一种应用于大规模光伏电场群的统计升尺度预测方法

1.本发明涉及光伏场群发电输出预测的技术领域，特别涉及一种应用于大规模光伏电场群的统计升尺度预测方法。


背景技术：

2.光伏发电极易受到辐照度、环境温度、湿度等外界环境的影响，使得其出力具有高度随机性、波动性和间歇性等特点。然而，只有发电、输电、用电达到实时动态平衡，才可以保证电力系统稳定运行。
3.传统的光伏电站短期预测方法，无论是基于物理模型的间接预测还是基于历史数据的直接预测方法，都只从时间维度对光伏序列进行了出力，对历史数据和实时数据构造预测模型，忽略了多个光伏组件之间、多个光伏电站之间的空间相关性，没有充分挖掘和利用光伏序列相关性的规律和特征。随着光伏发电的快速发展,单个光伏电场的功率预测已经不能完全满足调度应用的需求。在实际生产场景中，往往需要对整个区域的光伏发电功率进行预测，其中包括多个单一电厂，形成了电厂群。
4.使用简单的线性叠加法，对所有光伏电场进行功率预测,将是对计算资源和存储空间的极大消耗，在地理空间距离较近的电场间，功率曲线的走势相似，在这种情况下分别进行预测并不是十分必要的。并且，当区域较大时，很难保证每个光伏电场都具有单场建模能力。二，存在区域内的某单一电厂，由于数据、组建运行状况等原因，单场预测误差较大，这种情况下，其预测误差会累积到区域功率预测值中，导致场群整体预测误差较大。


技术实现要素：

5.针对现有技术中存在的不足之处，本发明的目的是提供一种应用于大规模光伏电场群的统计升尺度预测方法，可以预测整个区域内的发电功率。免去了对区域内每个光伏电场进行单独建模的繁琐工作，节约了计算资源与时间。为了实现根据本发明的上述目的和其他优点，提供了一种应用于大规模光伏电场群的统计升尺度预测方法，包括：
6.建立功率预测模型，所述功率预测模型建立包括通过在预测区域内，选取具备建模的多个电场；分析不同电场出力曲线与区域出力曲线的相似性，选取代表光伏电场；通过计算各个代表电场的权重系数,并最终建立区域电场群的功率预测模型；
7.所述功率预测模型的预测步骤包括：
8.通过分析每个电场输出功率与全区域电场群输出功率间的相关性,分析每个电场功率预测的精度；
9.选取与全区域输出功率相关性高且功率预测精度较高的电场作为代表电场；
10.通过运用数理统计方法分别计算各个代表电场的权重系数,最终通过加权计算区域电场群的功率预测结果，并使用粒子群优化算法对权重系数进行全局寻优。
11.优选的，通过分析每个光伏电场输出功率与区域光伏电场群输出功率的相关性系数矩阵,并分析每个光伏电场的预测精度选取代表光伏电场，所述代表光伏电场为预测精
度的均方根误差小于30％平均绝对误差小于25％，与区域场群发电相关性系数大于0.75。
12.优选的，对区域内的所有单个场站使用预测模型进行出力预测，并对每个场站的预测精度进行统计分析，同时将各单场的预测结果进行简单线性叠加，得到基于叠加法的场群预测模型作为对比模型。
13.优选的，各个代表电场的权重系数计算通过利用历史数据计算区域光伏电场群与代表光伏电场输出功率间的第一相关系数矩阵，以及代表光伏电场功率预测值与实际输出功率间的第二相关系数矩阵，通过第一相关系数矩阵与第二相关系数矩阵计算各代表光伏电场的权重系数矩阵。
14.优选的，所述粒子群算法包括进行初始化参数，在速度区间和搜索空间上随机初始化每个粒子的速度与位置，确定目标函数又称为适应度函数确定全剧最优粒子，更新每个粒子的速度与位置并计算粒子的目标函数，判断粒子是否收敛。
15.本发明与现有技术相比，其有益效果是：
16.(1)将单场出力曲线与场群整体出力曲线进行相似性比对，基于单场预测精度、相似性大小选择典型代表场站，以此为基础预测场群输出功率，适用于大多数情况，尤其是区域内的光伏电场地理位置及环境相近的时候，出力曲线相似，选取合适的代表光伏电场，对预测结果进行统计升尺度，可以达到良好的预测效果。
17.(2)与线性叠加法相比，统计升尺度法免去了对区域内每个光伏电场进行单独建模的繁琐工作，节约了计算资源与时间。
18.(3)使用粒子群优化算法优化每个代表光伏电场将依据各自的权重系数，与最小二乘法确定权重系数相比，粒子群算法具有操作简单、收敛速度快的特点，能够有效提高场群的预测精度。
附图说明
19.图1为根据本发明的应用于大规模光伏电场群的统计升尺度预测方法的粒子群算法优化流程图。
具体实施方式
20.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.参照图1，一种应用于大规模光伏电场群的统计升尺度预测方法，包括：建立功率预测模型，所述功率预测模型建立包括通过在预测区域内，选取具备建模的多个电场；分析不同电场出力曲线与区域出力曲线的相似性，选取代表光伏电场；通过计算各个代表电场的权重系数,并最终建立区域电场群的功率预测模型；
22.所述功率预测模型的预测步骤包括：
23.通过分析每个电场输出功率与全区域电场群输出功率间的相关性,分析每个电场功率预测的精度；
24.选取与全区域输出功率相关性高且功率预测精度较高的电场作为代表电场；
25.通过运用数理统计方法分别计算各个代表电场的权重系数,最终通过加权计算区域电场群的功率预测结果，并使用粒子群优化算法对权重系数进行全局寻优，有效提高场群整体预测精度。
26.进一步的，通过分析每个光伏电场输出功率与区域光伏电场群输出功率的相关性系数矩阵,并分析每个光伏电场的预测精度选取代表光伏电场，所述代表光伏电场为预测精度的均方根误差小于30％平均绝对误差小于25％，与区域场群发电相关性系数大于0.75，对区域内的所有单个场站使用预测模型进行出力预测，并对每个场站的预测精度进行统计分析，同时将各单场的预测结果进行简单线性叠加，得到基于叠加法的场群预测模型作为对比模型。
27.进一步的，各个代表电场的权重系数计算通过利用历史数据计算区域光伏电场群与代表光伏电场输出功率间的第一相关系数矩阵，以及代表光伏电场功率预测值与实际输出功率间的第二相关系数矩阵，通过第一相关系数矩阵与第二相关系数矩阵计算各代表光伏电场的权重系数矩阵，第一相关系数矩阵r
gf
，第二相关系数矩阵rf，各代表光伏电场的权重系数矩阵βf，其中权重系数矩阵表示为：
28.βf＝cbfꢀꢀ
(1)
[0029][0030]
其中统计参数c为常数；i＝1，2，
…
，f，其中f为代表光伏电场的个数；r
gi
为区域光伏电场群与第i个代表光伏电场输出功率间的相关系数；ri为第i个光伏电场功率预测值与实际输出功率间的相关系数；符号“。”表示矩阵的阿达马乘积。
[0031]
依据上述方法计算权重系数矩阵，为各代表光伏电场分配不同的权重。由此基于统计升尺度算法得到的区域光伏电场群功率预测结果可表示为：
[0032]
p
gp
＝βfp
fp
+de＝cbfp
fp
+de
ꢀꢀ
(3)
[0033]
其中，p
gp
为区域光伏电场群功率预测结果的时间序列矩阵；p
fp
为各代表光伏电场功率预测结果的时间序列矩阵；统计参数d为常数；e为单位矩阵。
[0034]
用最小二乘法求解上述方程得：
[0035][0036][0037]
其中p
gp
为矩阵p
gp
中所有元素的平均值为矩阵bfp
fp
中所有元素的平均值。基于统计升尺度方法，区域光伏电场群的功率预测结果可以用代表光伏电场的功率预测结果计算获得。
[0038]
统计升尺度算法原理是根据代表光伏电场与区域发电功率的相关系数确定权重矩阵，并利用最小二乘法进行寻优，利用优化算法，进行全局寻优。
[0039]
预测问题可以表示为式6：
[0040]
p
gf
＝ap
fp
ꢀꢀ
(6)
[0041]
其中，p
gf
为光伏电场群区域功率预测结果序列；a＝{α1，α2，...，αn}为各代表光伏电场的权重系数；p
fp
＝{p
f1
，p
f2
，...，p
fn
}为各个代表光伏电场预测结果序列。采用粒子群优化算法，对权重系数a进行寻优，粒子群优化算法，粒子群中每个粒子具有速度和位置两个属性，分别代表粒子的移动速度及方向。粒子个体在问题求解空间内运动，搜索最优解也就是当前个体极值。每个粒子的个体极值都与群体内所有粒子共享，更新全局最优解，并根据当前个体极值与当前最优解调整速度和位置。粒子群算法具有操作简单、收敛速度快的特点。
[0042]
进一步的，所述粒子群算法包括进行初始化参数，在速度区间和搜索空间上随机初始化每个粒子的速度与位置，确定目标函数又称为适应度函数确定全剧最优粒子，更新每个粒子的速度与位置并计算粒子的目标函数，判断粒子是否收敛。
[0043]
由于粒子寻优的最终目的是使得预测结果尽可能接近真实值，所以选用平均绝对百分比误差作为优化函数，如式7所示：
[0044][0045]
式中，p
gfi
为区域光伏电场群功率预测的第i维，p
gti
为区域光伏电场群实际功率的第i维。选择前述选取的代表光伏电场，利用粒子群算法对权重系数矩阵a进行寻优。
[0046]
这里说明的设备数量和处理规模是用来简化本发明的说明的，对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
[0047]
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。