[發明專利]一種考慮氣象因素變化的短期光伏分解預測方法

有效

• 申請號: 201710828824.1
• 申請日: 2017-09-14
• 公開（公告）號: CN107563565B
• 公開（公告）日: 2019-04-02
• 發明（設計）人: 黎靜華;賴昌偉;蘭飛
• 申請（專利權）人: 廣西大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 武漢東喻專利代理事務所(普通合伙) 42224
• 代理人: 方可

本發明公開了一種考慮氣象因素變化的短期光伏分解預測方法，包括：S1通過奇異譜分析方法對光伏出力時間序列進行分解，獲得低頻序列、高頻序列和噪聲序列；S2采用Pearson相關系數法確定影響光伏出力的主要氣象因素，并分析其對光伏出力的靈敏度；S3針對低頻序列和高頻序列并結合靈敏度分別建立考慮氣象因素的預測模型；S4根據預測模型獲得低頻序列預測值和高頻序列預測值，并根據低頻序列預測值和高頻序列預測值獲得光伏出力預測值。本發明通過奇異譜分析方法將光伏出力分解為不同的子序列單獨分析各序列的特征；通過相關性分析和靈敏度分析獲取不同氣象因素的單位變化量對光伏出力的影響程度，以便更為精確地預測光伏出力。

技術領域

本發明屬于風電、光伏等間歇式可再生能源預測技術領域，更具體地，涉及一種考慮氣象因素變化的短期光伏分解預測方法(Singular Spectrum Analysis MethodConsidering Meteorological Factors，簡稱SSA-MF法)。

背景技術

隨著高比例可再生能源的發展，風電、光伏等間歇式可再生能源日益得到推廣和應用。但是風電、光伏等間歇式可再生能源具有較強的隨機性和波動性，使得電力系統的安全穩定和經濟運行面臨重要挑戰。因此，如何較為精確地對風電、光伏等間歇式可再生能源進行預測，對于電力系統的調度運行具有重要的現實指導意義。

目前，對于光伏出力預測主要有物理類方法、統計類方法以及上述方法的組合方法等三類。物理方法是根據光伏組件所在的詳細地理位置和光電轉換效率等因素建立物理模型，依據光伏系統的發電原理直接將氣象數據作為輸入進行預測。其有效性取決于對研究對象內在結構及其遵循規律的把握程度和模型參數的精度，涉及環節多、過程復雜、參數求解困難。統計類方法是建立在利用某種統計方法對歷史光伏出力數據進行分析，尋找數據中的內在規律并用于預測。其主要包括時間序列法、回歸分析法、灰色預測法以及元啟發式系列方法等。元啟發式方法的本質是對生物的作息規律進行模擬，采用某種算法對樣本數據進行訓練而得到預測條件與待預測量之間的關系。元啟發式方法主要包括神經網絡、支持向量機、遺傳算法、模糊系統等。其中神經網絡法具有很強的非線性擬合能力，可以映射任意復雜的非線性關系，這與光伏發電系統的特點十分相似，所以很適合對光伏電站出力短期預測。但是單一的神經網絡無法適應多變天氣類型泛，預測效果不佳。另外，傳統的BP神經網絡訓練采用梯度下降法，容易陷入局部最小值，收斂速度慢。而模糊系統對光伏出力進行預測時，模糊推理規則的建立需要大量的歷史數據和充足的專家經驗。組合方法利用不同模型提供的信息并發揮各自優勢，選擇合適的方式進行組合，以期提高預測效果。較前兩種方法而言，組合方法建模要比單一方法復雜，實現過程較為困難。

綜合所述，上述方法在對光伏出力進行預測時均是利用歷史數據處理后建模預測，未考慮數據分解后的子序列所反映的光伏出力特性，未挖掘出光伏出力的一些隱含信息和內在規律，所以要想達到較好的預測效果較難實現。

發明內容

針對現有技術的缺陷，本發明的目的在于提供一種考慮氣象因素變化的短期光伏分解預測方法，旨在解決現有技術中預測精度低的問題。

本發明提供了一種考慮氣象因素變化的短期光伏分解預測方法，包括下述步驟：

S1：通過奇異譜分析方法對光伏出力時間序列進行分解，獲得低頻序列、高頻序列和噪聲序列，并將噪聲序列剔除；

S2：采用Pearson相關系數法確定影響光伏出力的主要氣象因素，并分析所述主要氣象因素對光伏出力的靈敏度；

S3：針對所述低頻序列和所述高頻序列并結合所述靈敏度分別建立考慮氣象因素的高頻序列的預測模型和低頻序列的預測模型；

S4：根據所述高頻序列的預測模型獲得高頻序列預測值，根據所述低頻序列的預測模型獲得低頻序列預測值；并根據所述低頻序列預測值和所述高頻序列預測值獲得光伏出力預測值。

更進一步地，步驟S1具體為：