一种基于正负误差变权的光伏发电功率预测方法
【技术领域】
[0001] 本发明属于新能源光伏发电功率预测技术领域，具体涉及一种基于正负误差变权 的光伏发电功率预测方法。
【背景技术】
[0002] 近几年来，随着光伏发电系统大规模的建设，为了避免并网光伏发电系统输出功 率固有的间歇性和不可控等因素对电网的冲击，光伏发电并网时的电能质量，对电网的可 靠性要求，并网电站的稳定性等问题都亟待解决。大规模间歇性能源的接入将对电网安全 和稳定运行产生巨大影响，功率预测技术迫在眉睫。随着研究的系统越来越深奥和复杂，对 预测技术和预测理论的要求越来越高，难度也越来越大。由此产生了专门针对系统不确定 性的单一模型预测理论和方法以及综合利用各种预测方法结果的组合预测方法。
[0003] 常见的单一模型预测方法有时间序列法、回归分析法、趋势外推法、神经网络法、 灰色预测法等多种方法，这些预测模型容易理解，运算可靠，但由于每种预测模型都有一定 程度上的局限性和不足，无法保证在各种情况下有良好的预测效果，预测精度可能无法满 足。
【发明内容】
[0004] 本发明的目的是提供一种基于正负误差变权的光伏发电功率预测方法，解决了现 有技术中存在的预测方法预测精度无法满足要求且预测效果差的问题。
[0005] 本发明所采用的技术方案是，一种基于正负误差变权的光伏发电功率预测方法， 具体按照以下步骤实施：
[0006] 步骤1、设光功率预测模型有n种，依次为1，2，. . .，n，有N个预测时间点，y(t)为 第t时刻光伏发电功率的真实值，其中t= 1，2, . . .，N，&⑴和Wl(t)分别为第i个模型 的第t时刻的预测值和权值，且cojt)满足
[0007]
.(.1.).
[0008] 其中，《,(〇>0，
[0009] 则变权重组合预测模型表示为：
[0010]
(2)
[0011] 其中，为利用n种预测值得到的最终预测结果；
[0012] 步骤2、将预测结果与真实值进行作差，设elt为第i种预测模型在第t时刻的预 测绝对值误差，则：
[0013] ea= y:(t)-y(t) (3)
[0014] 其中，为第i个模型在第t时刻的预测值，
[0015]步骤3、计算第i个模型的第t时刻的权值；
[0016] 步骤4、经过步骤1、2、3即得到第i个模型的第t时刻的权值，将该值带入公式 (2)，便得到利用n种预测值得到的最终预测结果。
[0017] 本发明的特点还在于，
[0018] 步骤3具体按照以下步骤实施：
[0019] 步骤（1. 1)、当t为确定值时，elt有n种模型误差，如果所有的模型误差同号，则按 照滚动最优变权组合进行计算，则
[0020] (4)
[0021] 4为t时刻n种光功率预测模型误差绝对值之和，
[0022] 则有
[0023]
(5)
[0024] ?i(t)为第i个模型的第t时刻的权值；
[0025]步骤（1. 2)、如果所述n种模型误差异号，设有u个正误差和v个负误差，其中，u+v =n，则得到一个正的平均误差彳和一个负的平均误差的绝对值
[0026]
[0027] ,、(6)
[0028] 上述误差和为 <，则
[0029]
[0030]
[0031]
[0032] 蜱为t时刻的正权值，< 为t时刻的负权值；
[0033] 步骤（1. 3)、分别进行一次滚动权倌运算，则有
[0034]
[0035]
[0036]
[0037] ?i(t)即为所求得第i个模型的第t时刻的权值。
[0038] 本发明的有益效果是，基于正负误差变权的光伏发电功率预测方法，由以往的光 伏电站历史功率数据，分别利用灰色神经网络模型、Elman神经网络模型、支持向量机模型， 得到各个方法对某一天的光功率预测结果，然后利用正负误差变权法计算这三种方法在预 测中所对应的权值，将各个方法在某时刻的权值和各个方法对应的预测结果相结合，便可 得到组合预测的结果，再进行精度误差判断，若满足误差要求，即可得到最终的预测结果。
【附图说明】
[0039] 图1是本发明一种基于正负误差变权的光伏发电功率预测方法中基于正负误差 变权的组合光功率预测技术算法流程图；
[0040] 图2是本发明一种基于正负误差变权的光伏发电功率预测方法中灰色预测与实 发功率的比较图；
[0041] 图3是本发明一种基于正负误差变权的光伏发电功率预测方法中不同神经元的 误差比较图；
[0042] 图4是本发明一种基于正负误差变权的光伏发电功率预测方法中运用16个神经 元时的预测比较图；
[0043] 图5是本发明一种基于正负误差变权的光伏发电功率预测方法中svm的预测与实 际功率的对比图；
[0044] 图6是本发明一种基于正负误差变权的光伏发电功率预测方法中正负误差变权 预测与实际值的比较图。
【具体实施方式】
[0045] 下面结合附图和【具体实施方式】对本发明进行详细说明。
[0046] 本发明一种基于正负误差变权的光伏发电功率预测方法，具体按照以下步骤实 施：
[0047] 步骤1、设光功率预测模型有n种，依次为1，2，. . .，n，有N个预测时间点，y(t)为 第t时刻光伏发电功率的真实值，其中t= 1，2, . . .，N，和Wl(t)分别为第i个模型 的第t时刻的预测值和权值，且cojt)满足
[0048]
⑴
[0049] 其中，《,(〇>0，
[0050] 则变权重组合预测模型表示为：
[0051]
(2)
[0052] 其中，为利用n种预测值得到的最终预测结果；
[0053] 步骤2、将预测结果与真实值进行作差，设elt为第i种预测模型在第t时刻的预 测绝对值误差，则：
[0054]
( 3 )
[0055] 其中，^的为第i个模型在第t时刻的预测值，
[0056] 步骤3、计算第i个模型的第t时刻的权值，具体按照以下步骤实施：
[0057] 步骤（1. 1)、当t为确定值时，elt有n种模型误差，如果所有的模型误差同号，则按 照滚动最优变权组合进行计算，则
[0058] (4)
[0059] etSt时刻n种光功率预测模型误差绝对值之和，
[0060] 则有
[0061]
(5)
[0062] ?i(t)为第i个模型的第t时刻的权值；
[0063] 步骤（1. 2)、如果所述n种模型误差异号，设有u个正误差和v个负误差，其中，u+v =n，则得到一个正的平均误差<和一个负的平均误差的绝对值< :
[0064]
[0065] (6夂
[0066] 上述误差和为<，则
[0070] 成为1:时刻的正权值，辑为1：时刻的负权值；[0071] 步骤（1. 3)、分别进行一次滚动权值运算，则有
[0067]
[0068]
[0069] 4- 4-
[0072]
[0073]
[0074]
[0075] ?i(t)即为所求得第i个模型的第t时刻的权值；
[0076] 步骤4、经过步骤1、2、3即得到第i个模型的第t时刻的权值，将该值带入公式 (2)，便得到利用n种预测值得到的最终预测结果，该光伏发电预测基于正负误差变权方 法，相对等权值预测方法及其他变权值预测方法而言，该方法受模型预测最新变化情况的 影响，提高了预测精度，可以得到更好的预测效果。
[0077] 本发明一种基于正负误差变权的光伏发电功率预测方法，在实际预测过程中，选 取三种预测模型：可以首先分别利用灰色神经网络模型、Elman神经网络模型及支持向量 机（SVM)模型这三种单一的光功率预测方法，得到各个模型下的预测结果：
[0078] (1)灰色神经网络模型预测光功率的实现：
[0079] 把数据分为训练集和测试集，用训练集训练灰色神经网络，使该网络学习光伏发 电功率预测能力，再用测试集进行验证，检验灰色神经网络预测光电功率的准确性，并根据 预测误差判断网络性能，共有33天792组数据，首先取前32天768组的数据作为训练数据 训练网络，网络共学习进化10次，然后用最后一天24组数据测试预测。
[0080] (2)Elman神经网络模型预测光功率的实现：
[0081] 利用在时间序列下的Elman神经网络建立的短期功率预测模型，通过对历史数据 的选取和归一化处理、引入突变因素的影响和隐含层节点数的确定来建立Elman神经网络 模型，选取与上一种方法同样的数据，通过选取不同数量的神