一种光伏电站超短期辐照度预测方法及系统与流程

本发明属于光伏预测领域，尤其涉及一种光伏电站超短期辐照度预测方法及系统。

背景技术：

太阳能光伏发电作为太阳能利用中最具实用意义的技术，已经成为世界各国竞相研究和应用的热点。但是光伏发电固有的高度依赖天气条件，随机性和波动性大，预测困难的特点，又限制了光伏发电的大规模应用。

光伏发电的输出功率在很大程度上取决于光伏面板所能接收到的太阳辐射量，容易受到天气因素的影响。安装在光伏电站的环境监测仪所测的光伏面板斜面辐照度，无法考虑辐照度的波动性和随机性，其预测精度较低，在天气状况变化剧烈或者预测时间尺度较长时预测效果更差。尤其是现有技术中基于斜面辐照度测量历史值预测未来几个小时辐照度时，未能反应未来几个小时天气变化因素，从而导致光伏电站超短期辐照度预测不准确。

技术实现要素：

本发明所要解决的技术问题是：现有基于斜面辐照度测量历史值预测未来几个小时辐照度时，未能反应未来几个小时天气变化因素，从而导致光伏电站超短期辐照度预测不准确。

为解决上面的技术问题，本发明提供了一种光伏电站超短期辐照度预测方法，该方法包括如下步骤：

s1,利用读取的当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据训练支持向量回归模型，得到训练后的支持向量回归模型，同时利用训练后的模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度；

s2，读取预测时刻tp及tp前后的tp-ts、tp+ts时刻的数值天气预报的第一数据、当前时刻t0及其之前某一时间段的数值天气预报的第二数据，并计算所述第一数据与每一时刻的所述第二数据的相似度，同时将所述数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据；

s3，读取与所述第三数据中每一时刻相对应的光伏电站的实际辐照度和第一预测辐照度，并分别计算第一数据的第二预测辐照度与实际辐照度的第一方差以及所述第一预测辐照度与实际辐照度的第二方差，同时利用遗忘因子分别对所述第一方差和所述第二方差进行加权累计；

s4，根据加权累计后得出的第一加权累计方差和第二加权累计方差，计算所述第二预测辐照度所占的第一权重和所述第一预测辐照度所占的第二权重；

s5，根据所述第一预测辐照度、所述第二预测辐照度、第一权重和第二权重，计算得到预测时刻tp的光伏电站超短期预测辐照度。

本发明的有益效果：在超短期辐照度预测上，采用本发明的方法克服了现有算法仅针对实测辐照度序列进行预测，对辐照度变化趋势把握能力差的问题，同时本发明中以支持向量回归(svr)模型的预测辐照度为基础，结合数值天气预报提供的趋势数据，发明了基于相似度和遗忘因子的样本筛选和辐照度修正算法，采用该算法在预测中可以明显地提高预测精度，同时该算法的计算效率和性能达到了光伏电站15分钟滚动预测的要求，完全满足光伏发电实时调度的需要。

进一步地，所述s1中，若读取的当前时刻t0及其之前某一时间段光伏电站实际辐照度数据中，存在丢失或者非法数据，则使用与丢失或者非法数据相邻的实际辐照度数据作为替代数据，并利用替代数据训练支持向量回归模型。

上述进一步的有益效果：在存在丢失或者非法数据，使用与丢失或者非法数据相邻的实际辐照度数据作为替代数据，这样可以使得数据紧密，不会出现断裂的现象，同时也保证了后续步骤中的预测精度的提高。

进一步地，所述s1中包括：

s11，读取当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据；

s12，将所述实际辐照度数据分成连续的多组训练样本数据，并利用每组训练样本数据训练支持向量回归模型；

s13，利用训练后的支持向量回归模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度。

上述进一步的有益效果：采用将所读取的数据依次分成连续的多组，这样的目的可以使得数据有层次性，大大减少了数据中产生的误差，可以使得后续中读取的数据精度大大提高。

进一步地，所述s12中将所读取的数据依次分成连续的多组训练样本数据，并利用所述每组训练样本数据训练支持向量回归模型，其中所述每组训练样本数据中m个连续的实际辐照度数据为训练支持向量回归模型的输入，而训练支持向量回归模型的输出为所述m个连续的实际辐照度数据后续第wstep的实际辐照度数据，其中，m为相空间个数，wstep为第wstep步预测步骤(wstep＝1...nts)，nts为预测步骤，预测时间长度为tfp，超短期辐照度预测的时间尺度为ts。

进一步地，该方法在s2与s3之间还包括：将所述第二数据按照相似度值进行排序，使用sigmoid函数计算所述第三数据中各时刻的数据与所述第一数据中预测时刻tp的数据之间的遗忘因子。

上述进一步的有益效果：对相似度进行排序后使用sigmoid函数计算，可以使得后续的计算也测精度逐渐提高，并且不会出现数据出现遗漏缺失的现象。

进一步地，所述s2中，包括计算所述第一数据与所述当前时刻t0及其之前某一时间段内任一历史时刻th及前后th-ts、th+ts时刻的数据的相似度。

上述进一步的有益效果：选取处于该时间段内任一历史时刻th及前后th-ts、th+ts时刻的数据参与相似度和遗忘因子的计算，并非是采用所有的数据，这样间隔地选取数据，可以缩小数据之间的误差，大大提高后续的预测精度。

进一步地，所述s2中还包括：读取预测时刻tp前后的tp-ts、tp+ts时刻的数值天气预报；

所述历史时刻th及其前后的th-ts、th+ts时刻的第二数据分别与预测时刻tp及预测时刻tp前后的tp-ts、tp+ts时刻的第一数据一一相对应，并按照所述数值天气预报中的第一数据与第二数据进行方差计算，同时将得到的该方差进行加权累计。

进一步地，所述s4中，根据以下公式计算第二预测辐照度所占的第一权重为：

其中，se2为第一加权累计方差，se1为第二加权累计方差。

进一步地，所述s5中，根据以下公式计算预测时刻tp的光伏电站超短期预测辐照度为：

modghi＝weights×gtire+(1.0-weights)×ghisvr

其中，weights为第一权重，gtire为第二预测辐照度，ghisvr为第一预测辐照度。

本发明还涉及一种光伏电站超短期辐照度预测系统，该系统包括：训练支持向量回归模型模块、相似度计算模块、方差计算模块、权重计算模块、超短期辐照度预测模块；

所述训练支持向量回归模型模块，其用于利用读取的当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据训练支持向量回归模型，得到训练后的支持向量回归模型，同时利用训练后的模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度；

所述相似度计算模块，其用于读取预测时刻tp的数值天气预报的第一数据、当前时刻t0及其之前某一时间段的数值天气预报的第二数据，并计算所述第一数据与每一时刻的所述第二数据的相似度，同时将所述数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据；

所述方差计算模块，其用于读取与所述第三数据中每一时刻相对应的光伏电站的实际辐照度和第一预测辐照度，并分别计算第一数据的第二预测辐照度与实际辐照度的第一方差以及所述第一预测辐照度与实际辐照度的第二方差，同时利用遗忘因子分别对所述第一方差和所述第二方差进行加权累计；

所述权重计算模块，其用于根据加权累计后得出的第一加权累计方差和第二加权累计方差，计算所述第二预测辐照度所占的第一权重和所述第一预测辐照度所占的第二权重；

所述超短期辐照度预测模块，其用于根据所述第一预测辐照度、所述第二预测辐照度、第一权重和第二权重，计算得到预测时刻tp的光伏电站超短期预测辐照度。

本发明的有益效果：在超短期辐照度预测上，采用本发明的方法克服了现有算法仅针对实测辐照度序列进行预测，对辐照度变化趋势把握能力差的问题，同时本发明中以支持向量回归(svr)模型的预测辐照度为基础，结合数值天气预报提供的趋势数据，发明了基于相似度和遗忘因子的样本筛选和辐照度修正算法，采用该算法在预测中可以明显地提高预测精度，同时该算法的计算效率和性能达到了光伏电站15分钟滚动预测的要求，完全满足光伏发电实时调度的需要。

附图说明

图1为本发明的一种光伏电站超短期辐照度预测方法的流程图；

图2为本发明的一种光伏电站超短期辐照度预测方法的示意图；

图3为本发明的一种光伏电站超短期辐照度预测系统的示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例1

如图1和图2所示，本发明实施例中的一种光伏电站超短期辐照度预测方法，该方法包括如下步骤：

s1,利用读取的当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据训练支持向量回归模型，得到训练后的支持向量回归模型，同时利用训练后的模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度；

在本实施例1中是先读取当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据，然后将读取到的这些数据训练支持向量回归模型，得到训练后的支持向量回归模型，比如：读取当前时刻8:00，以及8:00之前3天的光伏电站的实际辐照度数据，将当前时刻8:00以及之前3天的时间段的光伏电站的实际辐照度数据，训练支持向量回归(svr)模型，使用新建立的支持向量回归模型和第一数据当前时刻8:00以及之前某一时间段的光伏电站实际辐照度数据作为输入，对预测时刻tp的辐照度进行预测，比如：对预测时刻是8:15分钟的辐照度进行预测，得到第一预测辐照度。

s2，读取预测时刻tp以及预测时刻tp前后的tp-ts、tp+ts时刻的数值天气预报的第一数据、当前时刻t0及其之前某一时间段的数值天气预报的第二数据，并计算所述第一数据与每一时刻的所述第二数据的相似度，同时将所述数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据；在本实施中采用的是最近31天的时间段作为当前时刻t0之前某一时间段；

在本实施例1中是先读取预测时刻tp以及预测时刻tp前后的tp-ts、tp+ts时刻的数值天气预报的第一数据，比如：对于预测时刻为8:30分所选择的数值天气预报的数据的时刻为8:15分、8:30分以及8：45分，还读取当前时刻t0及其之前某一时间段的数值天气预报的第二数据，比如：读取当前时刻8:00，以及当日8:00之前31天这个时间段的数值天气预报的数据，读取完这些数值天气预报的数据后，并计算所述第一数据与每一时刻的所述第二数据的相似度，比如：对预测时刻是8:30分，选取8:15分、8:30分以及8:45分的数值天气预报的数据与当前时刻8:00，以及8:00之前31天这个时间段的数值天气预报的数据进行一对多的数据相似度的计算，例如：8:15分的第一数据对应前一天9:15分的第二数据，8:30分的第一数据对应前一天9:30分的第二数据，8：45分的第一数据对应前一天9：45分的第二数据，分别算8:15分、8:30分和8点45分的对应第一数据和前一天第二数据数值天气预报各气象要素的方差，将得到各气象要素的方差进行标准差归一化处理和加权处理，再将处理后的8：15分、8:30分和8：45分的数据进行累加，得到预测时刻8:30分第一数据与前一天9：30分第二数据的相似度。得到相似度后，再将数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据。另外，本实施中选取处于历史日与预测时刻前后2小时之内的数值天气预报参与相似度和遗忘因子的计算，其它数值天气预报将不参与相似度和遗忘因子的计算。

s3，读取与所述第三数据中每一时刻相对应的光伏电站的实际辐照度和第一预测辐照度，并分别计算第一数据的第二预测辐照度与实际辐照度的第一方差以及所述第一预测辐照度与实际辐照度的第二方差，同时利用遗忘因子分别对所述第一方差和所述第二方差进行加权累计；

在本实施例1中是先读取与排序后的第二数据也即是第三数据中每一时刻相对应的光伏电站的实际辐照度和支持向量回归模型的预测辐照度，在读取完后，再分别计算第一数据的预测辐照度与实际辐照度的方差和支持向量回归模型的预测辐照度与实际辐照度的方差，然后在计算得到方差后在采用利用遗忘因子分别对所述第一数据的预测辐照度与实际辐照度的方差和支持向量回归模型的预测辐照度与实际辐照度的方差进行加权累计。

另外，在本实施例1中除了计算辐照度，还包括：环境温度、风速、湿度、总云量、高云量、中云量、低云量、气压和风向等气象要素的方差，并将3个相同气象要素的方差累加。

s4，根据加权累计后得出的第一加权累计方差和第二加权累计方差，计算所述第二预测辐照度所占的第一权重和所述第一预测辐照度所占的第二权重；

在本实施例1中上述步骤s3中进行加权累计后得到所述第一数据的预测辐照度与实际辐照度的加权累计方差和支持向量回归模型的预测辐照度与实际辐照度的加权累计方差，根据得到的加权累计方差计算第一数据的预测辐照度所占权重和支持向量回归模型的预测辐照度所占权重。

s5，根据所述第一预测辐照度、所述第二预测辐照度、第一权重和第二权重，计算得到预测时刻tp的光伏电站超短期预测辐照度。

本实施例中上述步骤s1至s4中计算得到的所述第一数据的预测辐照度、支持向量回归模型预测辐照度以及所述第一数据的预测辐照度所占权重和支持向量回归模型的预测辐照度所占权重，再计算得到预测时刻tp光伏电站超短期预测辐照度。

需要说明的是，在本发明实施例1中该方法是对预测时间长度为tfp，时间尺度(预测步长)为ts的超短期辐照度预测，共分nts步进行预测，其中对第wstep步(wstep＝1...nts)预测方法就是上述所说的s1至s5中的步骤。

通过上述的方法在超短期辐照度预测上，为了克服现有算法仅针对实测辐照度序列进行预测，对辐照度变化趋势把握能力差的缺点，以支持向量回归(svr)模型的预测辐照度为基础，结合数值天气预报提供的趋势数据，发明了基于相似度和遗忘因子的样本筛选和辐照度修正算法。实际应用表明该算法在超前1小时以后的预测中可以明显地提高预测精度，同时该算法的计算效率和性能达到了光伏电站15分钟滚动预测的要求，完全满足光伏发电实时调度的需要。

优选地，所述s1中当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据包括：若在光伏电站实际辐照度数据中，存在丢失或者非法数据，则使用与丢失或者非法数据相邻的实际辐照度数据作为替代数据，将替代数据训练支持向量回归模型。

在本实施例1中将存在丢失或者非法数据，使用与丢失或者非法数据相邻的实际辐照度数据作为替代数据，这样可以使得数据紧密，不会出现断裂的现象，同时也保证了后续步骤中的预测精度的提高。

优选地，在本实施例1中上述步骤s1中包括：

s11，读取当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据；

s12，将实际辐照度数据分成多组训练样本数据，每组训练样本输入为m个连续的实际辐照度数据，训练样本输出为所述m个连续实际辐照度数据后续第wstep个实际辐照度数据，其中，m为相空间个数，可设定，对预测时间长度为tfp，时间尺度(预测步长)为ts的超短期辐照度预测，共分nts步进行预测，wstep为第wstep步(wstep＝1...nts)预测步骤；

s13，利用训练后的支持向量回归模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度。

在本实施例1中采用将所读取的数据依次分成连续的多组，这样的目的可以使得数据有层次性，大大减少了数据中产生的误差，可以使得后续中读取的数据精度大大提高。

优选地，本实施例1中还涉及在步骤s12中将所读取的数据依次分成连续的多组，并利用分组数据训练支持向量回归模型，同时训练支持向量回归模型的输出为所述m个连续实际辐照度数据后续第wstep个实际辐照度数据，其中，m为相空间个数，可设定，本实施例中，取值为4。

优选地，在本实施例1中该方法在s2与s3之间还包括：将所述第二数据按照相似度值进行排序，使用sigmoid函数计算所述第三数据中各时刻的数据与预测时刻tp之间的遗忘因子。

在本实施例中对相识度进行排序后可以使得后续的计算也测精度逐渐提高，并且不会出现数据遗漏缺失的现象。其中使用sigmoid函数作为遗忘函数，计算遗忘因子w，sigmoid函数形式如下：

其中，ε为倾斜度，其取值与有效数值天气预报历史记录条数有关，本实施例取值为0.00807949，i为第三数据排序的序号。

优选地，在本实施例1中所述s2中，包括计算所述第一数据与所述当前时刻t0及其之前某一时间段内任一历史时刻th及前后th-ts、th+ts时刻的数据的相似度。

优选地，对于所述相似度的计算以及所述遗忘因子的计算是在所述当前时刻t0及其之前某一时间段的数值天气预报的第二数据中，选取处于该时间段内任一历史时刻th及前后th-ts、th+ts时刻的数据参与相似度和遗忘因子的计算。

在本发明实施例1中是选取处于该时间段内任一历史时刻th及前后th-ts、th+ts时刻的数据参与相似度和遗忘因子的计算，并非是采用所有的数据，这样间隔地选取数据，可以缩小数据之间的误差，大大提高后续的预测精度，比如：在上述所说的当前时刻8:00之前31天这个时间段，选取的是这个是时间段中的数据参与相似度和遗忘因子的计算，比如预测时刻为8：30分，则选择的是8:15分、8:30分以及8:45分第一数据，计算前一天9:30分这一时刻与预测时刻的相似度计算方法为：选取前一天9:15分、9:30以及9:45第二数据，分别计算第一数据8:15分与第二数据前天9:15分、第一数据8:30分与第二数据前天9:30以及第一数据8:45分与第二数据前天9:45分数值天气预报各气象要素的方差，将计算的各气象要素的方差经过标准差归一化处理和加权处理，再将处理后的各气象要素数据累加，得到第一数据预测时刻8:30分与第二数据前一天9:30分的相似度值。

将第二数据，按照上述方法分别计算第二数据与第一数据预测时刻的相似度，并按照相似度值，将第二数据进行排序，得到第三数据。将排序的第三数据，依次使用sigmoid函数作为遗忘函数，计算遗忘因子w，sigmoid函数形式如下：

其中，ε为倾斜度，其取值与有效数值天气预报历史记录条数有关，本实施例取值为0.00807949，i为第三数据排序的序号。

优选地，所述s2中还包括：读取预测时刻tp前后的tp-ts、tp+ts时刻的数值天气预报；

所述历史时刻th及其前后的th-ts、th+ts时刻的第二数据分别与预测时刻tp及预测时刻tp前后的tp-ts、tp+ts时刻的第一数据一一相对应，按照数值天气预报各气象因素计算各气象因素的方差，并将方差进行加权累计。

在本实施例1中选取的是读取预测时刻tp前后的tp-ts、tp+ts时刻的数值天气预报，比如：预测时刻是8:30的数值天气预报的数据，以及8:15、8:45的数值天气预报的数据分别与前天9:15，9:30，9:45这三个时间点的数据一一相对应，计算方法根据上述的计算公式进行计算则可以得到。

优选地，所述s4中，根据以下公式计算第二预测辐照度所占的第一权重为：

其中，se2为第一加权累计方差，se1为第二加权累计方差。

在本实施例中所述s4中计算第一数据的预测辐照度所占权重为：

其中，se2为支持向量回归模型的预测辐照度与实际辐照度的加权累计方差，se1为数值天气预报的预测辐照度与实际辐照度的加权累计方差，weights为预测时刻tp数值天气预报预测辐照度所占权重。

在本实施例1中根据影响辐照度的不同因素，将累加后的各气象要素方差进行综合加权处理，其中，辐照度的权重为0.8，温度的权重为0.04，风速的权重为0.01、湿度的权重为0.01、高云量的权重为0.02、中云量的权重为0.02、低运量的权重为0.02、太阳天顶角余弦的权重为0.04、光伏面板太阳入射角余弦的权重为0.04。

优选地，所述s5中，根据以下公式计算预测时刻tp的光伏电站超短期预测辐照度为：

modghi＝weights×gtire+(1.0-weights)×ghisvr

其中，modghi为预测时刻tp光伏电站超短期辐照度，weights为第一权重，gtire为第二预测辐照度，ghisvr为第一预测辐照度。

其中，需要解析的是在本实施例1中weights为第一权重也就是指预测时刻tp数值天气预报的预测辐照度所占权重，gtire为第二预测辐照度也就是指预测时刻tp数值天气预报的预测辐照度，ghisvr为第一预测辐照度也就是指预测时刻tp支持向量回归模型预测辐照度。

实施例2

如图3所示的，本实施例2中还涉及一种光伏电站超短期辐照度预测系统，该系统包括：训练支持向量回归模型模块、相似度计算模块、方差计算模块、权重计算模块、超短期辐照度预测模块；

所述训练支持向量回归模型模块，其用于利用读取的当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据训练支持向量回归模型，得到训练后的支持向量回归模型，同时利用训练后的模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度；

所述相似度计算模块，其用于读取预测时刻tp的数值天气预报的第一数据、当前时刻t0及其之前某一时间段的数值天气预报的第二数据，并计算所述第一数据与每一时刻的所述第二数据的相似度，同时将所述数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据；

所述方差计算模块，其用于读取与所述第三数据中每一时刻相对应的光伏电站的实际辐照度和第一预测辐照度，并分别计算第一数据的第二预测辐照度与实际辐照度的第一方差以及所述第一预测辐照度与实际辐照度的第二方差，同时利用遗忘因子分别对所述第一方差和所述第二方差进行加权累计；

所述权重计算模块，其用于根据加权累计后得出的第一加权累计方差和第二加权累计方差，计算所述第二预测辐照度所占的第一权重和所述第一预测辐照度所占的第二权重；

所述超短期辐照度预测模块，其用于根据所述第一预测辐照度、所述第二预测辐照度、第一权重和第二权重，计算得到预测时刻tp的光伏电站超短期预测辐照度。

在本实施例2中该系统引用上面实施例1中的所有提及到的方法的内容。

在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。