[发明专利]一种分布式光伏短期出力预测的方法

权利要求书

1.一种分布式光伏短期出力预测的方法，其特征在于：采用如下步骤：

步骤一、采集光伏配变数据、地理信息及天气情况数据，进行数据预处理，构建预测日的临近日特征和相似日特征；

步骤二、对历史发电数据进行小波变换算法分解得到主体序列和细节序列；

步骤三、依据发电数据和天气数据，将天气分为晴、阴、雨三类；

步骤四、结合天气数据、临近日特征、相似日特征和小波分解结果作为输入特征，在不同天气类别内分别利用随机森林回归算法建模得到晴、阴、雨三种预测模型；

步骤五、判断未来一日天气数据所属天气类别，输入对应天气类别的算法模型得到发电数据主体序列和细节序列预测数据；

步骤六、对预测数据进行小波重构，得出分布式光伏未来一天96个时间点的发电功率数据。

2.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：所述光伏配变数据包括光伏配变档案数据和光伏配变出力数据。

3.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：数据预处理包括基于箱线图法的异常值处理、线性回归缺失值处理以及最优建模数据自动筛选。

4.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：临近日为待测日前N天，临近日特征为提取待测日前N天发电数据均值；

相似日为与预测日天气类型相似，相似日特征为改进KNN算法提取与待测日天气状况最相似的前M日数据均值；

相似日与预测日的距离计算公式如下：

其中，x为权重调整系数，依实际数据而定，a、b分别为相似日与预测日的天气因素序列；

所述天气因素序列包括最高温度、最低温度、湿度和降水量。

5.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：步骤二中利用小波变换算法分解光伏历史发电功率数据，分解得到主体序列和细节序列，主体序列和细节序列的计算公式如下：

其中，f(k)是初始数据信号；

i是小波分解的层数，当最高分解层数是I时，i＝I-1,I-2,…,2,1；a_i+1(f(k))、d_i+1(f(k))分别是低、高频分量的多分辨率分析的小波离散逼近系数；H(2k-m)、G(2k-m)分别是低、高通的小波分解的滤波器。

6.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：步骤三中依据K-Means算法对发电数据进行聚类分析，然后对各个类别内对应天气类型进行分类汇总，得到晴、阴、雨三类天气。

7.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：步骤六中的小波重构公式为：

式中：a_j-1(f(k))为将主体序列和细节序列预测数据经重构生成的结果；

h(m-2k)、g(m-2k)分别是低、高通小波重构滤波器。

8.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：所述临近日为待测日前5天，临近日特征为提取待测日前10天发电数据均值；

数据来源通过HPLC高速载波模块高频采集。

9.根据权利要求5所述的一种分布式光伏短期出力预测的方法，其特征在于：小波变换算法是建立在函数的多尺度逼近和多分辨分析上，将一组信号经过小波变换后分解成多个互相正交的小波函数的线性组合,展示信号的重要特征，在分析、比较、处理变换系数后,根据新得到的系数去重构信号。

10.根据权利要求1所述的一种分布式光伏短期出力预测的方法，其特征在于：所述随机森林算法通过组合多个弱分类器，最终结果通过投票或取均值，使得整体模型的结果具有较高的精确度和泛化性能。