一种光伏功率多模型区间预测方法技术

本发明专利技术提供了一种基于极限学习机和核密度估计的光伏发电功率季节多模型区间预测方法，首先，分析光伏电站输出功率、功率偏差及功率变化率等指标，结果说明光伏出力和波动均呈现出明显的季节分布特征；通过极限学习机神经网络建立了光伏出力不同季节的确定性预测模型；其次，通过非参数核密度估计方法对确定性预测的误差分布进行拟合，继而得出满足一定置信水平的光伏功率预测区间。本发明专利技术能描述光伏功率在不同置信水平下可能的波动范围，提供评估预测区间可靠性的途径，为光伏电站在风险评估和系统可靠性分析方面提供支持。

A Multi-model Interval Prediction Method for Photovoltaic Power

【技术实现步骤摘要】
一种光伏功率多模型区间预测方法
本专利技术涉及一种基于极限学习机和核密度估计的光伏发电功率季节多模型区间预测方法，属于光伏发电预测领域。
技术介绍
光伏发电发展迅猛，已经最有前途的能源之一。截至2017年底，全球光伏发电装机容量增加102GW，累计装机容量达到405GW。光伏发电受到不可控的气象和环境因素的影响，其出力具有较大的波动性和随机性，规模化光伏发电系统的并网给电网的稳定性、电网电能质量以及电力系统运行调度的带来影响。准确的光伏发电功率预测可以有效提高电网运行的安全性和稳定性，从而提高光伏发电的接入率。目前，光伏功率预测领域的研究主要集中于确定性预测，但是确定性预测方法无法有效描述预测误差的分布，调度运行中单纯基于光伏确定性预测无法决策系统需要预留的备用等，在实际的工程应用中受到了约束。另外，光伏出力具有明显的周期性、非线性，其在不同季节不同天气条件下分布特征不同，导致光伏发电功率预测模型需要拟合的映射关系在不同气象条件下存在明显差异，采用单一模型实现多种不同气象条件下发电功率的准确预测非常困难。
技术实现思路
本专利技术的目的是提供一种基于极限学习机和核密度估计的光伏发电功率季节多模型区间预测方法，以对光伏功率的波动范围有比较精确的估计，为电网企业在风险评估和系统可靠性分析方面提供更为丰富的不确定信息。为解决以上技术问题，本专利技术的采用的技术方案为：一种光伏功率多模型区间预测方法，包括以下步骤：S1.收集光伏电站历史运行数据、历史环境数据及数值天气预报数据；S2.根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类；S3.根据分类后的数据建立季节性预测模型；S4.通过季节性预测模型实现光伏功率区间预测。所述步骤S1中的收集的历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据，数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度、风速数据。所述步骤S2中，根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类，具体包括如下步骤：S21.根据步骤S1所收集的数据，通过光伏电站理论功率Pth(t)与实际功率Pr(t)计算功率偏差ΔP与功率变化率λ：ΔP＝Pth(t)-Pr(t)S22.根据步骤S21的计算结果，统计分析光伏电站输出功率P、功率偏差ΔP与功率变化率λ一年中的变化趋势和概率分布特性，得到其具有明显的季节分布特征；S23.以步骤S22中的统计分析结果为依据，将所述步骤S1收集到的数据按照季节进行分类。所述步骤S3中，根据分类后的数据建立季节性预测模型，具体包括如下步骤：S31.针对根据季节划分的训练数据利用极限学习机建立每个季节的确定性预测模型，对于训练样本(xi,ti)，xi∈Rp,ti∈Rp，i＝1,2,…,N，xi表示模型的输入数据集，ti为预测目标数据集，则含有L个隐层节点，激发函数为f(x)的极限学习机模型可表示为其中：βi为连接第i个隐层节点和输出神经元之间的连接权向量；ωi＝[ωi1,ωi2,…,ωiN]T是连接第i个隐层节点和输入节点的权重；bi为第i个隐层节点的偏差；yj为第j个节点的输出值；ωi·xj构成ωi和xj的内积；针对春、夏、秋、冬季节的差异，将模型的隐层节点个数L分别设置为410、220、300、260；S32.将按照季节划分的测试数据运用于步骤S31中已经训练好的确定性预测模型，得到确定性预测功率，并计算确定性预测误差e＝Pfore-Pprac其中：Pfore为光伏功率确定性预测值；Pprac光伏功率实际测量值；S33.将确定性预测功率数据划分到合适的功率等级中，假设每个功率等级长ΔP＝1000W，功率最大值Pmax＝10000W，最小值Pmin＝0，则区段数N为：N＝[(Pmax-Pmin)/ΔP]+1且所分区间为Di＝[Pmin+(i-1)ΔP,Pmin+iΔP]其中：i＝1,2,…,N；S34.采用核密度估计对预测误差e进行拟合，其概率密度函数为其中：k(x)为核函数；ei为预测误差样本；h为窗宽；N为样本总数；S35.通过步骤S34所述方法得到预测误差的概率密度函数后，求取其累计概率分布函数，设累计概率密度分布函数为F(δ)，其中，δ为表示预测误差的随机变量，为F(δ)的反函数，表示预测误差区间边界值，有概率则实际功率Pprac的满足置信水平为1-α的置信区间为：[Pfore+G(α1),Pfore+G(α2)]其中：α2-α1＝1-α，取对称概率区间，即α1＝α/2，α2＝1-α/2。所述步骤S4中，通过季节性预测模型实现光伏功率区间预测，具体包括如下步骤：S41.将数值天气预报数据输入步骤S31所述的确定性预测模型，得到确定性预测功率；S42.将预测功率按照对应等级代入步骤S35所述的置信区间公式，即可得到光伏功率预测区间。本专利技术的光伏功率多模型区间预测方法的优点体现在：1.基于季节特征的多模型预测方法为提高模型在不同运行工况下的适应性提供了可能，能够获得更好的预测精度。2.区间预测方法则能够将不确定因素引起的预测结果变动进行量化，给出所预测时间段内预测功率的范围上下限，提供了一定置信水平下的置信区间，预测信息较为全面，对于电力市场的风险管理和供求平衡有更重要意义。3.非参数估计法无需做任何假设，其函数形式和参数都是未知的，比参数估计法更符合随机变量的真实分布，其中核密度估计方法具有拟合准确度高、直观易懂、便于实施等优点。附图说明图1为光伏功率多模型区间预测方法流程图图2为光伏输出功率趋势图图3为光伏功率偏差趋势图图4为光伏功率变化率趋势图图5为典型季节的光伏发电功率分布图图6为典型季节的光伏功率偏差分布图图7为典型季节的光伏功率变化率分布图图8为极限学习机网络结构图图9为春季各功率等级概率密度分布图图10为冬季各功率等级概率密度分布图图11为两种模型确定性预测性能对比图图12为季节多模型功率预测区间图图13为全年单一模型功率预测区间图具体实施方式为了使本领域的技术人员可以更好地理解本专利技术，下面结合附图和实施例对本专利技术技术方案进一步说明。一种基于极限学习机和核密度估计的光伏功率多模型区间预测方法，流程图如图1所示，具体步骤如下：S1.收集光伏电站历史运行数据、历史环境数据及数值天气预报数据。历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据，数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度、风速数据。选取华北电力大学新能源电力系统国家重点实验室光伏实证测试电站2017年全年的数据，此电站由容量为250Kw的光伏发电系统、太阳能气象站、光伏电站监控系统和数值天气预报系统组成，数据采样时间为15分钟。S2.根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类，具体包括如下步骤：S21.根据步骤S1所收集的数据，通过光伏电站理论功率Pth(t)与实际功率Pr(t)计算功率偏差ΔP与功率变化率λ。ΔP＝Pth(t)-Pr(t)功率偏差描述了在光伏出力外包络线的基础上阴影、云层遮挡、天气变化以及温度对光伏出力的削弱效应，其物本文档来自技高网...

【技术保护点】
1.一种光伏功率多模型区间预测方法，其特征在于，包括如下步骤：S1.收集光伏电站历史运行数据、历史环境数据及数值天气预报数据；S2.根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类；S3.根据分类后的数据建立季节性预测模型；S4.通过季节性预测模型实现光伏功率区间预测。

【技术特征摘要】
1.一种光伏功率多模型区间预测方法，其特征在于，包括如下步骤：S1.收集光伏电站历史运行数据、历史环境数据及数值天气预报数据；S2.根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类；S3.根据分类后的数据建立季节性预测模型；S4.通过季节性预测模型实现光伏功率区间预测。2.根据权利要求1所述的预测方法，其特征在于，所述的历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据，数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度、风速数据。3.根据权利要求1所述的预测方法，其特征在于，所述步骤S2包括：S21.根据步骤S1所收集的数据，通过光伏电站理论功率Pth(t)与实际功率Pr(t)计算功率偏差ΔP与功率变化率λ：ΔP＝Pth(t)-Pr(t)S22.根据步骤S21的计算结果，统计分析光伏电站输出功率P、功率偏差ΔP与功率变化率λ一年中的变化趋势和概率分布特性，得到其具有明显的季节分布特征；S23.以步骤S22中的统计分析结果为依据，将所述步骤S1收集到的数据按照季节进行分类。4.根据权利要求1所述的预测方法，其特征在于，所述步骤S3包括：S31.针对根据季节划分的训练数据利用极限学习机建立每个季节的确定性预测模型，对于训练样本(xi,ti)，xi∈Rp,ti∈Rp，i＝1,2,…,N，xi表示模型的输入数据集，ti为预测目标数据集，则含有L个隐层节点，激发函数为f(x)的极限学习机模型可表示为其中：βi为连接第i个隐层节点和输出神经元之间的连接权向量；ωi＝[ωi1,ωi2,…,ωiN]T是连接第i个隐层节点和输...

【专利技术属性】
技术研发人员：朱红路，韩雨彤，时珉，王一峰，尹瑞，马斌，汪宁渤，马明，
申请(专利权)人：华北电力大学，国网河北省电力有限公司，国网甘肃省电力公司电力科学研究院，国网甘肃省电力公司，
类型：发明
国别省市：北京,11