功率，因此主要对光伏电站6:00到19:00的 时间段进行输出功率预测，并且时间间隔选择为1小时。
[0104] 选择2013年5月1日作为预测日，并且该日的光伏数据为{多云，27，15}，则基于 相似日算法，按照温度欧式距离进行降序排序的前10组作为神经网络训练样本。如图4所 示的表中数据均为2013年内该光伏电站统计数据（单位：kw)。
[0105] 采用haar小波的mallat算法作为小波分解与小波重组的方法，采用BP神经网络 模型，其中神经网络训练样本经过3次小波分解，得到的小波系数序列为{山，d2, d3, a3}，完 成对各神经网络的训练之后，以第10个分解小波系数序列作为 所述光伏输出功率值分频预测模型的输入信号，通过所述光伏输出功率值分频预测模型， 获得初始预测小波序列<[?/??^/;), ?/Ρ'1, ;经过小波重组后得到的初始光伏预 测序列如图5中表所不，其中{ρΡι1, ρΡι2,Pm, ρΡι14}分别对应该光伏电站6:00到 19:00的初始光伏预测功率值（单位：kw)。
[0106] 选择2013年4月26日到4月30日的历史光伏输出功率值作为预测序列。
[0107] 如图6所示的表中，列出了 2013年5月1日相邻前5天的6:00到19:00的历史 光伏输出功率值（单位：kw)。
[0108] 根据C中的步骤利用Xw= [χ-ω,χ-Ο,-'χ-ΟΟ,-'χ??]构建灰色系 统模型，得到5月1日对应的预测值Xw (6) = 2678. 57。
[0109] 对2012年5月1日至2013年4月30日光伏数据进行灰色系统预测，其误差分布 图如图7所示。
[0110] 由图7可知的灰色预测误差分布图可知，灰色系统预测误差主要集中分布 在0 %~20 %，占全年数据的75 %以上，因此光伏输出功率的误差区间值选取为Eg= (0, 20% )，判断区间 Jg= (2142. 85, 3214. 28)。
[0111] 根据计算得， CN 105117975 A 说明书 9/9 页
[0113] 图8所示的表中列出了 5月1日6:00到19:00校正前后的预测值，以及实际的光 伏输出功率值（单位：kw)，图9给出了校正前后预测结果实例对比图。
[0114] 灰色校正后的小波神经网络预测值，分别与实际值的相关系数C0RR，标准误差 RMSE和MAE。其中CORR反映了预测值与实际值的相关程度，RMSE则反映了整个预测结果 的离散程度，而ME能够全局评价模型预测能力。
[0115] 图10所示的表中列出了，校正前后的预测值与实际值的相关系数C0RR，标准误差 RMSE和MAE。对比后发现，相关系数均很高，说明采用基于相似日算法的小波神经网络能有 效的提取预测日的输出功率特征及出力趋势，并且校正后，标准误差值RMSE由原来的97. 7 下降为32,66,明显减小，平均绝对误差MAE有所降低，说明经过灰色系统校正的预测结果 值的误差在整体上大大降低，预测精度得到了明显的提高。
[0116] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人 员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形 也应视为本发明的保护范围。
【主权项】
1. 一种光伏输出功率值的分频预测方法，其特征在于：包括以下步骤， 步骤A，获取相似日数据； A1)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，…，Sl，…，sn}; 其中，8;表示历史样本集中的第i个样本；1彡i彡n;并有Si= 1^，xlinax,xlinin，Pupli2，…，pu,…，plin}a表示历史样本si的天气类型；xlinax表示历史 样本Si的最高温度；xiimin表示历史样本s;的最低温度；ppii2，…，pu,…，piim表示历史 样本Sl各时刻的光伏输出功率值；Pu表示历史样本si在第1个时刻的光伏输出功率值； 1 ^ 1 ^m； A2)假设光伏发电设备的预测日光伏数据为{wp，; 其中，wp表示预测日的天气类型；xPi_表示预测日的最高温度；xPi_表示预测日的最 低温度； 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，…，dj; 其中， ，人?) ?. ?*. 1-*-：- - 山表示历史样本S1与预测日光伏数据的温度欧式距离； 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。； Sf{ss。,；；，…，s。」，…，，其中s。」表示第j个神经网络训练样本，1 <j<r，w(i)表示神经网络训练样本s。j的天气类型；表示神经网 ' "c.max 络训练样本Sq的最高温度；表示神经网络训练样本Sq的最低温度；表;^神经网络训练样本8。^各时刻的光伏输 出功率值；表示神经网络训练样本Sq在第1个时刻的光伏输出功率值； 步骤B，生成初始预测值； B1)对神经网络训练样本集S。中的每个元素进行A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； 对Sq进行A次小波分解，获得第j个分解小波系数序列 扎表示对进行第A次小波分解所.A. 获得的小波系数序列；表示对Sy进行第A次小波分解所获得的平均系数序列； B2)以第j-1个分解小波系数序歹I 神经网络的输入信号，以第j个分解小波系数序列为神 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； B3)以第r个分解小波系数序歹作为光伏输出功 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9 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{pPil，PPi2,. . .，PM，. . .，PPiJ，PM表示预测日在第1个时 刻的光伏输出功率预测值； 步骤C，确立灰色系统预测值的判断区间； C1)根据历史样本集获得预测序列X(0) = [xw⑴，(2)，…，(k)，…，⑴]; 其中，表示与预测日相邻的前t天； / - IC2)利用预测序列X(0)构建灰色系统DGM模型； C3)对n个历史样本，利用灰色系统DGM模型分别进行灰色预测，获得n个预测值W，并 根据n个预测值W计算n个历史样本的误差值； C4)根据n个历史样本的误差值选取误差区间Eg= (5,e);其中8,e是由n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，e是误差区间上限。 C5)将t+1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=xw (t+1)，获得判断区间Jg=(Wg_Wge，Wg_WgS)U(Wg+WgS，Wg+Wge); 步骤D，判是否成立，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PPil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PPil_，并以预测校正值PPil_作为最终 预测值； 校正公式为，2.根据权利要求1所述的一种光伏输出功率值的分频预测方法，其特征在于：采用haar小波的mallat算法作为小波分解与小波重组的方法。
【专利摘要】本发明公开了一种光伏输出功率值的分频预测方法，采用了基于灰色系统校正的小波神经网络，能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；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；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，提高了非晴天条件下光伏输出功率的预测精度；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，为灰色系统校正提供了依据；采用了基于历史数据样本进行灰色建模，并对神经网络的预测结果进行进一步的校正，提高了神经网络预测结果的预测精度。
【IPC分类】G06Q50/06
【公开号】CN105117975
【申请号】CN201510478986
【发明人】朱卫平, 袁晓冬, 陈兵, 孙健, 戴强晟, 李强, 史明明, 贾萌萌, 柳丹, 吕振华, 罗珊珊
【申请人】国家电网公司, 江苏省电力公司, 江苏省电力公司电力科学研究院
【公开日】2015年12月2日
【申请日】2015年8月6日