一种光伏发电功率超短期区间预测的方法及设备与流程

本发明涉及一种光伏发电功率超短期区间预测的方法及设备，属于光伏发电技术领域。

背景技术：

当今社会，随着化石能源的日益短缺以及在大量使用过程中带来的环境破坏问题的，出现了清洁可再生的太阳能光伏发电。作为一种转换效率高、使用周期长的发电技术，它得到了迅速发展。但受到太阳能辐射、天气等因素的影响，其输出功率存在明显的间歇性、随机性和波动性，对电网的稳定性造成冲击，至此，为了使光伏发电系统安全稳定运行并帮助工作人员进行合理的电网调度，来提高太阳能光伏的利用率，需要对光伏序列未来的输出功率进行准确的预测。

目前现有的方法有基于神经网络的光伏系统发电功率预测、一种基于灰色神经网络的组合预测、基于天气类型聚类的支持向量机预测模型进行功率预测、采用核函数极限学习机构建分布式光伏短期功率预测等等。在这些方法中采用核函数极限学习机构建分布式光伏短期功率预测的方法，主要是通过搭建模型并使用优化后的权重来筛选训练样本，但该算法使用单一的权重进行训练样本筛选，对于不同类型的天气，不能筛选出反映自身变化特点的训练样本；基于天气类型聚类的支持向量机预测方法虽在支持向量机样本选取阶段使用了属性权值进行筛选，但未给出属性权值选取的一般性方法；基于灰色神经网络的组合预测模型算法，是采用相似日作为输入对光伏出力进行预测，预测精度较高，但验证样本较少，说服性不强；基于神经网络的光伏系统发电功率预测一般使用较为普遍，其按季节建立了4个预测模型，子模型将相似日的光伏发电功率的历史数据和天气情况作为样本，对建立的3层bp网络进行训练，最终获得了良好的预测效果，但较为复杂，实现很困难。

综上所述，这些功率预测算法的影响因素多、对天气预测的准确性依赖太大、模型复杂，实用性不强，导致预测精度不易满足工程上的要求，预测误差很大，平滑效果也较差。但在光伏发电系统中，平滑光伏波动是最主要的任务，在此基础上，还要能及时跟踪短时的功率波动，精确预测。

技术实现要素：

为了解决上述问题，本发明提出了一种光伏发电功率超短期区间预测的方法及设备，不仅能够本文提出了一种实用性强、平滑效果好的超短期功率预测数学模型——基于趋向移动平均的数学模型，该模型仅以部分历史数据为输入量，通过数据处理来得出预测量。该技术在超短期光伏发电功率区间的预测精度显著提高，其实用性强、数学模型平滑效果好，有助于电力系统调度部门提前合理安排调度计划，提高电网调峰能力、有效减轻光伏发电对整个电网的影响，是改善电力系统运行安全性与经济性的最为有效、经济的手段之一。

本发明解决其技术问题采取的技术方案是：

一方面，本发明实施例提供的一种光伏发电功率超短期区间预测的方法，包括以下步骤：

s1，建立直线趋势预测模型；

s2，修正直线趋势预测模型；

s3，利用直线趋势预测模型求解预测功率值；

s4，采集光伏发电系统的数据，代入预测功率值公式对光伏发电功率进行超短期区间预测。

作为本实施例一种可能的实现方式，所述步骤s1包括以下步骤：

一次移动的平均数的计算公式为：

在一次移动平均的基础上再进行一次平均，二次移动平均数的计算公式为：

整理式(5)得：

利用趋向移动平均的滞后偏差建立直线趋势预测模型：

式中：t为当前时期数；t为由t至预测期的时期数；at为截距；bt为斜率，at和bt均为平滑系数。

作为本实施例一种可能的实现方式，所述步骤s2包括以下步骤：

由直线趋势预测模型得出平滑系数的计算公式为：

设第t点的光伏发电功率预测值和实际值分别为p′t、pt，在前两点上取实际值等于预测值，然后由这两点连接一条直线，第三点取延长线上的值：

p′t＝2pt-1-2pt-2

式中，pt-1为第t-1点的光伏发电功率实际值，pt-2为第t-2点的光伏发电功率实际值。

作为本实施例一种可能的实现方式，所述步骤s3包括以下步骤：

然后在t＝4,5,…,2m-1处，采用项数n逐渐增大的趋向移动平均法预测，实际值与预测值的差值公式为：

et(pj)＝p′t-pt(10)

n为移动平均项数，取n＝t/2，et表示第t点光伏发电功率预测值与光伏发电功率实际值的偏差，et(pj)表示第t点的偏差趋势移动平均预测值；

由两次的趋向移动平均公式以及差值公式得：

带入公式(8)和公式(9)得：

设t＝1代入式(7)得：

pt+1(pj)＝at+bt(19)

et+1(pj)＝at(r)+bt(r)(20)

联合上述各式得到预测的功率值为：

p′t＝pt+1(pj)-et+1(pj)(21)

式中，p′t为第t点的光伏发电功率预测值，pt(pj)表示为第t点的趋势移动平均预测值，et(pj)表示第t点的偏差趋势移动平均预测值。

作为本实施例一种可能的实现方式，方法还包括以下步骤：

对预测的功率值进行评价：利用预测区间覆盖率和预测区间平均宽度来评价预测功率值的可信度和准确度。

作为本实施例一种可能的实现方式，所述预测区间覆盖率具体为：

区间覆盖率定义为预测目标实际值落入预测区间的概率，区间覆盖率的计算公式为：

式中：n为样本总数，ct定义为预测上限ht和下限lt对区间真实值p实际的可靠性指标。

作为本实施例一种可能的实现方式，所述预测区间平均宽度的过程为：

预测区间平均宽度的定义如下:

式中：n为样本总数，p实际为真实值，预测上限为ht，预测下限lt。

另一方面，本发明实施例提供的一种光伏发电功率超短期区间预测的设备，包括存储器以及处理器，所述存储器内存储有可执行代码，所述可执行代码能够被所述处理器执行，以实现上述所述的一种光伏发电功率超短期区间预测的方法。

本发明实施例的技术方案可以具有的有益效果如下：

本发明实施例的技术方案提出了一种实用性强、平滑效果好的超短期功率预测数学模型——直线趋势预测模型，该模型仅以部分历史数据为输入量，通过数据处理来得出预测量，本发明在超短期光伏发电功率区间的预测精度显著提高，其实用性强、数学模型平滑效果好，有助于电力系统调度部门提前合理安排调度计划，提高了电网调峰能力、有效减轻了光伏发电对整个电网的影响，是改善电力系统运行安全性与经济性的最为有效、经济的手段之一。

本发明基于趋向移动平均的超短期功率预测方法输出功率曲线比较平滑，改善效果显著，减小了对电网的冲击。同时也能及时的跟踪短时的功率波动，提高了储能利用率，故此功率预测算法有很强的实际意义。

附图说明：

图1是根据一示例性实施例示出的一种光伏发电功率超短期区间预测的方法的流程图；

图2是利用本发明所述方法对光伏发电功率进行预测的流程图；

图3是根据一示例性实施例示出的一种光伏系统预测功率曲线图。

具体实施方式

下面结合附图与实施例对本发明做进一步说明：

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

光伏发电系统中，为了保证供电系统的安全稳定运行，需要对光伏序列未来的输出功率超短期区间内进行准确的预测。现有的方法虽能满足预测的基本精度要求，但没办法全面体现出待预测光伏序列的波动性，所以对大规模光伏电力系统的风险分析及合理调度的参考价值十分有限。因此，针对光电功率区间预测的超短期研究就十分有必要。为此，本发明提出了一种实用性强的基于趋向移动平均的超短期功率预测数学模型，该模型只需选用小部分的历史数据为输入量，通过一系列的数据分析处理，就可以得出功率的超短期预测量。

图1是根据一示例性实施例示出的一种光伏发电功率超短期区间预测的方法的流程图。如图1所述，本发明实施例提供的一种光伏发电功率超短期区间预测的方法，包括以下步骤：

s1，建立直线趋势预测模型；

s2，修正直线趋势预测模型；

s3，利用直线趋势预测模型求解预测功率值；

s4，采集光伏发电系统的数据，代入预测功率值公式对光伏发电功率进行超短期区间预测。

1、区间预测评价指标

区间预测需考虑预测区间的覆盖率和预测区间平均宽度来评价可信度和准确度。

(1)区间覆盖率

区间覆盖率也就是实际值落入预测区间的概率。概率越大，反映预测区间的可信度就越高，其定义为预测目标实际值落入预测区间的概率，公式为：

式中：n为样本总数，ct定义为预测上限ht和下限lt对真实值p实际的可靠性指标，

为保证预测区间的可信度，其picp值不应低于给定置信水平。pinc值越大意味着有越多的实际值落入预测区间内，区间预测效果越好。

(2)预测区间平均宽度。

在满足可信度的前提下，用预测区间平均宽度来反映预测区间的准确度，其定义如下:

式中：n为样本总数，p实际为真实值，预测上限为ht，预测下限lt。

imw反映了区间的带宽，在icp一定时，imw的值越小说明预测区间包含的信息量越大，准确度越高。另外，本文所用的平均带宽为相对带宽，与绝对带宽相比，考虑了预测值的大小，使区间宽度归一化更有针对性，对区间宽度的评估更具有实际意义。

2、区间预测模型

时间序列是按照时间进行顺序排列，且随着时间变化能相互关联的数据序列。而时间序列预测技术就是通过对预测目标自身时间序列的处理，来研究其变化趋势的。本专利采用的趋向移动平均法就根据时间序列资料逐渐推移，依次计算包含一定项数的时序平均数，来反映长期的趋向的方法。当时间序列的数值受到周期变动或不规则变动的影响，起伏较大，发展趋势不明显时，采用移动平均法可分析、预测序列的长期趋向。但当时间序列出现直线增加或减少的变动趋势时，会出现滞后偏差，此时就需要进行二次移动平均的修正，利用移动平均滞后偏差的规律来建立直线趋向的预测模型。

一次移动的平均数的计算公式为：

在一次移动平均的基础上再进行一次平均，其计算公式为：

整理式(5)得：

然后再利用趋向移动平均的滞后偏差建立直线趋势预测模型。设时间序列{yt}从某时期开始具有直线趋势，且认为未来时期也按此直线趋势变化，则可设此直线趋势预测模型为：

式中：t为当前时期数；t为由t至预测期的时期数；at为截距；bt为斜率，两者又称为平滑系数。

由公式(7)得出平滑系数的计算公式为：

为了得到更好的预测效果，在趋向移动平均的基础上，把第一次趋向移动平均得到的预测值与实际值的差值再次利用趋向移动平均进行修正。选取前3个点的数据进行计算。

设第t点的光伏发电功率预测值和实际值分别为p′t、pt，在前两点上取实际值等于预测值，然后由这两点连接一条直线，第三点取延长线上的值p′t＝2pt-1-2pt-2

然后在t＝4,5,…,2m-1处，采用项数n逐渐增大的趋向移动平均法预测。取n＝t/2，et表示第t点光伏发电功率预测值与光伏发电功率实际值的偏差，pt(pj)表示为第t点的趋势移动平均预测值，et(pj)表示第t点的偏差趋势移动平均预测值，n为移动平均项数，因此实际值与预测值的差值公式为：

et(pj)＝p′t-pt(10)

由两次的趋向移动平均公式以及差值公式得：

带入公式(8)和公式(9)得：

设t＝1代入式(7)得：

pt+1(pj)＝at+bt(19)

et+1(pj)＝at(r)+bt(r)(20)

所以得到预测的功率值为：

p′t＝pt+1(pj)-et+1(pj)(21)

其余点处取n＝m,计算方法同上。

采集每个周期的电压和电流，经过计算得到功率。运用趋向移动平均数学模型，得到光伏发电功率预测值。如图2所示，为光伏发电功率预测算法的实现流程图。

采用上述所讲的基于趋向移动平均的超短期功率预测方法，对某10wm光伏电站进行光电功率超短期预测.实验环境选取了多云这种较为典型的天气来验证算法的真实效果。模型中均选取m＝15。并与光伏电站实时在线检测作对比，选取10：00-17：00共计7h的研究时间段，具体光伏系统的预测功率曲线如图3所示。

从图3中可看出，基于趋向移动平均的超短期功率预测方法输出功率曲线比较平滑，改善效果显著，减小了对电网的冲击。同时也能及时的跟踪短时的功率波动，提高了储能利用率，故此功率预测算法有很强的实际意义。可见基于趋向移动平均的超短期功率预测方法与实际测得的功率趋势较为相似，一定程度上能够捕捉功率的跳变。在光照条件不好的天气环境下，预测精度高和平滑曲线的要求是相互矛盾的，而平滑光伏波动是加入功率预测算法的最主要目的，因此其预测精度还有进一步提高的空间，但能够满足应用的要求。

本发明实施例还提供了一种光伏发电功率超短期区间预测的设备，包括存储器以及处理器，所述存储器内存储有可执行代码，所述可执行代码能够被所述处理器执行，以实现上述所述的一种光伏发电功率超短期区间预测的方法。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视作为本发明的保护范围。