[发明专利]一种分布式光伏输出功率短期预测模型建模方法

说明书

技术领域

本发明属于电力系统技术领域，尤其涉及一种分布式光伏输出功率短期预测模型建模方法。

背景技术

能源和环境问题促使以光伏为代表的清洁能源获得了广泛关注。由于光照和光伏发电的自身特性，使得光伏发电呈现波动性和间歇性的特点。光伏大规模并网后会对电网的安全、经济和可靠运行产生多方面影响，因此必须获得光伏出力的短期预测数值，对其进行主动控制，达到优化调度。

采用统计法对短期光伏出力进行预测时，多依赖于光伏电站所在位置的历史光照数据。传统方法是基于影响因子与光伏出力间紧密的关联特性，从而通过训练预测。然而在光伏规模化并网后，在每个光伏安装点装设气象量测装置会导致投资过大，只能使多个光伏装置采用同一点量测值，因此光伏出力与气象量测点采集数据耦合性势必有所弱化，传统预测方法的精度不足，适用性降低。

发明内容

本发明要解决的技术问题：提供一种分布式光伏输出功率短期预测模型建模方法，以解决现有技术采用传统统计法对短期光伏出力进行预测，适用性低，预测精度低等问题。

本发明技术方案：

一种分布式光伏输出功率短期预测模型建模方法，它包括下述步骤：

步骤1、从电力机构获取光伏历史出力历史数据，从气象监测点获取光伏出力采样时刻对应的气象因素数据，它包括光照强度、温度和风速数据，进行归一化处理；

步骤2、利用皮尔逊相关系数分析法分析归一化处理后的数据，得到光伏出力与光照强度、温度和风速数据之间的相关系数；

步骤3、将相关系数不小于0.5的气象因素数据通过灰色关联度分析法进行分析，确定待预测日的相似日；

步骤4、将相似日的光伏出力数据和相关系数不小于0.5的气象因素数据作为模型的输入条件构建                                                支持向量回归机预测模型；

步骤5、通过两阶段确定支持向量回归机预测模型参数，得到完整的分布式光伏输出功率短期预测模型。

步骤5所述的通过两阶段确定支持向量回归机预测模型参数指的是确定惩罚系数C、不敏感参数和核参数p的数值，它包括下述步骤：a、使用全局网格搜索法，按照步长为0.001--1增加惩罚系数C、不敏感参数和核参数p的数值，确定不敏感参数的值、惩罚系数C和核参数p的变化范围，通过参数自适应调整的差分进化算法确定惩罚系数C和核参数p的数值。

本发明的有益效果：

本发明建立的分布式光伏输出功率短期预测模型，通过灰色关联度分析法（Grey Analysis，GRA），选取了与待预测日有较强相关性的相似日训练数据作为训练样本；采用具有良好小样本泛化能力的预测模型，构建了基于相似日的预测模型，提高了样本间的相似性，提高了预测精度，使用该模型，可以减少训练样本的选取，扩大适用范围，并采用全局网格搜索（Grid Search，GS）与参数自适应调整的差分进化算法（Self-adaptive Differential Evolution，SADE）相结合的方法对进行参数调整，提高了参数选择的准确性，减少了训练时间，在实际工作中有较强的实用价值，形成针对影响因子弱耦合问题的GRA-GS/SADE-SVR短期光伏出力预测模型，解决了现有技术采用传统统计法对短期光伏出力进行预测，适用性低，预测精度低等问题。

附图说明：

图1 本发明实施例分布式光伏连续四天出力情况示意图；

图2为本发明实施例中随参数变化的均方根误差示意图；

图3为本发明实施例中均方根误差随参数C和p的变化情况示意图；

图4为本发明实施例中BP神经网络预测值、采用本发明模型预测值与真实值的比较示意图；

图5为本发明实施例中BP网络神经预测值、采用本发明模型预测值与真实值的局部比较示意图；

图6为本发明实施例中BP网络神经预测值、采用本发明模型预测值与真实值的绝对误差曲线示意图。

具体实施方式

一种分布式光伏输出功率短期预测模型建模方法，它包括下述步骤：

步骤1、从电力机构选取光伏出力历史数据，从气象监测点获取光伏出力采样时刻对应的气象因素数据，它包括光照强度、温度和风速数据，进行归一化处理；