一种光伏输出功率值的分频预测方法

摘要

本发明公开了一种光伏输出功率值的分频预测方法，采用了基于灰色系统校正的小波神经网络，能从历史光伏数据中提取出预测日的出力趋势及特征，提高预测精度；采用了基于小波分解对历史数据进行分解，能对历史光伏数据进行多尺度分析，有效提取历史光伏数据的局部信息；采用了基于神经网络构建预测模型，有助于提取各种外界条件下光伏电站的出力趋势，提高了非晴天条件下光伏输出功率的预测精度；采用了基于灰色系统模型对历史数据进行建模，通过对历史光伏数据的误差分析，找出预测误差分布范围，为灰色系统校正提供了依据；采用了基于历史数据样本进行灰色建模，并对神经网络的预测结果进行进一步的校正，提高了神经网络预测结果的预测精度。

主权项

一种光伏输出功率值的分频预测方法，其特征在于：包括以下步骤，步骤A，获取相似日数据；A1)选取光伏发电设备的历史光伏数据，构造历史样本集S＝{s₁,s₂,…,s_i,…,s_n}；其中，s_i表示历史样本集中的第i个样本；1≤i≤n；并有s_i＝{w_i,x_i,max,x_i,min,p_i,1,p_i,2,…,p_i,l,…,p_i,m}；w_i表示历史样本s_i的天气类型；x_i,max表示历史样本s_i的最高温度；x_i,min表示历史样本s_i的最低温度；p_i,1,p_i,2,…,p_i,l,…,p_i,m表示历史样本s_i各时刻的光伏输出功率值；p_i,l表示历史样本s_i在第l个时刻的光伏输出功率值；1≤l≤m；A2)假设光伏发电设备的预测日光伏数据为{w_p,x_p,max,x_p,min}；其中，w_p表示预测日的天气类型；x_p,max表示预测日的最高温度；x_p,min表示预测日的最低温度；A3)计算历史样本集S与预测日光伏数据的温度欧式距离，构造温度欧式距离集D＝{d₁,d₂,…,d_i,…,d_n}；其中，$d_i={[{(x_{p,\max }-x_{i,\max })}^2+{(x_{p,min}-x_{i,min})}^2]}^{\frac{1}{2}}$d_i表示历史样本s_i与预测日光伏数据的温度欧式距离；A4)对温度欧式距离集D进行降序排序，选择前r组温度欧式距离对应的历史样本，构造与所述预测日光伏数据相对应的神经网络训练样本集S_c；S_c＝{s_c,1,s_c,2,…,s_c,j,…,s_c,r}，其中s_c,j表示第j个神经网络训练样本，$s_{c,j}=[w^{\left(j\right)},x_{c,\max }^{\left(j\right)},x_{c,\min }^{\left(j\right)},p_{c,1}^{\left(j\right)},p_{c,2}^{\left(j\right)},...,p_{c,l}^{\left(j\right)},...,p_{c,m}^{\left(j\right)}],$1≤j≤r，w^(j)表示神经网络训练样本s_c,j的天气类型；表示神经网络训练样本s_c,j的最高温度；表示神经网络训练样本s_c,j的最低温度；表示神经网络训练样本s_c,j各时刻的光伏输出功率值；表示神经网络训练样本s_c,j在第l个时刻的光伏输出功率值；步骤B，生成初始预测值；B1)对神经网络训练样本集S_c中的每个元素进行λ次小波分解，获得神经网络训练样本集S_c的分解小波系数序列集；对s_c,j进行λ次小波分解，获得第j个分解小波系数序列其中，表示对s_c,j进行第λ次小波分解所获得的小波系数序列；表示对s_c,j进行第λ次小波分解所获得的平均系数序列；B2)以第j‑1个分解小波系数序列作为神经网络的输入信号，以第j个分解小波系数序列作为神经网络的输出信号，以所述输入信号和所述输出信号作为神经网络的学习样本，通过神经网络对所述学习样本进行训练，从而获得光伏输出功率值分频预测模型；B3)以第r个分解小波系数序列作为光伏输出功率值分频预测模型的输入信号，通过光伏输出功率值分频预测模型，获得初始预测小波序列B4)对初始预测小波序列进行小波重组，获得初始光伏输出功率预测序列{p_p,1，p_p,2，...,p_p,l，...，p_p,m}，p_p,l表示预测日在第l个时刻的光伏输出功率预测值；步骤C，确立灰色系统预测值的判断区间；C1)根据历史样本集获得预测序列X(0)＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(k),…,x⁽⁰⁾(t)]；其中，$x^{\left(0\right)}\left(k\right)=\underset{l=1}{\overset{m}{\Sigma }}{p}_{i,l},k=1,2,...,t,$t表示与预测日相邻的前t天；C2)利用预测序列X(0)构建灰色系统DGM模型；C3)对n个历史样本，利用灰色系统DGM模型分别进行灰色预测，获得n个预测值W，并根据n个预测值W计算n个历史样本的误差值；C4)根据n个历史样本的误差值选取误差区间E_g＝(δ,ε)；其中δ,ε是由n个历史样本的误差值集中分布范围决定的，δ是误差区间下限，ε是误差区间上限。C5)将t+1的值赋给k，从而利用灰色系统DGM模型获得预测日的预测序列值W_g＝x⁽⁰⁾(t+1)，获得判断区间J_g＝(W_g‑W_gε,W_g‑W_gδ)∪(W_g+W_gδ,W_g+W_gε)；步骤D，判断是否成立，若成立，则不进行校正，从而以预测日在第l个时刻的光伏输出功率预测值p_p,l作为最终预测值；否则，利用校正公式进行校正，从而获得预测日在第l个时刻的光伏输出功率预测校正值p_p,lnew，并以预测校正值p_p,lnew作为最终预测值；校正公式为，$p_{p,lnew}=\frac{W_g}{\underset{l=1}{\overset{m}{\Sigma }}{p}_{p,l}}\times p_{p,l}.$