一种光伏出力短期区间预测方法技术

本发明专利技术属于信息技术领域，涉及到聚类分析、数据驱动建模、多目标优化等技术，提供了一种光伏出力短期区间预测方法，是一种基于多目标优化算法与最小二乘支持向量机相结合的光伏出力短期区间预测方法。首先提出了一种同时考虑数值与形态相似性的相似日分类方法，以增强样本的规律性，进而构建了基于双LSSVM模型的自适应比例区间估计模型，并采用NSGA‑II算法优化模型参数，实现光伏出力的区间预测。此方法所得到结果精度较高，且计算效率符合实际应用要求，在可再生能源并网、以及调度领域亦可推广应用。

【技术实现步骤摘要】
一种光伏出力短期区间预测方法
本专利技术属于信息
，涉及到聚类分析、数据驱动建模、多目标优化等技术，是一种基于多目标优化算法与最小二乘支持向量机相结合的光伏出力短期区间预测方法。首先提出了一种同时考虑数值与形态相似性的相似日分类方法，以增强样本的规律性，进而构建了基于双LSSVM模型的自适应比例区间估计模型，并采用NSGA-II算法优化模型参数，实现光伏出力的区间预测。此方法所得到结果精度较高，且计算效率符合实际应用要求，在可再生能源并网、以及调度领域亦可推广应用。
技术介绍
近年来，风能、太阳能、生物质能等可再生能源由于其清洁无污染、可循环利用等优点而迅速发展，在越来越多的领域开始取代不可再生能源。其中，太阳能开发力度迅速增长，光伏发电全面进入规模化发展阶段，呈现出良好的发展前景。光伏出力受光照强度、气象、温度、湿度等多种因素影响，随机性强、波动性大，因而具有较强的不确定性。由于大规模的光伏系统并网后会对电网的稳定性和安全性造成冲击，进而导致电网的电压波动。(李驰.基于波动特性的新能源处理时间序列建模方法研究[D].(2015).中国电力科学院)。因此，准确的预测光伏出力，有助于调度人员提前了解系统的负荷变化，降低光伏并网对电网的冲击，减少“弃光”现象，从而保证电网系统持续、稳定运行。针对光伏出力的预测问题，目前文献中的方法多为基于数据点的预测，主要包括灰色理论(王守相,张娜.基于灰色神经网络组合模型的光伏短期出力预测[J].(2011).电力系统自动化，36(19)：37-41)、时间序列模型(LiY,SuY,ShuL.(2014).AnARMAXmodelforforecastingthepoweroutputofagridconnectedphotovoltaicsys-tem[J].RenewableEnergy,2014,66(6):78-89)、支持向量机(朱永强,田军.最小二乘支持向量机在光伏功率预测中的应用[J].(2011).电网技术,35(7):54-59)、神经网络(VazAGR,ElsingaB,W.G.J.H.M.vanSark,etal.(2016).Anartificialneuralnetworktoassesstheimpactofneigh-bouringphotovoltaicsystemsinpowerforecastinginUtrecht，theNetherlands[J].RenewableEnergy,85:631-641)以及组合预测法(单英浩,付青,耿炫,等.基于改进BP-SVM-ELM与粒子化SOM-LSF的微电网光伏发电组合预测方法[J].(2016).中国电机工程学报,36(12):3334-3343)等。然而面向数据点的预测模型忽略了光伏出力在恶劣天气环境下的不确定性，因此在该种情况下模型精度将急剧下降，无法给出关于预测结果可靠性的描述。区间预测综合考虑了预测结果的趋势与其对应的可靠性评价，是一种较为全面的预测方法。针对光伏出力的区间预测方法，已有一些学者进行了研究。近年来，基于极限学习机(ExtremeLearningMachine,ELM)(WanCan,LinJin,SongYonghua,etal.(2017).Probabilisticforecastingofphotovoltaicgeneration:anefficientstatis-ticalapproach[J].IEEETransactionsonPowerSystems,32(3):2471-2472)、集对分析理论(罗明武,孙朝霞,刘强民,等.基于集对分析理论的太阳辐照度区间预测.(2015).电力科学与工程,31(10):44-49)、参数估计(CatesCJ,OleszczukM,etal.(2014).OptimalVoltageControlUsingInvertersInterfacedWithPVSystemsConsideringForecastErrorinaDistributionSystem[J].IEEETransactionsonSustainableEnergy,5(2):682-690)的方法广泛被用于区间预测，然而，上述文献大多假设光伏出力服从正态分布或采用传统神经网络模型，忽略了其分布误差，且难以避免神经网络模型易陷入局部极值的缺陷。
技术实现思路
为了提高光伏出力预测的精度与可靠性，本专利技术提出了一种基于NSGA-II的双最小二乘支持向量机(NSGA-II-basedDoubleLeastSquaresSupportVectorMachine,NSGA-II-DLSSVM)的区间预测模型。考虑温度、天气类型、湿度等影响因素的数值相似性，并将其与光伏出力之间的Person相关系数作为各自的权重，采用模糊C均值聚类算法(FuzzyC-means,FCM)对样本集中的相似日进行聚类，并考虑样本集的形态相似性，基于Fre′chet距离对聚类结果进行修正。进而针对不同的相似日类型，构建基于双LSSVM的区间预测模型，并采用NSGA-II算法优化模型参数。该区间预测模型覆盖率高、区间宽度窄，可为光伏并网的调度提供更可靠的指导作用。本专利技术的技术方案：一种光伏出力短期区间预测方法，步骤如下：(1)采用Person相关系数分析光伏出力与各影响因素之间的相关性，剔除相关性较弱的影响因素，降低数据维度，并将各因素与光伏出力的相关系数作为影响权重。(2)提出一种基于FCM与离散Fréchet距离的相似日划分方法，该相似日划分方法同时考虑数据的数值与形态相似性，并结合个影响因素的权重，将样本集划分为多个相似日集合，以提高预测规律性，增强预测精度。(3)针对各相似日集合，基于自适应比例区间估计方法构建区间上下界观测值，并结合双最小二乘区间预测模型直接进行区间预测。(4)以区间覆盖率、区间平均宽度为优化目标，采用改进后的NSGA-II多目标优化算法优化自适应比例区间估计方法与支持向量机的参数，得到最终的区间预测模型。本专利技术的有益效果：本专利技术的区间预测模型提出结合FCM与离散Fréchet距离的相似日划分方法，提高了样本的规律性，所提出的NSGA-II-DLSSVM区间预测方法有效的避免了神经网络模型易陷入局部极值的缺陷。经实际数据实验验证，本方法在各类相似日条件下可以获得较窄的区间平均宽度与较高的区间覆盖率，为电力调度方案的制定提供更可靠的支持。附图说明图1为本专利技术应用流程图。图2为相似日划分流程。图3为基于NSGA-II-LSSVM的区间预测流程。图4(a)为相似日划分后的第一类相似日集合。图4(b)为相似日划分后的第二类相似日集合。图4(c)为相似日划分后的第三类相似日集合。图5为第一类相似日天气下三种方法区间预测效果对比图，其中(a)为方法a，置信度为95％；(b)为方法a，置信度为90％；(c)为方法a，置信度为85％；(d)为方法b，置信度为9本文档来自技高网...

【技术保护点】
1.一种光伏出力短期区间预测方法，其特征在于，步骤如下：/n(1)数据预处理与相关性分析/n由于工业数据在采集过程中存在着不同的噪声，因此需首先对数据进行清洗，进而分析各影响因素对光伏出力的相关性，以降低样本集维度，提高模型的精度与计算效率；Person相关系数用来衡量两个变量之间的相关程度，其形式如式(1)所示：/n

【技术特征摘要】
1.一种光伏出力短期区间预测方法，其特征在于，步骤如下：
(1)数据预处理与相关性分析
由于工业数据在采集过程中存在着不同的噪声，因此需首先对数据进行清洗，进而分析各影响因素对光伏出力的相关性，以降低样本集维度，提高模型的精度与计算效率；Person相关系数用来衡量两个变量之间的相关程度，其形式如式(1)所示：



其中，xi表示第i日的温度、天气潜在的影响因素，yi为对应的光伏出力数据；与则分别表示数据集中各影响因素与光伏出力的平均值；采用该方法来量化光伏出力与温度、湿度、天气指数潜在因素之间的相关性；
(2)相似日聚类
1)数值相似性
基于步骤(1)的相关性分析结果，构建样本集如式(2)所示：



其中，和分别表示平均温度、平均湿度和天气指数，rTP、rHP和rWP分别代表温度、湿度、天气因素与功率之间的相关系数；采用FCM算法对式(2)按数值相似性进行聚类，其通过优化目标函数得到每个样本点对所有类中心的隶属度，是一种基于划分的模糊聚类算法，目标函数为：



其中，dvt＝||cv-st||表示样本集中第t个样本点st与第v个聚类中心cv之间的欧式距离，e为加权指数，uvt为st隶属于cv的程度，N为样本数；则其约束条件表示为式(4)的形式：



通过引入拉格朗日乘子，计算出隶属度与聚类中心如式(5)和式(6)所示：






进而通过迭代来更新隶属度与聚类中心，并根据给定阈值判断聚类中心是否收敛，若达到迭代次数或收敛到给定阈值则停止迭代，并得到多个相似日集合以及各自的聚类中心；
2)形态相似性
离散Fre′chet距离是一种基于空间路径相似度的描述方式，主要用于评价两个时间序列之间的相似度，因此被用来对聚类结果进行修正，其公式如(7)所示：



其中，DF(L1,L2)表示曲线L1与L2的离散Fre′chet距离，<L1,1,…,L1,n>与<L2,1,…,L2,m>代表由L1与L2的离散点组成的有序子串，n和m分别表示L2与L1的长度；d(L1,n,L2,m)代表L1,n与L2,m间的欧氏距离；采用递归方法对式(7)进行求解，当两个离散子串递归到<L1,1>与<L2,1>时，则计算终止，此时有
DF(<L1,1>,<L2,1>)＝d(L1,1,L2,1)(8)
则基于离散Fre′chet距离的相似日修正公式如式(9)所示：
D＝min(DF(Daypq,c1),...,DF(Daypq,cd))(9)
其中，DF(Dayij,cn)代表第p类相似日天气中第q个样本日与第d类聚类中心的离散Fre′chet距离，D为所有离散Fre′chet距离的最小值；当D＝DF(Daypq,cd),p≠d时，则表明第p类相似日天气中第q个样本日与第d类天气聚类中心的形态相似度最大，将其添加到第d类相似日天气中；采用该方法对所有相似日进行校正，校正之后的结果即为相似日划分结果；

【专利技术属性】
技术研发人员：金锋，赵珺，高兴兴，王霖青，王伟，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21