结合光伏功率物理模型与数据驱动的光伏功率预测方法技术

本发明专利技术提出结合光伏功率物理模型与数据驱动的光伏功率预测方法，属于电力系统新能源预测技术领域。该方法运用光伏功率物理模型，确定影响光伏功率的关键天气特征，建立历史时段和预测时段的关键天气特征矩阵；然后分别建立历史和预测时段的天气数据矩阵，获得历史和预测时段的输入矩阵；对输入矩阵进行特征提取，得到历史和预测时段的主成分特征矩阵；选取与任一预测时段主成分特征曼哈顿距离最近的K个历史时段，拟合得到K个历史时段的主成分特征与对应历史时段光伏功率的映射关系，将所选预测时段的主成分特征输入映射关系，得到该预测时段的光伏功率。本发明专利技术利用光伏功率物理模型，能够准确预测光伏功率，具有较强的工业应用价值。

Photovoltaic power prediction method based on photovoltaic power physical model and data driven

The invention combines photovoltaic power physical model and data driven photovoltaic power prediction method, belonging to power system new energy prediction technology field. This method uses the physical model of the photovoltaic power, photovoltaic power to determine the impact of key weather characteristics, key weather characteristics matrix based on historical periods and forecast period; weather data matrix and then set up the history and forecast period, obtain the history and forecast period input matrix; the input matrix for feature extraction, principal component feature matrix by history and the forecast period; and select any forecast characteristic time principal component from Manhattan K history period recently, the mapping relationship between principal component characteristics and corresponding time history of photovoltaic power fitting K historical period, the selected principal component feature input mapping between the forecast period, the forecast period of photovoltaic power. The photovoltaic power physical model can accurately predict the photovoltaic power, and has strong industrial application value.

【技术实现步骤摘要】
结合光伏功率物理模型与数据驱动的光伏功率预测方法
本专利技术属于电力系统新能源预测
，特别提供了一种结合光伏功率物理模型与数据驱动的光伏功率预测方法。
技术介绍
光伏功率预测即根据历史和当前数据对未来一定时段的光伏功率进行预测。由于日照的昼夜周期性，光伏电站只能白天发电，是一种典型的间歇式电源；光伏功率受气象、环境条件影响，具有较大的波动性和随机性。这些特性使得大规模光伏发电并网对电网造成不良影响。若能及时、准确地预测光伏功率，将对电网调度及光伏电站运行具有重要意义。目前，已有诸多关于光伏功率预测的方法。这些预测方法可按照不同方式分类。例如，根据预测时间尺度不同，可将光伏功率预测分为超短期(未来0-6小时)、短期(未来6-24小时)和中长期(未来多日至一年)。研究统计表明，晴空条件下，超短期光伏功率预测的方均根误差在8％以内；而非晴空条件下的方均根误差高于20％。可见，目前光伏功率预测误差较大，使得光伏功率预测技术难以实现工程应用。因此，改进光伏功率预测方法，提升光伏功率预测精度，具有重要应用前景和工程价值。现有光伏功率预测方法主要步骤如下：1)采集历史时段数值天气数据，如大气压强、空气沉淀物、空气湿度、天空云量、风速、空气温度、地表热辐射等；2)以历史时段数值天气数据直接作为输入，经过神经网络或支持向量机等数据驱动算法，统计学习历史时段数值天气数据与历史光伏功率的关系；3)采集预测时段数值天气数据，以该数据直接作为输入，利用统计学习得到的历史数值天气数据与历史光伏功率的关系，得到预测时段光伏功率。然而，现有预测方法强烈依赖神经网络、支持向量机等数据驱动算法的统计学习能力，忽略光伏功率物理模型对数据驱动方法的作用。光伏功率的物理模型表述光伏功率与诸如环境温度、风速、地表光强等天气特征的解析式，蕴含了光伏功率与天气特征的物理规律。例如，现有常用的光伏功率物理模型表达式如下：式中，Ee为有效光强，Tc为光伏阵列温度，E0为参考光强，T0为参考温度，Pmp0为光伏额定功率，γ为光伏阵列的温度系数，Pmp为光伏功率。该模型表明，光伏功率与有效光强与光伏阵列温度相关。
技术实现思路
本专利技术的目的在于为克服已有技术的不足之处，提出一种结合光伏功率物理模型与数据驱动的光伏功率预测方法。本专利技术通过光伏功率物理模型发掘关键天气特征，有助于发挥数据挖掘方法的学习能力，提升光伏功率的预测精度。本专利技术提出的一种结合光伏功率物理模型与数据驱动的光伏功率预测方法，包括以下步骤：1)基于光伏功率物理模型，获取与光伏功率直接相关的天气特征为有效光强和光伏阵列温度，得到光伏功率关于有效光强和光伏阵列温度的线性表达式，确定影响光伏功率的关键天气特征；光伏功率Pmp的物理模型表达式如式(1)所示：式中，Ee为有效光强，Tc为光伏阵列温度，E0为参考光强，T0为参考温度，Pmp0为光伏额定功率，γ为光伏阵列的温度系数；由式(1)可知，与光伏功率直接相关的天气特征为有效光强Ee和光伏阵列温度Tc；则光伏功率关于有效光强和光伏阵列温度的线性表达式如式(2)所示：式(2)为光伏功率Pmp关于Ee和Ee·Tc的线性表达式；将Ee和Ee·Tc记为影响光伏功率的关键天气特征；2)选取历史时段，建立历史时段的关键天气特征矩阵；每个历史时段为获得光伏功率数据和天气数据的一个单位采样时间；对于任一历史时段t∈{1,2...Th}，Th为历史时段数目，设为历史时段t的有效光强，Tch[t]为历史时段t的光伏阵列温度；历史时段的关键天气特征矩阵表达式如下：3)选取预测时段，建立预测时段的关键天气特征矩阵；每个预测时段的长度与历史时段相同；对于任一预测时段t∈{1,2...Tf}，Tf为预测时段数目，设为预测时段t的有效光强，为预测时段t的光伏阵列温度；预测时段的关键天气特征矩阵表达式如下：4)从数值天气预报的历史数据库中获取历史时段天气数据，建立历史天气数据矩阵该矩阵每行表示一个历史时段，每列表示一类天气数据，共N类天气数据；5)从数值天气预报的预测天气数据库中获取预测时段天气数据，建立预测天气数据矩阵该矩阵每行表示一个预测时段，每列表示一类天气数据，预测时段所选取的天气数据类别与历史时段相同，共N类天气数据；6)分别构建历史时段输入矩阵和预测时段输入矩阵，表达式分别如式(8)和式(9)所示：7)将历史时段输入矩阵和预测时段输入矩阵合并，运用主成分分析法，对历史时段输入矩阵和预测时段输入矩阵进行特征提取；对历史时段和预测时段合并后的输入矩阵进行奇异值分解，提取得到主成分特征矩阵其中为历史时段的主成分特征矩阵，为预测时段的主成分特征矩阵，L为主成分特征数目；8)对于任一预测时段t∈{1,2...Tf}，计算该预测时段主成分特征与各历史时段主成分特征的曼哈顿距离，运用K邻近聚类方法，选取与该预测时段主成分特征曼哈顿距离最近的K个历史时段；9)运用支持向量机方法，拟合步骤8)得到的K个历史时段的主成分特征与对应历史时段光伏功率的关系，得到该预测时段t的拟合映射关系记为gt:R1×L→R1×1；10)将预测时段t的主成分特征输入到步骤9)得到的映射关系gt，计算得到预测时段t的光伏功率。本专利技术的特点及有益效果在于：本专利技术针对工业界和学术界对光伏功率预测方法的实际需求，考虑现有数据驱动方法的不足，提出一种结合光伏功率物理模型与数据驱动的光伏功率预测方法。该方法通过光伏功率物理模型确定影响光伏功率的关键天气特征，进一步通过数据驱动方法拟合关键特征与光伏功率的关系，并准确预测光伏功率。本专利技术在预测精度上对于现有的预测方法有显著改进。附图说明图1是本专利技术方法的流程框图。图2是本专利技术方法与传统光伏功率预测方法的日预测曲线结果示意图。图3是本专利技术方法与传统光伏功率预测方法的周预测曲线结果示意图。具体实施方式本专利技术提出的一种结合光伏功率物理模型与数据驱动的光伏功率预测方法，下面结合附图及具体实施例对本专利技术作进一步详细的说明。应当理解，此处所描述的具体实施方式可用以解释本专利技术，但并不限定本专利技术。本专利技术提出的一种结合光伏功率物理模型与数据驱动的光伏功率预测方法，本实施例的数据来自2014年全球负荷预测大赛(GEFCom2014)开源数据，整体流程如图1所示，包括以下步骤：1)基于光伏功率物理模型，获取与光伏功率直接相关的天气特征为有效光强和光伏阵列温度，得到光伏功率关于有效光强和光伏阵列温度的线性表达式，确定影响光伏功率的关键天气特征；光伏功率Pmp的物理模型表达式如式(1)所示：式中，Ee为有效光强，Tc为光伏阵列温度，E0为参考光强(E0为常数，取值为1000W/m2)，T0为参考温度(T0为常数，取值25℃)，Pmp0为光伏额定功率，γ为光伏阵列的温度系数，γ与光伏阵列材料等因素相关；由光伏功率物理模型可知，与光伏功率直接相关的天气特征为有效光强Ee和光伏阵列温度Tc。则光伏功率关于有效光强和光伏阵列温度的线性表达式如式(2)所示：式(2)为光伏功率Pmp为关于Ee和Ee·Tc的线性表达式；将以Ee和Ee·Tc记为影响光伏功率的关键天气特征。有效光强和光伏阵列温度的具体计算方法如下：1-1)有效光强Ee与光伏阵列光强EPOA、光伏阵列清洁程度SF∈[0,1]相关，表达式本文档来自技高网...

【技术保护点】
一种结合光伏功率物理模型与数据驱动的光伏功率预测方法，其特征在于，包括以下步骤：1)基于光伏功率物理模型，获取与光伏功率直接相关的天气特征为有效光强和光伏阵列温度，得到光伏功率关于有效光强和光伏阵列温度的线性表达式，确定影响光伏功率的关键天气特征；光伏功率Pmp的物理模型表达式如式(1)所示：

【技术特征摘要】
1.一种结合光伏功率物理模型与数据驱动的光伏功率预测方法，其特征在于，包括以下步骤：1)基于光伏功率物理模型，获取与光伏功率直接相关的天气特征为有效光强和光伏阵列温度，得到光伏功率关于有效光强和光伏阵列温度的线性表达式，确定影响光伏功率的关键天气特征；光伏功率Pmp的物理模型表达式如式(1)所示：式中，Ee为有效光强，Tc为光伏阵列温度，E0为参考光强，T0为参考温度，Pmp0为光伏额定功率，γ为光伏阵列的温度系数；由式(1)可知，与光伏功率直接相关的天气特征为有效光强Ee和光伏阵列温度Tc；则光伏功率关于有效光强和光伏阵列温度的线性表达式如式(2)所示：式(2)为光伏功率Pmp关于Ee和Ee·Tc的线性表达式；将Ee和Ee·Tc记为影响光伏功率的关键天气特征；2)选取历史时段，建立历史时段的关键天气特征矩阵；每个历史时段为获得光伏功率数据和天气数据的一个单位采样时间；对于任一历史时段t∈{1,2...Th}，Th为历史时段数目，设为历史时段t的有效光强，为历史时段t的光伏阵列温度；历史时段的关键天气特征矩阵表达式如下：3)选取预测时段，建立预测时段的关键天气特征矩阵；每个预测时段的长度与历史时段相同；对于任一预测时段t∈{1,2...Tf}，Tf为预...

【专利技术属性】
技术研发人员：钟海旺，王剑晓，汪洋，赖晓文，夏清，康重庆，
申请(专利权)人：清华大学，北京清能互联科技有限公司，
类型：发明
国别省市：北京,11