基于相似日选取和分类分时误差修正的光伏功率预测方法与流程

1.本发明属于电力系统运行与控制技术领域，涉及一种基于相似日选取和分类分时误差修正的光伏功率预测方法。


背景技术：

2.经济的快速发展以及人口数量的迅猛增长导致人们对能源的需求逐渐增大，但是目前应用较多的不可再生能源日趋枯竭，能源短缺情况变得日渐严重，这使得太阳能和风能等清洁能源近年来在世界范围内备受关注，并且得到了广泛地开发和应用。
3.因为天气具有很强的不确定性，所以光伏功率具有较强的不稳定性。随着大规模光伏的装机运行，具有高度不确定性的光电输出功率会使得电网运行变得不安全。对光伏功率进行较为精确的预测，可以在有效提高电力系统稳定运行的同时，减少弃光限电造成的经济损失。
4.目前，国内外对光伏功率预测课题的研究越来越广泛，产生了很多种预测光伏功率的方法，包括：简单的持续法预测、高级的机器学习和神经网络方法等；除了改进预测算法外，为了提高预测精度，研究人员也通过选择相似日的方法进行分组预测，来提高预测精度。但是，在目前使用的相似日选择方法中，多是通过分析数值天气预报数据的相似性，来得到相似日的分组，这种方式具有一定的合理性，但是忽略了目标数据(有功功率)的相似性，导致预测精度尚存在提高的空间；同时，现有的各种预测算法对于变化平缓的数据，预测精度都普遍偏高，而对于波动性强的数据，预测精度普遍偏低，为此，有必要对不同相似日预测得到的数据进行分类分时误差分析，得到不同组相似日的不同时间点的误差分布规律，进而对预测功率实现误差进行分类分时修正，从而提高功率的预测精度。


技术实现要素：

5.为了克服上述现有技术的不足，本发明提供了一种基于相似日选取和分类分时误差修正的光伏功率预测方法。该方法利用光伏有功功率数据进行相似日的分类，对各类相似日的数值天气预报数据进行统计分析，得到各相似日日内和日间数值天气预报数据的统计量特征，对各类相似日进行分开训练，得到不同的训练模型和各组相似日不同时间点的预测误差，根据各类相似日的统计量特征，得到新的数值天气预报对应的相似日类型，选择对应的训练模型进行训练，得到初步预测数据，后根据该类型不同时间点的预测误差分布来进行初步预测值分时分类误差修正，从而得到最终的预测值。
6.本发明的目的在于：提供一种基于相似日选取和分类分时误差修正的光伏功率预测方法，进而减小光伏电场短期功率预测误差。
7.为了达到以上目的，本发明采取的技术方案是：
8.一种基于相似日选取和分类分时误差修正的光伏功率预测方法，包括如下步骤：
9.a.将光伏电场历史特征气象数据进行按天分组，得到每日的特征气象数据；
10.将历史有功功率序列进行按天分组，得到每日的有功功率数据；
11.b.求取任意两天有功功率数据间的欧氏距离，得到所有欧氏距离值的范围；
12.利用基于欧氏距离的不确定性阈值划分方法完成对欧氏距离值的范围的初步分段，实现据有功功率数据相似性得到的相似日初步分类；
13.然后，在相似日初步分类下，计算总距离相关系数；
14.改变分段数目，取总距离相关系数下对应的相似日分类，作为最终的相似日分类；
15.c.对各类相似日的特征气象数据进行统计分析，分别得到各类相似日特征气象数据的相似日日内数据特征和相似日日间数据特征；
16.d.将各类相似日的特征气象数据和对应的有功功率数据作为相似日训练样本；对各类相似日的特征气象数据和对应的有功功率数据进行分开训练和预测；并得到每类相似日训练样本在不同时间点的预测误差，实现对相似日训练误差的分类分时统计；
17.e.得到新的一天的特征气象数据后，对特征气象数据进行统计分析，与步骤c得到的各类相似日特征气象数据的相似日日内数据特征和相似日日间数据特征进行差距度对比分析，完成相似日类别归类，利用对应的相应归类的训练模型，实现初步的功率预测；
18.f.根据各相似日内的分时误差统计结果，实现对应相似日预测的分时误差修正，从而得到最终的有功功率预测值。
19.在上述技术方案的基础上，步骤a中所述光伏电场历史特征气象数据和历史有功功率序列的数据频率为15min，每天24h得到96组特征气象数据和有功功率数据。
20.在上述技术方案的基础上，步骤a中所述每日的特征气象数据如式(1)所示，
[0021][0022]
其中，nwfi表示：第i天的96组特征气象数据，db
ij
表示：第i天第j个时间点的短波辐射数据集，qr
ij
表示：第i天第j个时间点的潜热通量数据集，gr
ij
表示：第i天第j个时间点的感热通量数据集，cb
ij
表示：第i天第j个时间点的长波辐射数据集；
[0023]
步骤a中所述每日的有功功率数据如式(2)所示，
[0024][0025]
其中，pi表示：第i天的96个有功功率数据，p
ij
表示第i天第j个时间点的有功功率数据。
[0026]
在上述技术方案的基础上，步骤b所述求取任意两天有功功率数据间的欧氏距离的具体步骤如下：
[0027]
根据有功功率数据，计算得到的欧氏距离公式如式(3)所示，
[0028][0029]
其中，p
mj
表示第m天第j个时间点的有功功率数据，p
nj
表示第n天第j个时间点的有功功率数据，d(p
mj
,p
nj
)表示：利用任意两天的有功功率数据计算得到的欧氏距离；
[0030]
求得任意两天的有功功率数据的欧氏距离后，得到所有欧氏距离值的范围在[0,s]之间；
[0031]
步骤b所述利用基于欧氏距离的不确定性阈值划分方法完成对欧氏距离集合的初步分段的具体步骤如下：
[0032]
首先，计算阈值分界数值ddk，如式(4)所示，
[0033][0034]
其中，k表示：相似日分类数目；
[0035]
其次，计算各相似日分类依据的欧氏距离范围，如式(5)所示，
[0036][0037]
将欧氏距离在[0,d1]，[d1,d2],[d2,d3]，
……
，[d
k-1
,s]的数据归为不同类相似日，其中，d1＝ddks，d2＝2ddks，d3＝3ddks,
……
,d
k-1
＝(k-1)ddks；
[0038]
当k取某一定值时，计算各类相似日日间特征气象数据的距离相关系数dcor(nwfm,nwfn)，如式(6)所示，并计算各类相似日特征气象数据距离相关系数的均值dcor
μ
，如式(7)所示，
[0039]
[0040][0041]
其中，db
mj
表示：第m天第j个时间点的短波辐射数据集，db
nj
表示：第n天第j个时间点的短波辐射数据集，qr
mj
表示：第m天第j个时间点的潜热通量数据集，qr
nj
表示：第n天第j个时间点的潜热通量数据集，gr
mj
表示：第m天第j个时间点的感热通量数据集，gr
nj
表示：第n天第j个时间点的感热通量数据集，cb
mj
表示：第m天第j个时间点的长波辐射数据集；cb
nj
表示：第n天第j个时间点的长波辐射数据集；m表示该类相似日包含的总天数；
[0042]
最后，计算出所有类相似日对应的dcor
μ
，再计算当前分类下，所有dcor
μ
的平均值dcor
μμ
，作为总距离相关系数；
[0043]
更换k的取值，再次计算dcor
μμ
；将dcor
μμ
最小时所对应的k的取值作为最终的相似日分类数目。
[0044]
在上述技术方案的基础上，k的取值范围为[4,10]。
[0045]
在上述技术方案的基础上，当某个有功功率数据与另两个有功功率数据的欧式距离分别在两类相似日距离范围内，则将该有功功率数据同时归入两类相似日内。
[0046]
在上述技术方案的基础上，步骤c所述相似日日内数据特征包括：相似日日内短波辐射值变化范围、相似日日内短波辐射值的均值、相似日日内短波辐射值的变化趋势、相似日日内潜热通量值变化范围、相似日日内潜热通量值的均值、相似日日内潜热通量值的变化趋势、相似日日内感热通量值变化范围、相似日日内感热通量值的均值、相似日日内感热通量值的变化趋势、相似日日内长波辐射值变化范围、相似日日内长波辐射值的均值和相似日日内长波辐射值的变化趋势；
[0047]
所述相似日日内短波辐射值变化范围如式(8)所示，
[0048]
[mindbi,maxdbi]
ꢀꢀꢀ
(8)
[0049]
式(8)表示：在某组相似日内，第i天短波辐射的变化范围；mindbi为：相似日日内短波辐射值的最小值，maxdbi为：相似日日内短波辐射值的最大值；
[0050]
所述相似日日内短波辐射的均值如式(9)所示，
[0051][0052]
式(9)表示：在某组相似日内，第i天短波辐射的均值；
[0053]
所述相似日日内短波辐射的变化趋势如式(10)或式(11)所示，
[0054][0055][0056]
式(11)为式(10)的简记形式；
[0057]
同理，参照上述过程，计算相似日日内潜热通量值变化范围、相似日日内潜热通量
值的均值、相似日日内潜热通量值的变化趋势、相似日日内感热通量值变化范围、相似日日内感热通量值的均值、相似日日内感热通量值的变化趋势、相似日日内长波辐射值变化范围、相似日日内长波辐射值的均值和相似日日内长波辐射值的变化趋势；
[0058]
步骤c所述相似日日间数据特征包括：各类相似日每个时间点的短波辐射变化范围、各类相似日每个时间点的短波辐射变化均值、各类相似日每个时间点的潜热通量变化范围、各类相似日每个时间点的潜热通量变化均值、各类相似日每个时间点的感热通量变化范围、各类相似日每个时间点的感热通量变化均值、各类相似日每个时间点的长波辐射变化范围和各类相似日每个时间点的长波辐射变化均值；
[0059]
假设共有k个相似日分类，其中，a类相似日为：xsa＝[t1,t2,
…
,tm]，其中，包括：m个相似日的短波辐射值数据；则各类相似日每个时间点的短波辐射变化范围为：[mindb
mj
,maxdb
nj
]，[mindb
mj
,maxdb
nj
]表示：在a类相似日内，第j个时间点时，短波辐射的变化范围；mindb
mj
为：在a类相似日内，第j个时间点时短波辐射值的最小值，maxdb
mj
为：在a类相似日内，第j个时间点时短波辐射值的最大值；
[0060]
各类相似日每个时间点的短波辐射变化均值如式(12)所示，
[0061][0062]
式(12)表示：在a类相似日内，第j个时间点，短波辐射的均值；
[0063]
同理，参照上述过程，计算各类相似日每个时间点的潜热通量变化范围、各类相似日每个时间点的潜热通量变化均值、各类相似日每个时间点的感热通量变化范围、各类相似日每个时间点的感热通量变化均值、各类相似日每个时间点的长波辐射变化范围和各类相似日每个时间点的长波辐射变化均值。
[0064]
在上述技术方案的基础上，在所述步骤d中，假设相似日分类数目为k，第p类相似日训练样本的数量为：m
p
，其中1≤p≤k，得到第p类相似日内训练样本内不同时间点的有功功率预测误差集合：ε
p
＝[error1,error2,...,error
mp
]，通过相似日内训练样本的分时误差统计，得到各类相似日内各个时间点的预测误差分布；
[0065]
假定每类相似日内训练样本训练得到的相同时间点的预测误差符合高斯分布，如式(13)所示，
[0066][0067]
其中，ε表示：某类相似日训练样本具体时间的有功功率预测误差集合，μ表示：某类相似日训练样本具体时间有功功率预测误差的均值，σ表示：某类相似日训练样本具体时间的预测误差方差，因相似日共分为k类，故得到的分类分时预测误差分布共96k个。
[0068]
在上述技术方案的基础上，在所述步骤e中，假如得到新的一天的特征气象数据如式(14)所示，
[0069][0070]
其中，表示：第j个时间点的短波辐射值，表示：第j个时间点的潜热通量值，表示：第j个时间点的感热通量值，表示：第j个时间点的长波辐射值；
[0071]
步骤e所述相似日日内数据特征差距度包括：相似日日内短波辐射变化趋势差距度、相似日日内短波辐射变化范围差距度、相似日日内短波辐射均值差距度、相似日日内潜热通量变化趋势差距度、相似日日内潜热通量变化范围差距度、相似日日内潜热通量均值差距度、相似日日内感热通量变化趋势差距度、相似日日内感热通量变化范围差距度、相似日日内感热通量均值差距度、相似日日内长波辐射变化趋势差距度、相似日日内长波辐射变化范围差距度和相似日日内长波辐射均值差距度；
[0072]
参照式(10)，假设新的一天的特征气象数据变化趋势为：以a类相似日包括：m个相似日的短波辐射值数据为例，则相似日日内短波辐射变化趋势差距度如公式(15)所示，
[0073][0074]
其中，i表示：a类相似日内的第i天，表示：a类相似日内的第i天数据中第j个短波辐射变化值，表示：新的一天的特征气象数据中第j个短波辐射变化值，数值越小，表示新的一天的特征气象数据与该类相似日的相似度越高，将作为相似日日内短波辐射变化趋势差距度；
[0075]
参照式(8)，假设新的一天的特征气象数据日内短波辐射变化范围为：[mindb
*
,maxdb
*
]，则相似日日内短波辐射变化范围差距度如公式(16)和(17)所示，
[0076]
[db
ilow
,db
iup
]＝[mindbi,maxdbi]∩[mindb*,maxdb*]
ꢀꢀꢀ
(16)
[0077][0078]
其中，[db
ilow
,db
iup
]表示：新的一天的特征气象数据日内短波辐射变化范围与某相似日第i天短波辐射变化范围的交集，变化范围差距度ζ表示：a类中所有相似日短波辐射变化范围与新的一天的特征气象数据日内短波辐射变化范围的重合比例之和，此数值越小，表示新的一天的特征气象数据与该类相似日的相似度越高，将ζ作为相似日日内短波辐射变化范围差距度；
[0079]
参照式(9)，假设新的一天的特征气象数据日内短波辐射的均值为：μ*，则相似日日内均值差距度如式(18)所示，
[0080][0081]
η值越小，表示该日短波辐射的均值与该类相似日内短波辐射的均值的相似度越高，作为相似日日内均值差距度；
[0082]
同理，参照上述过程，计算相似日日内潜热通量变化趋势差距度、相似日日内潜热通量变化范围差距度、相似日日内潜热通量均值差距度、相似日日内感热通量变化趋势差距度、相似日日内感热通量变化范围差距度、相似日日内感热通量均值差距度、相似日日内长波辐射变化趋势差距度、相似日日内长波辐射变化范围差距度和相似日日内长波辐射均值差距度。
[0083]
在上述技术方案的基础上，步骤e所述相似日日间数据特征差距度包括：各类相似日每个时间点的短波辐射变化范围相似度、各类相似日每个时间点短波辐射均值相似度、各类相似日每个时间点的潜热通量变化范围相似度、各类相似日每个时间点潜热通量均值相似度、各类相似日每个时间点的感热通量变化范围相似度、各类相似日每个时间点感热通量均值相似度、各类相似日每个时间点的长波辐射变化范围相似度和各类相似日每个时间点长波辐射均值相似度；
[0084]
所述各类相似日每个时间点的短波辐射变化范围相似度的计算步骤如下：
[0085]
计算新的一天的特征气象数据中短波辐射每个时间点位于相似日各时间点短波辐射变化范围内的时间点个数，如式(19)和式(20)所示，
[0086][0087][0088]
则λ
∑
表示：新的一天的特征气象数据中短波辐射值在某类相似日内96个时间点短波辐射变化范围内的点数之和，称为：各类相似日每个时间点的短波辐射变化范围相似度，λ
∑
越大，表示新的一天的短波辐射变化范围与该相似日短波辐射变化范围的相似性越高，作为该类相似日每个时间点的短波辐射变化范围相似度；
[0089]
所述各类相似日每个时间点短波辐射均值相似度的计算步骤如下：
[0090]
计算新的一天的特征气象数据中短波辐射每个时间点与相似日每个时间点短波辐射均值差的平方和，如式(21)所示，
[0091][0092]
其中，μ
dbj
表示：某类相似日内，第j个时间点短波辐射的均值；表示：新的一天的特征气象数据中短波辐射第j个时间点的短波辐射值；ξ2值越小表示：新的一天的短波辐射的均值与该相似日短波辐射的均值的相似性越强，作为该类相似日每个时间点短波辐射
均值相似度；
[0093]
同理，参照上述过程，计算各类相似日每个时间点的潜热通量变化范围相似度、各类相似日每个时间点潜热通量均值相似度、各类相似日每个时间点的感热通量变化范围相似度、各类相似日每个时间点感热通量均值相似度、各类相似日每个时间点的长波辐射变化范围相似度和各类相似日每个时间点长波辐射均值相似度；
[0094]
新的一天的短波辐射数据与各类相似日的短波辐射差距度表示为式(22)，
[0095][0096]
其中，a表示：第a类相似日，越小，表示新的一天的短波辐射数据与第a类相似日的短波辐射相似性越大；ηa表示：新的一天的短波辐射的均值与a类相似日内的短波辐射的均值差距度，ηa参照式(18)计算；表示：新的一天的短波辐射的均值与a类相似日每个时间点短波辐射均值的相似度，参照式(21)计算；λ
∑a
表示：a类相似日每个时间点的短波辐射变化范围相似度；
[0097]
同理，参照上述过程，计算新的一天的特征气象数据与各类相似日的潜热通量差距度新的一天的特征气象数据与各类相似日的感热通量差距度和新的一天的特征气象数据与各类相似日的长波辐射差距度
[0098]
新的一天的特征气象数据与a类相似日的总差距度如式(23)所示，
[0099][0100]
参照式(23)计算新的一天的特征气象数据与所有类相似日的总差距度，如果新的一天的特征气象数据与某类相似日的总差距度最小，则将新的一天的特征气象数据归为该类相似日。
[0101]
在上述技术方案的基础上，根据步骤d生成的每类相似日不同时间点有功功率预测误差，采用蒙特卡罗模型生成比例与对应相似日不同时间点的预测误差分布相近的修正数组，对初步的功率预测，进行分时分类误差修正；
[0102]
分时分类误差修正公式如式(24)所示，
[0103]
p＝f
yc
(db,qr,gr,cb) mt(f
wc
(ε,μ,σ))
ꢀꢀꢀꢀꢀ
(24)
[0104]
其中，p表示：经过分时分类误差修正后的最终的有功功率预测值，f
yc
(db,qr,gr,cb)表示：利用短波辐射db、潜热通量qr、感热通量gr和长波辐射cb进行的初步的功率预测，mt(f
wc
(ε,μ,σ))表示：利用对应相似日的不同时间点的预测误差分布进行蒙特卡罗模型的误差拟合结果。
[0105]
本发明的有益技术效果如下：
[0106]
本发明所述方法利用功率间的相似性实现了相似日的分类，相比于利用数值天气预报数据实现相似日的分类更为直观，并且针对不同的相似日进行分别预测，得到不同相似日的预测误差实现误差修正，有利于提高模型的预测精度。
附图说明
[0107]
本发明有如下附图：
[0108]
图1为本发明基于相似日选取和分类分时误差修正的光伏功率预测方法的流程示意图。
具体实施方式
[0109]
下面结合附图对本发明做进一步说明。
[0110]
如图1所示为：基于相似日选取和分类分时误差修正的光伏功率预测方法的流程示意图，具体包括：
[0111]
步骤a.将光伏电场历史特征气象数据和历史有功功率序列进行按天分组，分别得到每日的特征气象数据和有功功率数据。
[0112]
光伏电场历史数值天气预报数据(即光伏电场历史特征气象数据)和历史有功功率序列的数据频率为15min，即每天24h可以得到96组数值天气预报数据(即特征气象数据)和有功功率数据。由相关性关系已知，有功功率数据和短波辐射值、潜热通量值、感热通量值和长波辐射值的相关性最强，因此为了减少训练模型的训练数据，减少训练时间，选取参与模型训练的数值天气预报数据为短波辐射值、潜热通量值、感热通量值和长波辐射值。
[0113]
a1.得到每组数值天气预报数据(即每日的特征气象数据)，可以表示为如下形式：
[0114][0115]
其中，nwfi表示：第i天的数值天气预报数据，db
ij
表示：第i天第j个时间点的短波辐射数据集，qr
ij
表示：第i天第j个时间点的潜热通量数据集，gr
ij
表示：第i天第j个时间点的感热通量数据集，cb
ij
表示：第i天第j个时间点的长波辐射数据集。
[0116]
a2.得到每日的有功功率，可以表示成如下形式：
[0117][0118]
与数值天气预报数据的表示方法类似，其中，pi表示：第i天的有功功率数据，p
ij
表示第i天第j个时间点的有功功率数据(即光伏有功功率数据)。
[0119]
步骤b.求取任意两天光伏功率数据(即有功功率数据)间的欧氏距离，得到所有欧
氏距离值的范围；
[0120]
利用基于欧氏距离的不确定性阈值划分方法完成对欧氏距离值的范围(又称为：欧氏距离集合)的初步分段，实现据有功功率数据相似性得到的相似日初步分类；
[0121]
然后，在相似日初步分类下，计算总距离相关系数；
[0122]
改变分段数目，取总距离相关系数下对应的相似日分类，作为最终的相似日分类。
[0123]
b1.求取任意两天光伏功率数据间的欧氏距离：
[0124]
根据有功功率数据，计算得到的欧氏距离公式如下式所示：
[0125][0126]
其中，p
mj
表示第m天第j个时间点的有功功率数据，p
nj
表示第n天第j个时间点的有功功率数据，d(p
mj
,p
nj
)表示：利用任意两天的有功功率数据计算得到的欧氏距离。
[0127]
求得任意两天的有功功率数据的欧氏距离后，得到所有欧氏距离值的范围在[0,s]之间。
[0128]
b2.依据基于欧氏距离的不确定性阈值划分方法实现相似日类别的划分：
[0129]
因为光伏发电功率与天气类型具有很强的相关关系，又因为日常的天气类型可以分为：晴天、阴天、阵雨天和全雨天等天气类型，因此可为了根据各种天气类型的气象区别，实现相似的分类，提出基于欧氏距离的不确定性阈值划分方法。
[0130]
基于欧氏距离的不确定性阈值划分方法是一种利用相似日数值天气预报数据的距离相关系数统计量进行阈值寻优的方法。
[0131]
基于欧氏距离的不确定性阈值划分方法具体如下：
[0132]
首先，计算阈值分界数值ddk：
[0133][0134]
其中，k表示：相似日分类数目，因为常见的天气类型有四种：晴天、阴天、阵雨天和全雨天，又因为相似日分类太多，会导致计算复杂，因此，k的取值范围为[4,10]。
[0135]
其次，计算各相似日分类依据的欧氏距离范围，如式(5)所示，
[0136][0137]
当k取某一定值时，计算各类相似日日间特征气象数据的距离相关系数dcor(nwfm,nwfn)，如式(6)所示，并计算各类相似日特征气象数据距离相关系数的均值dcor
μ
，如式(7)所示。
[0138][0139][0140]
其中，db
mj
表示：第m天第j个时间点的短波辐射数据集，db
nj
表示：第n天第j个时间点的短波辐射数据集，qr
mj
表示：第m天第j个时间点的潜热通量数据集，qr
nj
表示：第n天第j个时间点的潜热通量数据集，gr
mj
表示：第m天第j个时间点的感热通量数据集，gr
nj
表示：第n天第j个时间点的感热通量数据集，cb
mj
表示：第m天第j个时间点的长波辐射数据集；cb
nj
表示：第n天第j个时间点的长波辐射数据集；m表示该类相似日包含的总天数。各类相似日日间特征气象数据的距离相关系数dcor(nwfm,nwfn)，利用相似日日内的短波辐射值、潜热通量值、感热通量值和长波辐射值结合式(3)欧氏距离计算公式，除以平方数据总次数得到，如式(6)所示。
[0141]
计算出所有类相似日对应的dcor
μ
，再计算当前分类下，所有dcor
μ
的平均值dcor
μμ
，作为总距离相关系数。
[0142]
更换k的取值，再次计算dcor
μμ
；将dcor
μμ
最小时所对应的k的取值作为最终的相似日分类数目。
[0143]
从而将欧氏距离在[0,d1]，[d1,d2],[d2,d3]，
……
，[d
k-1
,s]的数据归为不同类相似日，其中d1＝ddks，d2＝2ddks，d3＝3ddks,
……
,d
k-1
＝(k-1)ddks。对于某种特殊情况，当某个有功功率数据与另两个有功功率数据的欧式距离分别在两类相似日距离范围内，则将该有功功率数据同时归入两类相似日内。例如：p
1j
、p
2j
、p
3j
三天的有功功率数据，满足d(p
1j
,p
2j
)∈[0,d1]、d(p
2j
,p
3j
)∈[d1,d2]、则将p
2j
放在p
1j
、p
3j
所在相似日类内进行分别训练，因为，此种训练方法与训练样本的时间顺序无关，只与训练样本与预测样本间的相似程度有关，因此一组数据是否重复训练或乱序训练对模型训练结果没有影响。
[0144]
步骤c.对各类相似日的特征气象数据进行统计分析，分别得到各类相似日特征气象预报数据的相似日日内数据特征和相似日日间数据特征。
[0145]
统计各类相似日日内数据特征，包括：短波辐射值、潜热通量值、感热通量值和长波辐射值的变化范围、均值和变化趋势，统计各类相似日日间数据特征，包括：每个时间点的短波辐射值、潜热通量值、感热通量值和长波辐射值的变化范围及均值。以短波辐射值举例如下：
[0146]
c1.相似日日内数值天气预报数据统计：
[0147]
(1)相似日日内短波辐射值变化范围：
[0148]
[mindbi,maxdbi]
ꢀꢀꢀ
(8)
[0149]
表示：在某组相似日内，第i天短波辐射的变化范围；mindbi为：相似日日内短波辐射值的最小值，maxdbi为：相似日日内短波辐射值的最大值。
[0150]
(2)相似日日内短波辐射的均值：
[0151][0152]
表示：在某组相似日内，第i天短波辐射的均值。
[0153]
(3)相似日日内短波辐射的变化趋势如式(10)所示：
[0154][0155][0156]
c2.相似日日间数值天气预报数据统计：
[0157]
(1)各类相似日内每个时间点的短波辐射变化范围：
[0158]
假设共有k个相似日分类，其中，a类相似日为：xsa＝[t1,t2,
…
,tm]，其中，包括：m个相似日的短波辐射值数据；则各组相似日每个时间点的短波辐射变化范围为：[mindb
mj
,maxdb
nj
]，表示：在a类相似日内，第j个时间点时，短波辐射的变化范围；mindb
mj
为：在a类相似日内，第j个时间点时短波辐射值的最小值，maxdb
mj
为：在a类相似日内，第j个时间点时短波辐射值的最大值。
[0159]
(2)各类相似日内每个时间点的短波辐射变化均值如下式所示：
[0160][0161]
表示：在a类相似日内，第j个时间点，短波辐射的均值。
[0162]
同理，参照上述过程，计算各类相似日每个时间点的潜热通量变化范围、各类相似日每个时间点的潜热通量变化均值、各类相似日每个时间点的感热通量变化范围、各类相似日每个时间点的感热通量变化均值、各类相似日每个时间点的长波辐射变化范围和各类相似日每个时间点的长波辐射变化均值。
[0163]
步骤d.将各类相似日的特征气象数据和对应的有功功率数据作为相似日训练样本；对各类相似日的特征气象数据和对应的有功功率数据进行分开训练和预测；并得到每类相似日训练样本在不同时间点的预测误差，实现对相似日训练误差的分类分时统计。
[0164]
对各类相似日的特征气象数据和对应的有功功率数据选取一定比例的训练集和测试集，在对每类相似日训练样本数据进行训练的基础上，得到各类相似日训练样本预测的误差。
[0165]
假设相似日分类数目为k，第p类相似日训练样本的数量为：m
p
，其中1≤p≤k，得到
第p类相似日训练样本的有功功率误差集合为：εk＝[ε1,ε2,
…
,ε
96
]；其中，又可以得到第p类相似日内训练样本不同时间点的有功功率预测误差集合：ε
p
＝[error1,error2,...,error
mp
]，对相似日内训练样本不同时间点的预测误差集合进行统计，定义为：分时误差统计。通过相似日内训练样本的分时误差统计，得到各类相似日内各个时间点的预测误差分布。在此，假定每类相似日内训练样本训练得到的相同时间点的预测误差符合高斯分布(正态分布)，其表达形式如下式所示：
[0166][0167]
其中，ε表示：某类相似日训练样本具体时间的有功功率预测误差集合，μ表示：某类相似日训练样本具体时间预测误差的均值，σ表示：某类相似日训练样本具体时间的有功功率预测误差方差，因相似日共分为k类，故得到的分类分时预测误差分布共96k个。
[0168]
步骤e.得到新的一天的特征气象数据后，对特征气象数据进行统计分析，与步骤c得到的各类相似日天气预报数据(即特征气象数据)的相似日日内数据特征和相似日日间数据特征进行差距度对比分析，完成相似日类别归类，利用对应相应归类的训练模型，实现初步的功率预测。
[0169]
在得到某天的数值天气预报(即特征气象数据)后，分析该天的短波辐射值、潜热通量值、感热通量值和长波辐射值与哪类相似日的统计数据更为相似，则将该日数据输入到该类相似日对应的训练模型中，得到初步预测值。假如得到待预测日(即新的一天)的特征气象数据表示为如下形式：
[0170][0171]
其中，表示：第j个时间点的短波辐射值，表示：第j个时间点的潜热通量值，表示：第j个时间点的感热通量值，表示：第j个时间点的长波辐射值；
[0172]
e1.相似日日内差距度分析：
[0173]
(1)相似日日内变化趋势差距度指标：
[0174]
以数值天气预报中的短波辐射为例，参照式(10)，假设新的一天的数值天气预报(即特征气象数据)变化趋势为：求该日数值天气预报变化趋势与各类相似日日内数值天气预报变化趋势值差的平方和，得到新的一天的数值天气预报与各类相似日的差距度，以a类相似日包括：m个相似日的短波辐射值数据为例，计算公式如下所示：
[0175][0176]
其中，i表示：a类相似日内的第i天，表示：a类相似日内的第i天数据中第j个短波辐射变化值，表示：新的一天的特征气象数据中第j个短波辐射变化值，数值越小，表示新的一天的数值预报天气数据与该类相似日的相似度越高，将作为相似日日内短波辐射变化趋势差距度。
[0177]
(2)相似日日内变化范围差距度指标：
[0178]
以数值天气预报中的短波辐射为例，参照式(8)，新的一天的数值天气预报日内短波辐射变化为：[mindb
*
,maxdb
*
]，求该日短波辐射范围与各类相似日各日变化范围的交集，并求得交集占原相似日范围的比重，作和计算变化范围差距度，计算方法如下所示：
[0179]
[db
ilow
,db
iup
]＝[mindbi,maxdbi]∩[mindb*,maxdb*]
ꢀꢀꢀ
(16)
[0180][0181]
[db
ilow
,db
iup
]表示：新的一天的数值天气预报日内短波辐射变化范围与某相似日第i天短波辐射变化范围的交集，变化范围差距度ζ表示：a类中所有相似日短波辐射变化范围与新的一天的特征气象数据日内短波辐射变化范围的重合比例之和，此数值越小，表示新的一天的数值天气预报数据与该类相似日的相似度越高，将ζ作为相似日日内短波辐射变化范围差距度。
[0182]
(3)相似日日内均值差距度指标：
[0183]
以数值天气预报中的短波辐射为例，参照式(9)，计算新的一天的数值天气预报的短波辐射均值μ*，与某类相似日各日短波辐射均值求差的平方和，得到新一天数值天气预报与相似日数值天气预报均值差距度,计算公式如下：
[0184][0185]
η值越小，表示该日短波辐射的均值与该类相似日内短波辐射的均值的相似度越高，作为相似日日内均值差距度。
[0186]
同理，参照上述过程，计算相似日日内潜热通量变化趋势差距度、相似日日内潜热通量变化范围差距度、相似日日内潜热通量均值差距度、相似日日内感热通量变化趋势差距度、相似日日内感热通量变化范围差距度、相似日日内感热通量均值差距度、相似日日内长波辐射变化趋势差距度、相似日日内长波辐射变化范围差距度和相似日日内长波辐射均值差距度。
[0187]
e2.相似日日间时间点相似度分析：
[0188]
(1)各类相似日每个时间点的短波辐射变化范围相似度指标：
[0189]
以数值天气预报中短波辐射为例，计算新的一天的数值天气预报中短波辐射每个时间点位于相似日各时间点范围内的时间点个数，计算公式如下：
[0190][0191][0192]
λ
∑
表示：新的一天的数值天气预报中短波辐射值在某组相似日内96个时间点短波辐射范围内的点数之和。λ
∑
越大，表示新的一天的短波辐射变化范围与该相似日短波辐射变化范围的相似性越高，作为该类相似日每个时间点的短波辐射变化范围相似度。
[0193]
(2)各类相似日每个时间点短波辐射均值相似度指标：
[0194]
以数值天气预报中短波辐射为例，计算新的一天的数值天气预报中短波辐射每个时间点的短波辐射值与相似日每个时间点短波辐射均值差的平方和，计算公式如下：
[0195][0196]
其中，μ
dbj
表示：某类相似日内，第j个时间点短波辐射的均值；表示：新的一天的数值天气预报中短波辐射第j个时间点的短波辐射值。ξ2值越小表示：新的一天的短波辐射的均值与该相似日短波辐射的均值的相似性越强，作为该类相似日每个时间点短波辐射均值相似度。
[0197]
同理，参照上述过程，计算各类相似日每个时间点的潜热通量变化范围相似度、各类相似日每个时间点潜热通量均值相似度、各类相似日每个时间点的感热通量变化范围相似度、各类相似日每个时间点感热通量均值相似度、各类相似日每个时间点的长波辐射变化范围相似度和各类相似日每个时间点长波辐射均值相似度。
[0198]
(3)待预测日与各相似日的差距度指标：
[0199]
由上述分析可知，χ2、ζ、η、ξ2均是值越小，与相似日的相似度越大，而λ
∑
是值越大，相似性越强，因此将λ
∑
转变表达形式，1/λ
∑
越小，相似度越大。
[0200]
则可得到新的一天的短波辐射数据与各类相似日的短波辐射差距度表示为：
[0201][0202]
其中，a表示：第a类相似日,据分析可知，越小，表示新的一天的短波辐射数据与第a类相似日短波辐射的相似性越大。ηa表示：新的一天的短波辐射的均值与a类相似日内的短波辐射的均值差距度，ηa参照式(18)计算；表示：新的一天的短波辐射的均值与a类相似日每个时间点短波辐射均值的相似度，参照式(21)计算；λ
∑a
表示：a类相似日每个时间点的短波辐射变化范围相似度。
[0203]
同理，参照上述过程，计算新的一天的特征气象数据与各类相似日的潜热通量差距度、新的一天的特征气象数据与各类相似日的感热通量差距度和新的一天的特征气象数据与各类相似日的长波辐射差距度。
[0204]
新的一天的特征气象数据与a类相似日的总差距度如式(23)所示，
[0205][0206]
参照式(23)计算新的一天的特征气象数据与所有类相似日的总差距度，如果新的一天的特征气象数据与某类相似日的总差距度最小，则将新的一天的特征气象数据归为该类相似日。
[0207]
步骤f.根据各相似日内的分时误差统计结果，实现对应相似日预测的分时误差修正，从而得到最终的有功功率预测值。
[0208]
根据步骤d生成的每类相似日不同时间点有功功率预测误差，采用蒙特卡罗模型生成比例与对应相似日不同时间点的预测误差分布相近的修正数组，对初步的功率预测，进行分时分类误差修正，得到最终的有功功率预测值。
[0209]
分时分类误差修正公式如下：
[0210]
p＝f
yc
(db,qr,gr,cb) mt(f
wc
(ε,μ,σ))
ꢀꢀꢀꢀꢀ
(24)
[0211]
其中，p表示：经过分时分类误差修正后的最终光伏功率预测数据大小，f
yc
(db,qr,gr,cb)表示：利用短波辐射db、潜热通量qr、感热通量gr和长波辐射cb进行光伏功率预测的初步预测结果，mt(f
wc
(ε,μ,σ))表示：利用对应相似日不同时间点的预测误差分布进行蒙特卡罗模型的误差拟合结果。
[0212]
至此，即实现了本专利所提的基于相似日选取和分类分时误差修正的光伏功率预测。
[0213]
以上所述，仅是本发明的较佳实例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或装饰，均落在本发明的保护范围内。
[0214]
本说明书中未做详细描述的内容属于本领域专业技术人员公知的现有技术。