光伏发电功率预测方法与流程

本发明涉及发电功率预测，具体涉及一种光伏发电功率预测方法。

背景技术：

1、随着国内系列新能源发展政策的落地实施，光伏发电已成为当今最受欢迎的可再生能源之一。然而，尽管光伏发电在许多领域中都获得了成功应用，但在实际生产中，由于像天气、异物、遮挡等因素的影响，光伏发电的功率产生了很大的变化。这不仅使得光伏发电的输出效率下降，也给光伏发电业主带来巨大的经济损失。

2、现有技术中常采用的主要是以下几类方法来进行光发电功率预测：

3、1、基于物理模型的预测方法

4、这种方法主要是利用已知的物理模型，通过对光伏板所处的环境条件和太阳光的入射角度等因素进行计算来预测光伏板的功率输出。这种方法拥有很高的精度，但是需要精确的环境数据，且计算过程相对比较复杂，难以实现实时计算，因此应用范围受限，如公开号为：cn116800172a公开的一种光电转换方法及储能系统。

5、2、基于统计学的预测方法

6、这种方法是利用历史数据和统计学原理来预测光伏功率的输出。通过收集对应时间段内的功率信息和环境因素等数据，对数据进行分析得出功率输出的概率分布函数，进而预测未来功率的变化趋势。这种方法需要大量的数据，并且和环境条件等因素关系密切，难以应对短期内的突发性变化，例如公开号为：cn110059871b公开的光伏发电功率预测方法。

7、3、基于机器学习的预测方法

8、这种方法是将机器学习技术引入到功率预测中。通过利用训练数据来构建模型，进而预测未来的功率输出。相比于前两种方法，这种方法不需要完整的物理模型和极其严格的环境数据，能够很好的应对突发性情况，并且具有更好的应用性，但受限于多方实施从成本，经济性较差，例如公开号为：cn110414748a公开的光伏功率预测方法。

技术实现思路

1、本发明要解决的技术问题是：克服现有技术的不足，提供一种光伏发电功率预测方法。

2、本发明为解决其技术问题所采用的技术方案为：光伏发电功率预测方法，包括以下步骤：

3、步骤一：采集光伏发电系统的功率数据；

4、步骤二：基于伏发电系统的功率数据生成初始光功率采样数列；

5、步骤三：基于初始光功率采样数列生成累加序列；

6、步骤四：基于累加序列生成均值序列；

7、步骤五：基于均值序列生成预测1阶模型；

8、步骤六：基于步骤五生成新的光功率预测模型；

9、步骤七：基于步骤六中生成的新的光功率预测模型进行光伏发电功率预测。

10、所述步骤二中，生成的初始光功率采样数列g0中不少于4个时间单位；

11、所述初始光功率采样数列g0的表示如下：

12、g0={g0(1),g0(2),……,g0(i),……,g0(n)}；

13、其中，i为序列采样点，i∈[1,n]，n≥4，n表示光功率采样总时间，以分钟为最小单位。

14、所述步骤三中基于初始光功率采样数列进行1次累加序列生成1次累加序列g1，1次累加序列g1计算公式如下：

15、g1={g1(1),g1(2),……,g1(k),……,g1(m)}={∑g0(1+k-1),∑g0(2+k-1),……,∑g0(i+k-1),……,∑g0(m+k-1)}；

16、其中，k∈[1,m]，m为1次累加周期，以分钟为最小单位，且m≤n。

17、所述步骤四中光功率数据均值序列p1的表示如下：

18、p1={p1(2),p1(3),……,p1(j),……p1(l)}；

19、其中，p1(j)=(∑g0(j+i+k)+∑g0(j+i+k-1))/2，j∈[1,l]，l为均值序列周期，以分钟为最小单位，l≤m。

20、所述步骤五中预测1阶模型w1的表示如下：

21、w1(z+1)=d1*g0(1)/(d2*g0(1)+(d1-d2*g0(1))*exp(d1*z))；

22、其中，d1，d2为模型待定预估参数值，z为待预测时间点。

23、所述步骤五中模型待定预估参数值依据如下公式计算：

24、d=(qtq)-1qtv；

25、式中，q=[-p1(2),-p1(3), ……,-p1(l);(p1(2))^2,(p1(3))^2 , ……,(p1(l))^2]t，d=[d1,d2]t，v=[g0(2),g0(3),……,g0(l)]t。

26、所述步骤六中新的光功率预测模型的表示如下：

27、(z+1)=w1(z+1)-w1(z)。

28、所述步骤七包括以下子步骤：

29、7-1：判断步骤六中生成的新的光功率预测模型的合格性，若合格，则进入步骤7-2，否则进入步骤7-3；

30、7-2：基于步骤六中生成的新的光功率预测模型进行下一时刻的光功率预测；

31、7-3：返回步骤二基于下一周期数据重新生成初始光功率采样数列，重新进行模型生成。

32、所述步骤7-1中包括以下子步骤：

33、7-1-1：计算光功率预测模型残差序列e；

34、7-1-2：计算i时刻点相对误差δ(i)；

35、7-1-3：计算平均相对误差，给定平均相对误差δ，若＜δ成立时，判定为模型合格。

36、所述光功率预测模型残差序列e计算公式如下：

37、e={e(1),e(2),……,e(i),……,e(n)}={[g0(1)-(1)],[g0(2)-(2)],……,[g0(n)-(n)]}；

38、所述i时刻点相对误差δ(i)计算公式如下：

39、δ(i)=|e(i)/g0(i)|；

40、所述平均相对误差计算公式如下：

41、=(δ(1)+δ(2)+……δ(n))/n；

42、δ=0.5%。

43、与现有技术相比，本发明具有以下有益效果：

44、本发明提供一种光伏发电功率预测方法，通过一系列数据处理，仅涉及少量的光功率数据且摒除环境数据的影响，通过简单的数列逻辑计算过程，便可以实现对光功率快速预测和实时响应，预测精度高的同时还具备成本低、经济性强、数据稳健性高的技术优势。

技术特征：

1.一种光伏发电功率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述步骤二中，生成的初始光功率采样数列g0中不少于4个时间单位；

3.根据权利要求2所述的光伏发电功率预测方法，其特征在于，所述步骤三中基于初始光功率采样数列进行1次累加序列生成1次累加序列g1，1次累加序列g1计算公式如下：

4.根据权利要求3所述的光伏发电功率预测方法，其特征在于，所述步骤四中均值序列p1的表示如下：

5.根据权利要求4所述的光伏发电功率预测方法，其特征在于，所述步骤五中预测1阶模型w1的表示如下：

6.根据权利要求5述的光伏发电功率预测方法，其特征在于，所述步骤五中模型待定预估参数值依据如下公式计算：

7.根据权利要求6的光伏发电功率预测方法，其特征在于，所述步骤六中新的预测模型的表示如下：

8.根据权利要求7的光伏发电功率预测方法，其特征在于，所述步骤七包括以下子步骤：

9.根据权利要求8的光伏发电功率预测方法，其特征在于，所述步骤7-1中包括以下子步骤：

10.根据权利要求9的光伏发电功率预测方法，其特征在于，所述光功率预测模型残差序列e计算公式如下：

技术总结
本发明涉及发电功率预测技术领域，具体涉及一种光伏发电功率预测方法，包括以下步骤：步骤一：采集光伏发电系统的功率数据；步骤二：基于伏发电系统的功率数据生成初始光功率采样数列；步骤三：基于初始光功率采样数列生成累加序列；步骤四：基于累加序列生成均值序列；步骤五：基于均值序列生成预测1阶模型；步骤六：基于步骤五生成新的光功率预测模型；步骤七：基于步骤六中生成的新的光功率预测模型进行光伏发电功率预测，通过简单的数列逻辑计算过程，便可以实现对光功率快速预测和实时响应，预测精度高。

技术研发人员：赵维森,高述辕,朱荣建,丁玉杰,张德龙
受保护的技术使用者：山东中瑞电气有限公司
技术研发日：
技术公布日：2024/1/15