基於自學習複合數據源自回歸模型光伏發電功率預測方法
2023-06-15 01:31:26 3
基於自學習複合數據源自回歸模型光伏發電功率預測方法
【專利摘要】本發明公開了一種基於自學習複合數據源自回歸模型光伏發電功率預測方法，包括輸入數據得到自回歸模型參數；以及輸入光伏發電功率預測所需輸入數據到根據上述自回歸模型的參數確定的自回歸模型中得到預測結果；對預測結果進行後評估，即分析預測值與實測值之間的誤差，如預測誤差大於允許的最大誤差，則從新進行自回歸模型AR(p)定階和AR(p)模型參數估計。通過引入複合數據源有效提高光伏發電功率超短期預測精度，從而實現在保障電網安全穩定經濟運行的前提下有效提高新能源上網電量目的。
【專利說明】基於自學習複合數據源自回歸模型光伏發電功率預測方法
【技術領域】
[0001]本發明涉及新能源發電過程中光伏發電功率預測【技術領域】，具體地，涉及一種基於自學習複合數據源自回歸模型的光伏發電功率超短期預測方法。
【背景技術】
[0002]我國風電進入規模化發展階段以後所產生的大型新能源基地多數位於「三北地區」(西北、東北、華北)，大型新能源基地一般遠離負荷中心，其電力需要經過長距離、高電壓輸送到負荷中心進行消納。由於風、光資源的間歇性、隨機性和波動性，導致大規模新能源基地的風電、光伏發電出力會隨之發生較大範圍的波動，進一步導致輸電網絡充電功率的波動，給電網運行安全帶來一系列問題。
[0003]截至2014年4月，光伏發電裝機容量已達到435萬千瓦，約佔甘肅電網總裝機容量的13%，同時甘肅成為我國光伏發電裝機規模最大的省份。目前，甘肅電網風電、光伏發電裝機超過甘肅電網總裝機容量的1/3。隨著新能源併網規模的不斷提高，光伏發電不確定性和不可控性給電網的安全穩定經濟運行帶來諸多問題。準確預估可利用的發電光資源是對大規模光伏發電優化調度的基礎。對光伏發電過程中的光伏發電功率進行預測，可為新能源發電實時調度、新能源發 電日前計劃、新能源發電月度計劃、新能源發電能力評估和棄光電量估計提供關鍵信息。
【發明內容】
[0004]本發明的目的在於，針對上述問題，提出一種基於自學習複合數據源自回歸模型光伏發電功率預測方法，以實現高精度光伏發電功率超短期預測的優點。
[0005]為實現上述目的，本發明採用的技術方案是:
[0006]一種基於自學習複合數據源自回歸模型光伏發電功率預測方法，包括輸入數據得到自回歸模型參數；
[0007]以及輸入光伏發電功率預測所需輸入數據到根據上述自回歸模型的參數確定的自回歸模型中得到預測結果；
[0008]對預測結果進行後評估，即分析預測值與實測值之間的誤差，如預測誤差大於允許的最大誤差，則從新進行自回歸模型AR(p)定階和AR(p)模型參數估計；
[0009]所述輸入數據得到自回歸模型參數具體包括步驟101、輸入模型訓練基礎數據，
[0010]步驟102、採用殘差方差圖法對自回歸模型AR(p)定階，
[0011]步驟103、採用矩估計方法對定階的AR(p)模型參數進行估計。
[0012]根據本發明的優選實施例，所述步驟101輸入模型訓練基礎數據，輸入數據包括，光伏電站基礎信息、歷史輻照度數據、歷史功率數據和地理信息系統數據。
[0013]根據本發明的優選實施例，所述步驟102採用殘差方差圖法對自回歸模型AR(p)定階:
[0014]具體為設Xt為需要估計的項，Xt-!, xt-2，...，xt-n為已知歷史功率序列，自回歸模型AR(p)，模型定階就是確定模型中參數ρ的值；
[0015]用系列階數逐漸遞增的模型擬合原始序列，每次都計算殘差平方和然後畫
出階數和σ的圖形，當階數由小增大時，σ會顯著下降，達到真實階數後€的值會逐漸趨於平緩，甚至反而增大，
[0016]df=擬合誤差的平方和/(實際觀測值個數-模型參數個數)，
[0017]實際觀測值個數指擬合模型時實際使用的觀察值項數，對於具有N個觀察值的序列，擬合AR(p)模型，則實際使用的觀察值最多為N-p，模型參數個數指所建立的模型中實際包含的參數個數，對於含有均值的模型，模型參數個數為模型階數加1，對於N個觀測值的序列，AR模型的殘差估計式為:
[0018]
【權利要求】
1.一種基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，包括輸入數據得到自回歸模型參數； 以及輸入光伏發電功率預測所需輸入數據到根據上述自回歸模型的參數確定的自回歸模型中得到預測結果； 對預測結果進行後評估，即分析預測值與實測值之間的誤差，如預測誤差大於允許的最大誤差，則從新進行自回歸模型AR(P)定階和AR(P)模型參數估計； 所述輸入數據得到自回歸模型參數具體包括步驟101、輸入模型訓練基礎數據， 步驟102、採用殘差方差圖法對自回歸模型AR (P)定階， 步驟103、採用矩估計方法對定階的AR(p)模型參數進行估計。
2.根據權利要求1所述的基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，所述步驟101輸入模型訓練基礎數據，輸入數據包括，光伏電站基礎信息、歷史輻照度數據、歷史功率數據和地理信息系統數據。
3.根據權利要求2所述的基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，所述步驟102採用殘差方差圖法對自回歸模型AR(p)定階: 具體為設Xt為需要估計的項，Xt-P Xt-2,...，Xt-n為已知歷史功率序列，自回歸模型AR(P)，模型定階就是確定模型中參數P的值； 用系列階數逐漸遞增的模型擬合原始序列，每次都計算殘差平方和然後畫出階數和σ的圖形，當階數由小增大時，σ:會顯著下降，達到真實階數後σ的值會逐漸趨於平緩，甚至反而增大， d;2=擬合誤差的平方和/ (實際觀測值個數-模型參數個數)， 實際觀測值個數指擬合模型時實際使用的觀察值項數，對於具有N個觀察值的序列，擬合AR (P)模型，則實際使用的觀察值最多為N-p，模型參數個數指所建立的模型中實際包含的參數個數，對於含有均值的模型，模型參數個數為模型階數加1，對於N個觀測值的序列，AR模型的殘差估計式為:
4.根據權利要求3所述的基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，所述步驟103採用矩估計方法對定階的AR(p)模型參數進行估計具體步驟為: 將光伏電站歷史功率數據利用數據序列xl，x2,...，xt表示，其樣本自協方差定義為
5.根據權利要求4所述的基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，所述輸入光伏發電功率預測所需輸入數據到根據上述自回歸模型的參數確定的自回歸模型中得到預測結果的步驟包括， 步驟201、輸入功率預測基礎數據； 步驟202、對輸入的基礎數據進行噪聲濾波及數據預處理； 步驟203、根據確定的參數建立自回歸模型，並將處理後的數據輸入從而得到預測結果O
6.根據權利要求5所述的基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，還包括， 步驟204、將預測結果輸出，並通過圖表及曲線展示預測結果。
7.根據權利要求6所述的基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，所述輸入功率預測基礎數據包括資源監測系統數據和運行監測系統數據，所述資源監測系統數據包含光資源監測數據；所述運行監測系統數據包括光伏組件監測數據、升壓站監測數據和數據採集與監視控制系統數據。
8.根據權利要求6所述的基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，所述噪聲濾波及數據預處理具體為:噪聲濾波模塊對監測系統實時採集得到的帶有噪聲的數據進行濾波處理，去除壞數據和奇異值；數據預處理模塊對數據進行對齊、歸一化處理和分類篩選處理。
9.根據權利要求6所述的基於自學習複合數據源自回歸模型光伏發電功率預測方法，其特徵在於，所述自回歸模型為:
【文檔編號】G06Q10/04GK103927593SQ201410162994
【公開日】2014年7月16日 申請日期:2014年4月22日 優先權日:2014年4月22日
【發明者】汪寧渤, 路亮, 劉光途, 王定美, 呂清泉 申請人:國家電網公司, 國網甘肅省電力公司, 甘肅省電力公司風電技術中心