一种基于在线建模的分布式光伏发电功率预测方法与流程

本发明涉及一种基于新能源的电力系统，具体讲涉及一种基于在线建模的分布式光伏发电功率预测方法。

背景技术：

光伏电站分为集中并网型光伏电站和分布式光伏电站，光伏发展的早期，主要以集中并网型的光伏电站为主，针对该类型的光伏电站已经具备较为成熟的功率预测方法：以单个集中并网的光伏电站作为预测对象，通过收集基础资料，离线建模的手段完成预测建模工作。但对于分布式光伏来说，由于分布式光伏的地理分布分散、数量众多的特点，集中并网型的方法并不适用，故提出本发明的方法，分析不同类型光伏电池的特点，基于光电转换模型，建立气象信息、光伏电池特征参数与光伏电池输出功率的数学模型，并通过数据在线处理的方式实现对分布式光伏功率预测的快速、高效建模。

技术实现要素：

针对上述问题，本发明提供了一种基于在线建模的分布式光伏发电功率预测方法

一种基于在线建模的分布式光伏发电功率预测方法，其特征在于，包括：

I、建立分布式光伏发电功率预测通用模型；

II、数据的在线处理；

III、分布式光伏发电功率预测模型的修正；

IV、分布式光伏发电功率的预测值。

进一步的，所述步骤I包括：

确定通用光伏组件参数：收集不同类型的光伏电站的组件参数，选取光伏电站作为样本，对样本光伏电站的组件参数取平均值和建立分布式光伏发电功率预测的通用模型。

进一步的，根据光电转换的物理方法，以及所述通用光伏组件参数、分布式光伏电站的装机容量和地理位置的经纬度信息建立所述通用模型。

进一步的，所述步骤II包括：

(1)异常数据的诊断；

(2)异常数据的处理；

(3)数据的拟合。

进一步的，步骤II所述数据包括分布式光伏的实际功率、分布式光伏的预测功率以及数值天气预报。

进一步的，所述异常数据包括持续不变、数据越限、数据重叠和整体分布异常；根据数据的实际情况，对这四种异常类型进行在线识别。

进一步的，所述步骤(2)对异常数据的处理包括：

数据持续不变和数据越限时，剔除异常时段的数据；

数据重叠时，删掉后面的重叠数据；

数据整体分布异常时，剔除分布异常时间段内的数据。

进一步的，所述步骤(3)所述拟合方法包括：

基于PEA和PRA，利用最小二乘法拟合参数，得到拟合参数η＝{η₁,η₂}，其中，PR是分布式光伏实际功率数据，PE是分布式光伏预测功率数据，PRA和PEA分别是PR和PE按时间进行对齐后的数据，η₁、η₂是常数，代表拟合参数；

式表经拟合参数处理的预测功率；

最终得到和PRA二者对应数据差值的平方和最小值。

进一步的，所述步骤III的模型为设定一个月为一周期，在该周期内修正所述分布式光伏发电功率预测模型，调整的分布式光伏的预测结果用下式表示：

其中,Result是分布式光伏的预测结果，是经过调整的分布式光伏预测结果。

与最接近的现有技术比，本发明提供的技术方案具有以下有益效果：

传统的光伏功率预测方法，以单个集中并网的光伏电站作为预测对象，通过收集基础资料，离线建模的手段完成预测建模工作。由于分布式光伏的地理分布分散、数量众多的特点，集中并网型的方法并不适用，本发明基于数据在线处理方法，可实现分布式光伏功率预测模型的快速建立，不需要大量历史数据的积累， 且算法通用性强，可适用于任何分布式光伏电站。

附图说明

图1为太阳电池受光照产生伏打效应示意图；

图2为本发明的整体技术路线。

具体实施方式

下面通过具体实施方式对发明提供的技术方案做详细说明。

本发明提供了一种基于在线建模的分布式光伏发电功率预测方法，整体技术路线如附图1，由三个步骤组成：

1、分布式光伏功率预测通用模型

(1)收集不同类型的光伏电站的组件参数(包含最大工作电压Vmp、最大工作电流Imp、开路电压Voc、短路电流Isc、峰值功率Wp)，选取一定数量的光伏电站作为样本，对样本光伏电站的组件参数取平均值，得到通用的光伏组件参数，即Vmp、Imp、Voc、Isc、Wp的平均值。

(2)利用(1)中得到通用光伏组件参数，同时利用分布式光伏电站的装机容量、地理位置的经纬度信息，采用基于光电转换的物理方法建立分布式光伏的通用化功率预测模型。

2、数据在线处理

(1)异常数据的诊断

需要在线处理的数据包括分布式光伏的实际功率、分布式光伏的预测功率以及数值天气预报，根据数据实际运行的特点，异常数据主要分为持续不变、数据越限、数据重叠、整体分布异常四大类型，根据数据的实际情况，对这四种类型异常进行在线识别：

设定一个固定的时间间隔TI，若数据在TI内保持不变或变化的幅度特别小则可视为数据的持续不变；

针对不同的数据设定数据的范围DR＝[D1,D2],若实际数据不在DR内则可视为数据越限；

设定一个固定的时间间隔TIT，若统计时段出现两个TIT内数据的值相同则可视为数据重叠；

正常情况下，不同数据类型在一段时间内会呈现出一定的规律，若在统计时段内，数据不符合这个特定的规律，则认为是数据整体分布异常。

(2)异常数据处理

对步骤(1)诊断的异常数据进行处理：

对于数据持续不变和数据越限，将发生异常时段的数据剔除；

对于数据重叠，按时间先后顺序将后面的重叠数据删掉；

对于数据整体分布异常，将分布异常时间段内的数据直接剔除。

(3)数据拟合

对经过步骤(1)和步骤(2)处理的分布式光伏实际功率PR、分布式光伏预测功率数据PE，由于PR和PE是时间序列数据，需要将PR和PE按时间进行对齐，得到数据对齐后的数据PRA和PEA，PRA是PR经过处理后的数据集，PEA是PE经过处理后的数据集；

基于PEA和PRA，利用最小二乘法拟合参数，得到拟合参数η＝{η₁,η₂}，η₁、η₂是常数，代表拟合参数，令是经过拟合参数处理的预测功率，拟合的最终目的为得到和PRA二者对应数据差值的平方和最小值。

3、分布式光伏功率预测模型的修正

基于步骤1和步骤2，定期(一般为一个月)对分布式光伏功率预测模型进行修正，将分布式光伏的预测结果按以下方式进行调整：

其中，Result是分布式光伏的预测结果，是经过调整的分布式光伏预测结果。

最后应当说明的是：以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请特批的权利要求保护范围之内。