本发明属于智能配电网调度控制技术领域,涉及分布式光伏出力功率预测方法,尤其是一种基于arima模型的分布式光伏出力功率预测方法。
背景技术:
发展分布式能源是节能减排的重要途径之一,太阳能分布式光伏发电也是独立的分布式能源之一,2017年7月国家能源局明确指出了:到2020年,光伏指导装机规模合计86.5gw,分布式装机不受规模限制,预计分布式光伏可达6000万kw。分布式光伏并网发电也将会广泛使用的能源形势接入配电网,当大量的光伏分布式电源接入时,必将对电网优化运行有较大的影响,因此对分布式光伏的输出功率进行预测是非常有必要的。
光伏发电功率预测较为常用是统计方法,根据模型的输入变量与输出结果的统计规律进行预测,主要采用的方法是基于相似日的方法,如基于相似日及云适用粒子群优化的snn模型,有的学者采用欧式距离法对气象数据进行细分,在综合进行相似日的方法进行光伏发电功率预测。太阳能光伏分布式发电由于功率损耗、器件老化、表面积灰程度等有较大的不确定性,同时,太阳能光伏发电的历史测量数据,而气象条件、雾霾天气等因素变化较弱又不能时时与功率数据同步。此外光伏电站的输出功率是具有较强日、月周期性的时间序列,同时也具有较强的季节性。如何避免相似日及影响因素不确定性的影响,找到一个预测精度较高的分布式光伏电站的发电功率预测方法,这是当前研究的热点问题,为解决上述问题,本发明提出了一种基于arima模型的分布式光伏出力功率预测方法。
技术实现要素:
本发明的目的在于克服现有技术中的缺陷,提供一种设计合理、客观可行且预测精度高的基于arima模型的分布式光伏出力功率预测方法。
本发明解决其现实问题是采取以下技术方案实现的:
一种基于arima模型的分布式光伏出力功率预测方法,包括如下步骤:
步骤1、对配电网的光伏发电功率时间序列进行特征描述;
步骤2、根据步骤1得到的时间序列数据,建立基于arima时间序列的分布式光伏出力预测模型,并对配电网的光伏发电功率进行预测;
步骤3、将步骤2得到的arima模型与神经网络相结合对分布式光伏出力功率进行预测;
步骤4、将步骤2得到的arima模型与支持向量机相结合对分布式光伏出力功率进行预测;
步骤5、对比三种预测结果,挑选出预测误差最小的分布式光伏出力功率预测方法,将其确定为最终的预测模型。
而且,所述步骤1的具体方法为:
根据一年12个月的实际运行数据,得到配电网月累计发电功率、月日平均发电功率和单月日均出现最大功率时间的相关信息。
而且,所述步骤2的具体步骤包括:
(1)建立差分自回归移动平均模型为arima(p,d,q);
其中,ar是自回归,ma为移动平均,p是自回归项数,d为时间序列成为平稳时所做的差分次数,q为移动平均项数;
(2)对时间序列数据绘图,观测是否为平稳时间序列,并对于非平稳时间序列要先进行d阶差分运算,化为平稳时间序列;
(3)对平稳时间序列分别求得其自相关系数acf和偏自相关系数pacf,通过对自相关图和偏自相关图的分析,结合贝叶斯信息准则判断模型,得到自回归项数p和移动平均项数q;
(4)根据已知的自回归项数p,移动平均项数q,时间序列成为平稳时所做的差分次数d可以确定arima的数学模型为:
其中,c表示一个常数,yn是样本值,(φ1,φ2,…,φp)是自回归系数,(θ1,θ2,…,θq)是移动平均系数;
(5)通过arima模型对光伏电站的输出功率进行预测;
而且,所述步骤3的具体步骤包括:
(1)时间序列可视为线性自相关部分lt与非线性残差kt两部分的组合,将步骤2所得预测结果记作lt,lt的预测残差为kt,对kt进行序列重构并作为神经网络的输入样本;
(2)利用神经网络对残差进行预测,并设预测结果为et1;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为lt+et1。
而且,所述步骤4的具体步骤包括:
(1)时间序列可视为线性自相关部分lt与非线性残差kt两部分的组合,将步骤2所得预测结果记作lt,lt的预测残差为kt,利用kt重构支持向量机样本集;
(2)利用支持向量机对残差进行预测,并设预测结果为et2;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为lt+et2。
而且,所述步骤5的具体步骤包括:
(1)本发明采用平均绝对误差作为评价指标对经arima模型预测的结果进行误差分析,采用如下公式进行计算:
其中,mae为平均绝对误差,n为样本数,yn为真实值,
(2)为了验证模型预测普适性,分别取第12月中不同气象条件下晴天与雾霾天发电功率原始数据和预测结果对比。
本发明的优点和有益效果:
1、本发明在arima时间序列模型的基础上,将其与神经网络和支持向量机方法分别组合,对分布式光伏出力功率进行预测,根据三种预测方法多种情形下对应的预测误差,选择其中预测效果最好的方法,不仅解决了光伏电站输出功率预测过程中相似日难以确定、影响因素复杂等问题,还弥补了arima时间序列模型对于非线性模型处理中存在的不足。
2、本发明针对相似日的选取存在不确定性以及光伏发电功率影响因素的繁杂性的技术问题,在光伏电站历史发电功率的概率统计规律基础上,构建了arima模型对分布式光伏出力功率进行预测,并将该模型分别与神经网络和支持向量机相结合进行预测,选取其中最优的预测方案,解决了光伏发电功率预测影响因素复杂、预测精度低等问题。
附图说明
图1是本发明的基于arima时间序列模型的分布式光伏出力功率预测流程图;
图2是本发明的具体实施方式的月累计发电功率示意图;
图3是本发明的具体实施方式的月日平均发电功率对比示意图;
图4是本发明的具体实施方式的单月日均出现最大功率时间;
图5是本发明的具体实施方式的雾霾天气三种预测结果对比图;
图6是本发明的具体实施方式的晴朗天气三种预测结果对比图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种基于arima模型的分布式光伏出力功率预测方法,如图1所示,包括如下步骤:
步骤1、对配电网的光伏发电功率时间序列进行特征描述;
所述步骤1的具体方法为:
根据一年12个月的实际运行数据,得到配电网月累计发电功率、月日平均发电功率和单月日均出现最大功率时间的相关信息。
步骤2、根据步骤1得到的时间序列数据,建立基于arima时间序列的分布式光伏出力预测模型,并对配电网的光伏发电功率进行预测;
所述步骤2的具体步骤包括:
(1)建立差分自回归移动平均模型为arima(p,d,q);
其中,ar是自回归,ma为移动平均,p是自回归项数,d为时间序列成为平稳时所做的差分次数,q为移动平均项数;
(2)对时间序列数据绘图,观测是否为平稳时间序列,并对于非平稳时间序列要先进行d阶差分运算,化为平稳时间序列;
(3)对平稳时间序列分别求得其自相关系数acf和偏自相关系数pacf,通过对自相关图和偏自相关图的分析,结合贝叶斯信息准则判断模型,得到自回归项数p和移动平均项数q;
(4)根据已知的自回归项数p,移动平均项数q,时间序列成为平稳时所做的差分次数d可以确定arima的数学模型为:
其中,c表示一个常数,yn是样本值,(φ1,φ2,…,φp)是自回归系数,(θ1,θ2,…,θq)是移动平均系数;
(5)通过arima模型对光伏电站的输出功率进行预测;
步骤3,将步骤2得到的arima模型与神经网络相结合对分布式光伏出力功率进行预测;
所述步骤3的具体步骤包括:
(1)时间序列可视为线性自相关部分lt与非线性残差kt两部分的组合,将步骤2所得预测结果记作lt,lt的预测残差为kt,对kt进行序列重构并作为神经网络的输入样本;
(2)利用神经网络对残差进行预测,并设预测结果为et1;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为lt+et1。
步骤4,将步骤2得到的arima模型与支持向量机相结合对分布式光伏出力功率进行预测;
所述步骤4的具体步骤包括:
(1)时间序列可视为线性自相关部分lt与非线性残差kt两部分的组合,将步骤2所得预测结果记作lt,lt的预测残差为kt,利用kt重构支持向量机样本集;
(2)利用支持向量机对残差进行预测,并设预测结果为et2;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为lt+et2。
步骤5,对比三种预测结果,挑选出预测误差最小的分布式光伏出力功率预测方法,将其确定为最终的预测模型。
所述步骤5的具体步骤包括:
(1)本发明采用平均绝对误差作为评价指标对经arima模型预测的结果进行误差分析,采用如下公式进行计算:
其中,mae为平均绝对误差,n为样本数,yn为真实值,
(2)为了验证模型预测普适性,分别取第12月中不同气象条件下晴天与雾霾天发电功率原始数据和预测结果对比。
本发明工作步骤结束,输出各种方法对应的预测结果,完成对分布式光伏电站发电功率的预测,并得到预测误差最小的基于arima模型的分布式光伏出力功率预测方法。
下面以天津某地分布式光伏电站为例,对发电功率的历史数据进行时间序列特征描述,得到结果如图2、图3、图4所示。
三种基于arima模型的光伏电站功率预测结果如表1所示。
表1预测结果对比
雾霾天气情况下的三种预测结果对比如图4所示,晴朗天气三种预测结果对比如图5所示。
预测结果表明:晴天预测误差最小,雾霾天预测误差增大,全年的趋势来看误差较大;组合式预测结果优于单一的arima时间序列模型;arima模型与支持向量机结合的预测效果较好。
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。