[发明专利]一种考虑气象因素变化的短期光伏分解预测方法

说明书

本发明公开了一种考虑气象因素变化的短期光伏分解预测方法，包括：S1通过奇异谱分析方法对光伏出力时间序列进行分解，获得低频序列、高频序列和噪声序列；S2采用Pearson相关系数法确定影响光伏出力的主要气象因素，并分析其对光伏出力的灵敏度；S3针对低频序列和高频序列并结合灵敏度分别建立考虑气象因素的预测模型；S4根据预测模型获得低频序列预测值和高频序列预测值，并根据低频序列预测值和高频序列预测值获得光伏出力预测值。本发明通过奇异谱分析方法将光伏出力分解为不同的子序列单独分析各序列的特征；通过相关性分析和灵敏度分析获取不同气象因素的单位变化量对光伏出力的影响程度，以便更为精确地预测光伏出力。

技术领域

本发明属于风电、光伏等间歇式可再生能源预测技术领域，更具体地，涉及一种考虑气象因素变化的短期光伏分解预测方法(Singular Spectrum Analysis MethodConsidering Meteorological Factors，简称SSA-MF法)。

背景技术

随着高比例可再生能源的发展，风电、光伏等间歇式可再生能源日益得到推广和应用。但是风电、光伏等间歇式可再生能源具有较强的随机性和波动性，使得电力系统的安全稳定和经济运行面临重要挑战。因此，如何较为精确地对风电、光伏等间歇式可再生能源进行预测，对于电力系统的调度运行具有重要的现实指导意义。

目前，对于光伏出力预测主要有物理类方法、统计类方法以及上述方法的组合方法等三类。物理方法是根据光伏组件所在的详细地理位置和光电转换效率等因素建立物理模型，依据光伏系统的发电原理直接将气象数据作为输入进行预测。其有效性取决于对研究对象内在结构及其遵循规律的把握程度和模型参数的精度，涉及环节多、过程复杂、参数求解困难。统计类方法是建立在利用某种统计方法对历史光伏出力数据进行分析，寻找数据中的内在规律并用于预测。其主要包括时间序列法、回归分析法、灰色预测法以及元启发式系列方法等。元启发式方法的本质是对生物的作息规律进行模拟，采用某种算法对样本数据进行训练而得到预测条件与待预测量之间的关系。元启发式方法主要包括神经网络、支持向量机、遗传算法、模糊系统等。其中神经网络法具有很强的非线性拟合能力，可以映射任意复杂的非线性关系，这与光伏发电系统的特点十分相似，所以很适合对光伏电站出力短期预测。但是单一的神经网络无法适应多变天气类型泛，预测效果不佳。另外，传统的BP神经网络训练采用梯度下降法，容易陷入局部最小值，收敛速度慢。而模糊系统对光伏出力进行预测时，模糊推理规则的建立需要大量的历史数据和充足的专家经验。组合方法利用不同模型提供的信息并发挥各自优势，选择合适的方式进行组合，以期提高预测效果。较前两种方法而言，组合方法建模要比单一方法复杂，实现过程较为困难。

综合所述，上述方法在对光伏出力进行预测时均是利用历史数据处理后建模预测，未考虑数据分解后的子序列所反映的光伏出力特性，未挖掘出光伏出力的一些隐含信息和内在规律，所以要想达到较好的预测效果较难实现。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种考虑气象因素变化的短期光伏分解预测方法，旨在解决现有技术中预测精度低的问题。

本发明提供了一种考虑气象因素变化的短期光伏分解预测方法，包括下述步骤：

S1：通过奇异谱分析方法对光伏出力时间序列进行分解，获得低频序列、高频序列和噪声序列，并将噪声序列剔除；

S2：采用Pearson相关系数法确定影响光伏出力的主要气象因素，并分析所述主要气象因素对光伏出力的灵敏度；

S3：针对所述低频序列和所述高频序列并结合所述灵敏度分别建立考虑气象因素的高频序列的预测模型和低频序列的预测模型；

S4：根据所述高频序列的预测模型获得高频序列预测值，根据所述低频序列的预测模型获得低频序列预测值；并根据所述低频序列预测值和所述高频序列预测值获得光伏出力预测值。

更进一步地，步骤S1具体为：