【技术实现步骤摘要】
一种双层协同实时校正光伏预测方法
本专利技术涉及光伏超短期功率预测
，具体的说，涉及一种双层协同实时校正光伏预测方法，以削弱过程性天气因素对光伏预测的影响，提升超短期光伏预测的精度。
技术介绍
现有超短期光伏预测方法主要分为两类：一是采用时间序列分析，基于历史光伏数据信息推测光伏功率的变化规律。例如三段式时间序列模态分解的超短期光伏功率预测方法，构造不同时间尺度光伏功率均值序列建立提前1h的局部功率预测模型，以及基于筛选的相似时段进行光伏功率预测，在1-2h内可保持预测的高精度，但在气象情况多变复杂时，预测未来4h的光伏出力易出现较大偏差。二是通过机器学习，深度挖掘光伏数据相关联的特征来训练超短期光伏预测模型。例如在小样本条件下的光伏预测方案，采用数值天气预报结合相似日选取进行光伏预测，通过模态分解光伏功率分别建模再组合等方案，均是掌握了特征与光伏功率间的映射关系，但较难准确预测突发天气及随机功率变化下的光伏出力。针对这上述问题，也有人提出了将云量量化后建立基于径向基函数神经网络的地表辐射预测模型，或经云遮系数...
【技术保护点】
1.一种双层协同实时校正光伏预测方法，用于对光伏发电站未来N小时内光伏功率进行预测，其特征在于，包括，/n利用预先获得的基于XGBoost的基准层光伏预测模型F
【技术特征摘要】
1.一种双层协同实时校正光伏预测方法，用于对光伏发电站未来N小时内光伏功率进行预测，其特征在于，包括，
利用预先获得的基于XGBoost的基准层光伏预测模型F1获得未来N小时内的基准层光伏预测集；
结合基准层的光伏预测误差，利用预先获得的实时层光伏预测模型F2对基准层光伏预测集中的预测值逐时刻校正，获得最终的实时层光伏预测集；
所述基准层光伏预测误差指在预测时刻前的基准层光伏预测值与对应该时刻的光伏功率实测值之间的偏差；在逐时刻校正的过程中，将获得的当前预测时刻的实时层光伏预测值作为下一预测时刻的光伏功率实测值；
所述基于XGBoost的基准层光伏预测模型F1和基于XGBoost的实时层光伏预测模型F2是利用光伏功率历史实测数据以及对光伏功率有影响的强相关性因素的历史数据集建立的。
2.根据权利要求1所述的双层协同实时校正光伏预测方法，其特征在于，所述基于XGBoost的基准层光伏预测模型F1是通过将所述强相关性因素的历史实测数据作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得的。
3.根据权利要求2所述的双层协同实时校正光伏预测方法，其特征在于，
所述基于XGBoost的实时层光伏预测模型F2获取步骤包括：
通过将强相关性因素的历史预报数据代入所述基准层光伏预测模型F1得到对应该历史时期的基准层光伏预测集；
从该历史时期中任意选取一时刻T’，
将在时刻T’及时刻T’前Z小时内的基准层光伏预测值，结合时刻T’前Z小时内的基准层光伏预测误差作为输入值，以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得所述基于XGBoost的实时层光伏预测模型F2；
所述时刻T’前Z小时内的基准层光伏预测误差是指时刻T’前Z小时内的光伏功率的基准层光伏预测值与光伏功率历史实测值之间的偏差。
4.根据权利要求3所述的双层协同实时校正光伏预测方法，其特征在于，在以光伏功率的历史实测数据作为输出值，代入XGBoost基础模型获得的实时层光伏预测模型F2的过程中，该光伏功率的历史实测数据所对应的时刻是时刻T’或在时刻T’之后最近的一个数据记录时刻。
5.根据权利要求1所述的双层协同实时校正光伏预测方法，其特征在于，所述利用预先获得的基于XGBoost的基准层光伏预测模型F1获得未来N小时内基准层光伏预测集的步骤如下：
预先获取该发电站所在地对光伏功率有影响的强相关性因素当天的预报数据集B；
将预报数据集B代入预先获得的基于XGBoost的基准层光伏预测模型F1获得该发电站在未来N小时内的基准层光伏预测集Y1。
6.根据权利...
【专利技术属性】
技术研发人员：唐雅洁，林达，张雪松，李志浩，赵波，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。