[发明专利]一种基于时空相关性的短期光伏出力预测方法

说明书

本发明公开了一种基于时空相关性的短期光伏出力预测方法，步骤如下：获取某区域多个光伏电站的历史功率及待测电站影响因子的历史数据，建立特征数据库；利用皮尔逊相关性分析，选取强相关的气象因子；引入历史发电功率，构造延时输入特征；建立基于区域光伏电站拓扑结构的GCN模型，对多光伏电站光伏空间演变模式横向追踪，聚合邻近光伏电场的空间特征，输出包含空间演变模式的空间特征集合；采用SGMD对输入特征进行模态分解，得到能够表现历史数据时序变化特征的多级模态子序列，构造高维特征集合；采用CNN‑BiLSTM神经网络进行特征提取和光伏发电功率预测，并进行误差评估。本发明为新型电力系统的能量管理和优化调度提供基础，具备较高的预测精度和可行性。

技术领域

本发明涉及新能源发电及入网的光伏预测领域，特别是一种基于时空相关性的短期光伏出力预测方法。

背景技术

近些年来，随着化石燃料的不断消耗和新能源需求的不断增加，有效利用可再生能源发电已成为一个热门话题。其中光伏被认为是最有前途的可再生能源之一，被广泛研究和使用，其渗透率在电力系统中逐渐增加。然而，由于天气状况的混沌性和随机性，光伏发电呈现出不确定性和随机性，随着光伏发电在电力系统中的渗透率越来越高，可能会对电力系统造成一定的冲击。因此，提高光伏出力预测的准确性，是维持新型电力系统稳定、高效运作的重要基础，对于电网的经济调度至关重要。

发明内容

发明目的：本发明的目的是提供一种基于时空相关性的短期光伏出力预测方法，从而为新型电力系统的能量管理和优化调度提供基础，更好地实现日前调度与日内调度，对能源系统安全、经济运行起到重要的作用。

技术方案：本发明所述的一种基于时空相关性的短期光伏出力预测方法，包括以下步骤：

（1）获取某区域相邻光伏电站的历史功率及待测电站影响因子的历史数据，建立特征数据库，对原始数据进行异常值剔除和缺失值填补，由于不同特征的维度不同，使用最大-最小方法将所有数据归一化。

（2）利用皮尔逊相关性分析，选取强相关的气象因子；引入历史发电功率，构造延时输入特征。

（3）建立基于区域光伏电站拓扑结构的GCN模型，对多光伏电站光伏空间演变模式横向追踪，聚合邻近光伏电场的空间特征，输出包含空间演变模式的空间特征集合。

（4）利用SGMD处理非线性不平稳序列的优点，将辐照度、温度、湿度、降雨量、区域光伏出力聚合特征和待测电站光伏出力分解为一组相对平稳的子序列，以剔除部分波动性较大的误差分量，构建更能反映历史数据时序变化特征的多层模态子序列特征矩阵，将不同输入特征及光伏出力的对应子序列组成子序列输入矩阵。

（5）采用CNN-BiLSTM神经网络进行特征提取和光伏发电功率预测，然后通过反归一化和子序列重构得到最终的预测结果，并对此进行误差评估。

所述步骤（1）具体为：

对某区域多个光伏电站历史出力数据及待测电站气象因子的历史数据进行整理；对样本集进行去异常值和数据补全。

（1.1）运用拉依达准则法，给定一个置信概率，并确定一个置信限，认为超出此限的误差不属于随机误差范围，将其视为异常值剔除，得到多个光伏电站历史功率、待测电站气象因子历史数据。

（1.2）在剔除异常值的基础上，采用双线性插值法分别对历史出力数据、气象因子历史数据中的缺失数据进行填补。

（1.3）将已经清洗完的历史出力数据和待测电站气象因子数据进行归一化处理，所述归一化公式如下：

；