[發明專利]一種基于非迭代多模型的光伏發電短期預測校正方法

有效

• 申請號: 202010025659.8
• 申請日: 2020-01-10
• 公開（公告）號: CN111242371B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 朱紅路;尹萬思;韓雨彤;史淯城
• 申請（專利權）人: 華北電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/067;G06Q50/06;G06Q10/20;G06N20/10;G06N3/084
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 張文寶

1.一種基于非迭代多模型的光伏發電短期預測校正方法，其特征在于，包括以下步驟：

S1.原始數據處理，將歷史環境數據及數值天氣預報數據按季節劃分；

S2.將步驟S1按季節劃分氣象數據以及光伏出力數據，通過對輸入和輸出變量的訓練，建立每個季節的預測模型；

S3.預測及結果，從步驟S2建立的每個季節的預測模型中選擇合適的模型進行預測，并得到結果；

S4.校正數據選取；從步驟S3得到結果中選取需要的預測功率和實測功率；

S5.建立校正模型，采用非迭代的方式建立不同時刻的校正模型；

所述步驟S5中，使用極限學習機訓練輸入和輸出變量，具體包括如下步驟：

S51.通過極限學習機利用選擇的訓練數據訓練模型參數，建立輸入變量和輸出變量之間的映射關系；

設有M個任意的數據(x_i,t_i)，其中x_i＝[x_i1，x_i2……x_im]T∈R^m，t_i＝[t_i1，t_i2……t_in]^T∈Rⁿ，則含有N個隱層節點激勵函數為G的前饋神經網絡的輸出表示為:

式中：a_i＝[a_1i,a_2i,……a_mi]^T為第i個隱層節點與輸入節點的權值向量；β_i＝[β_i1,β_i2,……β_in]^T為第i個隱層節點與輸出節點的權值向量；b_i是第i個隱層節點的偏置；N為隱層節點數目；公式(1)簡寫為:

Hβ＝T??(2)

式中：H為隱層輸出矩陣，H的第i列對應輸入x₁,x₂,……x_n第i個隱層輸出向量；輸出權值可以通過求解線性方程組(3)的最小二乘解來獲得；

最小二乘解為:

β＝H⁺T??(5)

式中H⁺為隱層輸出矩陣H的Moore-Penrose廣義逆；

S52.利用極限學習機使用非迭代的方法建立L個模型；

S6.校正結果，綜合不同模型的輸出，得到校正功率。

2.根據權利要求1所述基于非迭代多模型的光伏發電短期預測校正方法，其特征在于，所述步驟S1中的收集的原始數據包括光伏電站歷史功率數據和歷史數值天氣預報數據；其中，光伏電站歷史功率數據包括光伏電站所對應的歷史輻照度、環境溫度、濕度、風速數據；數值天氣預報數據包括光伏電站所在地的數值天氣預報輻照度、環境溫度、濕度和風速數據；并將收集到的光伏電站歷史功率數據和歷史氣象數據按照季節進行分類。

3.根據權利要求1所述基于非迭代多模型的光伏發電短期預測校正方法，其特征在于，所述步驟S2中，根據分類后的數據建立季節性預測模型，具體包括如下步驟：

S21.分別使用支持向量機、BP神經網絡和極限學習機對不同季節輸入變量和輸出變量進行訓練，建立了每個季節輸入輸出變量間的映射關系；

S22.分別得到了關于支持向量機、BP神經網絡和極限學習機的春、夏、秋、冬四個季節的預測模型。

4.根據權利要求1所述基于非迭代多模型的光伏發電短期預測校正方法，其特征在于，所述步驟S3中，通過季節模型預測光伏輸出功率，具體包括如下步驟：

S31.判斷預測數據所在的季節，使用三種算法選擇合適的季節模型預測；

S32.得到光伏功率預測結果。