一种光伏电站发电功率的预测方法技术

本发明专利技术公开了一种光伏电站发电功率的预测方法，包括，利用光伏电站历史气象数据，以日为单位提取六种气象特征，建立气象特征库；通过KFCM算法将气象特征库中的日特征数据进行聚类，实现天气类型分类，并对每一日的功率数据和气象数据进行类别标记；按照类别标记，每一类中的功率数据和气象数据建立一个SVR子模型；通过数值天气预报提供的目标日天气特征，使用SVM识别目标日的天气类型，选择对应的SVR子模型；利用目标日的实时监测数据建立ARIMA模型，使用滚动预测方式实现辐照强度和气温的实时预测；辐照强度和气温的预测值输入所选择的SVR子模型，得到光伏电站功率预测结果。本发明专利技术提高了光伏电站发电功率的预测精度。

A method of forecasting the power of photovoltaic power plant

【技术实现步骤摘要】
一种光伏电站发电功率的预测方法
本专利技术涉及一种光伏电站发电功率的预测方法，属于电力系统自动化

技术介绍
光伏发电作为太阳能利用中的一种主要的技术实现手段，近年来在国内外得到了迅速的发展。截止2015年底，全球光伏累计装机容量达到227GW。中国的光伏发电累计装机容量达到43.18GW，其中光伏电站为37.12GW，成为全球光伏发电装机容量最大的国家。同时，2015年中国新增装机容量15.13GW，也是全球增长较快的国家之一。光伏电站的大规模发展与应用给电网的稳定和电能质量带来了较为严重的影响，光伏消纳成为阻碍光伏产业发展的重要问题。光伏功率预测一方面可以为电网的协调控制与调度运行提供重要的支撑，另一方面可以提高光伏消纳能力，增加光伏电站投资回报率。在时间尺度上，光伏功率预测可以分为超短期、短期和中长期。从电网运行的角度来说，预测的周期越短，对紧急情况和预防状态的处理越有利。因此，光伏电站的超短期的功率预测受到高度的关注。传统的光伏功率预测分为直接法和间接法。直接预测模型是利用辐照强度，气温，湿度，风速等相关的历史数据建立发电功率回归模型，数据通常来源于数值天气预报(NWP)，建模方法包括统计模型、神经网络、支持向量机等。间接预测则分为两个阶段，第一阶段预测太阳辐照强度或其他气象信息，第二阶段再计算发电功率。辐照强度的预测方法包括基于云图的辐照预测、多元回归、时间序列、马尔可夫链等。直接预测方面，高阳等(高阳，张碧玲，毛京丽，刘勇.基于机器学习的自适应光伏超短期出力预测模型[J].电网技术,2015,39(2):307-311.)提出了基于支持向量机(SVM)的自适应光伏超短期出力预测模型；M.G.DeGiorgi等(DeGiorgiMG,CongedoPM,MalvoniM.Photovoltaicpowerforecastingusingstatisticalmethods:impactofweatherdata[J].IETScienceMeasurement&Technology,2014,8(3):90-97.)建立了基于人工神经网络(ANN)的光伏出力预测模型；A.Mellit等(MellitA,PavanAM,LughiV.Short-termforecastingofpowerproductioninalarge-scalephotovoltaicplant[J].SolarEnergy,2014,105:401-413.)用太阳辐照度，电池温度和功率输出的数据库开发三种不同的人造神经网络(ANN)模型，适用于三种典型的天气(晴天，部分阴天和阴天)的光伏出力预测；间接预测方面，辐照强度的预测最为关键，R.Arquez等(ArquezR,CoimbraCFM.Intra-hourDNIforecastingbasedoncloudtrackingimageanalysis[J].SolarEnergy,2013,91:327-336.)提出了基于云层跟踪图像分析的直接光照强度预测方法；H.D.Yang等(YangHD,KurtzB,NguyenD,etal.Solarirradianceforecastingusingaground-basedskyimagerdevelopedatUCSanDiego[J].SolarEnergy,2014,103:502-524.)提出了地基云图分析的太阳辐照强度预测方法；H.Escrig等(EscrigH,BatllesFJ,AlonsoJ.Clouddetection,classificationandmotionestimationusinggeostationarysatelliteimageryforcloudcoverforecast[J].Energy,2013,55:853-859.)利用地球静止卫星图像进行云层的检测，分类和移动估计以预测辐照强度。近年来，混合预测模型得到了迅速的发展，其基本流程可以分为分类、回归、预测三个阶段。H.T.Yang等(YangHT,HuangCM,HuangYC,etal.AWeather-BasedHybridMethodfor1-DayAheadHourlyForecastingofPVPowerOutput[J].IEEETransactionsonSustainableEnergy,2014,5(3):917-926.)提出了基于天气类型识别的每小时光伏出力预测混合模型；J.D.Wang等(WangJD,RanR,SongZL,etal.Short-TermPhotovoltaicPowerGenerationForecastingBasedonEnvironmentalFactorsandGA-SVM[J].JournalofElectricalEngineering&Technology,2017,12(1):64-71.)提出了基于环境因素和遗传SVM的光伏出力综合预测模型。当前的光伏功率预测算法存在两个主要缺陷，一是光伏功率预测的精度不能保障，光伏发电系统的输出功率与太阳辐照强度存在紧密的联系，但辐照强度会受到云层遮挡的影响，呈现较为明显的波动性，且天气状况不同，波动的剧烈程度也不相同，波动的随机性严重影响了光伏发电功率预测的精度；二是预测的时间尺度较长，难以实现实时预测。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种光伏电站发电功率的预测方法，采用了基于天气类型的SVR子模型进行回归预测，排除了其他干扰因素，预测精度得到提升。为解决上述问题，本专利技术所采用的技术方案如下：一种光伏电站发电功率的预测方法，包括以下步骤：1)采集光伏电站的历史气象数据和功率数据，以日为单位提取六种气象特征，建立气象特征库；2)通过模糊C-均值核聚类算法将气象特征库中的日气象特征数据进行聚类，实现天气类型分类，在此基础上对每一日的功率数据和气象数据进行类别标记；3)按照步骤2)的类别标记，每一类中的功率数据和气象数据建立一个支持向量机回归子模型；4)通过数值天气预报数据提供的目标日的天气特征，使用支持向量机算法识别目标日的天气类型，选择目标日对应的支持向量机回归子模型；5)利用目标日的实时监测数据建立自回归积分滑动平均模型，使用滚动预测方式实现辐照强度和气温的实时预测；6)将步骤5)辐照强度和气温的预测值输入步骤4)中选择的支持向量机回归子模型中，得到最终的光伏电站功率预测结果。前述的步骤1)中历史气象数据来源于光伏电站中的综合监控系统，包含独立的气象站收集实时气象数据；所述气象数据包括实时辐照强度和温度；所述功率数据来源于光伏电站计量系统。前述的六种气象特征为：[IRmax，Tmax，DIFFIRmax，STDIR，MVIR，TDIRmax]，其中，IRmax＝max(IRi)为最大辐照度，Tmax＝max(Ti)为最高气温，DIFFIRmax＝max(DIFFIRi)为最大波动值，STDIR为波动标准差，MVIR为波动均值，TDIRmax为波动三阶导数，IRi和Ti是日历史数据中第i个实时辐照强度和温度数据，DIFFIRi＝IRi+1-IRii＝1,本文档来自技高网...

【技术保护点】
一种光伏电站发电功率的预测方法，其特征在于，包括以下步骤：1)采集光伏电站的历史气象数据和功率数据，以日为单位提取六种气象特征，建立气象特征库；2)通过模糊C‑均值核聚类算法将气象特征库中的日气象特征数据进行聚类，实现天气类型分类，在此基础上对每一日的功率数据和气象数据进行类别标记；3)按照步骤2)的类别标记，每一类中的功率数据和气象数据建立一个支持向量机回归子模型；4)通过数值天气预报数据提供的目标日的天气特征，使用支持向量机算法识别目标日的天气类型，选择目标日对应的支持向量机回归子模型；5)利用目标日的实时监测数据建立自回归积分滑动平均模型，使用滚动预测方式实现辐照强度和气温的实时预测；6)将步骤5)辐照强度和气温的预测值输入步骤4)中选择的支持向量机回归子模型中，得到最终的光伏电站功率预测结果。

【技术特征摘要】
1.一种光伏电站发电功率的预测方法，其特征在于，包括以下步骤：1)采集光伏电站的历史气象数据和功率数据，以日为单位提取六种气象特征，建立气象特征库；2)通过模糊C-均值核聚类算法将气象特征库中的日气象特征数据进行聚类，实现天气类型分类，在此基础上对每一日的功率数据和气象数据进行类别标记；3)按照步骤2)的类别标记，每一类中的功率数据和气象数据建立一个支持向量机回归子模型；4)通过数值天气预报数据提供的目标日的天气特征，使用支持向量机算法识别目标日的天气类型，选择目标日对应的支持向量机回归子模型；5)利用目标日的实时监测数据建立自回归积分滑动平均模型，使用滚动预测方式实现辐照强度和气温的实时预测；6)将步骤5)辐照强度和气温的预测值输入步骤4)中选择的支持向量机回归子模型中，得到最终的光伏电站功率预测结果。2.根据权利要求1所述的一种光伏电站发电功率的预测方法，其特征在于，所述步骤1)中历史气象数据来源于光伏电站中的综合监控系统，包含独立的气象站收集实时气象数据；所述气象数据包括实时辐照强度和温度；所述功率数据来源于光伏电站计量系统。3.根据权利要求2所述的一种光伏电站发电功率的预测方法，其特征在于，所述六种气象特征为：[IRmax，Tmax，DIFFIRmax，STDIR，MVIR，TDIRmax]，其中，IRmax＝max(IRi)为最大辐照度，Tmax＝max(Ti)为最高气温，DIFFIRmax＝max(DIFFIRi)为最大波动值，STDIR为波动标准差，MVIR为波动均值，TDIRmax为波动三阶导数，IRi和Ti是日历史数据中第i个实时辐照强度和温度数据，DIFFIRi＝IRi+1-IRii＝1,2,...,s-1s是采样点的数量。4.根据权利要求3所述的一种光伏电站发电功率的预测方法，其特征在于，所述步骤2)中模糊C-均值核聚类的具体流程如下：(2-1)准备第一次聚类的数据样本：xk＝[IRmax，Tmax，DIFFIRmax，TDIR]kk＝1,2,3,…,n，n为样本数；(2-2)初始聚类数C＝2；(2-3)随机初始化聚类中心νi；(2-4)计算隶属度系数uik；其中，K(xi,xj)是高斯核函数，δ为核函数系数，m取2；(2-5)计算新的聚类中心：

【专利技术属性】
技术研发人员：梅飞，刘皓明，李玉杰，王力，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32