[发明专利]基于灰色关联度的变权重组合光伏出力预测方法

说明书

基于灰色关联度的变权重组合光伏出力预测方法，利用最小二乘支持向量机模型和径向基函数神经网络模型的加权组合预测，先采集不同时刻历史数据，选取最小二乘支持向量机模型和径向基函数神经网络模型作单一模型独立预测，建立预测序列与参考序列，然后计算单一模型预测序列与实测序列之间灰色关联度，通过神经网络训练，确定预测时段权重矩阵，最后利用灰色关联度理论组合预测，并利用平均绝对百分比误差和均方根误差两种预测误差评价LSSVM模型和RBFNN模型以及组合预测模型的精度。本发明达到短期组合预测光伏电场功率的目的，利用了两种模型的优点，并提高了预测效率和准确性。

技术领域

本发明属于光伏发电领域，主要涉及一种基于灰色关联度分析的变权重分布式光伏组合预测建模方法。

背景技术

随着全球能源危机的加深，各国竞相发展新能源，光电大规模应用已是不可更改的大势，而阻碍其发展的关键是光伏出力的不稳定。光伏并网发电系统是不可控源，其发电功率的波动性和随机性会对电力系统造成一定的冲击，这使得大规模光伏并网发电成为难题。为减少光伏并网发电系统发电功率的波动性对大电网造成的影响，使光电成为重要的电力供应形式，帮助电网计划调度，提高功率预测的精度与准确性，建立光伏并网发电预测系统是非常必要的。

在现有技术中，现有技术文件1(赵滨滨；葛磊蛟；王莹.一种基于ARIMA模型的分布式光伏出力功率预测方法[P].中国专利:CN109388863A,2019-02-26)公开了一种基于差分整合移动平均自回归模型(ARIMA)模型的光伏出力预测方法，通过对真实电站输出序列进行特征描述，从而进行预测。并且在此基础上，将ARIMA模型与支持向量机结合，取得了较好的预测效果，并已申请专利。

现有技术文件2(陈中；宗鹏鹏.一种基于灰色关联分析的神经网络光伏发电出力预测方法[P].中国专利:CN104978611A,2015-10-14)公开了一种基于灰色关联的神经网络光伏发电出力预测方法，通过对包含天气信息的样本灰色关联度计算并排序，对BP神经网络进行训练。在对某电站的短期预测中，显著提高了突变天气时的精准度，还避免了预测结果陷入局部最优的缺陷。

现有技术文件3(袁晓玲；郭宇杰；杨店飞；沈桂鹏；刘皓明.基于最优相似日集的光伏电站出力预测方法[P].中国专利:CN104573879A,2015-04-29)公开了一种基于最优相似日集的光伏出力预测方法，将气象数据归一化后进行聚类模型进行聚类分析，将最优相似集作为输入预测输出功率，简单易行又具有不错的准确性。

在实际应用中常见的光伏发电功率预测模型包括：最小二乘支持向量机模型(Least Squares Support Vector Machine，简称LSSVM)和径向基核函数神经网络模型(Radial Basis Function Neyral Network，简称RBFNN)，但由于模型特点不同，都存在自身的局限性和适用条件。LSSVM模型只能拟合光伏电力系统的非线性，而太阳辐射的不确定性往往使得预测效果不佳。RBFNN模型在实际应用中神经元数目较多，导致空间维数过大，计算速度受硬件限制较大，不适用于简单问题。目前单独的预测模型与实际偏离大，若被用来指导实际生活，可能导致较大损失，而组合预测模型在一定程度上规避了原有模型缺点，精度也更符合现实需要。其中，变权预测的组合预测方法能适时调整组合权重，解决定权预测适用性差的问题，更好的解决分布式光伏功率预测问题。

发明内容

为了解决现有技术存在的问题，本发明提供了一种光伏发电建模技术领域中利用灰色关联度分析的光伏电场功率组合预测建模方法。基于最小二乘支持向量机和径向基函数神经网络预测模型的光伏功率加权组合预测方法，达到短期组合预测光伏电场出力的目的。该发明既最大化的利用了两种模型的优点，又节省了计算资源，缩短了计算时间从而提高了预测效率。

本发明采用如下的技术方案：

基于灰色关联度的变权重组合光伏出力预测方法，其特征在于，包括以下步骤：