一种光伏电站超短期辐照度预测方法及系统技术方案

本发明专利技术涉及一种光伏电站超短期辐照度预测方法及系统，该方法包括：根据训练后的支持向量回归模型，得到预测辐照度；计算相似度，同时将历史数值天气预报数据按照相似度值进行排序；计算历史数值天气预报预测辐照度与实际辐照度的方差，同时对方差进行加权累计；计算数值天气预报预测辐照度所占权重和支持向量回归模型的预测辐照度所占权重；计算得到预测时刻tp光伏电站超短期预测辐照度，本发明专利技术还涉及一种预测系统，该系统包括：训练支持向量回归模型模块、相似度计算模块、方差计算模块、权重计算模块、超短期辐照度预测模块。通过本发明专利技术在预测中可以明显地提高预测精度，同时计算效率和性能达到预测的要求，完全满足光伏发电实时调度的需要。

Ultra short term irradiance prediction method and system for photovoltaic power station

The invention relates to a photovoltaic power plant of ultra short term irradiance prediction method and system, the method includes: Based on support vector regression model after training, predicted irradiance; similarity calculation at the same time, the history of numerical weather prediction data values are sorted according to similarity calculation; history of numerical weather prediction and the actual irradiance variance irradiance, while the other the difference in weighted cumulative; numerical calculation of weather forecast weights and irradiance irradiance support vector regression model weights; calculated prediction time TP photovoltaic power station of ultra short term prediction of irradiance, the invention also relates to a prediction system, the system includes: training support vector regression model, similarity calculation module, variance the weight calculation module, calculation module, ultra short term irradiance forecast module. The prediction accuracy can be obviously improved by the invention, and the calculation efficiency and the performance can meet the requirements of the prediction, thus fully meeting the requirements of the real-time dispatching of the photovoltaic power generation.

【技术实现步骤摘要】
一种光伏电站超短期辐照度预测方法及系统
本专利技术属于光伏预测领域，尤其涉及一种光伏电站超短期辐照度预测方法及系统。
技术介绍
太阳能光伏发电作为太阳能利用中最具实用意义的技术，已经成为世界各国竞相研究和应用的热点。但是光伏发电固有的高度依赖天气条件，随机性和波动性大，预测困难的特点，又限制了光伏发电的大规模应用。光伏发电的输出功率在很大程度上取决于光伏面板所能接收到的太阳辐射量，容易受到天气因素的影响。安装在光伏电站的环境监测仪所测的光伏面板斜面辐照度，无法考虑辐照度的波动性和随机性，其预测精度较低，在天气状况变化剧烈或者预测时间尺度较长时预测效果更差。尤其是现有技术中基于斜面辐照度测量历史值预测未来几个小时辐照度时，未能反应未来几个小时天气变化因素，从而导致光伏电站超短期辐照度预测不准确。
技术实现思路
本专利技术所要解决的技术问题是：现有基于斜面辐照度测量历史值预测未来几个小时辐照度时，未能反应未来几个小时天气变化因素，从而导致光伏电站超短期辐照度预测不准确。为解决上面的技术问题，本专利技术提供了一种光伏电站超短期辐照度预测方法，该方法包括如下步骤：S1,利用读取的当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据训练支持向量回归模型，得到训练后的支持向量回归模型，同时利用训练后的模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度；S2，读取预测时刻tp及tp前后的tp-Ts、tp+Ts时刻的数值天气预报的第一数据、当前时刻t0及其之前某一时间段的数值天气预报的第二数据，并计算所述第一数据与每一时刻的所述第二数据的相似度，同时将所述数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据；S3，读取与所述第三数据中每一时刻相对应的光伏电站的实际辐照度和第一预测辐照度，并分别计算第一数据的第二预测辐照度与实际辐照度的第一方差以及所述第一预测辐照度与实际辐照度的第二方差，同时利用遗忘因子分别对所述第一方差和所述第二方差进行加权累计；S4，根据加权累计后得出的第一加权累计方差和第二加权累计方差，计算所述第二预测辐照度所占的第一权重和所述第一预测辐照度所占的第二权重；S5，根据所述第一预测辐照度、所述第二预测辐照度、第一权重和第二权重，计算得到预测时刻tp的光伏电站超短期预测辐照度。本专利技术的有益效果：在超短期辐照度预测上，采用本专利技术的方法克服了现有算法仅针对实测辐照度序列进行预测，对辐照度变化趋势把握能力差的问题，同时本专利技术中以支持向量回归(SVR)模型的预测辐照度为基础，结合数值天气预报提供的趋势数据，专利技术了基于相似度和遗忘因子的样本筛选和辐照度修正算法，采用该算法在预测中可以明显地提高预测精度，同时该算法的计算效率和性能达到了光伏电站15分钟滚动预测的要求，完全满足光伏发电实时调度的需要。进一步地，所述S1中，若读取的当前时刻t0及其之前某一时间段光伏电站实际辐照度数据中，存在丢失或者非法数据，则使用与丢失或者非法数据相邻的实际辐照度数据作为替代数据，并利用替代数据训练支持向量回归模型。上述进一步的有益效果：在存在丢失或者非法数据，使用与丢失或者非法数据相邻的实际辐照度数据作为替代数据，这样可以使得数据紧密，不会出现断裂的现象，同时也保证了后续步骤中的预测精度的提高。进一步地，所述S1中包括：S11，读取当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据；S12，将所述实际辐照度数据分成连续的多组训练样本数据，并利用每组训练样本数据训练支持向量回归模型；S13，利用训练后的支持向量回归模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度。上述进一步的有益效果：采用将所读取的数据依次分成连续的多组，这样的目的可以使得数据有层次性，大大减少了数据中产生的误差，可以使得后续中读取的数据精度大大提高。进一步地，所述S12中将所读取的数据依次分成连续的多组训练样本数据，并利用所述每组训练样本数据训练支持向量回归模型，其中所述每组训练样本数据中m个连续的实际辐照度数据为训练支持向量回归模型的输入，而训练支持向量回归模型的输出为所述m个连续的实际辐照度数据后续第wstep的实际辐照度数据，其中，m为相空间个数，wstep为第wstep步预测步骤(wstep＝1...Nts)，Nts为预测步骤，预测时间长度为Tfp，超短期辐照度预测的时间尺度为Ts。进一步地，该方法在S2与S3之间还包括：将所述第二数据按照相似度值进行排序，使用Sigmoid函数计算所述第三数据中各时刻的数据与所述第一数据中预测时刻tp的数据之间的遗忘因子。上述进一步的有益效果：对相似度进行排序后使用Sigmoid函数计算，可以使得后续的计算也测精度逐渐提高，并且不会出现数据出现遗漏缺失的现象。进一步地，所述S2中，包括计算所述第一数据与所述当前时刻t0及其之前某一时间段内任一历史时刻th及前后th-Ts、th+Ts时刻的数据的相似度。上述进一步的有益效果：选取处于该时间段内任一历史时刻th及前后th-Ts、th+Ts时刻的数据参与相似度和遗忘因子的计算，并非是采用所有的数据，这样间隔地选取数据，可以缩小数据之间的误差，大大提高后续的预测精度。进一步地，所述S2中还包括：读取预测时刻tp前后的tp-Ts、tp+Ts时刻的数值天气预报；所述历史时刻th及其前后的th-Ts、th+Ts时刻的第二数据分别与预测时刻tp及预测时刻tp前后的tp-Ts、tp+Ts时刻的第一数据一一相对应，并按照所述数值天气预报中的第一数据与第二数据进行方差计算，同时将得到的该方差进行加权累计。进一步地，所述S4中，根据以下公式计算第二预测辐照度所占的第一权重为：其中，se2为第一加权累计方差，se1为第二加权累计方差。进一步地，所述S5中，根据以下公式计算预测时刻tp的光伏电站超短期预测辐照度为：ModGhi＝weights×Gtire+(1.0-weights)×GhiSVR其中，weights为第一权重，Gtire为第二预测辐照度，GhiSVR为第一预测辐照度。本专利技术还涉及一种光伏电站超短期辐照度预测系统，该系统包括：训练支持向量回归模型模块、相似度计算模块、方差计算模块、权重计算模块、超短期辐照度预测模块；所述训练支持向量回归模型模块，其用于利用读取的当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据训练支持向量回归模型，得到训练后的支持向量回归模型，同时利用训练后的模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度；所述相似度计算模块，其用于读取预测时刻tp的数值天气预报的第一数据、当前时刻t0及其之前某一时间段的数值天气预报的第二数据，并计算所述第一数据与每一时刻的所述第二数据的相似度，同时将所述数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据；所述方差计算模块，其用于读取与所述第三数据中每一时刻相对应的光伏电站的实际辐照度和第一预测辐照度，并分别计算第一数据的第二预测辐照度与实际辐照度的第一方差以及所述第一预测辐照度与实际辐照度的第二方差，同时利用遗忘因子分别对所述第一方差和所述第二方差进行加权累计；所述权重计算模块，其用于根据加权累计后得出的第一加权累计方差和第二加权累计方差，计算所述第二预测辐照度本文档来自技高网...

【技术保护点】
一种光伏电站超短期辐照度预测方法，其特征在于,该方法包括如下步骤：S1,利用读取的当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据训练支持向量回归模型，得到训练后的支持向量回归模型，同时利用训练后的模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度；S2，读取预测时刻tp及tp前后的tp‑Ts、tp+Ts时刻的数值天气预报的第一数据、当前时刻t0及其之前某一时间段的数值天气预报的第二数据，并计算所述第一数据与每一时刻的所述第二数据的相似度，同时将所述数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据；S3，读取与所述第三数据中每一时刻相对应的光伏电站的实际辐照度和第一预测辐照度，并分别计算第一数据的第二预测辐照度与实际辐照度的第一方差以及所述第一预测辐照度与实际辐照度的第二方差，同时利用遗忘因子分别对所述第一方差和所述第二方差进行加权累计；S4，根据加权累计后得出的第一加权累计方差和第二加权累计方差，计算所述第二预测辐照度所占的第一权重和所述第一预测辐照度所占的第二权重；S5，根据所述第一预测辐照度、所述第二预测辐照度、第一权重和第二权重，计算得到预测时刻tp的光伏电站超短期预测辐照度。...

【技术特征摘要】
1.一种光伏电站超短期辐照度预测方法，其特征在于,该方法包括如下步骤：S1,利用读取的当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据训练支持向量回归模型，得到训练后的支持向量回归模型，同时利用训练后的模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度；S2，读取预测时刻tp及tp前后的tp-Ts、tp+Ts时刻的数值天气预报的第一数据、当前时刻t0及其之前某一时间段的数值天气预报的第二数据，并计算所述第一数据与每一时刻的所述第二数据的相似度，同时将所述数值天气预报的第二数据按照相似度值进行排序，得到数值天气预报的第三数据；S3，读取与所述第三数据中每一时刻相对应的光伏电站的实际辐照度和第一预测辐照度，并分别计算第一数据的第二预测辐照度与实际辐照度的第一方差以及所述第一预测辐照度与实际辐照度的第二方差，同时利用遗忘因子分别对所述第一方差和所述第二方差进行加权累计；S4，根据加权累计后得出的第一加权累计方差和第二加权累计方差，计算所述第二预测辐照度所占的第一权重和所述第一预测辐照度所占的第二权重；S5，根据所述第一预测辐照度、所述第二预测辐照度、第一权重和第二权重，计算得到预测时刻tp的光伏电站超短期预测辐照度。2.根据权利要求1所述的预测方法，其特征在于，所述S1中，若读取的当前时刻t0及其之前某一时间段光伏电站实际辐照度数据中，存在丢失或者非法数据，则使用与丢失或者非法数据相邻的实际辐照度数据作为替代数据，并利用替代数据训练支持向量回归模型。3.根据权利要求2所述的预测方法，其特征在于，所述S1中包括：S11，读取当前时刻t0及其之前某一时间段的光伏电站的实际辐照度数据；S12，将所述实际辐照度数据分成连续的多组训练样本数据，并利用每组训练样本数据训练支持向量回归模型；S13，利用训练后的支持向量回归模型对预测时刻tp的辐照度进行预测，得到第一预测辐照度。4.根据权利要求3所述的预测方法，其特征在于，所述S12中将所读取的数据依次分成连续的多组训练样本数据，并利用所述每组训练样本数据训练支持向量回归模型，其中所述每组训练样本数据中m个连续的实际辐照度数据为训练支持向量回归模型的输入，而训练支持向量回归模型的输出为所述m个连续的实际辐照度数据后续第wstep的实际辐照度数据，其中，m为相空间个数，wstep为第wstep步预测步骤(wstep＝1...Nts)，Nts为预测步骤，Tfp为预测时间长度，Ts为超短期辐照度预测的时间尺度。5.根据权利要求1至4任一所述的预测方法，其特征在于，该方法在S2与S3之间还包括：将所述第二数据按照相似度值进行排序，使用Sigmoid函数计算所述第三数据中各时刻的数据与所述第一数据中预测时刻tp的数据之间的遗忘因子。6.根据权利要求5所述的预测方法，其特征在于，所述S2中...

【专利技术属性】
技术研发人员：朱长胜，蒿峰，文志刚，郭琦，郭抒翔，云峰，海威，贺旭伟，牛新，
申请(专利权)人：内蒙古电力集团有限责任公司，北京中科伏瑞电气技术有限公司，
类型：发明
国别省市：内蒙古,15