一种光伏电站功率预测方法与流程
本发明属于光伏电站发电量预测技术领域，具体涉及一种基于时间序列和相似日分类的mars的光伏电站功率预测方法。
背景技术：
截至2015年9月底，全国光伏发电装机容量达到3795万千瓦，其中，光伏电站3170万千瓦，分布式光伏625万千瓦。但是，光伏发电过程本身受多种环境及自身因素影响，并网后其强随机性和波动性可能造成电网的不稳定，由此导致了大量的“弃光”现象，这与我国倡导的抑制产能过剩的理念是不相匹配的。
电网友好型的电源侧是新能源电力系统的重要组成部分，如果光伏功率能得到比较准确的预测，那么对于电源侧其他稳定的电源，如火电机组，将更容易与其配合调整负荷，使得更多的光伏发电系统能够接入电网，更高效地利用清洁能源。
多元自适应回归样条(mars)方法适用于非线性回归问题。对于高维度数据mars方法能够有效寻找变量交互性和变量变形的最优形式，挖掘隐含在数据对背后的规律，对于具有同一规律的学习集以外的数据，经过训练的模型也能给出合适的输出。
技术实现要素：
针对上述问题，本发明提出一种光伏电站功率预测方法，基于时间序列和天气类型分类的mars模型，以提高短期超短期光伏功率预测精度。
本发明是通过以下技术方案实现的：
一种光伏电站功率预测方法，所述方法用于对目标光伏电站的未来时间段的发电功率进行预测，以获得该目标光伏电站在某一预测时间段的发电功率值；
所述预测方法包括以下步骤：
(1)收集所述预测时间段之前的若干已知时间段的目标光伏电站气象信息数据及发电功率数据，并结合所述已知时间段的天气类型，构建mars模型；根据天气类型构建的mars模型包括晴天mars模型、多云mars模型、阴天mars模型、以及雨雪天mars模型；
(2)基于所述预测时间段之前若干已知时间段的目标光伏电站气象信息数据，使用三次指数平滑时间序列得到所述预测时间段对应的预测气象信息数据；
(3)将所述预测时间段对应的目标光伏电站预测气象信息数据输入到该预测时间段对应的天气类型mars模型中，得到该预测时间段的预测功率值。
进一步地，步骤(3)后还包括以下步骤：
(4)当获得所述预测时间段的实际气象信息数据后，将所述实际气象信息数据输入到该预测时间段对应的天气类型mars模型中，在原有模型基础上再次训练mars模型，以提高该天气类型mars模型的预测精度；
(5)将所述预测时间段的实际气象信息数据输入到步骤(2)中所述三次指数平滑时间序列中，用于获得新的预测时间段对应的预测气象信息数据；
(6)将步骤(2)-(5)循环往复不断滚动预测，以获得不同预测时间段的预测功率值。
进一步地，所述气象信息数据包括所述太阳辐射数据和所述气象数据；
所述太阳辐射数据中的气象参数包括总辐照、直射辐照和散辐照，所述气象数据中的气象参数包括小时数、温度、湿度、露点温度、风速、风向、透光度和反射率。
进一步地，所述步骤(1)具体为：
s1：收集所述预测时间段之前的若干已知时间段的光伏电站的气象信息数据以及对应的发电功率实时数据，并记录所述已知时间段的天气类型，所述天气类型包括晴、多云、阴、雨雪四种；
s2：将收集到的所述气象信息数据以及所述对应的发电功率实时数据按照数据收集时间段对应的天气类型进行分类，分为晴天气象信息数据、多云气象信息数据、阴天气象信息数据以及雨雪天气象信息数据四种类型的气象信息数据；
s3：将s2分类后获得所述四种类型的气象信息数据逐变量剔除误差较大数据点后分别采用最大最小值法进行归一处理，获得归一化处理后的四种类型的气象信息数据；
s4：以所述气象信息数据作为mars模型的输入变量，以发电功率作为mars模型的输出变量，通过前向迭代过程训练成对地引入基函数，最终获得过度拟合的mars模型；在后向过程中，通过交叉验证gcv准则计算各个基函数的重要程度：
其中，
在满足预测精度要求的前提下，按照重要度从低向高的顺序依次删除冗余基函数，得到非过度拟合的mars模型；按照天气类型构建的mars模型包括晴天mars模型、多云mars模型、阴天mars模型、以及雨雪天mars模型。
进一步地，在s3步骤中，
将s2分类后获得所述四种类型的气象信息数据逐变量剔除误差较大数据点后采用最大最小法进行归一处理，获得归一化处理后的四种类型的气象信息数据；
所述最大最小法公式如下：
xz＝(xi-xmin)/(xmax-xmin)
式中，xz为归一化处理后的气象信息数据中的气象参数；xi为未经过归一化处理的气象信息数据中的气象参数；xmax，xmin分别为每种气象信息数据类型中此类气象参数的最大值和最小值。
进一步地，在s4步骤中，所述mars模型的建立过程采用前向选择和后向删除过程；在所述前向过程中，样条函数以加权和的形式引入到mars模型中充当基函数,每次选取一对最优样条函数来提高模型准确度，向后删除过程，删除造成模型过度拟合的基函数。
进一步地，步骤(2)具体为：获取光伏电站所在位置预测时间段的天气预类型，基于该预测时间段前若干天的太阳辐照数据和气象数据使用三次指数平滑时间序列得到预测时间段对应的预测太阳辐照数据和预测气象数据；
进一步地，步骤(3)具体为：将预测时间段对应的目标光伏电站的太阳辐照数据和预测气象数据作为该预测时间段对应天气类型mars模型的输入，得到预测功率值。
本发明的有益技术效果：
本发明所述方法实现了对未来时段分钟级精度的光伏输出功率的实时预测，进而指导光伏电站调度工作，确保光伏并网后整个电网稳定、安全地运行，更高效地利用清洁能源。
本发明所述方法与其他短期超短期方法相比，不断迭代优化mars模型保证预测收敛性且具有更好的预测精度。
附图说明
图1为利用本发明光伏电站功率预测方法测得的预测时间段预测功率与实际功率比较图谱；
图2为本发明一种光伏电站功率预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
一种光伏电站功率预测方法，如图1-2所示，所述方法基于时间序列和相似日分类，所述方法包括以下步骤：
s1：收集所述预测时间段之前的若干已知时间段的光伏电站的太阳辐照数据、气象数据以及对应的发电功率实时数据，并记录所述已知时间段的天气类型，所述天气类型包括晴、多云、阴、雨雪四种；
s2：将收集到的所述太阳辐照数据、所述气象数据以及所述对应的发电功率实时数据按照数据收集时间段对应的天气类型进行分类，分为晴天气象信息数据、多云气象信息数据、阴天气象信息数据以及雨雪天气象信息数据四种类型的气象信息数据；
所述太阳辐射数据中的气象参数包括总辐照、直射辐照和散辐照，所述气象数据中的气象参数包括小时数、温度、湿度、露点温度、风速、风向、透光度和反射率。
s3：将s2分类后获得所述四种类型的气象信息数据逐变量剔除误差较大数据点后分别采用最大最小值法进行归一处理，获得归一化处理后的四种类型的气象信息数据；
s4：以所述气象信息数据作为mars模型的输入变量，以发电功率作为mars模型的输出变量，通过前向迭代过程训练成对地引入基函数，最终获得过度拟合的mars模型；在后向过程中，通过交叉验证gcv准则计算各个基函数的重要程度：
其中，
s5：获取光伏电站所在位置预测时间段的天气预类型，基于该预测时间段前若干天的太阳辐照数据和气象数据使用三次指数平滑时间序列得到预测时间段对应的预测太阳辐照数据和预测气象数据；
s6：将预测时间段对应太阳辐照数据和预测气象数据作为该预测时间段对应天气类型mars模型的输入，得到预测功率值；
s7：当获得s5和s6中所述预测时间段实际太阳辐照数据和实际气象数据后，将所述实际太阳辐照数据和所述实际气象数据作为mars模型的输入，只进行所述后向过程再次训练mars模型，提高该模型预测精度；
s8：当获得所述预测时间段实际太阳辐照数据和实际气象数据后，将所述实际太阳辐照数据和所述实际气象数据输入s5中所述三次指数平滑时间序列获得新的预测时间段对应的预测太阳辐照数据和预测气象数据，s5-s8循环往复不断滚动预测，以获得不同预测时间段的预测功率值。
实施例2
一种光伏电站功率预测方法，所述方法基于时间序列和相似日分类，所述方法包括以下步骤：
s1：收集2016年10月中连续12天内每日6:00-18:00光伏电站的太阳辐照数据(包括总辐照、直射辐照、散辐照)、气象数据(包括小时数、温度、湿度、露点温度、风速、风向、透光度、反射率)以及对应发电功率。
并记录所述已知时间段的天气类型，所述天气类型包括晴、多云、阴、雨雪四种；其中10月12、14-16、22-24为晴天，10，11，13,17，18为多云天气，19-21日为雨雪。
s2：对s1收集到的数据按照天气类型分为晴、多云、阴、雨雪四种类型的气象信息数据；
s3：将s2分类后获得所述四种类型的气象信息数据进行剔除误差较大数据点、然后采用最大最小法进行归一处理，获得归一化处理后的四种类型的气象信息数据；
所述最大最小法公式如下
xz＝(xi-xmin)/(xmax-xmin)
xz为归一化处理后的气象信息数据中的气象参数；xi为未经过归一化处理的气象信息数据中的气象参数；xmax，xmin分别为每种气象信息数据类型中此类气象参数的最大值和最小值。s4：以所述气象信息数据作为mars模型的输入变量，以发电功率作为mars模型的输出变量，通过前向迭代过程训练成对地引入基函数，最终获得过度拟合的mars模型；在后向过程中，通过交叉验证gcv准则计算各个基函数的重要程度：
其中，
在满足预测精度要求的前提下，按照重要度从低向高的顺序依次删除冗余基函数，得到非过度拟合的mars模型；并基于全部基函数中所含有选用的各个气象信息数据的多少反推各个信息数据的重要程度，作为下一次模型优化训练的输入变量。按照天气类型构建的mars模型包括晴天mars模型、多云mars模型、阴天mars模型、以及雨雪天mars模型。
以晴天为例，对该气象类型所包含的气象信息数据，基于后向过程gcv评估气象参数的影响大小。
如表1所示，可以看出总辐照瞬时值、露点、环境温度、平均风速、散辐照瞬时值和小时数6个气象参数组合的重要性程度满足模型精度要求，说明这6个气象参数对模型贡献较大，且贡献度依次降低。从物理意义上来说，太阳的辐照是导致光伏电池产生伏特效应的直接影响，总辐照瞬时值衡量太阳辐照度是影响光伏发电功率的最主要气象因素。露点指空气中饱和水汽开始凝结结露的温度，露点受气压与湿度影响，而这两点和平均风速与天气类型密切相关，从而影响辐照度进而影响发电功率。环境温度与辐照度成正比，通常辐照度越大，环境温度越高。散辐照度是阳光受到大气中气体、尘埃、气溶胶等的散射作用从天空的各个角度到达地表的一部分太阳辐射，散辐照度越小通常大气越晴朗，辐照能量更加集中，发电功率越高。
表1晴天气象类型所包含的气象信息数据中气象参数的重要性程度gcv
将上述6个气象参数作为后续循环训练mars模型的输入变量，以发电功率作为mars模型的输出变量，建立获得mars模型；在本实施例中，建立的为晴天mars模型；所述mars模型的建立过程采用前向选择和后向删除过程；在所述前向过程中，样条函数以加权和的形式引入到mars模型中,每次选取一对最优样条函数来提高模型准确度，向后删除过程，删除造成模型过度拟合的基函数。
建立的晴天mars模型为：
y＝0.2+0.75*bf1-0.32*bf2+0.038*bf3+0.031*bf4-0.34*bf5+0.2*bf6+0.43*bf7+0.11*bf8(1)
式(1)中，y为发电功率，单位kw；bfn为基函数，n为基函数下编号，n的取值范围为1-8；
基函数的确定以及基函数数目的最大值等参数都由mars算法根据样本数据来自动完成；公式(2)是mars引入的样条函数的一般形式，即基函数bfn未耦合时的形式如下所示：
公式(2)中，m为基函数的节点位置，d与u分别为线性拟合区间的下界和上界，xi为预测气象信息数据中某一变量，sgn(n)为符号函数，r,p均为计算算子。
公式(2)中：
根据公式(5)可知，当n为偶数时，sgn函数的返回值为1，当n为奇数时，sgn函数的返回值为-1。
现为了表述的简洁性，针对公式(2),定义基函数bfn未耦合时的缩略形式为：
bfn＝c(xi|sgn(n),d,m,u)
其中c为缩略记号。
表2实施例2晴天mars模型的基函数
s5：光伏电站所在位置11月5日的天气预类型为晴天。基于前一时段气象数据使用三次指数平滑时间序列得到预测时段数据。
s6：将s5时间序列预测数据作为s4训练所得mars模型的输入，得到预测功率值。
s7：当获得原预测时段实际测量的辐照数据和气象数据后，将两者作为输入只进行后向过程再次训练mars模型，提高模型预测精度。
s8：当获得原预测时段实际测量的辐照数据和气象数据后，将两者输入时间序列获得新的预测时段辐照和气象数据。回到s5循环往复不断滚动预测。
本发明所提供的方法中，当设定预测时段为分钟级时，即可实现对未来时段分钟级精度的光伏输出功率的实时预测，进而指导光伏电站调度工作，确保光伏并网后整个电网稳定、安全的运，更高效地利用清洁能源。
- 还没有人留言评论。精彩留言会获得点赞！