一种光伏输出功率值的分频预测方法
【技术领域】
[0001] 本发明涉及一种光伏输出功率值的分频预测方法，属于分布式光伏发电技术领 域。
【背景技术】
[0002] 近年来，分布式光伏发电技术的应用，不仅有效的提高了电力系统的可靠性，而且 防止大面积停电，削弱了自然灾害对电力系统产生的影响，对国家有重要的经济和安全意 义。
[0003] 光伏发电具有波动性，间歇性和周期性，少量的光伏发电并网对整个电网的影响 并不大，当光伏并网的渗透率的提高时，将对电网的电能质量产生重要的影响，如频率的波 动，有功功率不平衡等。于是，对光伏发电输出功率的准确预测就极为重要，电力部门可以 利用预测出的数据进行电力调度，对电能进行合理的规划，减小光伏并网系统的渗透率提 尚对电网的影响。
[0004] 现有的光伏输出功率预测分为直接预测和间接预测，直接预测是指利用光伏电站 的历史输出功率数据和气象信息进行预测的方法，而间接预测是指先分别预测出影响光伏 发电功率的各个影响因子，然后将这些影响因子作为输入，通过光伏电站的功率特性模型， 得出预测结果的方法。建模方法应用较多的是神经网络、支持向量机（SVM)等统计方法。
[0005] 针对光伏输出功率的预测，现有技术中重要存在以下方法：
[0006] (I)Li Zhiyong 等在文献"Short Term Photovoltaic Power Generation Forecasting Using RBF Neural Network[A], Chinese Control And Decision Conference[C], Changsha, 2014"中提出了一种RBF神经网络，虽然学习过程中收敛速度 快，学习方法简单，但是预测精度并不高，不能适用于所有天气类型。
[0007] (2)张艳霞等在文献"基于反馈型神经网络的光伏系统发电功率预测[J].电力系 统保护与控制，2011，（15) :96-109"提出将天气类型指数作为BP神经网络输入变量，该模 型无需根据天气类型进行划分子模型，但BP神经网络对非晴天条件下预测精度不高。
[0008] (3)李鹏梅在文献"基于相似日和神经网络的光伏发电预测[J].可再生能 源，2013, 31 (10) : 1-9. "提出了一种基于相似日算法的改进型BP神经网络的预测模型，基 于相似日算法的的确能有效提取该天气类型条件下出力的特征，但是对于与预测日时间间 隔过长的相似日样本，预测结果与实际值相差很大。
[0009] 以上现有技术公开的文献在预测光伏输出功率时，对非晴天条件下的光伏输出功 率预测精度均不高，均采用单一的神经网络预测模型，基于相似日样本对神经网络进行训 练，忽略了相邻日的光伏输出功率也能作为判断预测日光伏输出功率趋势的一个条件，从 而使得预测精度不高。
【发明内容】
[0010] 为了解决上述技术问题，本发明提供了一种光伏输出功率值的分频预测方法。
[0011] 为了达到上述目的，本发明所采用的技术方案是：
[0012] -种光伏输出功率值的分频预测方法，包括以下步骤，
[0013] 步骤A，获取相似日数据；
[0014] Al)选取光伏发电设备的历史光伏数据，构造历史样本集S = {Sl，S2，…，S1，… ，sn};
[0015] 其中，8;表示历史样本集中的第i个样本；1彡i彡η;并有Si = Iw1, Xlinax, Xlinin, Plil, Pli2,…，Pu,…，P1J W1表示历史样本s i的天气类型；X linax表示历史 样本Si的最高温度；X iimin表示历史样本s ;的最低温度；p pii2,…，pu，…，piim表示历史 样本S1各时刻的光伏输出功率值；P u表示历史样本s i在第1个时刻的光伏输出功率值； 1 1 m ；
[0016] A2)假设光伏发电设备的预测日光伏数据为{wp，;
[0017] 其中，Wp表示预测日的天气类型；X 表示预测日的最高温度；X p，_表示预测日 的最低温度；
[0018] A3)计算历史样本集S与预测日光伏数据的温度欧式距离，构造温度欧式距离集D ={山，d2,…，山，…，dn};
[0019] 其中，
[0021] Cl1表示历史样本s 1与预测日光伏数据的温度欧式距离；
[0022] A4)对温度欧式距离集D进行降序排序，选择前r组温度欧式距离对应的历史样 本，构造与所述预测日光伏数据相对应的神经网络训练样本集S。；
[0023] Sc= {s sc,2,…，Sy,…，sc,r}，其中Sy表示第j个神经网络训练样 本，
1彡j彡r，w(i)表示神经网络训练样本sj的天气类型；
表示神经网 络训练样本& ,的最高温度；
表示神经网络训练样本Sq的最低温度；
表不神经网络训练样本Stli 各时刻的光伏输 出功率值；
表示神经网络训练样本\ j在第1个时刻的光伏输出功率值；
[0024] 步骤B，生成初始预测值；
[0025] BI)对神经网络训练样本集S。中的每个元素进行λ次小波分解，获得神经网络训 练样本集S。的分解小波系数序列集；
[0026] 对Sy进行λ次小波分解，获得第j个分解小波系数序列 L/1N 丄 UD 丄丄 Λ /·*·? O/ ?
其中，dOO表示对Sy进行第λ次小波分解所 获得的小波系数序列；表示对Sy进行第λ次小波分解所获得的平均系数序列；
[0027] Β2)以第j-Ι个分解小波系数序歹I
作为神经网络的输入信号，以第j个分解小波系数序列
作 为神经网络的输出信号，以所述输入信号和所述输出信号作为神经网络的学习样本，通过 神经网络对所述学习样本进行训练，从而获得光伏输出功率值分频预测模型；
[0028] B3)以第r个分解小波系数序列
作为光伏输 出功率值分频预测模型的输入信号，通过光伏输出功率值分频预测模型，获得初始预测小 波序歹丨
[0029] B4)对初始预测小波序列
[进行小波重 组，获得初始光伏输出功率预测序列{ρΡι1，ΡΡι2, . . .，PM，. . .，PpiJ，Pm表示预测日在第1 个时刻的光伏输出功率预测值；
[0030] 步骤C，确立灰色系统预测值的判断区间；
[0031] Cl)根据历史样本集获得预测序列X(O) = [Xw⑴，Xw (2)，…，XwGO,…，x(Q)⑴];
[0032] 其中， t表示与预测日相邻的前t 天；
[0033] C2)利用预测序列X(O)构建灰色系统DGM模型；
[0034] C3)对η个历史样本，利用灰色系统DGM模型分别进行灰色预测，获得η个预测值 W，并根据η个预测值W计算η个历史样本的误差；
[0035] C4)根据η个历史样本的误差值选取误差区间Eg= (δ，ε);其中δ，ε是由η个 历史样本的误差值集中分布范围决定的，S是误差区间下限，ε是误差区间上限
[0036] C5)将t+Ι的值赋给k，从而利用灰色系统DGM模型获得预测日的预测序列值Wg = x(Q) (t+Ι)，获得判断区间 Jg= (W g_Wg ε，Wg-Wg δ ) U (Wg+Wg δ，Wg+Wg ε );
[0037] 步骤D，判断
是否成立，若成立，则不进行校正，从而以预测日在 第1个时刻的光伏输出功率预测值Piu作为最终预测值；否则，利用校正公式进行校正，从 而获得预测日在第1个时刻的光伏输出功率预测校正值pPi1_，并以预测校正值pPi1_作为 最终预测值；
[0038] 校正公式为，
[0040] 采用haar小波的mallat算法作为小波分解与小波重组的方法。
[0041] 本发明所达到的有益效果：1、本发明采用了基于灰色系统校正的小波神经网络， 能有效的从历史光伏数据中提取出预测日的出力趋势及特征，提高预测精度，降低预测误 差；2、本发明采用了基于小波分解对历史数据进行分解，能对历史光伏数据进行多尺度分 析，有效提取历史光伏数据的局部信息；3、发明采用了基于神经网络构建预测模型，有助于 提取各种外界条件下光伏电站的出力趋势，具有很强的学习能力，提高了非晴天条件下光 伏输出功率的预测精度；4、本发明采用了基于灰色系统模型对历史数据进行建模，通过对 历史光伏数据的误差分析，找出预测误差分布范围，