本发明涉及光伏短期功率预测技术领域，具体涉及一种基于风速预报提高光伏短期功率预测精度的方法。
背景技术：
随着经济的迅速发展，全球能源保障和环境污染等问题日益突出，可再生能源的开发利用越来越成为焦点。我国太阳能资源丰富，理论储量大，光伏发电凭借其清洁、安全、简单等突出优势得以迅猛发展，然而光伏发电输出功率具有波动性和随机性，对电网的安全稳定和经济运行造成较大影响。因此，对光伏电站输出功率的准确预测，能为电力调度提供重要的决策支持，有效降低电力系统运行成本，使光伏资源得到充分利用，从而获得更大的经济效益和社会效益。
多年来，我国学者针对光伏功率预测模型的预测精度开展了大量富有成果的研究，主要体现在：对光伏功率、气象观测等数据质量的评估和整备；考虑阴雨、云层、附尘、沙尘、雾霾等复杂天气情况下的辐射功率转换曲线的变化；将光伏电站装机变化、光伏组件温度及其老化等因素纳入光伏功率预测模型等。
WRF数值模式结合先进的数值计算、资料同化技术，多重移动嵌套网格性能及完善的、适应不同地形、地貌特征的边界层物理过程参数化方案，以及其在全球中尺度数值天气预报业务和其他领域的良好应用效果，近年来被越来越多地应用在风电场和光伏电站数值模拟理论与应用研究工作中，并逐渐成为新能源功率预测提供数值天气预报产品的重要中尺度数值模式之一。
中国专利号CN105701572A，公开日期为2016年6月22日，发明名称为一种基于改进高斯过程回归的光伏短期出力预测方法，，以天气类型指数、日平均温度和湿度相似度为参考，对数据进行分类，针对不同的天气类型选择不同的影响因素，在matlab中建立对应的权重线性递减粒子群高斯过程回归LinWPSO-GPR预测模型，，解决了现有技术中的光伏短期出力预测方法寻优过程易陷入局部最优、且优化效果及迭代的收敛性过于依赖初始值的问题，然而忽略了风对光伏电站发电效率的影响，风速的大小直接影响光伏电站局的湍流，从而影响光伏电站局的环境温度和光伏组件温度。
技术实现要素：
本发明为解决上述忽略了风对光伏电站发电效率的影响，风速的大小直接影响光伏电站局的湍流，从而影响光伏电站局的环境温度和光伏组件温度的问题，提供了一种对不同区域的光伏短期功率预测具体很好的适应性的一种基于风速预报提高光伏短期功率预测精度的方法。
本发明解决其技术问题所采用的技术方案是：一种基于风速预报提高光伏短期功率预测精度的方法，至少包括电站，包括以下步骤：
步骤1：通过WRF数值模式生产预测数据；
步骤2：整编实测功率、实测气象数据和预测气象数据；
步骤3：率定功率转换关系；
步骤4：模型检验与再训练判定。
作为优选，所述的步骤1包括预测数据生成方法，所述的预测数据生成方法至少包括气象观测数据，所述的预测数据包括预测近地面总辐射数据和预测近地面风速数据，包括以下步骤：
步骤A1：利用WRF数值模式，设计具有区域适应性的参数化方案；
步骤A2：以NCEP提供的GFS资料来设定WRF模式初始场和边界；
步骤A3：导入气象观测数据，采用三维资料同化法，分别以8:00和20:00为起始预报点，
生成输出分辨率3km*3km、时间间隔5分钟以及预测时长72小时的预测近地面总辐射数据以及预测近地面风速数据。
作为优选，所述的实测气象数据包括实测近地面总辐射和实测近地面风速，所述的步骤2包括处理实测功率数据公式，公式如下：
所述的步骤2还包括修正漏采功率数据方法，包括以下步骤：
步骤a1：选择漏采数据的前后数据，然后取平均值；
步骤a2：将Pi过去临近5分钟的数据求平均，将实测功率数据整编成时间间隔5分钟的序列Pj；
所述的步骤a1包括修正漏采功率数据公式，公式如下：
Pi＝(Pi-1+Pi+1)/2；
其中，Pi为实测功率数据，P0为电站装机容量。
作为优选，其特征在于，所述的步骤2还包括气象数据整编方法，包括以下步骤：
步骤B1：选取对应光伏电站过去临近十天实测近地面总辐射、近地面风速数据，并针对数据丢数、漏数、误采、误报等情况进行修正，使其满足实测近地面总辐射数据Ri、实测近地面风速数据大小Wi均不小于0，并整编成时间序列与实测功率数据Pj相对应的Rj、Wj；
步骤B2：将WRF数值模式预报数据差值到电站相应站点，选取过去临近十天及未来三天预测近地面总辐射数据以及预测近地面风速数值模式数据，并针对数据丢数、漏数、误采以及误报情况进行修正，使其满足预测近地面总辐射数据RPi以及预测近地面风速大小数据WPi均不小于0，并整编成时间序列与实测功率数据Pj相一致的RPk、WPk；
步骤B3：利用过去临近十天实测近地面总辐射数据Ri和近地面风速数据Wj，结合最小二乘法分别对其订正，得到订正后的未来三天近地面总辐射数据RPj和近地面风速数据WPj数值预报数据。
作为优选，所述的步骤3包括光伏组件光电转换效率曲线拟合方法，包括以下步骤：
步骤C1：假定辐射-功率数据点(Rj，Pj)，其中j＝0,1,......,k，计算预测功率，包括以下计算公式：
步骤C2：结合最小二乘法，拟合关系满足误差趋于最小，包括以下计算公式：
步骤C3：计算函数关于ΔP＝ΔP(a0,a1,......,am,b0,b1,......bn)的极小值即可求解多项式系数ax和by；
步骤C4：跳转至步骤C1，直到得出若干组数据；
步骤C5：比较不同次幂光伏组件光电转换效率曲线误差平方和ΔP的大小，选取ΔP最小值对应的实测近地面总辐射多项式最高次幂m和扰动项实测近地面风速多项式最高次幂n，确定模型。
作为优选，包括模型优化和判定方法，包括以下步骤：
步骤D1：将整编后的未来三天近地面总辐射RPj、近地面风速WPj数值预报数据代入上述模型，计算出未来三天预测功率数据PP′j；
步骤D2：取最新一天的实测功率数据P′i，通过所述的步骤2处理得P′j，计算其与预测功率PP′j之间的评估数据，判定模型的预测效果，所述的评估数据至少包括均方根误差、相关系数以及预测合格率。
步骤D3：若预测评估结果的均方根误差大于0.15、合格率小于90％或相关系数小于0.98，则分别计算所述临近十天的实测功率数据与实测近地面总辐射数据之间的相关系数，剔除相关性小值对应的数据，将提取的数据重新代入步骤3循环计算，直至预测结果满足均方根误差小于0.15、合格率大于90％或相关系数大于0.98；
步骤D4：计算仅用近地面总辐射多项式拟合光功转换曲线的模型预测评估数据，比较两种模型误差大小，如若改进后的模型预测效果与标准值，则跳转至步骤D1，优化建模样本，重新率定拟合关系，比较预测效果；若改进后的预测模型效果与标准值相符，则模型有效。本发明的实际效果是：本发明填补了WRF数值模式风速预报在光伏功率预测模型中应用的技术空白，大量试验结果表明，增加近地面风速扰动项的模型预测效果优于单一的辐射-功率转换关系，尤其在大风等复杂天气条件下，改进后的预测模型优势明显，本发明在实际应用过程中取得了良好的效果，且其对不同区域的光伏短期功率预测具体很好的适应性。
附图说明
图1为一种基于风速预报提高光伏短期功率预测精度的方法的算法流程图。
具体实施方式
如图1所示的一种基于风速预报提高光伏短期功率预测精度的方法的算法流程图，利用WRF(Weather Research Forecast)数值模式，设计具有区域适应性的参数化方案，以NCEP(National Centers for Environmental Prediction)提供的GFS(Global File System)资料作为WRF模式初始场和边界条件，结合光伏电站本地化气象观测数据，采用三维资料同化方法，分别以8:00和20:00为起始预报点，生产输出分辨率3km×3km，时间间隔5分钟，预测时长72小时的近地面总辐射、风速数据；从监测系统所采集的实际出力数据中选取光伏电站过去临近十天实测功率，并针对数据丢数、漏数、误采、误报等情况，对其进行修正。
修正实测功率数据。处理实测功率数据，使其满足：
其中，Pi为实测功率，P0为电站装机容量；
修正漏采功率数据。选择漏采数据的前后数据，然后取平均值：
Pi＝(Pi-1+Pi+1)/2
然后，将Pi过去临近5分钟的数据求平均，将实测功率数据整编成时间间隔5分钟的序列Pj。选取对应光伏电站过去临近十天实测近地面总辐射、近地面风速数据，并针对数据丢数、漏数、误采、误报等情况进行修正，使其满足近地面总辐射Ri、近地面风速大小Wi均不小于0，并整编成时间序列与实测功率Pj相对应的Rj、Wj；
将WRF数值模式预报数据差值到光伏电站相应站点，选取过去临近十天及未来三天近地面总辐射、近地面风速数值模式数据，并针对数据丢数、漏数、误采、误报等情况进行修正，使其满足近地面总辐射RPi、近地面风速大小WPi均不小于0，并整编成时间序列与实测功率Pj相一致的RPk、WPk，再利用过去临近十天实测近地面总辐射Ri、近地面风速Wj，结合最小二乘法分别对其订正，得到订正后的未来三天近地面总辐射RPj、近地面风速WPj数值预报数据。
进一步，所述步骤3的功率转换关系指结合风速影响的光伏组件光电转换效率曲线，即用实测近地面总辐射的多项式对实测功率进行曲线拟合，并利用实测近地面风速的多项式作为扰动项，逼近辐射-功率离散数据。具体方法如下：
假定辐射-功率数据点(Rj，Pj)，其中j＝0,1,......,k，则预测功率计算公式：
结合最小二乘法，拟合关系满足误差趋于最小：
计算函数关于ΔP＝ΔP(a0,a1,......,am,b0,b1,......bn)的极小值即可求解多项式系数ax、by。经过多次试验，比较不同次幂多项式拟合曲线误差平方和的大小，选取最小值对应的实测近地面总辐射多项式最高次幂m和扰动项实测近地面风速多项式最高次幂n，则具体模型已确定。
进一步，所述步骤4的模型检验与再训练指检验和优化步骤3所建模型的预测效果，提高模型预测精度。将整编后的未来三天近地面总辐射RPj、近地面风速WPj数值预报数据代入上述模型，计算出未来三天预测功率数据。次日，取最新一天的实测功率数据，利用步骤2整编方法处理得，计算其与预测功率之间的均方根误差、预测合格率等评估数据，判定模型的预测效果。
若预测评估结果的均方根误差大于0.15，或合格率小于90％，或相关系数小于0.98，则分别计算步骤2所述临近十日实测功率数据与实测近地面总辐射数据之间的相关系数，剔除相关性相对较小值对应的数据，将提取的数据质量较高的序列重新代入步骤3循环计算，至预测结果满足均方根误差小于0.15，合格率大于90％，相关系数大于0.98，则初步判定预测模型有效。
再计算仅用近地面总辐射多项式拟合光功转换曲线的模型预测评估数据，比较两种模型误差大小，如若改进后的模型预测效果较差，则循环上述步骤，优化建模样本，重新率定拟合关系，比较预测效果；若改进后的预测模型效果较好，则判定预测模型有效。
评估算式如下：
1)均方根误差(RMSE)，包括以下公式：
2)平均绝对误差(MAE)
3)相关性系数(r)
4)最大预测误差(δmax)
δmax＝max(|PMi-PPi|)；
5)合格率(δmax)
其中：
PMi━━i时段的实际平均功率
PPi━━i时段的预测功率；
━━所有样本实际功率的平均值；
━━所有预测功率样本的平均值；
Capi━━i时段的开机总容量；
n━━光伏发电站发电时段样本个数。
以上所述实施实例只是本发明的一种较佳方案，并非对发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其他的变体及改型。