为平稳时间序列。ARIMA模型的建模过程如下：(1)为了消除数据量纲之间的影响，将数据归一化[0,1]之间，得到数据处理后的时间序列；(2)对时间序列进行差分处理直到平稳为止，可以通过自相关系数和偏自相关系数检验序列的平稳性；(3)通过赤池信息准则(AIC)定义p和q的值；(4)由最小二乘估计法确定模型的系数。S120：采用建立的ARIMA模型对下一时刻的功率本文档来自技高网...

【技术保护点】
1.一种基于SVR的超短期光伏预测残差修正方法，其特征在于：包括以下步骤：/n步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型中，得到初步预测结果；/n步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型，并计算得到相似日残差数据；/n步骤3：用步骤2得到的相似日残差数据建立SVR模型，得到预测日的预测残差；/n步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果。/n

【技术特征摘要】
1.一种基于SVR的超短期光伏预测残差修正方法，其特征在于：包括以下步骤：
步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型中，得到初步预测结果；
步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型，并计算得到相似日残差数据；
步骤3：用步骤2得到的相似日残差数据建立SVR模型，得到预测日的预测残差；
步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果。


2.根据权利要求1所述的一种基于SVR的超短期光伏预测残差修正方法，其特征在于：所述预测日ARIMA滚动预测模型构建步骤包括：
S210：根据某日前n个时刻的光伏发电功率数据组成的时间序列y1,y2,…,yn建立ARIMA模型；
S220：采用建立的ARIMA模型对下一时刻的光伏发电功率数据进行预测，得到下一时刻的光伏发电功率预测数据；
S230：到达下一时刻后，获取下一时刻的光伏发电功率实测数据，再以下一时刻的光伏发电功率预测数据和下一时刻的光伏发电功率实测数据进行对比，当建立的ARIMA模型的预测精度不满足要求时，则将下一...

【专利技术属性】
技术研发人员：梅飞，江玉寒，顾佳琪，张家堂，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32