[發明專利]基于灰色關聯度的變權重組合光伏出力預測方法

在審

• 申請號: 202010639158.9
• 申請日: 2020-07-06
• 公開（公告）號: CN111798055A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 張興友;張元鵬;李俊恩;袁帥;張用;于芃;魏大鈞;李廣磊;王士柏;滕瑋;程艷;孫樹敏;史潔;程新功
• 申請（專利權）人: 國網山東省電力公司電力科學研究院;國網山東省電力公司;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06T7/90;G06Q50/06
• 代理公司: 北京智繪未來專利代理事務所(普通合伙) 11689
• 代理人: 肖繼軍

1.基于灰色關聯度的變權重組合光伏出力預測方法，其特征在于，包括以下步驟：

步驟1、在設定時間跨度內以設定的時間間隔采集歷史數據；

步驟2、使用步驟1采集的歷史數據，選取兩種單一模型，并通過單一模型對光伏出力進行獨立預測，將單一模型獨立預測數據作為預測序列，將歷史實測數據作為參考序列；

步驟3、采用均值化方法對步驟2生成的預測序列與參考序列均值化處理；

步驟4、利用灰色關聯度法，計算經步驟3均值化處理后的單一模型預測序列與參考序列之間灰色關聯度以及相應的權重；

步驟5、將訓練時段中單一模型預測序列和權重比構成矩陣作為神經網絡輸入的訓練樣本和目標，將測試時段中單一模型的預測序列作為測試樣本，經過神經網絡訓練可得出測試時段中兩個獨立模型與歷史實測值之間的權重比，最終確定預測時段權重矩陣；

步驟6、將所得預測時段權重矩陣用于灰色關聯度理論組合預測；

步驟7、利用平均絕對百分比誤差和均方根誤差兩種預測誤差來評價單一模型以及組合預測模型的精度。

2.根據權利要求1所述的基于灰色關聯度的變權重組合光伏出力預測方法，其特征在于：

在所述步驟1中，歷史數據包括：光伏功率數據、溫度和太陽輻射度數據。

3.根據權利要求1所述的基于灰色關聯度的變權重組合光伏出力預測方法，其特征在于：

在所述步驟2中，單一預測模型選取LSSVM模型、RBFNN模型或BPNN模型；

其中，LSSVM模型是指最小二乘支持向量機模型，RBFNN模型是指徑向基神經網絡模型，BPNN模型是指反向傳播神經網絡模型。

4.根據權利要求3所述的基于灰色關聯度的變權重組合光伏出力預測方法，其特征在于：

兩種單一預測模型為LSSVM模型和RBFNN模型。

5.根據權利要求4所述的基于灰色關聯度的變權重組合光伏出力預測方法，其特征在于：

單一預測模型工作，LSSVM模型輸出預測序列記為X₁＝{x₁(k)}_k＝1,2...,n和RBFNN模型輸出預測序列記為X₂＝{x₂(k)}_k＝1,2...,n，歷史實測序列作為參考序列記為X₀＝{x₀(k)}_k＝1,2...,n，其中k表示序列中的第k個數據，即序列中按照時間順序排列的數據的歷史時刻，并且數據樣本數目為n。

6.根據權利要求5所述的基于灰色關聯度的變權重組合光伏出力預測方法，其特征在于：

將預測序列與歷史實測序列數據均值化處理，

LSSVM模型輸出功率預測序列數據的均值化處理為

其中，x₁(k)為LSSVM模型輸出功率預測序列中數值，n為數據樣本數目，x_E1(k)為LSSVM模型輸出功率預測序列均值化轉換之后的數值；

所述RBFNN模型輸出功率預測序列數據的均值化處理為

其中，x₂(k)為RBFNN模型輸出功率預測序列中數值，n為數據樣本數目，x_E2(k)為RBFNN模型輸出功率預測序列均值化轉換之后的數值；

歷史實測值序列數據的均值化處理為

其中，x₀(k)為歷史實測序列中歷史功率實測值，n為數據樣本數目，x_E0(k)為歷史實測值序列均值化轉換之后的數值。