一种光伏电站短期功率预测方法及系统与流程

本发明属于电力系统光伏发电领域，尤其涉及一种光伏电站短期功率预测方法及系统。

背景技术：

光伏发电作为清洁、可再生能源，其应用前景非常广阔。由于光伏电站发电的输出功率具有剧烈变化的间歇性、随机性等特点，因此光伏电站并网必将对电网的平衡产生巨大的影响，同时也为电力调度带来了极大的挑战。

随着大规模光伏电站接入区域电网，各光伏电站运行条件各不相同，为电力调度部门统一预测各光伏电站输出功率带来困难。因此，有必要对光伏电站，以最少的条件，预测其输出功率情况，为电力调度提供各光伏电站输出功率的预测数据，保障电网能量管理系统制定调度计划。现有的预测方法对各光伏电站要求较高，并且可操作性较低，不能满足实际运行要求，并且还因调度限制出力或者逆变器等设备维护而造成的噪声样本，不能够反映光伏电站有功功率与气象因素的客观规律，同时传统距离模型偶然性强、对噪音敏感以及对整体样本分布敏感存在局限。

技术实现要素：

本发明所要解决的技术问题是：现有的预测方法对各光伏电站要求较高，可操作性较低，不能满足实际运行要求，并且还因调度限制出力或者逆变器等设备维护造成的噪声样本，不能够反映光伏电站有功功率与气象因素的客观规律，同时传统距离模型偶然性强、对噪音敏感以及对整体样本分布敏感存在局限，使得无法得出精确的预测光伏电站短期功率。

为解决上面的技术问题，本发明提供了一种光伏电站短期功率预测方法，该方法包括如下步骤：

s1，读取当前时刻及其之前一段时间的光伏电站的大气上界水平辐照度、数值天气预报以及光伏电站并网点有功功率的数据作为预测样本数据；

s2，利用样本筛选算法，对预测样本数据进行去噪和减样处理，再对去噪和减样处理后的预测样本数据进行归一化处理；

s3，将归一化处理后的预测样本数据作为建模样本，对支持向量机模型进行建模，得到光伏电站短期功率预测模型；

s4，获取预测时刻的光伏电站的大气上界水平辐照度、数值天气预报的预测时刻数据，对预测时刻数据进行归一化处理；

s5，将归一化处理后的预测时刻数据输入所述光伏电站短期功率预测模型，得到输出向量，并对输出向量进行逆归一化处理，得到光伏电站并网点有功功率的预测值。

本发明的有益效果：本发明提出的光伏电站短期功率预测方法，采用样本筛选处理技术，筛除了因调度限制出力或者逆变器等设备维护而造成的噪声样本，使得筛选后的样本数据更好地反映了光伏电站出力与气象因素的客观规律，同时克服了传统距离模型偶然性强、对噪音敏感以及对整体样本分布敏感存在局限的问题。另外，在支持向量机输入因子中除常规数值天气预报外，还添加了反映光伏电站位置太阳辐射变化物理规律的大气上界水平辐照度，采用本发明的方法其试验结果和实际应用，明显提高了光伏电站短期功率预测的准确率。

进一步地，所述s3中将归一化处理后的预测样本数据作为建模样本，其具体是将归一化处理后的预测样本数据中的大气上界水平辐照度、数值天气预报作为建模输入样本，同时将归一化处理后的预测样本数据中的光伏电站并网点有功功率作为建模输出样本，利用建模输入样本和建模输出样本同时对支持向量机模型进行建模，得到光伏电站短期功率预测模型。

上述进一步地有益效果：将输入建模样本作为支持向量机模型的输入，将建模输出样本作为支持向量机模型的输出，同时对支持向量机模型进行建模，得到光伏电站短期功率预测模型。这样就可以使得模型的建立准确，大大提高了后续短期预测的精度。

进一步地，所述s2中包括：

s21，对预测样本数据进行初步筛选，将缺失部分数据的样本数据直接删除；

s22，将预测样本数据按光伏电站装机容量平均分为n个功率区间，其中，n是根据光伏电站装机容量和样本筛选的精度来确定；

s23，将初步筛选后的预测样本数据，分别划分到n个功率区间上，得到n个子样本集；

s24，对各个子样本集中的每一个样本数据都进行去噪处理；

s25，对去噪处理后的样本数据进行减样处理；

s26，对减样处理的样本数据进行归一化处理。

上述进一步地有益效果：筛除因调度限制出力或者逆变器等设备维护而造成的噪声样本，使得筛选后的样本数据更好地反映了光伏电站出力与气象因素的客观规律，有利于后续对光伏电站短期功率的预测，同时也大大节约了时间，减少了计算的繁琐，也提高了预测的精度。

进一步地，所述s24中包括：

s241，选取一个子样本集中的一个样本数据，计算该样本数据与本功率区间中其它样本数据的类内距离、该样本数据与其它功率区间样本数据的类间距离，并将本功率区间的类内距离和其它功率区间的类间距离进行排序；

s242，根据排序后的类内距离和类间距离，利用k近邻距离模型计算该样本数据的类内k近邻距离和类间k近邻距离；

s243，判断类内k近邻距离是否大于类间k近邻距离，若类内k近邻距离大于类间k近邻距离，则删除该样本，同时将该样本数据对应的子样本集的样本数减1；若否，则去噪终止。

进一步地，所述s25中包括：

s251，对去噪处理后的所有样本数据的重要度wi赋值为0，被删除的样本数ri赋值为1；

s252，计算所有样本数据的重要度wi，依据重要度wi将所有样本数据升序排序；

s253，选择重要度wi最小的样本数据i及其最近邻样本数据j，将最小的样本数据i删除，并将样本数减1；

s254，判断样本数是否符合样本缩减要求，若符合，则减样终止；否则，继续执行s252。

进一步地，所述s242中:计算所述类内k近邻距离和类间k近邻距离，其分别为类内欧氏距离dw(i)和类间欧氏距离db(i)：

其中，di,j表示点xi和点xj之间的欧氏距离,jw(i)为样本数据i最远的前k个同功率区间样本编号的集合，jb(i)为样本数据i最近的前k个其它功率区间样本编号的集合。

进一步地，所述s252中计算样本数据i的重要度wi为：

其中，ri为样本数据i的周边被删除的样本个数，λ为相似度系数其取值范围为[0,1]，s(i)为样本数据i的同功率区间相似度，db(i)为类间欧氏距离。

本发明还涉及一种光伏电站短期功率预测系统，该系统包括：获取样本数据模块、样本数据处理模块、支持向量机模型建模模块、获取预测数据模块、短期预测模块；

所述获取样本数据模块，其用于读取当前时刻及其之前一段时间的光伏电站的大气上界水平辐照度、数值天气预报以及光伏电站并网点有功功率的数据作为预测样本数据；

所述样本数据处理模块，其用于利用样本筛选算法，对预测样本数据进行去噪和减样处理，再对去噪和减样处理后的预测样本数据进行归一化处理；

所述支持向量机模型建模模块，其用于将归一化处理后的预测样本数据作为建模样本，对支持向量机模型进行建模，得到光伏电站短期功率预测模型；

所述获取预测数据模，其用于获取预测时刻的光伏电站的大气上界水平辐照度、数值天气预报的预测时刻数据，对预测时刻数据进行归一化处理；

所述短期预测模块，其用于将归一化处理后的预测数据输入所述光伏电站短期功率预测模型，得到输出向量，并对输出向量进行逆归一化处理，得到光伏电站并网点有功功率的预测值。

本发明的有益效果：本发明提出的光伏电站短期功率预测方法，采用样本筛选处理技术，筛除了因调度限制出力或者逆变器等设备维护而造成的噪声样本，使得筛选后的样本数据更好地反映了光伏电站出力与气象因素的客观规律，同时克服了传统距离模型偶然性强、对噪音敏感以及对整体样本分布敏感存在局限的问题。另外，在支持向量机输入因子中除常规数值天气预报外，还添加了反映光伏电站位置太阳辐射变化物理规律的大气上界水平辐照度，采用本发明的方法其试验结果和实际应用，明显提高了光伏电站短期功率预测的准确率。

进一步地，所述支持向量机模型建模模块,其具体将归一化处理后的预测样本数据中的大气上界水平辐照度、数值天气预报作为建模输入样本，同时将归一化处理后的预测样本数据中的光伏电站并网点有功功率作为建模输出样本，利用建模输入样本和建模输出样本同时对支持向量机模型进行建模，得到光伏电站短期功率预测模型。

上述进一步地有益效果：将输入建模样本作为支持向量机模型的输入，将建模输出样本作为支持向量机模型的输出，同时对支持向量机模型进行建模，得到光伏电站短期功率预测模型。这样就可以使得模型的建立准确，大大提高了后续短期预测的精度。

进一步地，所述样本数据处理模块包括：第一样本数据处理单元、第二样本数据处理单元、第三样本数据处理单元、第四样本数据处理单元、第五样本数据处理单元、第六样本数据处理单元；

所述第一样本数据处理单元，用于对预测样本数据进行初步筛选，将缺失部分数据的样本数据直接删除；

所述第二样本数据处理单元，用于将预测样本数据按光伏电站装机容量平均分为n个功率区间，其中，n是根据光伏电站装机容量和样本筛选的精度来确定；

所述第三样本数据处理单元，用于将初步筛选后的预测样本数据，分别划分到n个功率区间上，得到n个子样本集；

所述第四样本数据处理单元，用于对各个子样本集中的每一个样本数据都进行去噪处理；

所述第五样本数据处理单元，用于对去噪处理后的样本数据进行减样处理；

所述第六样本数据处理单元，用于对去噪处理后的样本数据进行减样处理。

上述进一步地有益效果：筛除因调度限制出力或者逆变器等设备维护而造成的噪声样本，筛选后的样本数据更好地反映了光伏电站出力与气象因素的客观规律，有利于后续对光伏电站短期功率的预测，同时也大大节约了时间，减少了计算的繁琐，也提高了预测的精度。

附图说明

图1为本发明的一种光伏电站短期功率预测方法的示意图；

图2为本发明的一种光伏电站短期功率预测方法的流程图；

图3为本发明的去噪和减样处理的流程图；

图4本发明的一种光伏电站短期功率预测系统的示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例1

如图1和图2所示的，本实施例1中一种光伏电站短期功率预测方法，该方法包括如下步骤：

s1，读取当前时刻及其之前一段时间的光伏电站的大气上界水平辐照度、数值天气预报以及光伏电站并网点有功功率的数据作为预测样本数据；

在本实施例1中我们是先开始读取当前时刻及其之前一段时间的光伏电站的大气上界水平辐照度、数值天气预报以及光伏电站并网点有功功率的数据，其中数值天气预报的数据包括：太阳短波辐射、散射辐照度、直射辐照度、高云量、中云量、低云量的历史数据，然后再把这些读取到的所有数据作为预测样本数据。

s2，利用样本筛选算法，对预测样本数据进行去噪和减样处理，再对去噪和减样处理后的预测样本数据进行归一化处理；

在本实施例1中我们是采用基于功率区间近邻距离的样本筛选算法，对上述步骤s1中读取到所有的预测样本数据，对这些预测样本数据进行去噪和减样处理，可以使得筛除因调度限制出力或者逆变器等设备维护而造成的噪声样本，筛选后的样本更好地反映了光伏电站出力与气象因素的客观规律，同时克服了传统距离模型偶然性强、对噪音敏感以及对整体样本分布敏感存在局限的问题。在我们对预测样本数据进行去噪和减样处理后，得到新的预测样本数据，然后再对新的预测样本数据进行归一化处理。

s3，将归一化处理后的预测样本数据作为建模样本，对支持向量机模型进行建模，得到光伏电站短期功率预测模型；

在本实施例1中我们是将在上述步骤s2中进行归一化处理后的预测样本数据作为建模样本，其中优选地，我们是将归一化处理后的预测样本数据作为建模样本，其具体是将归一化处理后预测样本数据中的大气上界水平辐照度、数值天气预报的预测样本数据，把这些预测样本数据作为建模输入样本，同时将归一化处理后预测样本数据中的光伏电站并网点有功功率的预测样本数据，把这些预测样本数据作为建模输出样本，然后再将这些建模输入样本和建模输出样本同时对支持向量机模型进行建模，得到光伏电站短期功率预测模型。

s4，获取预测时刻的光伏电站的大气上界水平辐照度、数值天气预报的预测时刻数据，对预测时刻数据进行归一化处理；

在本实施例1中我们是先获取预测时刻的光伏电站的大气上界水平辐照度、数值天气预报的预测时刻数据，其中数值天气预报的预测时刻数据包括：太阳短波辐射、散射辐照度、直射辐照度、高云量、中云量以及低云量的预测时刻数据，得到这些预测时刻数据后，我们再对得到的这些预测时刻数据进行归一化处理。这样使得后续得到的预测光伏电站短期功率更加准确。

s5，将归一化处理后的预测时刻数据输入所述光伏电站短期功率预测模型，得到输出向量，并对输出向量进行逆归一化处理，得到光伏电站并网点有功功率的预测值。

在本实施例1中我们是将上述步骤s3中归一化处理后的预测时刻数据输入到上述步骤s3中得到的光伏电站短期功率预测模型中，会得到输出的输出向量，我们再将这些输出向量进行逆归一化处理，最后得到我们需要求出来的光伏电站并网点有功功率的预测值，也就是我们所说的光伏电站短期功率。

优选地，如图3所示，在本实施例1中我们还进一步对所述s2中进行细化，其中所述s2包括：

s21，对预测样本数据进行初步筛选，将缺失部分数据的样本数据直接删除；

s22，将预测样本数据按光伏电站装机容量平均分为n个功率区间，其中，n是根据光伏电站装机容量和样本筛选的精度来确定；

s23，将初步筛选后的预测样本数据，分别划分到n个功率区间上，得到n个子样本集；

s24，对各个子样本集中的每一个样本数据都进行去噪处理；

s25，对去噪处理后的样本数据进行减样处理；

s26，对减样处理的样本数据进行归一化处理。

在本实施例1中的优选地，我们是对上述步骤s1中获取的预测样本数据进行初步筛选，其中初步筛选就是将缺失部分数据项导致该时刻不能一一对应的样本数据直接删除，这样是筛除因调度限制出力或者逆变器等设备维护而造成的噪声样本，筛选后的样本数据更好地反映了光伏电站出力与气象因素的客观规律，有利于后续对光伏电站短期功率的预测，同时也大大节约了时间，减少了计算的繁琐，也提高了预测的精度。

其中s22在对预测样本数据进行初步筛选的同时，也对预测样本数据进行分区，将预测样本数据按光伏电站装机容量平均分为n个功率区间，其中，n是根据光伏电站装机容量和样本筛选的精度来确定，在本实施例1中我们是选取光伏电站装机容量为50mw，n取值为50；

在执行完步骤s22后，我们将上述s21初步筛选后的预测样本数据，分别划分到n个功率区间上，得到n个子样本集；由于每个子样本集中都包含有很多个样本数据，我们需要对各个子样本集中的每一个样本数据都进行去噪处理；然后再对去噪处理后的样本数据进行减样处理；最后我们再对减样处理的样本数据进行归一化处理。

优选地，在本实施例1中所述s24中，我们还进一步细化，其中包括：

s241，选取一个子样本集中的一个样本数据，计算该样本数据与本功率区间中其它样本数据的类内距离、该样本数据与其它功率区间样本数据的类间距离，并将本功率区间的类内距离和其它功率区间的类间距离进行排序；

s242，根据排序后的类内距离和类间距离，利用k近邻距离模型计算该样本的类内k近邻距离和类间k近邻距离；

s243，判断类内k近邻距离是否大于类间k近邻距离，若类内k近邻距离大于类间k近邻距离，则删除该样本，同时将该样本数据对应的子样本集的样本数减1；若否，则去噪终止。

在上述优选地s24中我们是先在n个子样本集选取一个子样本集，在在其中一个子样本集中选取一个样本数据，计算该样本数据与本功率区间中其它样本数据的类内距离、该样本数据与其它功率区间样本数据的类间距离，并将本功率区间类内距离和其它功率区间类间距离进行排序。比如：我们选取第一子样本集中的第一样本数据，所述第一子样本集属于第一功率区间中的，所述第一子样本集包括：第一样本数据、第二样本数据、第三样本数据…；所述n个功率区间包括：第一功率区间、第二功率区间、第三功率区间…；我们计算该样本数据与本功率区间中其它样本数据的类内距离就是将第一样本数据与第一功率区间中第一子样本集的其他样本数据进行计算，比如：第一样本数据与第二样本数据、第三样本数据的计算，他们是属于该样本数据与本功率区间中其它样本数据的类内距离，对于我们计算的该样本数据与其它功率区间样本数据的类间距离就是将第一样本数据与第二功率区间中的子样本集的样本数据进行计算。在计算完类内距离与类间距离，我们再将并将本功率区间类内距离和其它功率区间类间距离进行排序；

在排序后，我们再根据排序后的本功率区间类内距离和其它功率区间类间距离，利用k近邻距离模型计算该样本本功率区间的类内k近邻距离和其它功率区间的类间k近邻距离；

在我们计算得到类内k近邻距离和类间k近邻距离，我们需要判断类内k近邻距离是否大于类间k近邻距离，若该样本本功率区间的类内k近邻距离大于其它功率区间的类间k近邻距离，则删除该样本，同时将该样本数据对应的子样本集的样本数减1；若否，则去噪终止。

优选地，在本实施例1中所述s25中，我们还进一步细化，其中包括：

s251，对去噪处理后的所有样本数据的重要度wi赋值为0，被删除的样本数ri赋值为1；

s252，计算所有样本数据的重要度wi，依据重要度wi将所有样本数据升序排序；

s253，s253，选择重要度wi最小的样本数据i及其最近邻样本数据j，将最小的样本数据删除i，并将样本数减1；其中，rj＝rj+ri+1；

s254，判断样本数是否符合样本缩减要求，若符合，则减样终止；否则，继续执行s252。

需要说明的是在本实施例1中我们结束的样本数据计算，其中的样本数据结束条件为剩余样本数量为总样本的

我们知道是在现有技术中对于k近邻距离的定义为：先给定m维样本空间rm和空间点xi，

其中，di,j表示点xi和点xj之间的欧氏距离，j(i)为距离点xi最近的前k个点的集合。

因此，优选地，在本实施例1中所述s242中:计算所述类内k近邻距离和类间k近邻距离，其分别为类内欧氏距离dw(i)和类间欧氏距离db(i)：

其中，di,j表示点xi和点xj之间的欧氏距离,jw(i)为样本数据i最远的前k个同功率区间样本编号的集合，jb(i)为样本数据i最近的前k个其它功率区间样本编号的集合。

在进行上述的步骤后，还包括：其中所述步骤s252计算所有样本数据的重要度wi，利用下式进行评价：

其中，ri为样本i的周边被删除的样本个数；λ为相似度系数，用于调节相似度的影响程度，取值范围为[0,1]，本实施例中，λ取值为0.5，s(i)为样本i的同功率区间相似度,db(i)为类间欧氏距离；

其中，s(i)为样本i的同功率区间相似度定义为：

样本i的同功率区间相似度s(i)为样本i与所有同功率区间样本之间相似度的最大值；

其中，样本i与样本j之间的相似度定义为：

对于样本k(xi,yj)，o为坐标原点，样本i与样本j之间的相似度si,j用向量与向量的夹角余弦表示：

在本实施例1中我们还需要解析的是所述s26中归一化处理为：

其中，xn为数据原始值，xmin为数据原始值中的最小值，xmax数据原始值中的最大值，xn为归一化处理后的数据。

在本实施例1中还包括：支持向量机(svm)模型选择径向基(rbf)核作为支持向量机的核函数，rbf核为：

k(xi,xj)＝exp(-γ||xi-xj||)²

本发明方法的预测结果准确度高，满足电网运行使用的要求；误差统计说明：

光伏电站功率预测准确率：

其中：pmk为k时刻的实际功率，ppk为k时刻的预测功率，n为日预报总时刻数，cap为光伏电站运行装机容量。

实施例2

本实施例2还涉及一种光伏电站短期功率预测系统，该系统包括：获取样本数据模块、样本数据处理模块、支持向量机模型建模模块、获取预测数据模块、短期预测模块；

所述获取样本数据模块，其用于读取当前时刻及其之前一段时间的光伏电站的大气上界水平辐照度、数值天气预报以及光伏电站并网点有功功率的数据作为预测样本数据；

所述样本数据处理模块，其用于利用样本筛选算法，对预测样本数据进行去噪和减样处理，再对去噪和减样处理后的预测样本数据进行归一化处理；

所述支持向量机模型建模模块，其用于将归一化处理后的预测样本数据作为建模样本，对支持向量机模型进行建模，得到光伏电站短期功率预测模型；

所述获取预测数据模，其用于获取预测时刻的光伏电站的大气上界水平辐照度、数值天气预报的预测时刻数据，对预测时刻数据进行归一化处理；

所述短期预测模块，其用于将归一化处理后的预测数据输入所述光伏电站短期功率预测模型，得到输出向量，并对输出向量进行逆归一化处理，得到光伏电站并网点有功功率的预测值。

优选地，在本实施例2中所述支持向量机模型建模模块,其具体用于将归一化处理后的预测样本数据中的大气上界水平辐照度、数值天气预报作为建模输入样本，同时将归一化处理后的预测样本数据中的光伏电站并网点有功功率作为建模输出样本，利用建模输入样本和建模输出样本同时对支持向量机模型进行建模，得到光伏电站短期功率预测模型。

优选地，在本实施例2中所述样本数据处理模块包括：第一样本数据处理单元、第二样本数据处理单元、第三样本数据处理单元、第四样本数据处理单元、第五样本数据处理单元、第六样本数据处理单元；

所述第一样本数据处理单元，用于对预测样本数据进行初步筛选，将缺失部分数据的样本数据直接删除；

所述第二样本数据处理单元，用于将预测样本数据按光伏电站装机容量平均分为n个功率区间，其中，n是根据光伏电站装机容量和样本筛选的精度来确定；

所述第三样本数据处理单元，用于将初步筛选后的预测样本数据，分别划分到n个功率区间上，得到n个子样本集；

所述第四样本数据处理单元，用于对各个子样本集中的每一个样本数据都进行去噪处理；

所述第五样本数据处理单元，用于对去噪处理后的样本数据进行减样处理；

所述第六样本数据处理单元，用于对去噪处理后的样本数据进行减样处理。

在本实施例2中的优选地，我们是对上述所述获取样本数据模块中获取的预测样本数据进行初步筛选，其中初步筛选就是将缺失部分数据项导致该时刻不能一一对应的样本数据直接删除，这样是筛除因调度限制出力或者逆变器等设备维护而造成的噪声样本，筛选后的样本数据更好地反映了光伏电站出力与气象因素的客观规律，有利于后续对光伏电站短期功率的预测，同时也大大节约了时间，减少了计算的繁琐，也提高了预测的精度。

其中所述第二样本数据处理单元在对预测样本数据进行初步筛选的同时，也对预测样本数据进行分区，将预测样本数据按光伏电站装机容量平均分为n个功率区间，其中，n是根据光伏电站装机容量和样本筛选的精度来确定，在本实施例1中我们是选取光伏电站装机容量为50mw，n取值为50；

在所述第二样本数据处理单元执行完后，我们将上述所述第一样本数据处理单元初步筛选后的预测样本数据，分别划分到n个功率区间上，得到n个子样本集；由于每个子样本集中都包含有很多个样本数据，我们需要对各个子样本集中的每一个样本数据都进行去噪处理；然后再对去噪处理后的样本数据进行减样处理；最后我们再对减样处理的样本数据进行归一化处理。

在本实施例2中涉及到的系统，需要说明的是可以使用上述所述的方法所采用的内容。

在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。