一种多模型集成的分布式光伏出力短期预测方法和系统技术方案

本发明专利技术公开了一种多模型集成的分布式光伏出力短期预测方法和系统，方法为：收集分布式光伏接入配网的样本数据集，每个样本数据包括光伏输出及对应的若干个环境指标；采用KPCA对环境指标数据降维处理；根据降维后的环境指标数据，使用熵值法确定降维后各环境指标的权重；根据各环境指标的权重设置极限学习机的隐藏层节点参数，并使用样本数据集降维后的环境指标数据和光伏输出分别作为输入和输出，训练极限学习机，得到光伏出力短期预测模型；按降维的环境指标获取数据，并输入至光伏出力短期预测模型，输出即为预测所得的分布式光伏输出。本发明专利技术不需要专业的光照测量仪器获取光照数据，仍可实现对分布式光伏出力进行准确的短期预测。期预测。期预测。

【技术实现步骤摘要】
一种多模型集成的分布式光伏出力短期预测方法和系统


[0001]本专利技术属于光伏发电预测领域，特别涉及一种多模型集成的分布式光伏出力短期预测方法和系统。

技术介绍

[0002]新能源发电具有很强的随机性，其出力根据气候、风向、地形、日辐射、等因素变化而变化，这对新能源并网与消纳带来了诸多难题。因此，光伏出力预测对促进电网新能源的消纳能力以及电力系统的规划、运行和管理至关重要。
[0003]提升光伏出力预测的准确性有助于提前获取光伏出力特性，从而合理安排电网运行方式和应对措施，提高电网的安全性、可靠性和经济性。但是，从现阶段研究，面对光伏出力数据具有的多源、异构、高维等分布特性，一些传统模型在预测结果和预测过程中会产生一定程度的误差与波动，造成预测不准确的后果。
[0004]另外，虽然光照可以作为光伏出力的一个直接机理因素，但是对于常规的尤其是小型的分布式光伏，不会配备专业仪器来测量光照，因此无法做到对分布式光伏一一进行测量，导致光伏预测较为困难。
[0005]因此，对于分布式光伏出力预测的问题，现亟需设计一种有效且易于实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多模型集成的分布式光伏出力短期预测方法，其特征在于，包括以下步骤：步骤1，收集分布式光伏接入配网的样本数据集，每个样本数据包括光伏输出及对应的若干个环境指标；所述若干个环境指标包括气象类和地理类的指标，气象类的指标包括日平均温度、最大温度、最小温度、相对湿度、日降水量、平均气压、风向、平均风速、天气类型和云量，地理类的指标包括地形和海拔；步骤2，采用核主成分分析法KPCA，对样本数据集的环境指标数据进行降维处理；步骤3，根据样本数据集降维后的环境指标数据，使用熵值法确定降维后各环境指标的权重；步骤4，根据步骤3所得各环境指标的权重设置极限学习机的隐藏层节点参数，并使用样本数据集降维后的环境指标数据和光伏输出分别作为输入和输出，训练极限学习机，得到光伏出力短期预测模型；步骤5，对于待进行短期预测的分布式光伏出力，按降维的环境指标获取数据，并输入至光伏出力短期预测模型，输出即为预测所得的分布式光伏输出。2.根据权利要求1所述的多模型集成的分布式光伏出力短期预测方法，其特征在于，步骤2的具体过程为：步骤2.1，利用核函数将样本数据集映射到非线性空间：x1,x2,
…
,x
n
→
φ(x1),φ(x2),
…
,φ(x
n
)；其中x1,x2,
…
,x
n
为样本数据集中的n个样本数据，φ()为核函数，φ(x1),φ(x2),
…
,φ(x
n
)为非线性空间中的n个样本数据；步骤2.2，计算非线性空间中n个样本数据的协方差矩阵C
X
：步骤2.3，引入核矩阵K<φ(x
i
),φ(x
i
)>＝φ(x
i
)φ(x
i
)
T
，并利用以下特征方程求解协方差矩阵的特征值λ和特征向量v：C
X
v＝λv步骤2.4，根据环境指标的累计贡献率计算式，选取累计贡献率大于预设值的前若干个环境指标替代原有全部环境指标，达到降维目的；其中，环境指标的累计贡献率计算式为：式中，λ
k
表示协方差矩阵的第k个特征值，且λ1≥
…
≥λ
n
。3.根据权利要求2所述的多模型集成的分布式光伏出力短期预测方法，其特征在于，核矩阵K采用核函数为高斯核函数、多项式核函数、Sigmoid核函数或余弦核函数。4.根据权利要求2所述的多模型集成的分布式光伏出力短期预测方法，其特征在于，步骤3的具体过程为：步骤3.1，根据样本数据集降维后的环境指...

【专利技术属性】
技术研发人员：何禹清，周胜瑜，江卓翰，彭剑，涂婧怡，谢煜东，孙辰昊，
申请(专利权)人：国网湖南省电力有限公司经济技术研究院国家电网有限公司，
类型：发明
国别省市：