基于时间序列模型的光伏发电功率超短期预测方法

摘要

本发明公开了一种基于时间序列模型的光伏发电功率超短期预测方法，其特征在于，包括以下步骤：步骤一：采集光伏电站历史功率数据，并对历史功率数据进行归一化处理。步骤二：根据归一化后历史功率数据建立拟合方程，根据建立的拟合方程和残差方差确定模型的阶数即p和q的值；步骤三：确定；的值；步骤四：建立自回归滑动平均模型。通过历史功率数据、以及拟合方程和自回归滑动平均模型方程对光伏发电功率超短期预测建立预测模型，根据预测模型和现有的数据即可达到对光伏发电功率进行短期准确预测的目的。

主权项

1.一种基于时间序列模型的光伏发电功率超短期预测方法，其特征在于，包括以下步骤：步骤一：采集光伏电站历史功率数据，并对历史功率数据进行归一化处理，归一化处理公式如下：$x_i^{\prime }=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}$其中，x_max是历史功率数据中的最大值，x_min是历史功率数据中的最小值，x_i是第i个历史功率数据，x′_i是归一化后的第i个历史功率数据；步骤二：根据上述归一化后历史功率数据建立拟合方程，根据建立的拟合方程和残差方差确定模型的阶数即p和q的值；步骤三：如步骤一中采集的光伏电站历史功率数据利用数据序列x₁，x₂，…，x_t表示，其样本自协方差定义为${\hat{\gamma }}_k=\frac{1}{n}\underset{t=k+1}{\overset{n}{\Sigma }}{x}_t{x}_{t-k},k=\mathrm{0,1,2},...,n-1,$其中x_t和x_t-k均为数据序列x₁，x₂，…，x_t中的数值；则历史功率数据样本自相关函数为：${\hat{\rho }}_k=\frac{{\hat{\gamma }}_k}{{\hat{\gamma }}_0}=\frac{\frac{1}{n}\underset{t=k+1}{\overset{n}{\Sigma }}{x}_t{x}_{t-k}}{\frac{1}{n}\underset{t=1}{\overset{n}{\Sigma }}{x}_t^2}=\frac{\underset{t=k+1}{\overset{n}{\Sigma }}{x}_t{x}_{t-k}}{\underset{t=1}{\overset{n}{\Sigma }}{x}_t^2},$$k=\mathrm{0,1,2},...,n-1$则自回归部分的矩估计为令协方差函数为用的估计代替γ_k，则即得出，对滑动平均模型系数θ₁，θ₂，...，θ_q采用矩估计，有${\gamma }_0=(1+{\theta }_1^2+{\theta }_2^2+...+{\theta }_q^2){\sigma }_a^2$${\gamma }_k=(-{\theta }_k+{\theta }_1+{\theta }_{k+1}+...+{\theta }_{q-k}{\theta }_q){\sigma }_a^2,$$k=\mathrm{1,2},...,m$以上共包含m+1个方程，对其参数而言，方程为非线性，采用迭代法进行求解即得出θ₁，θ₂，…，θ_q的值；步骤四：根据上述步骤二和步骤三得出的p和q值以及、θ₁，θ₂，…，θ_q的值建立自回归滑动平均模型；所述自回归滑动平均模型的公式如下：其中，和θ_j(1≤j≤q)是系数，α_t是白噪声序列。