一种光伏发电功率预测方法技术

本发明专利技术公开一种光伏发电功率预测方法，它包括如下步骤：Step1：数据收集与处理：收集样本数据，利用同步挤压小波降噪算法对数据进行处理；Step2：依据改进的相似日原理筛选气象相似日集；Step3：构造SSA

【技术实现步骤摘要】
一种光伏发电功率预测方法


[0001]本专利技术涉及光伏发电
，具体地指一种光伏发电功率预测方法。

技术介绍

[0002]近年来，由于人口增长和经济发展，能源需求量逐年增加，然而传统能源属于不可再生能源，其难以满足能源的需求。近十年来，分布式可再生能源发电，特别是光伏发电发展迅速使得满足这种能源需求变成可能。光伏发电技术因其高性能、高效率和低成本而在全球范围内得到广泛应用，通过将光伏系统集成到电网中可以带来环境和经济效益。然而随着光伏发电容量的不断增大，光伏发电的有效功率输出具有强烈的随机性、波动性和间歇性给电力系统的安全稳定运行造成了严重的危害，大规模光伏发电给电能质量、电力调度带来了巨大的挑战。因此，提高光伏发电功率预测的准确度将有助于电力系统的安全稳定的运行，进而促进清洁能源的发展。

技术实现思路

[0003]本专利技术的目的在于克服上述不足，提供一种光伏发电功率预测方法，以更加准确地预测光伏发电功率。
[0004]本专利技术为解决上述技术问题，所采用的技术方案是：一种光伏发电功率预测方法，它包括如下步骤：
[0005]Step1：数据收集与处理：收集样本数据，利用同步挤压小波降噪算法对数据进行处理；
[0006]Step2：依据改进的相似日原理筛选气象相似日集；
[0007]Step3：构造SSA
‑
CNN
‑
GRU预测模型；
[0008]Step4：训练模型，输出预测结果。
[0009]进一步地，所述Step1具体包括以下步骤：
[0010]1.1、采集安装在光伏电站的监控系统所记录的光伏发电功率数据和气象数据，构建功率数据的时间序列f(t)；
[0011]1.2、利用同步挤压小波降噪算法对光伏发电功率的时间序列进行降噪处理。
[0012]进一步地，所述步骤1.2中降噪处理具体步骤如下：
[0013]首先对光伏发电功数据的时间序列f(t)进行连续小波变换，得到小波系数W
f
(a,b)，具体变化公式如下：
[0014][0015]上述式中为母小波函数的共轭，a为尺度参数，b为时间参数；
[0016]根据帕塞瓦尔原理，令光伏发电功率的时间序列f(t)＝Acos(wt)，其中A为幅值，w为角频率，可以得到以下公式：
[0017][0018]上述式中f
σ
(ε)、分别表示f(t)、的频域变换，ε是角频率，由于f(t)的傅里叶变换为：
[0019]f
σ
(ε)＝πA[δ(ε
‑
w)+δ(ε+w)][0020]将上述公式代入可得：
[0021][0022]如果在ε＝w0处集中分布，则系数W
f
(a,b)也会在尺度集中分布，因此通过对变换后的小波系数求导即可得到瞬时频率：
[0023][0024]将上述公式中的小波系数W
f
(a,b)转化到时间
‑
频率平面，变为W
f
[W
f
(a,b),b]；
[0025]同步挤压变换量值T
f
(w
l
,b)可以通过挤压任意一中心频率w
l
附近区间的值叠加获得，此处
△
w＝w
l
‑
w
l
‑1，因此小波系数的挤压变换可以表达为：
[0026][0027]上述公式中a
k
表示离散尺度，且a
k
‑
a
k
‑1＝
△
a
k
；
[0028]通过同步挤压小波变换的逆变换得到降噪后的光伏发电功率的时间序列，具体公式为：
[0029][0030]上述公式中Re表示实部值，为母小波函数共轭的傅里叶变换；
[0031]进一步地，所述Step2具体包括以下步骤：
[0032]2.1、气象因素相关性分析；
[0033]2.2、利用熵权法计算主要气象因子的权重；
[0034]2.3、基于组合算法加权的相似日选取。
[0035]进一步地，所述步骤2.1具体包括：
[0036]线性相关性分析：本方法采用皮尔逊相关系数分析光伏发电功率与气象因子之间的线性相关性，具体计算公式为：
[0037][0038]上述公式中r为皮尔逊相关系数，X为变量X平均值，Z为变量Z的平均值，n为数据样本大小；
[0039]当|r|越大，说明变量之间的相关性越强，当r>0表示两个变量正相关，当r<0表示两个变量之间负相关；
[0040]非线性相关性分析：本方法采用MIC算法分析光伏发电功率与气象因子之间的非线性相关性，其具体计算公式为：
[0041][0042]其中M(D)
x,y
表示数据集D每个网格的最大标准化互信息组成的特征矩阵，其具体表达式如下所示：
[0043][0044]其中D|G表示数据集中沿坐标轴方向划分区间，得到x
×
y个网格，二元数据集在每个网格的分布概率，I(D|G)代表D|G的互信息，X和y的乘积需小于B(n)，B(n)＝n
0.6
，MIC值越大表明两个变量的相关性越强；
[0045]通过上述两种衡量样本非线性和线性关系的方法，将MIC值和r值均大于0.6的气象因子作为影响光伏发电功率的主要气象因子。
[0046]进一步地，所述步骤2.2具体包括：
[0047]由于各项指标计量单位并不统一，因此在计算综合权重前要对光伏发电功率和主要气象因子的指标进行归一化处理，即把指标的绝对值转化为相对值，并令x
ij
＝|x
ij
|；
[0048]正向指标：
[0049][0050]负向指标：
[0051][0052]其中x
ij
表示第i个时刻第j项气象因子的数据；
[0053](2)计算第j项气象因子下第i时刻指标值的比重P
ij
；
[0054][0055]计算第j项气象因子的信息熵e
j
，其中
[0056]k＝1/ln(n),e>0；
[0057]计算信息熵冗余度g
j
；
[0058]g
j
＝1
‑
e
j
[0059]计算各项指标权重w
j
；
[0060][0061]进一步地，所述步骤2.3具体包括：利用欧式距离公式选取待测日的相似日，待测日与第i个历史日之间的加权欧式距离计算公式为：
[0062][0063]上式中Ω为气象特征的权重矩阵，X
i
为第i个历史日的气象因子矩阵，X0为选定的待测日气象因子矩阵，其表达式如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏发电功率预测方法，其特征在于：它包括如下步骤：Step1：数据收集与处理：收集样本数据，利用同步挤压小波降噪算法对数据进行处理；Step2：依据改进的相似日原理筛选气象相似日集；Step3：构造SSA
‑
CNN
‑
GRU预测模型；Step4：训练模型，输出预测结果。2.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于：所述Step1具体包括以下步骤：1.1、采集安装在光伏电站的监控系统所记录的光伏发电功率数据和气象数据，构建功率数据的时间序列f(t)；1.2、利用同步挤压小波降噪算法对光伏发电功率的时间序列进行降噪处理。3.根据权利要求2所述的一种光伏发电功率预测方法，其特征在于：所述步骤1.2中降噪处理具体步骤如下：首先对光伏发电功数据的时间序列f(t)进行连续小波变换，得到小波系数W
f
(a,b)，具体变化公式如下：上述式中为母小波函数的共轭，a为尺度参数，b为时间参数；根据帕塞瓦尔原理，令光伏发电功率的时间序列f(t)＝Acos(wt)，其中A为幅值，w为角频率，可以得到以下公式：上述式中f
σ
(ε)、分别表示f(t)、的频域变换，ε是角频率，由于f(t)的傅里叶变换为：f
σ
(ε)＝πA[δ(ε
‑
w)+δ(ε+w)]将上述公式代入可得：如果在ε＝w0处集中分布，则系数W
f
(a,b)也会在尺度集中分布，因此通过对变换后的小波系数求导即可得到瞬时频率：将上述公式中的小波系数W
f
(a,b)转化到时间
‑
频率平面，变为W
f
[W
f
(a,b),b]；同步挤压变换量值T
f
(w
l
,b)可以通过挤压任意一中心频率w
l
附近区间的值叠加获得，此处
△
w＝w
l
‑
w
l
‑1，因此小波系数的挤压变换可以表达为：
上述公式中a
k
表示离散尺度，且a
k
‑
a
k
‑1＝
△
a
k
；通过同步挤压小波变换的逆变换得到降噪后的光伏发电功率的时间序列，具体公式为：上述公式中Re表示实部值，为母小波函数共轭的傅里叶变换。4.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于：所述Step2具体包括以下步骤：2.1、气象因素相关性分析；2.2、利用熵权法计算主要气象因子的权重；2.3、基于组合算法加权的相似日选取。5.根据权利要求4所述的一种光伏发电功率预测方法，其特征在于：所述步骤2.1具体包括：线性相关性分析：本方法采用皮尔逊相关系数分析光伏发电功率与气象因子之间的线性相关性，具体计算公式为：上述公式中r为皮尔逊相关系数，为变量X平均值，为变量Z的平均值，n为数据样本大小；当|r|越大，说明变量之间的相关性越强，当r>0表示两个变量正相关，当r<0表示两个变量之间负相关；非线性相关性分析：本方法采用MIC算法分析光伏发电功率与气象因子之间的非线性相关性，其具体计算公式为：其中M(D)
x,y
表示数据集D每个网格的最大标准化互信息组成的特征矩阵，其具体表达式如下所示：其中D|G表示数据集中沿坐标轴方向划分区间，得到x
×
y个网格，二元数据集在每个网格的分布概率，I(D|G)代表D|G的互信息，X和y的乘积需小于B(n)，B(n)＝n
0.6
，MIC值越大表明两个变量的相关性越强；通过上述两种衡量样本非线性和线性关系的方法，将MIC值和r值均大于0.6的气象因子作为影响光伏发电功率的主要气象因子。6.根据权利要求4所述的一种光伏发电功率预测方法，其特征在于：所述步骤2.2具体
包括：由于各项指标计量单位并不统一，因此在计算综合权重前要对光伏发电功率和主要气象因子的指标进行归一化处理，即把指标的绝对值转化为相对值，并令x
ij
＝|x
ij
|；正向指标：负向指标：其中x
ij
表示第i个时刻第j项气象因子的数据；(2)计算第j项气象因子下第i时刻指标值的比重P
ij
；计算第j项气象因子的信息熵e
j
，其中k＝1/ln(n),e>0；计算信息熵冗余度g
j
；g
j
＝1
‑
e
j
计算各项指标权重w
j
；7.根据权利要求4所述的一种光伏发电功率预测方法，其特征在于：所述步骤2.3具体包括：利用欧式距离公式选取待测日的相似日，待测日与第i个历史日之间的加权欧式距离计算公式为：上式中Ω为气象特征的权重矩阵，X
i
为第i个历史日的气象因子矩阵，X0为选定的待测日气象因子矩阵，其表达式如下所示：待测日与第i个历史日之间的加权马氏距离的计算公式为：上述式中S为特征的协方差矩阵；S
‑1为协方差矩阵的广义逆矩阵；构造一个包含2种指标在内的新型指标，其计算公式为：dist＝α
×
...

【专利技术属性】
技术研发人员：李瑞，
申请(专利权)人：三峡大学，
类型：发明
国别省市：