一种基于时序动态回归的超短期光伏发电功率预测方法技术

本发明专利技术公开了一种基于时序动态回归的超短期光伏发电功率预测方法，包括：获取历史光伏发电功率数据和数值天气预报数据构成历史数据集；将据历史数据划分为白天时段与夜晚时段；根据白天时段建立基于时序动态回归的预测模型，根据历史数据集的白天时段子集，确定预测模型的参数；判定当前时刻的预测提前期是否与白天时段有交集，若有，根据距当前时刻最近的历史数据，确定预测模型中的待定参数；获得实时的数值天气预报结果，将实时天气预报与截取的历史数据集代入预测模型中，输出计算结果，将预测提前期内处于夜晚时段的部分预测结果取0，得到当前时刻的最终预测结果；待到下一时刻，更新历史数据集，继续滚动预测。

【技术实现步骤摘要】
一种基于时序动态回归的超短期光伏发电功率预测方法
本专利技术属于新能源发电预测领域，尤其涉及一种超短期光伏发电功率预测方法。
技术介绍
随着光伏产业的快速发展，为了降低并网光伏发电的随机性与波动性对电网安全可靠运行的不利影响，寻求准确可行的光伏发电功率预测方法是十分重要且必要的。光伏发电功率预测可以根据预测提前期分为超短期、短期、中长期预测等。超短期预测主要关注未来数小时内的光伏出力情况，对于日内电网调度计划调整与电力市场交易具有重要指导意义。现有的超短期光伏发电功率预测实用方法主要有两类：一是结合气象云图分析的预测方法，二是基于数据驱动的预测方法。这两类方法都要求对外部环境进行实时测量以获得输入数据，数据驱动方法一般要用到当地的太阳辐射强度、湿度、温度等实时气象数据，云图分析方法还需要得到实时气象云图。与以上数据采集需求相矛盾的是，现今我国光伏发电产业的配套气象观测设备普遍不完善。尤其在分布式光伏发电部分，由于其主要安装在用户侧，普遍没有上述预测方法所需要的高精度气象观测数据。因此这些方法推广使用的可行性不高。为了解决这一挑战，一种仅采用历史光伏发电功率数据与数值天气预报作为输入数据，基于时序动态回归方法的超短期光伏发电功率预测方法被提出。
技术实现思路
针对现有光伏发电功率预测方法对实时实地数据采集要求较高，不利于大规模推广使用的弊端，本专利技术的目的在于提供一种对数据采集要求较低，无需高精度气象观测，同时保证较高预测精度的超短期光伏发电功率预测方法。为达到上述目的，本专利技术采用以下技术方案予以实现：一种基于时序动态回归的超短期光伏发电功率预测方法，包括以下步骤：获取历史光伏发电功率数据和数值天气预报数据构成历史数据集；将据历史数据划分为白天时段与夜晚时段；夜晚时段的光伏发电功率预测值直接取0，根据白天时段建立基于时序动态回归的预测模型，根据历史数据集的白天时段子集，确定预测模型的参数；判定当前时刻的预测提前期是否与白天时段有交集，若有，根据距当前时刻最近的历史数据，确定预测模型中的待定参数；若无，预测结果直接取0；获得实时的数值天气预报结果，将实时天气预报与截取的历史数据集代入预测模型中，输出计算结果，将预测提前期内处于夜晚时段的部分预测结果取0，得到当前时刻的最终预测结果；待到下一时刻，更新历史数据集，继续滚动预测。作为本专利技术的进一步改进，所述历史光伏发电功率数据为光伏电站总发电功率的历史测量值；所述数值天气预报数据为当地的历史数值天气预报结果。作为本专利技术的进一步改进，所述预测模型包括回归模型和残差模型两部分，其中回归模型刻画光伏功率与地表太阳辐射数据以及谐波序列的回归关系，残差模型采用ARIMA方法刻画回归模型残差。作为本专利技术的进一步改进，所述预测模型由公式(1)、(2)获得：式(1)中，HSSRD表示每小时太阳辐射量，为地表太阳辐射累计值(来自数值天气预报)的差分；式(2)中，Pt为t时刻光伏发电功率；m为白天时段的时间长度，为正整数；K为谐波最大次数，为正整数，1≤K≤m/2；βk,1、βk,2为第k次谐波分量的系数；β0为回归截距；β1为回归斜率；εt为回归残差；B为时间序列的后移算子；φi为历史数据权重系数；θi为历史数据权重系数；p、d、q为非负整数；c为常数；ηt为ARIMA部分的预测误差。作为本专利技术的进一步改进，根据历史数据集通过时序交叉验证而确定预测模型参数，预测模型参数包括ARIMA模型的阶数p、d、q和谐波分量的最高次数K以及滚动预测时训练模型所需的滑动窗口长度。作为本专利技术的进一步改进，根据截取的历史数据段通过极大似然估计确定的预测模型参数包括回归参数β0、β1、βk,1、βk,2与ARIMA公式中的系数φi、θi和常数项c。与现有技术相比，本专利技术具有以下优点：本专利技术仅采用历史光伏发电功率数据与数值天气预报作为输入数据对超短期光伏发电功率进行预测。预测模型由回归模型与残差模型两部分组成，其中，回归模型建立光伏功率与地表太阳辐射(来自于数值天气预报)、谐波序列的回归关系，残差模型基于ARIMA方法对回归模型的残差部分进行分析预测。预测方法分为两阶段，第一阶段为预测模型的本地化，首先构建预测模型，然后根据当地光伏电站的历史数据确定预测模型的部分参数取值；第二阶段为滚动预测过程，首先根据最近的历史数据确定预测模型的剩余参数取值，然后获取实时数值天气预报，进行实时光伏发电功率预测，最后更新历史数据，继续滚动预测。本专利技术能有效解决现有光伏发电功率预测方法对数据采集要求高，不便于推广使用的弊端，提出一种能以较高精度对光伏发电功率进行超短期预测，同时对输入数据的要求较低，从而便于大范围推广使用的预测方法。本专利技术所提模型仅需采用光伏电站的历史发电功率测量值与数值天气预报作为输入数据，同时保证较高的预测精度。在我国光伏产业迅猛发展同时配套气象观测设备尚不完善的大背景下，本专利技术具有重要的实际意义与较高的应用价值。附图说明图1为本专利技术所述的基于时序动态回归的超短期光伏发电功率预测方法流程示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，不是全部的实施例，而并非要限制本专利技术公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本专利技术公开的概念。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。本专利技术的目的在于提供一种对数据采集要求较低，无需高精度气象观测，同时保证较高预测精度的超短期光伏发电功率预测方法。包括以下步骤：步骤1：预测方法的本地化阶段。第1.1步：从待预测的光伏电站处获得历史光伏发电功率数据，从气象预报部门获得数值天气预报数据，二者构成历史数据集，数据的等距采样间隔均为1小时。历史光伏发电功率数据：光伏电站总发电功率的历史测量值，为时间序列。数值天气预报数据：当地的历史数值天气预报结果，为时间序列，必须包括“地表太阳辐射累计值”一项。第1.2步：根据历史数据集，将一整天划分白天时段与夜晚时段(夜晚时段的光伏发电功率始终为0)两个固定的时段，同时将历史数据集分割为白天时段与夜晚时段两个子集。夜晚时段的光伏发电功率预测值直接取0，白天时段的预测方法为基于时序动态回归的预测模型，预测模型公式由回归模型和残差模型两部分组成，其中回归模型刻画光伏功率与地表太阳辐射数据(来自于数值天气预报)以及谐波序列的回归关系，残差模型采用ARIMA方法刻画回归模型残差。第1.3步：设定预测提前期(一般为3或4小时)，根据历史数据集的白天时段子集，通过时序交叉验证确定步骤1中预测模型的部分参数。步骤2：滚动预测过程。本文档来自技高网...

【技术保护点】
1.一种基于时序动态回归的超短期光伏发电功率预测方法，其特征在于，包括以下步骤：/n获取历史光伏发电功率数据和数值天气预报数据构成历史数据集；/n将据历史数据划分为白天时段与夜晚时段；夜晚时段的光伏发电功率预测值直接取0，根据白天时段建立基于时序动态回归的预测模型，/n根据历史数据集的白天时段子集，确定预测模型的参数；/n判定当前时刻的预测提前期是否与白天时段有交集，/n若有，根据距当前时刻最近的历史数据，确定预测模型中的待定参数；/n若无，预测结果直接取0；/n获得实时的数值天气预报结果，将实时天气预报与截取的历史数据集代入预测模型中，输出计算结果，将预测提前期内处于夜晚时段的部分预测结果取0，得到当前时刻的最终预测结果；/n待到下一时刻，更新历史数据集，继续滚动预测。/n

【技术特征摘要】
1.一种基于时序动态回归的超短期光伏发电功率预测方法，其特征在于，包括以下步骤：
获取历史光伏发电功率数据和数值天气预报数据构成历史数据集；
将据历史数据划分为白天时段与夜晚时段；夜晚时段的光伏发电功率预测值直接取0，根据白天时段建立基于时序动态回归的预测模型，
根据历史数据集的白天时段子集，确定预测模型的参数；
判定当前时刻的预测提前期是否与白天时段有交集，
若有，根据距当前时刻最近的历史数据，确定预测模型中的待定参数；
若无，预测结果直接取0；
获得实时的数值天气预报结果，将实时天气预报与截取的历史数据集代入预测模型中，输出计算结果，将预测提前期内处于夜晚时段的部分预测结果取0，得到当前时刻的最终预测结果；
待到下一时刻，更新历史数据集，继续滚动预测。


2.如权利要求1所述的一种基于时序动态回归的超短期光伏发电功率预测方法，其特征在于：所述历史光伏发电功率数据为光伏电站总发电功率的历史测量值；
所述数值天气预报数据为当地的历史数值天气预报结果。


3.如权利要求1所述的一种基于时序动态回归的超短期光伏发电功率预测方法，其特征在于：所述预测模型包括回归模型和残差模型两部分，其中回归模型刻画光伏功率与地表太阳辐射数据以及谐波序列的回归关系，残差模型采用...

【专利技术属性】
技术研发人员：张耀，林帆，王建学，王珂，杜泽钰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61