[发明专利]基于自学习复合数据源光伏发电功率超短期预测方法

权利要求书

1.一种基于自学习复合数据源光伏发电功率超短期预测方法，其特征在于，包括输入数据得到自回归滑动平均模型参数；

输入光伏发电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果；

对预测结果进行后评估，即分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则从新进行模型定阶和模型参数估计；

所述输入数据得到自回归滑动平均模型参数包括，步骤101、输入模型训练基础数据；

步骤102、模型定阶；

步骤103、采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。

2.根据权利要求1所述的基于自学习复合数据源光伏发电功率超短期预测方法，其特征在于，所述步骤101输入模型训练基础数据，输入数据包括，光伏电站基础信息、历史辐照度数据、历史功率数据和地理信息系统数据。

3.根据权利要求2所述的基于自学习复合数据源光伏发电功率超短期预测方法，其特征在于，所述步骤102模型定阶：

采用残差方差图法进行模型定阶，具体为设x_t为需要估计的项，x_t-1,x_t-2,...,x_t-n为已知历史功率序列，对于ARMA(p,q)模型，模型定阶即确定模型中参数p和q的值；

用系列阶数逐渐递增的模型拟合原始序列，每次都计算残差平方和然后画出阶数和的图形，当阶数由小增大时，会显著下降，达到真实阶数后的值会逐渐趋于平缓，甚至反而增大，

实际观测值个数指拟合模型时实际使用的观察值项数，对于具有N个观察值的序列，拟合AR(p)模型，则实际使用的观察值最多为N-p，模型参数个数指所建立的模型中实际包含的参数个数，对于含有均值的模型，模型参数个数为模型阶数加1，对于N个观测值的序列，ARMA模型的残差估计式为：

其中，Q为拟合误差的平方和函数，和θ_j(1≤j≤q)是模型系数，N是观测序列长度，是模型参数中的常数项。

4.根据权利要求3所述的基于自学习复合数据源光伏发电功率超短期预测方法，其特征在于，所述步骤103采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计具体步骤为：

将光伏电站历史功率数据利用数据序列x₁,x₂,...,x_t表示，其样本自协方差定义为

γ^k=1nΣt=k+1nxtxt-k,]]>

其中，k＝0,1,2,...,n-1，x_t和x_t-k均为数据序列x₁,x₂,...,x_t中的数值；

则γ^0=1nΣt=1nxt2]]>

则历史功率数据样本自相关函数为：

ρ^k=γ^kγ^0=1nΣt=k+1nxtxt-k1nΣt=1nxt2=Σt=k+1nxtxt-kΣt=1nxt2,]]>

其中，k＝0,1,2,...,n-1；

AR部分的矩估计为，

令

则协方差函数为

用的估计代替γ_k，

可得参数

对MA(q)模型系数θ₁,θ₂,...,θ_q采用矩估计有

γ0(yt)=(1+θ12+θ22+...+θq2)σa2]]>直到

γk(yt)=(-θk+θ1θk+1+...+θq-kθq)σa2]]>

其中k＝1,2,...,m，

以上m+1个方程非线性方程，采用迭代法进行求解即得到自回归滑动平均模型参数。