本发明专利技术涉及一种基于离散小波变换特征提取的太阳辐照度超短期预测方法，包括：采集长度为的太阳辐照度时间序列；设定分解层数，对太阳辐照度序列进行多尺度分解，得到个高频分量序列和1个低频分量序列；对个分量序列中的每一个序列，依次执行训练集和测试集的切分、最优预测算法和参数的选取、在分量序列上训练预测模型这一流程；对个分量序列中的每一个序列，使用训练好的预测模型输出该分量序列在未来16个时刻的预测值；将个分量序列在未来16个时刻的预测值代入到多尺度分解公式中得到太阳辐照度超短期预测值；本方法提高了天气状况剧烈波动场景下的太阳辐照度超短期预测的准确率。的太阳辐照度超短期预测的准确率。
【技术实现步骤摘要】
基于离散小波变换特征提取的太阳辐照度超短期预测方法
[0001]本专利技术属于太阳辐照度超短期预测领域，具体涉及一种基于离散小波变换特征提取的太阳辐照度超短期预测方法。
技术介绍
[0002]太阳能发电是间歇性的，不同时段的发电量波动性很大，发电量直接入电网会对电网的平稳运行造成很大地冲击。为了确保电网的平稳运行，对光伏发电的各环节提出了具体的技术要求，对超短期功率预测提出了明确的考核要求：每日的超短期功率预测准确率不得低于相应的阈值，如果相应的预测准确率低于阈值，电网将会对光伏电站考核电量并造成利润上的损失。因此站在提升电网输配电效率、降低光伏电站考核损失的角度出发，对光伏发电功率进行超短期预测具有重要且现实的意义。
[0003]影响光伏发电功率的主要气象因素是太阳辐照度，根据光伏面板的技术特性，太阳辐照度与光伏发电功率呈线性关系，因此提高光伏超短期功率预测准确率的关键在于提高太阳辐照度的超短期预测准确率。
[0004]从数据形式上看，太阳辐照度数据是时间序列数据，相邻两个数值的时间间隔固定。决定太阳辐照度时间序列预测准确率的因素主要有两个：(1)时间序列预测算法，描述了输入特征和太阳辐照度之间的映射关系；(2)选择输入特征，输入特征应对太阳辐照度有较强的解释能力。
[0005]主流的时间序列预测算法包括：以ARIMA为代表的线性时间序列模型；以人工神经网络、支持向量机、决策树等为代表的非线性机器学习模型，通过时间窗方法将纵向的时间序列数据转置成横向的截面数据才能使用此类算法。
[0006]针对如何选择对太阳辐照度有较强解释能力的输入特征这个问题，业界主流的做法是从气象机构获得气象因子观测数据及数值气象预报数据。
[0007]使用气象机构提供的气象观测数据以及数值气象预报数据作为输入特征，并使用主流的时间序列预测算法，对太阳辐照度的周期趋势性能取得较好的预测效果，但当局部时间段内天气状况出现剧烈波动时，上述方法就会出现较大的预测偏差。
技术实现思路
[0008]针对现有技术的以上缺陷或改进需求，本专利技术要解决的是当局部时间段内天气状况出现剧烈波动时，使用主流的时间序列预测算法对太阳辐照度的周期趋势进行预测，存在较大偏差的问题。
[0009]一种基于离散小波变换特征提取的太阳辐照度超短期预测方法，包括如下步骤：步骤1：采集长度为的太阳辐照度时间序列数据；步骤2：使用塔式算法给出离散小波变换对应的规范正交矩阵；步骤3：基于离散小波变换对应的规范正交矩阵和太阳辐照度序列计算得出离散
小波变换对应的离散小波变换系数；步骤4：基于离散小波变换对应的规范正交矩阵和离散小波变换系数得到太阳辐照度序列的重构表达式；步骤5：按照离散小波变换系数的分块表示法对太阳辐照度序列的重构表达式进行分块合并，得到的多尺度分解公式；步骤6：设定分解层数，对多尺度分解公式进行截断处理，得到个高频分量序列和1个低频分量序列；步骤7：对个分量序列中的每一个序列，依次执行训练集和测试集的切分、最优预测算法和算法最优参数的选取、在分量序列上使用最优预测算法和最优参数训练预测模型这一流程；步骤8：对个分量序列中的每一个序列，使用训练好的最优预测输出该分量序列在未来16个时刻的预测值；步骤9：将个分量序列在未来16个时刻的预测值代入到多尺度分解公式中进行求和运算得到原始的太阳辐照度时间序列在未来16个时刻的太阳辐照度超短期预测值。
[0010]进一步的，所述步骤1中采集长度为的太阳辐照度时间序列，是任意时刻的太阳辐照度瞬时观测值，且序列长度，J为正整数。
[0011]进一步的，所述步骤2的具体方法为：对于给定的离散小波变换，使用塔式算法给出该离散小波变换对应的规范正交矩阵： ，E是N阶单位矩阵；在规范正交矩阵的表达式中，是规范正交矩阵的第行的个元素构成的行向量，是规范正交矩阵的第行的个元素构成的列向量，上标T是向量转置运算符，。
[0012]进一步的，所述步骤3的具体方法为：根据塔式算法，的所有行按照特定顺序排列，前行可以划分成J块：第1块，，共行，与太阳辐照度序列的尺度为1的相邻平均差分有关；
第2块，，共行，与太阳辐照度序列的尺度为2的相邻平均差分有关；第J
‑
1块，，共=2行，与太阳辐照度序列的尺度为J
‑
1的相邻平均差分有关；第J块，，共=1行，与太阳辐照度序列的尺度为J的相邻平均差分有关。
[0013]离散小波变换系数由下式给出：其中是向量内积运算符，的下标均表示行数且与太阳辐照度序列的序号相对应。
[0014]进一步的，所述步骤4的具体方法为：其中，上标
‑
1是矩阵求逆运算。
[0015]进一步的，所述步骤5的具体方法为：的前行按照特定排列顺序分成J块，那么对应的前个小波变换系数按照对应的下标也可以分成J块，从而的重构表达式按照下方形式分块合并：
在上式中，是维列向量，是前个小波变换系数的第块与小波变换矩阵前行的第j块对应位置相乘再求和得到的，由于前行的第j块与太阳辐照度序列的尺度为j的相邻平均差分有关，所以反映了对原始序列的尺度为j的局部特征刻画能力，j越小，越偏向局部波动性特征的提取，j越大，越偏向整体趋势性特征的提取，故称维列向量是原始序列的尺度为j的细节分量，站在信号分析的角度，也称为高频分量，的下标均表示行数且与太阳辐照度序列的序号相对应。
[0016]，也是是维列向量，可以看作是原始序列剔除掉高频分量之后剩下的部分，称之为近似分量，也称为低频分量，反映了对原始序列整体变化趋势的刻画能力，从原始序列中提取的过程称为滤波或去噪。
[0017]进一步的，所述步骤6的具体方法为：由于J满足，多尺度分解公式实际上导致了对太阳辐照度序列的完全分解，原始序列的所有波动性都体现在细节分量中，造成近似分量是常值序列，在实际应用中，设定分解层数，按照下式展示的方法对分解公式进行截断处理：。
[0018]进一步的，所述步骤7的具体方法为：对于步骤6得到的M+1个分量序列中的每一个分量序列，可以将其按照时间顺序拆分成75%的训练集和25%的验证集，在训练集上训练模型，以验证集上的均方根误差最小为准则，选择最优的时间序列预测算法及相应的参数，由于主流的时间序列预测算法以及参数搜索空间是有限的，所以可以通过遍历搜索的方式实现这一过程。
[0019]针对中的每个分量序列，依次执行上述过程可以得到相应的最优算法与最优参数，使用这些最优算法与最优参数组合分别在每个分量序列上训练单一时间序列算法模型，得到相应的预测模型：进一步的，所述步骤8的具体方法为：针对中的每个分量序列，使用步骤7得到的对应的预测模型输出该分量序列在未来16个时刻的超短期预测值，具体如下：的未来16个时刻的超短期预测值：的未来16个时刻的超短期预测值：的未来16个时刻的超短期预测值：的未来16个时刻的超短期预测值：的未来16个时刻的超短期预测值：的未来16个时刻的超短期预测值：；式中符号表示预测。
[0020]进本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于离散小波变换特征提取的太阳辐照度超短期预测方法，其特征在于，包括如下步骤：步骤1：采集长度为的太阳辐照度时间序列数据；步骤2：使用塔式算法给出离散小波变换对应的规范正交矩阵；步骤3：基于离散小波变换对应的规范正交矩阵和太阳辐照度序列计算得出离散小波变换对应的离散小波变换系数；步骤4：基于离散小波变换对应的规范正交矩阵和离散小波变换系数得到太阳辐照度序列的重构表达式；步骤5：按照离散小波变换系数的分块表示法对太阳辐照度序列的重构表达式进行分块合并，得到的多尺度分解公式；步骤6：设定分解层数，对多尺度分解公式进行截断处理，得到个高频分量序列和1个低频分量序列；步骤7：对个分量序列中的每一个序列，依次执行训练集和测试集的切分、最优预测算法和算法最优参数的选取、在分量序列上使用最优预测算法和最优参数训练预测模型这一流程；步骤8：对个分量序列中的每一个序列，使用训练好的最优预测输出该分量序列在未来16个时刻的预测值；步骤9：将个分量序列在未来16个时刻的预测值代入到多尺度分解公式中进行求和运算得到原始的太阳辐照度时间序列在未来16个时刻的太阳辐照度超短期预测值。2.根据权利要求1所述的基于离散小波变换特征提取的太阳辐照度超短期预测方法，其特征在于，所述步骤1具体方法为：采集长度为的太阳辐照度时间序列，是任意时刻的太阳辐照度瞬时观测值，且序列长度，J为正整数。3.根据权利要求2所述的基于离散小波变换特征提取的太阳辐照度超短期预测方法，其特征在于，所述步骤2的具体方法为：对于给定的离散小波变换，使用塔式算法给出该离散小波变换对应的规范正交矩阵： ，E是N阶单位矩阵；在规范正交矩阵的表达式中，是规范正交矩阵的第行的个元素构成的行向量，是规范正交矩阵的第行的个元素构成的列向量，上标T是向量转置运算符，。4.根据权利要求3所述的基于离散小波变换特征提取的太阳辐照度超短期预测方法，其特征在于，所述步骤3的具体方法为：根据塔式算法，的所有行按照特定顺序排列，前
行可以划分成J块：第1块，，共行，与太阳辐照度序列的尺度为1的相邻平均差分有关；第2块，，共行，与太阳辐照度序列的尺度为2的相邻平均差分有关；第J
‑
1块，，共=2行，与太阳辐照度序列的尺度为J
‑
1的相邻平均差分有关；第J块，，共=1行，与太阳辐照度序列的尺度为J的相邻平均差分有关；离散小波变换系数由下式给出：其中是向量内积运算符，的下标均表示行数且与太阳辐照度序列的序号相对应。5.根据权利要求4所述的基于离散小波变换特征提取的太阳辐照度超短期预测方法，其特征在于，所述步骤4的具体方法为：其中，上标
‑
1是矩阵求逆运算。6.根据权利要求5所述的基于离散小波变换特征提取的太阳辐照度超短期...
【专利技术属性】
技术研发人员：陈超，刘军，鄢烈祥，周力，张凡，吴卓，
申请(专利权)人：汉谷云智武汉科技有限公司，
类型：发明
国别省市：
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。