测光网络实时校正自学习ARMA模型光伏功率预测方法技术

本发明专利技术公开了一种测光网络实时校正自学习ARMA模型光伏功率预测方法，包括输入数据得到自回归滑动平均模型参数即模型训练；输入光资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；建立自回归滑动平均模型从而得到光伏功率超短期预测结果；引入实时测光站数据对光伏功率超短期预测结果进行实时校正；对实时校正后的预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则重新进行模型训练。通过引入实时测光站数据对光伏发电功率超短期预测结果进行实时校正，克服现有ARMA技术中光伏发电功率超短期预测精度低的缺陷，达到高精度的光伏发电功率超短期预测的目的。

【技术实现步骤摘要】
测光网络实时校正自学习ARMA模型光伏功率预测方法
本专利技术涉及新能源发电过程中光伏功率预测
，具体地涉及一种测光网络实时校正的自学习ARMA模型光伏功率超短期预测方法。
技术介绍
我国光伏发电进入规模化发展阶段以后所产生的大型新能源基地多数位于“三北地区”(西北、东北、华北)，大型新能源基地一般远离负荷中心，其电力需要经过长距离、高电压输送到负荷中心进行消纳。由于风、光资源的间歇性、随机性和波动性，导致大规模新能源基地的风电、光伏发电出力会随之发生较大范围的波动，进一步导致输电网络充电功率的波动，给电网运行安全带来一系列问题。截至2014年4月，光伏发电装机容量已达到435万千瓦，约占甘肃电网总装机容量的13%，同时甘肃成为我国光伏发电装机规模最大的省份。目前，甘肃电网风电、光伏发电装机超过甘肃电网总装机容量的1/3。随着新能源并网规模的不断提高，光伏发电不确定性和不可控性给电网的安全稳定经济运行带来诸多问题。准确预估可利用的发电光资源是对大规模光伏发电优化调度的基础。对光伏发电过程中的光伏发电功率进行预测，可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃光电量估计提供关键信息。ARMA(自回归滑动平均模型)作为一种成熟的机器学习方法广泛应用于光伏发电功率超短期预测。ARMA模型由自回归模型(AR)和滑动平均模型(MA)组成，采用对历史功率进行自回归运算及对白噪声序列进行滑动平均来预测未来0-4小时内的光伏发电出力。ARMA方法有很多优点，因此广泛用于光伏发电功率超短期预测，但ARMA最大的缺点就是其预测的滞后性——即当光伏发电出力发生改变时，ARMA预测的结果的变化速度普遍慢于实际光伏发电出力变化速度。因此，严重影响ARMA的预测精度。
技术实现思路
本专利技术的目的在于，针对上述问题，提出一种测光网络实时校正自学习ARMA模型光伏功率预测方法，以实现高精度光伏发电功率超短期预测的优点。为实现上述目的，本专利技术采用的技术方案是:—种测光网络实时校正自学习ARMA模型光伏功率预测方法，包括输入数据得到自回归滑动平均模型参数即模型训练；输入光资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；建立自回归滑动平均模型从而得到光伏功率超短期预测结果；引入实时测光站数据对光伏功率超短期预测结果进行实时校正；对实时校正后的预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则重新进行模型训练。根据本专利技术的优选实施例，所述输入数据得到自回归滑动平均模型参数包括，输入模型训练基础数据；模型定阶；采用矩估计方法对定阶的ARMA(p，q)模型参数进行估计。根据本专利技术的优选实施例，所述输入模型训练基础数据，输入数据包括，历史辐射数据和历史功率数据。根据本专利技术的优选实施例，所述模型定阶具体为:采用残差方差图法进行模型定阶，具体为设Xt为需要估计的项，Xt+ xt_2，xt_n为已知历史功率序列，对于ARMA (p，q)模型，模型定阶即确定模型中参数P和q的值；用系列阶数逐渐递增的模型拟合原始序列，每次都计算残差平方和σ2a然后画出阶数和σ2a的图形，当阶数由小增大时，σ2a会显著下降,达到真实阶数后武j的值会逐渐趋于平缓，甚至反而增大，σ2a =拟合误差的平方和/(实际观测值个数-模型参数个数)，实际观测值个数指拟合模型时实际使用的观察值项数，对于具有N个观察值的序列，拟合AR(P)模型，则实际使用的观察值最多为Ν-Ρ，模型参数个数指所建立的模型中实际包含的参数个数，对于含有均值的模型，模型参数个数为模型阶数加1，对于N个观测值的序列，ARMA模型的残差估计式为:本文档来自技高网...

【技术保护点】
一种测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，包括输入数据得到自回归滑动平均模型参数即模型训练；输入光资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；建立自回归滑动平均模型从而得到光伏功率超短期预测结果；引入实时测光站数据对光伏功率超短期预测结果进行实时校正；对实时校正后的预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则重新进行模型训练。

【技术特征摘要】
1.一种测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，包括输入数据得到自回归滑动平均模型参数即模型训练； 输入光资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量; 建立自回归滑动平均模型从而得到光伏功率超短期预测结果； 引入实时测光站数据对光伏功率超短期预测结果进行实时校正； 对实时校正后的预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则重新进行模型训练。2.根据权利要求1所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述输入数据得到自回归滑动平均模型参数包括，输入模型训练基础数据； 模型定阶； 采用矩估计方法对定阶的ARMA(p，q)模型参数进行估计。3.根据权利要求2所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述输入模型训练基础数据，输入数据包括，历史辐射数据和历史功率数据。4.根据权利要求3所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述模型定阶具体为: 采用残差方差图法进行模型定阶，具体为设Xt为需要估计的项，xt-1； xt-2)...，xt_n为已知历史功率序列，对于ARMA (p，q)模型，模型定阶即确定模型中参数P和q的值； 用系列阶数逐渐递增的模型拟合原始序列，每次都计算残差平方和然后画出阶>数和的图形，当阶数由小增大时，会显著下降，达到真实阶数后 < 的值会逐渐趋于平缓，甚至反而增大， CJfl2 =拟合误差的平方和/ (实际观测值个数-模型参数个数)， 实际观测值个数指拟合模型时实际使用的观察值项数，对于具有N个观察值的序列，拟合AR (P)模型，则实际使用的观察值最多为N-p，模型参数个数指所建立的模型中实...

【专利技术属性】
技术研发人员：路亮，汪宁渤，丁坤，周识远，李津，张金平，
申请(专利权)人：国家电网公司，国网甘肃省电力公司，甘肃省电力公司风电技术中心，
类型：发明
国别省市：北京;11