本发明涉及一种采用分步方式对光伏电站的发电功率进行预测的方法，属于发电技术领域。
背景技术：
光伏发电作为可再生能源的重要组成部分近年来得到了快速发展，并网型光伏电站是目前光伏发电的主要利用形式。光伏发电功率受各种因素的影响，表现出明显的间歇性和波动性，大规模光伏发电并网会给电力系统的调度控制带来严峻挑战。为了使电网最大限度消纳这些绿色电源，并网型光伏电站必须具备发电功率预测能力。对于已经建成的光伏电站而言，各个发电单元对应组件的规格型号、物理特性和安装方式已经确定，其发电功率主要取决于外部运行条件，即气象因素（如辐照度、环境温度、风速等）。当前，对光伏发电功率的预测通常采用直接预测方式，这种方式利用发电功率和气象参数等变量的历史数据建立预测模型，可直接得到发电功率的预测值。直接预测方式虽简单易行，但在同一预测模型中涵盖了输入因子的预测和输入因子与输出功率之间复杂的映射关系，不利于输入因子的优化选择、模型参数的寻优和模型预测性能的提升，同时，也不利于工程实际中预测算法和模型的设计实现。因此，如何采用更合适的方式降低预测模型输入变量之间的关联耦合对预测性能的影响，是光伏电站发电功率预测中亟待解决的问题。
技术实现要素：
本发明的目的在于针对现有技术之弊端，提供一种采用分步方式的光伏电站发电功率预测方法，以降低预测模型输入变量之间的关联耦合对预测性能的影响，提高预测结果的精准性。本发明所述问题是以下述技术方案实现的：一种采用分步方式的光伏电站发电功率预测方法，所述方法首先基于光伏电站历史数据的统计规律选择对光伏发电功率有影响的气象参数作为发电功率气象影响因子，然后采用智能方法对这些气象影响因子进行预测，最后利用气象影响因子的预测结果和建立的光伏电站发电功率特性模型，映射得到光伏电站发电功率的预测值，具体步骤如下：①识别与优化发电功率气象影响因子通过对光伏电站的历史数据进行统计分析，选择部分对光伏发电功率有影响的气象参数，确定气象影响因子；②预测发电功率气象影响因子根据各个发电功率气象影响因子的变化规律，在规定的时间尺度下采用智能方法对其进行预测，其中，气象影响因子的短期预测可按照天气类型划分为若干子模型；对于天气类型信息缺失的数据记录，可利用辐照度逐日变化规律和不同天气类型之间的内在关联关系，对缺失的天气类型进行辨识；得到气象影响因子的预测值后，针对其中的辐照度预测值，通过与辐照度历史数据生成的参考值联合加权的方式进行修正；③建立光伏电站各个发电单元功率特性模型以发电单元为单位，将光伏电站发电功率气象影响因子作为输入参数，各个发电单元的功率作为输出参数，建立光伏电站各个发电单元的输入、输出参数关联数据库，其中每条数据记录的结构是{气象影响因子1，气象影响因子2，…，气象影响因子n，发电功率}，所述关联数据库即为各个发电单元的功率特性模型；④映射得到光伏电站发电功率预测值利用数据挖掘技术，将序列{气象影响因子1预测值，气象影响因子2预测值，…，气象影响因子n预测值}输入各个发电单元的功率特性模型，映射得到各个发电单元输出功率的预测值；若任一发电单元的关联数据库中不存在一条数据记录与该序列完全相同，则利用各条数据记录与该序列的加权距离得到该发电单元输出功率的预测值；将所有处于工作状态发电单元的输出功率预测值累加，即得到整个光伏电站的发电功率预测值。上述采用分步方式的光伏电站发电功率预测方法，所选择的发电功率气象影响因子包括：辐照度、环境温度、组件温度和风速；在光伏电站数据采集条件允许的情况下，还包括：相对湿度、云量和气压。本发明物理意义清晰，与直接预测方式相比能够有效消除多元输入之间的关联耦合对预测模型学习训练效果的影响，提高了光伏电站发电功率预测的准确性，有利于预测算法和模型在工程实际中的实现。附图说明下面结合附图对本发明作进一步说明。图1是采用分步方式的光伏电站发电功率预测方法流程图。具体实施方式本发明提出了一种采用分步方式的光伏电站发电功率预测方法。所述方法包括以下步骤：a.识别与优化发电功率气象影响因子在现有光伏电站数据采集记录条件下，通过对历史数据的统计分析，科学合理地选择适当数量的对光伏发电功率有影响的气象参数，确定气象影响因子。所述气象影响因子包括：辐照度、环境温度、组件温度和风速，根据光伏电站的实际情况可进行调整，如增加：相对湿度、云量和气压。b.预测发电功率气象影响因子根据各个发电功率气象影响因子的变化规律，在规定的时间尺度下采用适合的智能方法对其进行预测。其中，气象影响因子的短期预测可按照天气类型划分为若干子模型。对于天气类型信息缺失的数据记录，可利用辐照度逐日变化规律和不同天气类型之间的内在关联关系，对缺失的天气类型进行辨识，提高历史数据的可用性。得到气象影响因子的预测值后，针对其中的辐照度预测值，通过与辐照度历史数据生成的参考值联合加权的方式进行修正，以进一步提高其准确性。天气类型是大气物理状态的一种标签，综合了各气象因素在时间和空间上的分布。不同天气类型条件下各气象因素的变化规律不同，采用同一模型很难准确预测这些气象因素。因此，按天气类型进行分类，针对不同天气状态建立不同的气象影响因子短期预测子模型，可以更好地挖掘出历史数据蕴含的内在关联关系，能够有效提高气象影响因子预测的精度。对于天气类型信息缺失的光伏电站逐日历史数据，利用辐照度逐日变化规律和不同天气类型之间的内在关联关系，以辐照度特征参数作为输入，以天气类型作为输出，通过支持向量机方法，建立天气类型辨识模型，拟合描述辐照度逐日变化规律的特征参数与天气类型之间的非线性映射关系，然后根据特征参数识别得到逐日数据记录中缺失的天气类型。地球的公转和自转使到达地球外大气层上界的太阳辐照呈现出与年份、日期、时刻有关的周期性变化规律。邻近年份、相同日期和时刻地外辐照度数值之间的差别微乎其微；并且，同年邻近日期、相同时刻的地外辐照度数值基本相同。经历传输过程中的衰减之后，到达光伏电站的地表辐照度表现出与之类似的变化规律。依据上述规律对辐照度的预测值进行修正，首先由光伏电站辐照度历史数据确定辐照度参考值，其次计算预测时刻对应参考值权重系数，再次归一化处理预测值和参考值权重系数，最后联合加权求出预测时刻光伏电站地表辐照度的预测修正值。气象影响因子预测可由光伏电站发电功率预测系统实现，也可由气象部门提供。c.建立光伏电站各个发电单元功率特性模型光伏电站通常由一系列逆变器对应的发电单元组成，整个光伏电站的发电功率是由各个发电单元的功率输出汇聚而成。不同发电单元的组件类型、安装方式、衰减特性不尽相同，因而出力特性各异。为了实现光伏电站发电功率的准确预测，应按发电单元建立功率特性模型。将光伏电站发电功率气象影响因子作为输入参数，各个发电单元的功率作为输出参数，建立光伏电站各个发电单元的输入、输出参数关联数据库，该关联数据库即为各个发电单元的功率特性模型。基于光伏电站的历史和实时运行数据，建立和实时更新各个发电单元输入、输出参数关联数据库，其中每条数据记录的结构是{辐照度，环境温度，组件温度，风速，发电功率}。对于每一条新增数据记录，判断其除去发电功率外其余四项是否与关联数据库中已有的某条记录完全相同，如果不相同，则将该新增记录直接加入关联数据库；如果相同且各自的发电功率值不相等，则对该新增数据记录的发电功率和关联数据库中对应记录的发电功率进行加权平均，用得到的发电功率更新值对关联数据库中原有记录的发电功率进行替换。一条有效数据记录反映了发电单元某个特定的运行状态，该关联数据库即为各个发电单元输入状态变量与输出功率之间映射关系的数学模型，体现了发电单元输出功率随输入状态变量变化的规律。d.映射得到光伏电站发电功率预测值利用数据挖掘技术，将气象影响因子的预测值输入各个发电单元功率特性模型，映射得到各个发电单元输出功率的预测值。最后，将所有处于工作状态发电单元的输出功率预测值累加，即得到整个光伏电站的发电功率预测值。所述各个发电单元输出功率的映射预测，是将气象影响因子预测值序列{辐照度预测值，环境温度预测值，组件温度预测值，风速预测值}作为各个发电单元功率特性模型的输入参数，若关联数据库中存在一条数据记录除发电功率外其余四项与输入的气象影响因子预测值序列完全相同，则该记录中的发电功率值即为该发电单元输出功率的预测值；若关联数据库中没有任何记录与之完全相同，则分别计算关联数据库中各条记录与气象影响影子预测值序列之间的加权欧式距离，然后选取距离最小的若干条数据记录，对各条记录的发电功率值进行加权平均，得到该发电单元输出功率的预测值。图1为本发明实施例提供的采用分步方式的光伏电站发电功率预测方法流程图。下面结合图1对本发明实施例的技术方案进行详细、准确地描述。以某并网型光伏电站为例，该光伏电站包含3个发电单元（其中发电单元#1和#2处于工作状态），容量分别为500kWp和250kWp。分步预测该光伏电站2012年7月28日13:00发电功率的步骤如下：步骤1：根据该光伏电站SCADA系统历史数据记录情况，选择辐照度、环境温度、组件温度和风速作为发电功率气象影响因子。步骤2：采用支持向量机方法，分别建立辐照度、环境温度、组件温度和风速的超短期（0-4h）和短期预测（0-72h）模型。这里，超短期辐照度预测模型的输入为预测日前一天的辐照度序列，超短期环境温度、组件温度和风速预测模型的输入与之类似。为减少子模型数量和增大训练样本数据量，按天气状态平稳程度由强到弱的顺序将气象部门使用的天气类型归纳合并为1、2、3和4四类广义天气类型，分别建立与之对应的短期辐照度、环境温度、组件温度和风速预测子模型。其中，短期辐照度预测模型使用与预测日预报天气类型相同之前三天的辐照度数据作为输入，短期环境温度、组件温度和风速预测模型的输入同样与之类似。选择符合条件的光伏电站历史数据对上述模型进行训练，得到超短期和短期气象影响因子预测模型，从而对辐照度、环境温度、组件温度和风速进行超短期、短期预测。随后，基于辐照度的周期性变化规律对短期辐照度预测值加权修正。这里，2012年7月28日的天气类型属于第1类，分别选择各个气象影响因子对应第1类天气的预测模型，得到13:00的辐照度预测值为935W/m2，环境温度预测值为37℃，组件温度预测值为27℃，风速预测值为4m/s。其中辐照度预测值修正后为981W/m2。步骤3：按时间标签将该光伏电站的辐照度、环境温度、组件温度和风速历史记录与两个发电单元的输出功率分别对应起来，建立两个发电单元各自的输入、输出参数关联数据库，其中每条数据记录的结构为{辐照度，环境温度，组件温度，风速，发电功率}，即得到各个发电单元的功率特性模型。步骤4：将步骤2得到的辐照度、环境温度、组件温度和风速的超短期、短期预测值分别输入两个发电单元的功率特性模型，映射得到各自输出功率的预测值，将它们累加，即得到整个光伏电站的超短期、短期发电功率预测值。这里，气象影响因子预测值序列{981，37，27，4}分别输入发电单元#1和#2的功率特性模型，映射得到#1的发电功率预测值为357.5kW，#2的发电功率预测值为195.1kW，累加后得到该光伏电站2012年7月28日13:00的发电功率预测值为552.6kW。同样采用支持向量机方法，以辐照度、环境温度、组件温度和风速作为输入，各个发电单元功率作为输出，建立各个发电单元输出功率的直接预测模型。该时刻发电单元#1输出功率的直接预测值为314.2kW，发电单元#2输出功率的直接预测值为168.4kW，整个光伏电站的发电功率直接预测值为482.6kW。该光伏电站2012年7月28日13:00的发电功率实际值为536.5kW，可见采用分步方式较直接方式取得了更好的预测效果。本发明实施例所述方法采用分步方式消除了输入数据之间关联耦合对预测算法和模型的影响，进一步提高了光伏电站发电功率的预测精度。可为电网实时潮流优化控制和日前发电计划制定提供重要参考，有利于缓解光伏发电并网给电力系统有功功率平衡和安全稳定运行带来的压力。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此。任何熟悉该领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。