一種光伏輸出功率值的分頻預測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種光伏輸出功率值的分頻預測方法，屬于分布式光伏發(fā)電技術(shù)領(lǐng) 域。
【背景技術(shù)】
[0002] 近年來，分布式光伏發(fā)電技術(shù)的應用，不僅有效的提高了電力系統(tǒng)的可靠性，而且 防止大面積停電，削弱了自然災害對電力系統(tǒng)產(chǎn)生的影響，對國家有重要的經(jīng)濟和安全意 義。
[0003] 光伏發(fā)電具有波動性，間歇性和周期性，少量的光伏發(fā)電并網(wǎng)對整個電網(wǎng)的影響 并不大，當光伏并網(wǎng)的滲透率的提高時，將對電網(wǎng)的電能質(zhì)量產(chǎn)生重要的影響，如頻率的波 動，有功功率不平衡等。于是，對光伏發(fā)電輸出功率的準確預測就極為重要，電力部門可以 利用預測出的數(shù)據(jù)進行電力調(diào)度，對電能進行合理的規(guī)劃，減小光伏并網(wǎng)系統(tǒng)的滲透率提 尚對電網(wǎng)的影響。
[0004] 現(xiàn)有的光伏輸出功率預測分為直接預測和間接預測，直接預測是指利用光伏電站 的歷史輸出功率數(shù)據(jù)和氣象信息進行預測的方法，而間接預測是指先分別預測出影響光伏 發(fā)電功率的各個影響因子，然后將這些影響因子作為輸入，通過光伏電站的功率特性模型， 得出預測結(jié)果的方法。建模方法應用較多的是神經(jīng)網(wǎng)絡、支持向量機（SVM)等統(tǒng)計方法。
[0005] 針對光伏輸出功率的預測，現(xiàn)有技術(shù)中重要存在以下方法：
[0006] (I)Li Zhiyong 等在文獻"Short Term Photovoltaic Power Generation Forecasting Using RBF Neural Network[A], Chinese Control And Decision Conference[C], Changsha, 2014"中提出了一種RBF神經(jīng)網(wǎng)絡，雖然學習過程中收斂速度 快，學習方法簡單，但是預測精度并不高，不能適用于所有天氣類型。
[0007] (2)張艷霞等在文獻"基于反饋型神經(jīng)網(wǎng)絡的光伏系統(tǒng)發(fā)電功率預測[J].電力系 統(tǒng)保護與控制，2011，（15) :96-109"提出將天氣類型指數(shù)作為BP神經(jīng)網(wǎng)絡輸入變量，該模 型無需根據(jù)天氣類型進行劃分子模型，但BP神經(jīng)網(wǎng)絡對非晴天條件下預測精度不高。
[0008] (3)李鵬梅在文獻"基于相似日和神經(jīng)網(wǎng)絡的光伏發(fā)電預測[J].可再生能 源，2013, 31 (10) : 1-9. "提出了一種基于相似日算法的改進型BP神經(jīng)網(wǎng)絡的預測模型，基 于相似日算法的的確能有效提取該天氣類型條件下出力的特征，但是對于與預測日時間間 隔過長的相似日樣本，預測結(jié)果與實際值相差很大。
[0009] 以上現(xiàn)有技術(shù)公開的文獻在預測光伏輸出功率時，對非晴天條件下的光伏輸出功 率預測精度均不高，均采用單一的神經(jīng)網(wǎng)絡預測模型，基于相似日樣本對神經(jīng)網(wǎng)絡進行訓 練，忽略了相鄰日的光伏輸出功率也能作為判斷預測日光伏輸出功率趨勢的一個條件，從 而使得預測精度不高。
【發(fā)明內(nèi)容】
[0010] 為了解決上述技術(shù)問題，本發(fā)明提供了一種光伏輸出功率值的分頻預測方法。
[0011] 為了達到上述目的，本發(fā)明所采用的技術(shù)方案是：
[0012] -種光伏輸出功率值的分頻預測方法，包括以下步驟，
[0013] 步驟A，獲取相似日數(shù)據(jù)；
[0014] Al)選取光伏發(fā)電設備的歷史光伏數(shù)據(jù)，構(gòu)造歷史樣本集S = {Sl，S2，…，S1，… ，sn};
[0015] 其中，8;表示歷史樣本集中的第i個樣本；1彡i彡η;并有Si = Iw1, Xlinax, Xlinin, Plil, Pli2,…，Pu,…，P1J W1表示歷史樣本s i的天氣類型；X linax表示歷史 樣本Si的最高溫度；X iimin表示歷史樣本s ;的最低溫度；p pii2,…，pu，…，piim表示歷史 樣本S1各時刻的光伏輸出功率值；P u表示歷史樣本s i在第1個時刻的光伏輸出功率值； 1 1 m ；
[0016] A2)假設光伏發(fā)電設備的預測日光伏數(shù)據(jù)為{wp，;
[0017] 其中，Wp表示預測日的天氣類型；X 表示預測日的最高溫度；X p，_表示預測日 的最低溫度；
[0018] A3)計算歷史樣本集S與預測日光伏數(shù)據(jù)的溫度歐式距離，構(gòu)造溫度歐式距離集D ={山，d2,…，山，…，dn};
[0019] 其中，
[0021] Cl1表示歷史樣本s 1與預測日光伏數(shù)據(jù)的溫度歐式距離；
[0022] A4)對溫度歐式距離集D進行降序排序，選擇前r組溫度歐式距離對應的歷史樣 本，構(gòu)造與所述預測日光伏數(shù)據(jù)相對應的神經(jīng)網(wǎng)絡訓練樣本集S。；
[0023] Sc= {s sc,2,…，Sy,…，sc,r}，其中Sy表示第j個神經(jīng)網(wǎng)絡訓練樣 本，
1彡j彡r，w(i)表示神經(jīng)網(wǎng)絡訓練樣本sj的天氣類型；
表示神經(jīng)網(wǎng) 絡訓練樣本& ,的最高溫度；
表示神經(jīng)網(wǎng)絡訓練樣本Sq的最低溫度；
表不神經(jīng)網(wǎng)絡訓練樣本Stli 各時刻的光伏輸 出功率值；
表示神經(jīng)網(wǎng)絡訓練樣本\ j在第1個時刻的光伏輸出功率值；
[0024] 步驟B，生成初始預測值；
[0025] BI)對神經(jīng)網(wǎng)絡訓練樣本集S。中的每個元素進行λ次小波分解，獲得神經(jīng)網(wǎng)絡訓 練樣本集S。的分解小波系數(shù)序列集；
[0026] 對Sy進行λ次小波分解，獲得第j個分解小波系數(shù)序列 L/1N 丄 UD 丄丄 Λ /·*·? O/ ?
其中，dOO表示對Sy進行第λ次小波分解所 獲得的小波系數(shù)序列；表示對Sy進行第λ次小波分解所獲得的平均系數(shù)序列；
[0027] Β2)以第j-Ι個分解小波系數(shù)序歹I
作為神經(jīng)網(wǎng)絡的輸入信號，以第j個分解小波系數(shù)序列
作 為神經(jīng)網(wǎng)絡的輸出信號，以所述輸入信號和所述輸出信號作為神經(jīng)網(wǎng)絡的學習樣本，通過 神經(jīng)網(wǎng)絡對所述學習樣本進行訓練，從而獲得光伏輸出功率值分頻預測模型；
[0028] B3)以第r個分解小波系數(shù)序列
作為光伏輸 出功率值分頻預測模型的輸入信號，通過光伏輸出功率值分頻預測模型，獲得初始預測小 波序歹丨
[0029] B4)對初始預測小波序列
[進行小波重 組，獲得初始光伏輸出功率預測序列{ρΡι1，ΡΡι2, . . .，PM，. . .，PpiJ，Pm表示預測日在第1 個時刻的光伏輸出功率預測值；
[0030] 步驟C，確立灰色系統(tǒng)預測值的判斷區(qū)間；
[0031] Cl)根據(jù)歷史樣本集獲得預測序列X(O) = [Xw⑴，Xw (2)，…，XwGO,…，x(Q)⑴];
[0032] 其中， t表示與預測日相鄰的前t 天；
[0033] C2)利用預測序列X(O)構(gòu)建灰色系統(tǒng)DGM模型；
[0034] C3)對η個歷史樣本，利用灰色系統(tǒng)DGM模型分別進行灰色預測，獲得η個預測值 W，并根據(jù)η個預測值W計算η個歷史樣本的誤差；
[0035] C4)根據(jù)η個歷史樣本的誤差值選取誤差區(qū)間Eg= (δ，ε);其中δ，ε是由η個 歷史樣本的誤差值集中分布范圍決定的，S是誤差區(qū)間下限，ε是誤差區(qū)間上限
[0036] C5)將t+Ι的值賦給k，從而利用灰色系統(tǒng)DGM模型獲得預測日的預測序列值Wg = x(Q) (t+Ι)，獲得判斷區(qū)間 Jg= (W g_Wg ε，Wg-Wg δ ) U (Wg+Wg δ，Wg+Wg ε );
[0037] 步驟D，判斷
是否成立，若成立，則不進行校正，從而以預測日在 第1個時刻的光伏輸出功率預測值Piu作為最終預測值；否則，利用校正公式進行校正，從 而獲得預測日在第1個時刻的光伏輸出功率預測校正值pPi1_，并以預測校正值pPi1_作為 最終預測值；
[0038] 校正公式為，
[0040] 采用haar小波的mallat算法作為小波分解與小波重組的方法。
[0041] 本發(fā)明所達到的有益效果：1、本發(fā)明采用了基于灰色系統(tǒng)校正的小波神經(jīng)網(wǎng)絡， 能有效的從歷史光伏數(shù)據(jù)中提取出預測日的出力趨勢及特征，提高預測精度，降低預測誤 差；2、本發(fā)明采用了基于小波分解對歷史數(shù)據(jù)進行分解，能對歷史光伏數(shù)據(jù)進行多尺度分 析，有效提取歷史光伏數(shù)據(jù)的局部信息；3、發(fā)明采用了基于神經(jīng)網(wǎng)絡構(gòu)建預測模型，有助于 提取各種外界條件下光伏電站的出力趨勢，具有很強的學習能力，提高了非晴天條件下光 伏輸出功率的預測精度；4、本發(fā)明采用了基于灰色系統(tǒng)模型對歷史數(shù)據(jù)進行建模，通過對 歷史光伏數(shù)據(jù)的誤差分析，找出預測誤差分布范圍，