一种基于马尔科夫残差修正的光伏发电预测方法技术

本发明专利技术公开一种基于马尔科夫残差修正的光伏发电预测方法，首先选取相似天气条件下的数据作为原始样本，运用灰色模型进行预测；再将预测的数据和实测的数据归一化，作为神经网络的输入，并加入辐照度和平均温度值，通过选取合适的输入层、隐含层、输出层节点建立神经模型，对输入样本进行网络训练，得到预测日的各时刻的预测值；然后计算预测值与实测值之间的相对误差，再通过马尔科夫模型对误差进行修正，进而得到最终的预测值。本发明专利技术的实施过程简明，灰色神经网络预测模型是用相对确定的值来预测未知值，能更好的跟踪输出功率的实际变化趋势，而马尔科夫模型又可以弥补了灰色神经网络预测波动性大的缺点，使得预测模型更加的准确和可靠。

【技术实现步骤摘要】

本专利技术涉及光伏发电领域，特别是涉及一种基于马尔科夫残差修正的光伏发电预 测方法。
技术介绍
近些年，光伏发电由于清洁能源特性得到了快速的发展。光伏发电系统输出的变 化是一个非线性的随机过程，同时由于各用户使用的光伏电池种类、容量及安装位置的随 机性很大，光伏发电系统相对于整体电网是一个不可控源，发电的随机性会对大电网造成 巨大的冲击，给电网可靠、稳定运行带来诸多问题。因此对光伏发电系统输出功率的准确预 测，有利于电力系统调度部门适时调整调度计划，有效地减轻光伏发电系统接入对电网的 不利影响。但目前对光伏系统发电量预测技术的研究不多，这也正是光伏系统不能大规模 应用的原因之一。 灰色理论以"部分信息已知，部分信息未知"的"小样本""贫信息"不确定性系统 为研究对象，通过对"部分"已知信息的生成、开发实现对现实世界的确切描述和认识。灰 色预测模型可在"贫信息"情况下对非线性、不确定性系统的数据序列进行预测，但其预测 误差偏高，而人工神经网络由于具有强大的学习功能，可以逼近任意复杂的非线性函数，它 不用事先假设数据间存在某种函数关系，信息利用率较高。马尔科夫链预测是根据某些变 量的现在状态及其变化趋向，预测其在未来某一特定期间内可能出现的状态，适合描述随 机波动性较大问题。由于状态概率转移矩阵具有追踪变量随机波动的能力与"无后效性"。 如果能够结合灰色神经网络和马尔科夫模型对光伏发电进行预测，取长补短，将得到更加 可靠的预测模型，对于电网的安全运行具有重要意义。
技术实现思路
针对现有技术上存在的不足，本专利技术的目的采用相似条件下的历史数据对光伏系 统发电量进行预测，降低大规模阵列并网后对电网的冲击，公开一种基于马尔科夫残差修 正的光伏发电预测方法。 为了实现上述目的，本专利技术是通过如下的技术方案来实现： -种基于马尔科夫残差修正的光伏发电预测方法， a.首先选取相似天气条件下的每天整点时刻的数据作为原始样本，求解1-AG0序 列，建立关于1-AG0序列一阶微分方程，采用最小二乘参数法，建立灰色预测模型，还原并 求出预测值； b.将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化后，将灰 色模型预测的数据、每天的辐照度和平均温度作为神经网络的输入样本，而实测数据则作 为神经网络的目标值，通过选取输入层、隐含层、输出层节点建立神经模型，对输入后样本 进行神经网络训练，再由灰色模型得到的预测日的数据输入到已训练好的神经网络中，得 到预测日各时刻最终的预测值； c.利用相对误差公式，计算预测值与实测值之间的相对误差，根据所得的相对误 差，采用黄金分割法对状态空间进行划分，进一步求得马尔科夫状态转移矩阵，选取最后一 个相对误差状态为初始状态预测得到下一个状态的状态向量，完成对误差进行修正，进而 得到经修正后的预测值。 上述步骤（a)中相似天气条件中的天气类型为：晴天、晴转多云、低辐照天气。 上述步骤（a)中灰色模型的预测值的计算方法如下： 选取相似天气条件下的每天整点非负数据作为原始样本Xw: 利用公式（1)对序列xW进行累加，生成序列χ(1):χ (1)= {Χ(1)(1)，χω(2)，…，x(1) (k)}; 据此建立关于x(1) (k)的一阶线性微分程：(2) 其中a为一阶线性微分方程中x(1)的系数，u为常数项。利用如下最小二乘法公式 (3)求解参数a, u :(3) 其中，A为a，u组成的2X1的列矩阵，B为与元素.相关的（n_l)X2的矩阵，即 Y为由序列组成的（n-l)Xl的列矩阵，即 此时可得X (1)的灰色模型为：C4) 则灰色模型的预测值可用下式得出： UiN 丄 丄 OU4:乙 O Λ _/·!·? O/ ?C5)〇 上述步骤（b)中将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度 归一化，公式如下：《6.): 其中，X1S归一化后神经网络的输入，X al为灰色模型的输出，X _η为灰色模型的 输出中最小值，X_x为灰色模型的输出中最大值。Y i为归一化后神经网络的目标价值，y bl 原始样本中的最小值，yb_为原始样本中的最大值； 所述预测值最终结果通过如下公式（7)还原得到： α为经过神经网络预测的预测值，为0-1之间的值。 上述步骤（C)的具体步骤如下： 预测值与实测值的相对误差，由如下公式（8)求得：C8) 黄金分割算法为：(9) 其中，λ ;为黄金分割点，Ω为黄金分割率，取〇. 618, G为相对误差的平均值，η和 q根据相对误差的大小选取； 设定由相对误差组成样本{Xm}，马尔科夫状态空间为S，当前状态为i，下一状态 为j，则从状态i转移到j的概率为： Pij= prob{Xm+1= j |Xm= i}, (i, j e s, m = 0, I, 2···) (10) 由P1 j组成状态转移矩阵P，其中p u必须满足如下条件： _(11)： 当误差状态发生变化时，一步转移矩阵为： 经过k转移后的转移矩阵为： (12)(13) 其中，丨是转移的原始数据样本k-step状态i转 移到状态j的次数，N1处在原始状态i的个数； 最后以末尾的状态为预测的初始状态向量，乘以状态转移矩阵，得到下一时刻的 状态向量，计算预测值所在的区间，得到预测日的最终结果。 本专利技术与现有技术相比有益的效果是： 本专利技术的实施过程简明，灰色神经网络预测模型是用相对确定的值来预测未知 值，能更好的跟踪输出功率的实际变化趋势，而马尔科夫模型又可以弥补了灰色神经网络 预测波动性大的缺点，使得预测模型更加的准确和可靠。【附图说明】 下面结合附图和【具体实施方式】来详细说明本专利技术； 图1基于马尔科夫残差修正的光伏发电预测框图； 图2是神经网络结构图； 图3晴天条件下输出功率； 图4晴转多云条件下输出功率； 图5低辐照条件下的输出功率； 图6晴天条件下原始误差与修正后误差比较； 图7晴天条件下的实测曲线、预测曲线、修正后的曲线； 图8晴转多云条件的实测曲线、预测曲线、修正后的曲线； 图9低辐照条件下的实测曲线、预测曲线、修正后的曲线； 图10是3种典型天气条件的预测误差对比图。【具体实施方式】 为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合【具体实施方式】，进一步阐述本专利技术。 如图1所示，， a.首先选取相似天气条件下的每天整点时刻的数据作为原始样本，求解1-AG0序 列，建立关于1-AG0序列一阶微分方程，采用最小二乘参数法，建立灰色预测模型，还原并 求出预测值； b.将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化后，将灰 色模型预测的数据、每天的辐照度和平均温度作为神经网络的输入样本，而实测数据则作 为神经网络的目标值，通过选取输入层、隐含层、输出层节点建立神经模型，对输入后样本 进行神经网络训练，再由灰色模型得到的预测日的数据输入到已训练好的神经网络中，得 到预测日各时刻最终的预测值； c.利用相对误差公式，计算预测值与实测值之间的相对误差，根据所得的相对误 差，采用黄金分割法对状态空间进行划分，进一步求得马尔科夫状态转移矩阵，选取最后一 个相对误差状态为初始状态预测得到下一个状态的状态向量，完成对误差进行修正，进而 得到经修正后本文档来自技高网...

【技术保护点】
一种基于马尔科夫残差修正的光伏发电预测方法，其特征在于：a.首先选取相似天气条件下的每天整点时刻的数据作为原始样本，求解1‑AGO序列,建立关于1‑AGO序列一阶微分方程，采用最小二乘参数法，建立灰色预测模型,还原并求出预测值；b.将灰色模型预测的数据、实测的数据、每天的辐照度和平均温度归一化后，将灰色模型预测的数据、每天的辐照度和平均温度作为神经网络的输入样本，而实测数据则作为神经网络的目标值，通过选取输入层、隐含层、输出层节点建立神经模型，对输入后样本进行神经网络训练，再由灰色模型得到的预测日的数据输入到已训练好的神经网络中，得到预测日各时刻最终的预测值；c.利用相对误差公式，计算预测值与实测值之间的相对误差，根据所得的相对误差，采用黄金分割法对状态空间进行划分，进一步求得马尔科夫状态转移矩阵，选取最后一个相对误差状态为初始状态预测得到下一个状态的状态向量，完成对误差进行修正，进而得到经修正后的预测值。

【技术特征摘要】

【专利技术属性】
技术研发人员：丁坤，冯莉，陈富东，顾鸿烨，李元良，覃思宇，高列，刘振飞，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32