一种基于多模型融合的光伏发电短期功率预测方法技术

本申请公开了一种基于多模型融合的光伏发电短期功率预测方法，包括：步骤1，获取被预测光伏发电地区的气象历史数据和对应的光伏发电量历史数据，利用局部加权线性回归模型，根据采集到的当前气象数据、气象历史数据和光伏发电量历史数据，计算当前气象数据对应的第一功率预测值；步骤2，根据光伏发电量历史数据和对应的发电时间，采用递归神经网络，计算当前时刻对应的第二功率预测值；步骤3，计算融合误差值最小情况下，局部加权线性回归模型和递归神经网络对应的第一融合权值和第二融合权值，并结合第一功率预测值和第二功率预测值，计算当前时刻和气象条件下的第三功率预测值。通过本申请中的技术方案，提高光伏发电短期功率预测的准确性。

【技术实现步骤摘要】
一种基于多模型融合的光伏发电短期功率预测方法
本申请涉及光伏发电的
，具体而言，涉及一种基于多模型融合的光伏发电短期功率预测方法。
技术介绍
气候变化和能源危机推动了太阳能发电的使用和发展。太阳能被认为是最丰富和最有前途的大规模发电的候选能源之一。然而，所有可再生能源的一个固有特征是高度间歇性的，发电完全依赖天气和气象参数，因此，太阳能的输出是不能完全控制或事先计划好的。确保光伏系统安全集成到智能电网中，准确无误的短期功率预测，是新能源管理系统的重要组成部分。如果缺乏准确的短期功率预测，太阳能发电量的意外波动可能会对日常运行和管理产生重大影响，整个电网的健康状况可能会对新能源消费者的生活质量产生负面影响。而现有技术中，短期功率预测通常是使用单一预测模型，适应性不强，且由于单一预测模型为线性或非线性中的一种，这种模型本身预测得出的数据存在不可避免的预测风险，进而会影响光伏并网的稳定性。
技术实现思路
本申请的目的在于：采用线性和非线性预测融合的方式，分散预测数据自身存在的预测风险，提高光伏发电短期功率预测本文档来自技高网...

【技术保护点】
1.一种基于多模型融合的光伏发电短期功率预测方法，其特征在于，该方法包括：/n步骤1，获取被预测光伏发电地区的气象历史数据和对应的光伏发电量历史数据，利用局部加权线性回归模型，根据采集到的当前气象数据、所述气象历史数据和所述光伏发电量历史数据，计算所述当前气象数据对应的第一功率预测值；/n步骤2，根据所述光伏发电量历史数据和对应的发电时间，采用递归神经网络，计算当前时刻对应的第二功率预测值；/n步骤3，计算融合误差值最小情况下，所述局部加权线性回归模型和所述递归神经网络对应的第一融合权值和第二融合权值，并结合所述第一功率预测值和所述第二功率预测值，计算当前时刻和气象条件下的第三功率预测值。/n

【技术特征摘要】
1.一种基于多模型融合的光伏发电短期功率预测方法，其特征在于，该方法包括：
步骤1，获取被预测光伏发电地区的气象历史数据和对应的光伏发电量历史数据，利用局部加权线性回归模型，根据采集到的当前气象数据、所述气象历史数据和所述光伏发电量历史数据，计算所述当前气象数据对应的第一功率预测值；
步骤2，根据所述光伏发电量历史数据和对应的发电时间，采用递归神经网络，计算当前时刻对应的第二功率预测值；
步骤3，计算融合误差值最小情况下，所述局部加权线性回归模型和所述递归神经网络对应的第一融合权值和第二融合权值，并结合所述第一功率预测值和所述第二功率预测值，计算当前时刻和气象条件下的第三功率预测值。


2.如权利要求1所述的基于多模型融合的光伏发电短期功率预测方法，其特征在于，步骤1中，具体包括：
步骤11，将所述气象历史数据和所述光伏发电量历史数据划分为训练集和测试集；
步骤12，依次计算所述训练集中气象历史数据与光伏发电量历史数据之间的相关系数，构建所述局部加权线性回归模型，并计算所述测试集中气象历史数据对应的预测发电量数据；
步骤13，根据所述预测发电量数据和所述测试集中光伏发电量历史数据，结合损失函数，对所述局部加权线性回归模型进行校正，当所述损失函数收敛时，判定所述局部加权线性回归模型完成校正；
步骤14，根据校正后的所述局部加权线性回归模型，对采集到的所述当前气象数据进行功率预测，将预测结果记作所述第一功率预测值。


3.如权利要求2所述的基于多模型融合的光伏发电短期功率预测方法，其特征在于，步骤13中，所述损失函数的计算公式为：






式中，m为测试集中数据的个数，x(i)为测试集中第i个气象历史数据对应的预测发电量数据，y(i)为第...

【专利技术属性】
技术研发人员：郑哲，耿晓明，贺立朝，
申请(专利权)人：河北锐景能源科技有限公司，
类型：发明
国别省市：河北;13