一種光伏發電系統的短期功率預測方法
【技術領域】
[0001] 本發明設及一種光伏發電系統功率預測方法。
【背景技術】
[0002] 面對日益嚴峻的能源形勢和愈發窘迫的環保現狀，中國制定了大力發展可再生能 源的相關政策和發展規劃，而太陽能作為一種情結的、可再生能源引起能源界大量的技術 研發投入。太陽能發電具有安全可靠、能源質量高、無枯竭危險、無污染、維修保養簡單等優 點，是可再生能源發展的重要方向。雖然光伏發電因其諸多優點得到了廣泛應用，但由于光 伏發電系統受環境因素影響，存在不確定性、波動性、間歇性等特點，不利于電網的安全調 度和能量管理，增加了電網的運行風險。因此，對光伏發電的短期功率進行精確預測，對于 電網的安全調度和能量管理具有十分重要的意義。
【發明內容】
[0003] 本發明的目的是提供一種光伏發電系統短期功率精確預測方法，用于有效調節光 伏發電系統對電網的安全調度和能量管理帶來的不利影響。本發明的技術方案如下：
[0004] -種光伏發電系統的短期功率預測方法，包括下列步驟：
[000引（1)、天氣類型的重新劃分
[0006] 對歷史數據根據天氣類型進行劃分，從而建立各自對應的預測模型，根據影響光 伏系統出力的主要自然因素是光照強度與環境溫度，將光照強度波動量小、平均值較低的 陰天、雨雪W及霧靈做合并處理，按照自然環境量是否連續穩定、平均數值的大小，從廣義 角度將天氣類型劃分為A、B、CS類：
[0007]
[0008] (2)、確定待預測日的相似日
[0009] 根據待預測日的天氣因素確定其所對應的廣義天氣類型，并按照灰色關聯系數法 選取與待預測日相似的歷史日，W該歷史日的光伏發電出力作為模型輸入量，選取的每日 氣象特征向量為：
[0010] xi=[xi(l),xi(2),xi(3),] = [thi,tii,hi] \*MERGEF0RMAT (1)
[0011] 其中，thi表示第i日最高溫度，til表示第i日最低溫度，hi表示第i日天氣濕度； [001引 Wxo表示待預測日，則待預測日X0與第i個歷史日XI的第j個特征分量的關聯系數 為：
[0013]
[0014] 其中，P-般取為ο. 5，min min |λ',,( ( /)1為兩層式取絕對差值中最小值計算，即 I J 第一層為先分別由各比較數列XI曲線上的每一個點與參考數列XO曲線上的每一個點之絕對 差值中取最小值，再由運些最小值當中選取最小值;戶m嚴mjix|x〇〇) - χ,.〇·)|)為兩層式取絕 對差值中最大值計算，即第一層為先分別由各比較數列XI曲線上的每一個點與參考數列ΧΟ 曲線上的每一個點之絕對差值中取最大值，再由運些最大值當中選取最大值；|x〇(j)-xi(j) 為各比較數列XI曲線上的每一個點與參考數列XO曲線上的每一個點的絕對差值；
[001引待預測日XO與第i個歷史日XI的相似度定義為：
[0016]
\'* ME民邸FORMAT 貸）
[0017] W相似度最大的歷史日作為待預測日的相似日；
[0018] (3)、建立基于支持向量機的光伏發電短期功率預測模型，樣本數據選擇預測日及 其相似日，W預測日的包括最高溫度、最低溫度和天氣濕度在內的環境因素數據W及相似 日的發電功率數據，作為預測模型的輸入量，W預測日各預測點的光伏發電功率輸出數據 作為預測模型的輸出數據，采用遺傳算法對預測模型的參數進行優化。
[0019] 步驟(3)的采用遺傳算法對預測模型的參數進行優化如下：
[0020] 1)設置遺傳算法的初始群體規模和迭代次數，W及交叉率和變異率；
[0021] 2)初始化待優化參數值，即利用實數編碼方式對正規化參數C與核參數σ進行初始 化；
[0022] 3)對種群進行遺傳迭代，并計算各種群的適應度大小；
[0023] 4) W優化后的參數值作為支持向量機光伏發電預測模型的參數值；
[0024] 5)計算預測模型的輸出和實際輸出的誤差是否滿足要求，如果滿足要求，則執行 步驟6)，如果誤差不滿足要求，則返回步驟3);
[0025] 6)將運組優化后的參數值作為預測模型的參數值，輸入待預測日的天氣數據和相 似日的功率數據進行短期功率預測。
[0026] 本方法通過將傳統的天氣類型歸為廣義的Α、ΒΧΞ類，在相同天氣類型的條件下， 根據灰色關聯系數法尋找待預測日的相似日，將待預測日的天氣數據和相似日的光伏發電 數據作為預測模型的輸入，采用支持向量機方法進行預測模型的建模，并采用遺傳算法對 預測模型的參數進行優化，避免模型參數尋優陷入局部最優，W提高預測模型的預測精度。 在本發明的基礎上進而可W有效緩解了光伏發電系統對電網的能量管理和電網調度帶來 的不利影響。
【附圖說明】
[0027] 圖1支持向量機結構圖
[0028] 圖2優化模型和預測模型的流程圖
[0029] 圖3 A類氣象條件下預測功率與實際功率
[0030] 圖4 A類氣象條件下預測結果相對誤差
[0031] 圖5 B類氣象條件下預測功率與實際功
[0032] 圖6 B類氣象條件下預測結果相對誤差
[0033] 圖7 C類氣象條件下預測功率與實際功率
[0034] 圖8 C類氣象條件下預測結果相對誤差
[0035] 圖7 C類氣象條件下預測功率與實際功率
[0036] 圖8 C類氣象條件下預測結果相對誤差
【具體實施方式】
[0037] 下面對本發明的技術方案進行詳細說明
[0038] (1)、天氣類型的重新劃分
[0039] 建立光伏發電系統的分類預測模型就需要對歷史數據根據天氣類型進行劃分，從 而建立各自對應的預測模型。目前的氣象預報可W將天氣類型劃分為晴天、多云、陰天、雨 天、雪、霧等。過多的類別劃分會導致數據集特征向量過于分散，為模型的訓練帶來困難。由 于影響光伏系統出力的主要自然因素是光照強度與環境溫度，可W將光照強度波動量小、 平均值較低的陰天、雨雪W及霧靈做合并處理，按照自然環境量是否連續穩定、平均數值的 大小等，從廣義角度將天氣類型劃分為Α、ΒΧΞ類。
[0040]
[0041 ]具體操作步驟為：
[0042] 1)按照傳統天氣類型數據對樣本數據進行廣義歸類；
[0043] 2)根據待預測日的天氣類型數據確定其廣義天氣類型；
[0044] 3)根據廣義天氣類型，利用和待預測日同類型下的樣本數據進行建模預測。
[004引（2)、模型確定待預測日的相似日
[0046] 根據待預測日的天氣因素確定其所對應的天氣類型，并按照灰色關聯系數法選取 與待預測日相似的歷史日，W該歷史日的光伏發電出力作為模型輸入量。選取的每日氣象 特征向量為：
[0047] xi=[xi(l),xi(2),Xi(3),] = [thi,tii,hi] \*MERGEF0RMAT (1)
[0048] 其中，thi表示第i日最高溫度，til表示第i日最低溫度，hi表示第i日天氣濕度。
[0049] Wxo表示待預測日，則待預測日X0與第i個歷史日XI的第j個特征分量的關聯系數 為：
[00501
[0051] 其中，P-般取為0.5。
[0052] 待預測日X0與第i個歷史日XI的相似度定義為：
[0053]
MERGEFQ民MAT 巧)
[0054] W相似度最大的歷史日作為待預測日的相似日。
[00巧]具體操作步驟為：
[0056] 1)確定樣本容量，記為η;
[0057] 2)對樣本數據進行編號，從1編號到η;
[0058] 3)根據公式(2)和(3)計算1號樣本數據的相似度，并將1號樣本記為相似日；
[0059] 4)計算2號樣本數據的相似度，并于相似日的相似度進行比較，若2號樣本數據的 相似度大，則將2號樣本記為相似日，若2號樣本的相似度小，則相似日不變；
[0060] 5)依次類推，直到將η個樣本的相似度都計算出來，最后得到的相似日即為相似度 最大的樣本。
[0061 ] (3)、對光伏發電短期功率預測模型的參數優化模型和功率預測模型進行求解
[0062] 遺傳算法是一種模擬化rwin生物進化論過程的尋優算法，它是W任一群體為起始 點，通過隨機性的選擇、交叉和變異操作，產生具有更好適應能力的新生代個體，通過優勝 劣汰的機制使得群體在約束條件的基礎上向著更好的捜索空間移動，經過不斷的繁衍尋找 到適應度最高的個體，即優化問題的最優解。本發明即是用遺傳算法對預測模型的參數進 行尋優操作。
[0063] 對預測模型的正規化參數C與核參數σ通過選擇、交叉和變異操作進行優化。為避 免基因缺失、提高算法的全局收斂性，利用個體的適應度進行選擇操作，其具體操作過程 為:找出當前群體中適應度最高的個體和適應度最低的個體;若當前群體中最佳個體的適 應度比總的迄今為止的最好個體的適應度還要高，就W當前群