[发明专利]一种光伏概率预测方法

说明书

本发明公开了一种光伏概率预测方法，包括(1)收集光伏电站历史数据并对历史出力数据进行序列分解；(2)随机生成输入层‑隐层权重及偏置；(3)设定概率预测区间期望覆盖率；(4)训练网络，确定隐层‑输出层的权值；(5)输入数据，获取输出预测区间。本发明以光伏电站历史出力作为模型输入，解决了光伏阵列的安装位置随机性和光伏阵列的使用时间等对转换效率的影响，提高预测准确性；对历史数据进行序列分解，可更有效判别不同因素对出力的影响，增强数据特征；引入极限学习机ELM思想，在保证精度的同时大幅提升训练速度；以分位数回归方式对光伏出力区间进行概率预测，对调度计划的制定有更强的参考价值。

技术领域

本发明属于电气工程技术领域，更具体地，涉及一种光伏概率预测方法。

背景技术

随着全球范围内能源紧缺和环保问题的日益突出，可再生能源的利用引起广泛的重视。光伏发电作为一种重要的可再生能源形式，它是目前可再生能源中技术最具规模化开发条件和商业化发展前景的发电方式之一。目前大规模的光伏发电系统已经在国内外大量建成。但是由于光伏发电系统的输出受到太阳辐照强度和天气因素的影响，其发电量的变化是一个非平稳的随机过程，同时由于日照的昼夜周期性，光伏电站只能白天发电，是一种典型的间歇式电源。但是，目前对于光伏发电的随机性以及光伏发电预测技术的研究不多，而这正是光伏发电大规模应用的难点之一。因此，加强光伏阵列发电预测的研究对于电网安全经济调度、电力市场及光伏发电系统运行都有重要意义。

发明内容

针对现有技术的缺陷，本发明的目的在于提供了一种光伏功率概率预测方法，旨在解决由于现有光伏电站系统的输出存在随机性而导致光伏出力难以预测的问题。

为实现上述目的，本发明提供了一种光伏概率预测方法，具体包括如下步骤：

S1，收集光伏电站历史数据并对光伏出力进行序列分解。

优选地，所述历史数据为同一光伏电站历史出力数据及与出力数据对应的历史天气数据，其中历史天气数据包括天气类型和日最高气温。

完成数据收集后对历史出力数据进行序列分解，优选地，将光伏出力数据分解为理想出力归一化曲线、幅值参数和随机成分三部分，如式(1)所示：

P_i＝k_iS_i,Regular+P_i,Random (1)

其中：P_i为第i天的实际光伏出力；S_i,Regular为当天的理想出力归一化曲线，主要表征大气上界太阳辐射变化；k_i为幅值参数，代表实际中每日光伏出力峰值；P_i,Random云层对光伏出力短时扰动形成的随机分量。

需指出的是，由于光伏出力的时间范围是从日出时刻到日落时刻，夜间出力全部为零。因此，在对历史数据分析时剔除了夜间光伏出力时间序列。

优选地，对历史出力数据的序列分解具体包括如下步骤：

S1.1对理想出力归一化曲线的提取

理想出力归一化曲线是指不考虑云层扰动情况下光伏电站日间出力曲线形状，并将幅值与时间跨度均归一化的曲线。本发明从历史数据中抽取典型日数据，进行一系列变换后得到更精确的理想出力归一化曲线。

提取归一化曲线的步骤如下：

S1.1.1选取典型日

典型日为全天出力曲线平滑的采样日，曲线平滑说明当天未受到云层扰动影响，典型日选取的依据是全天出力序列二阶差分的绝对值均小于一定阈值D：

max{|(P(t+2)-P(t+1))-(P(t+1)-P(t))|}＜D (2)