一种基于改进相似时刻法的分布式光伏功率短期预测方法

1.本发明涉及一种基于改进相似时刻法的分布式光伏功率短期预测方法。


背景技术：

2.世界能源以及环境形势的日益紧张带来电力供需矛盾突出等问题，因而传统能源的开发利用受到更多局限。近几年随着我国新能源场站的大规模建设，分布式电源并网规模越来越大，为实现对电网的精确调度，电力部门一方面需要实时掌握新能源场站的出力数据，另一方面也需要对其发电功率进行预测。
3.分布式光伏电站通常是指利用分散式资源，装机规模较小的、布置在用户区附近的发电系统。光伏出力除了与辐照度密切相关外，还受天气短期的变化如云量和降水等因素的影响，具有较强的间歇性和随机性，这对电力系统规划和供电质量有很大的影响，而且这种影响将随着光伏并网容量增加而越发凸显。因此面对高比例的分布式光伏接入电网，精确预测分布式光伏的短期发电功率对电网运行调度具有重大的意义。
4.对于光伏发电输出功率的预测,目前的预测类型可分成：直接预测和间接预测两类。前者先估测温度、辐射度等环境因素,然后将其作为模型的输入量并结合一定的算法估测光伏发电输出功率。后者则是直接使用历史光伏出力数据作为预测模型的输入，优点是成本相对较低,不需要预先安装大量设备开展环境监测,但其不足之处在于需要大量的历史数据来作为支撑。因此，当前采用相似日法进行数据预处理在短期预测领域成为一种相对简便且可行有效的方法。该类方法利用气象特征筛选相似日作为模型输入进行预测，大大减少了所需的历史数据量。现有的相似日法多为研究历史样本日与待测日的整体相似,即选取当日部分数据计算影响因素最值、均值、方差等，利用各值加权后所得参数作为表示历史日整体情况的特征值，并未细化分析不同类型因素在历史日不同时刻对出力情况的影响程度差异，难以提高预测的针对性及精确度。
5.相似时刻预测方法通过对历史日有效出力时刻气象因素及光伏功率输出值进行分析，针对性研究不同时段出力情况差异，主要用于短期预测领域。当前的相似时刻法主要针对两类分布式光伏电站建立预测模型：
①
历史数据较少的新建电站常采用多种方法综合分析，即根据光伏出力波动程度选择直接使用历史数据作为预测值或利用人工智能算法进行预测
②
历史数据较多的常规电站对大量影响因素及出力数据进行筛选，然后输入模型进行预测。前者未剔除异质数据使得大量冗余信息输入模型中，导致模型训练时间长、准确性和适应性较差等问题。后者对数据进行相关性分析缩减维度改善了预测效果，但在相似性分析中未对各气象因素的权重进行确定。2种情况均是将各类气象因素及光伏出力值作为主要影响因素输入模型，缺乏凝练的筛选指标导致筛选针对性不强，相似时刻数量不足或相关度较弱，从而影响预测精度。


技术实现要素：

6.本发明的目的在于提供一种基于改进相似时刻法的分布式光伏功率短期预测方
法，(1)利用气象、负荷、时间三个维度因子中各类影响因素的相关度参数和简单相关系数线性加权得出历史有效出力时刻的综合影响相关度，为影响因素的权重确定提供新的思路，为相似时刻的选取提供凝练的筛选指标。
7.为实现上述目的，本发明的技术方案是：一种基于改进相似时刻法的分布式光伏功率短期预测方法，包括如下步骤：
8.(1)初始化设置的综合影响相关度极限值gm和相似时刻的最小数量nm；
9.(2)计算待预测样本中各时刻与相似日样本中各时刻的综合影响相关度；
10.(3)根据计算所得综合影响相关度满足的大小关系确定相似时刻数量；
11.(4)根据得到的相似时刻数量分别利用加权法和外推法进行预测，进而通过求取二者平均值获得预测结果；
12.(5)将实际值与历史日样本各有效出力时刻的预测值进行比较并计算二者的相对误差平方和；
13.(6)判断相对误差平方和是否取得最小值：若是，则获得待测日时刻j的光伏功率预测值；若不是，则改变初值重新计算。
14.在本发明一实施例中，步骤(2)具体实现如下：
15.(2.1)数据的获取及预处理
16.1)借助模糊排序法，利用历史时刻光伏出力平均值占全天有效出力的比例作为权值折算光伏出力情况，直接将其作为时间因子的量化数据；利用m个历史日样本中时刻j光伏功率平均值来整体衡量时刻j在全天11个时刻中的占比，根据式(1)计算该占比zj：
[0017][0018]
式中：m
ij
表示第i个历史日样本中时刻j的光伏功率；
[0019]
2)对时刻j的m个历史样本按功率大小进行排序，当光伏功率取最大值时赋予zj权值为m，取得第二大值时，赋权值为m-1，以此类推，当某时刻光伏功率取得最小值时，赋予zj权值为1；并以此获得时间因子的量化数据n
ij
：
[0020]nij
＝h
ij
zjꢀꢀ
(2)
[0021]
式中：中间变量h
ij
表示赋予赋予各待测时刻的权值；
[0022]
3)特征符号定义
[0023]
定义s
ij
,t
ij
,d
ij
,h
ij
,w
ij
,g
ij
,p
ij
,n
ij
为待测日前第i(i＝0表示待测日)天j时刻的环境气压、环境气温、风力等级、总辐照度、散射辐照度、传感器工作温度、平均电流、时间因子8种影响因素，m为历史日数量；
[0024]
4)数据归一化
[0025]
将不同量纲数据的度量尺度限定在预定范围内，根据式(3)计算得到8个特征矩阵f(u
ij
)：
[0026][0027]
式中：u＝s,t,d,h,w,g,p,n；c为常数；u
ij
为影响因素类型；
[0028]
(2.2)影响因素的筛选
[0029]
分别计算m个历史样本中环境气压、环境气温、风力等级、总辐照度、散射辐照度、
传感器工作温度、平均电流、时间因子8种功率影响因素的日平均值作为自变量，将对应历史样本日中的光伏输出功率日平均值作为因变量；
[0030]
分别根据基于通径分析方法计算得出各影响因素的简单相关系数；以简单相关系数的绝对值0.2作为阈值，筛选大于该阈值的数据作为主要影响因素；经筛选后留下的7种影响因素分别为：环境气压、环境气温、总辐照度、散射辐照度、传感器工作温度、平均电流、时间因子。
[0031]
(2.3)相关度的计算
[0032]
1)根据时间“近大远小”原则衡量相关程度，即：距离待预测日远则相关性小，反之则大；根据式(4)利用时间距离线性刻画时间相关度bi：
[0033][0034]
式中：i表示待预测日前第i天，bi表示第i天时间相关度；
[0035]
2)用任意两个时刻平均电流的差值大小来衡量两时刻出力情况相关程度，差值越大则相关性越小，反之亦然；根据式(5)计算待预测日前第i天与待预测日相同时刻j的平均电流相关度d
ij
：
[0036][0037]
3)利用topsis方法定义最优气象因素ty和最差气象因素tc，根据式(6)、(7)计算两类基准气象因素：
[0038][0039][0040]
式中：t
y1
—t
y5
和t
c1
—t
c5
分别为光伏功率与气象因子的5种影响因素，即环境气压、环境气温、总辐照度、散射辐照度、传感器工作温度的最优距离和最差距离；
[0041]
4)通过简单相关系数作为权重优化topsis法，根据式(8)、(9)计算正向距离m
zij
和反向距离m
fij
：
[0042][0043]
式中：r1—r5分别为环境气压、环境气温、总辐照度、散射辐照度、传感器工作温度的简单相关系数；
[0044][0045]
根据式(10)计算得到各时刻气象特征与最优气象特征的接近程度m
cij
；
[0046][0047]
式中：0≤m
cij
≤1，正向距离m
zij
越小，m
cij
越大，越接近最优气象因素；
[0048]
5)根据式(11)计算得相似日样本与待预测日各时刻的综合气象相关度g
ij
：
[0049][0050]
(2.4)综合影响相关度的计算
[0051]
利用简单相关系数进行加权，结合气象、负荷、时间三维度因子各类影响因素的相关度，根据式(12)计算得出综合影响相关度g
ij
：
[0052][0053]
式中：rb、rd分别表示时间因子和负荷因子的简单相关系数。
[0054]
在本发明一实施例中，步骤(2.2)中，基于通径分析方法计算得出各影响因素的简单相关系数的具体实现方式如下：
[0055]
(2.2.1)直接通径系数的计算方法
[0056]
xa与y则分别代表自变量和因变量，均包含m组数据；根据式(13)计算得到xa与y的直接通径关系r
1,a
：
[0057][0058]
式中：x
a,t
为第a种影响因素的第t个样本值；y
t
为y的第t个样本值；ba为偏回归系数；m为选取的历史日数量；
[0059]
(2.2.2)间接通径系数的计算方法
[0060]
首先根据式(14)计算任意两个自变量xa与x
a 1
之间的相关系数r
2a,a 1
：
[0061][0062]
根据式(15)计算xa通过x
a 1
对y的间接通径系数r
2a,a 1
：
[0063]r2a,a 1
＝r
a,a 1r1,a 1
ꢀꢀ
(15)
[0064]
(2.2.3)简单相关系数的计算方法
[0065]
结合(2.1)、(2.2)两类通径系数的特征，综合衡量影响因素本身对预测结果的影响及该影响因素通过其他类型因素对预测结果的影响，根据式(16)计算xa与y的简单相关系数ra：
[0066]
ra＝r
1,a
∑
o≠ar2a,o
ꢀꢀ
(16)
[0067]
式中：r
2a,o
为第a种影响因素关于除a以外的第o种影响因素的间接通径系数。
[0068]
相较于现有技术，本发明具有以下有益效果：
[0069]
(1)本发明提出一种基于改进相似时刻法的分布式光伏功率短期预测方法，利用气象、负荷、时间三个维度因子中各类影响因素的相关度参数和简单相关系数线性加权得出历史有效出力时刻的综合影响相关度，为影响因素的权重确定提供新的思路，为相似时刻的选取提供凝练的筛选指标。
[0070]
(2)本发明构建一种基于改进相似时刻法的预测模型，为分布式光伏电站的光伏功率短期预测问题研究提供理论支撑。
附图说明
[0071]
图1为本发明一种基于改进相似时刻法的分布式光伏功率短期预测方法流程图。
具体实施方式
[0072]
下面结合附图，对本发明的技术方案进行具体说明。
[0073]
如图1所示，本发明一种基于改进相似时刻法的分布式光伏功率短期预测方法，其具体步骤如下：
[0074]
(1)初始化设置的综合影响相关度极限值gm和相似时刻的最小数量nm；
[0075]
(2)计算待预测样本中各时刻与相似日样本中各时刻的综合影响相关度；
[0076]
(3)根据计算所得综合影响相关度满足的大小关系确定相似时刻数量；
[0077]
(4)根据得到的相似时刻数量分别利用加权法和外推法进行预测，进而通过求取二者平均值获得预测结果；
[0078]
(5)将实际值与历史日样本各有效出力时刻的预测值进行比较并计算二者的相对误差平方和；
[0079]
(6)判断相对误差平方和是否取得最小值：若是，则获得待测日时刻j的光伏功率预测值；若不是，则改变初值重新计算。
[0080]
1基于通径分析方法的简单相关系数计算
[0081]
影响分布式光伏功率的各类因素间存在相互作用,这种相互作用不仅表现为影响因素本身对预测结果的影响,还体现在该因素通过其他类型因素对预测结果产生的影响。基于通径分析方法定义简单相关系数来综合衡量相互作用中的直接和间接影响程度。
[0082]
1.1直接通径系数的计算方法
[0083]
xa与y则分别代表自变量和因变量，均包含m组数据。根据式(1)计算得到xa与y的直接通径关系r
1,a
。
[0084][0085]
式中：xa
,t
为第a种影响因素的第t个样本值；y
t
为y的第t个样本值；ba为偏回归系数；m为选取的历史日数量。
[0086]
1.2间接通径系数的计算方法
[0087]
首先根据式(2)计算任意两个自变量xa与x
a 1
之间的相关系数r
2a,a 1
。
[0088][0089]
根据式(3)计算xa通过x
a 1
对y的间接通径系数r
2a,a 1
[0090]r2a,a 1
＝r
a,a 1r1,a 1
ꢀꢀ
(3)
[0091]
1.3简单相关系数的计算方法
[0092]
结合两类通径系数的特征，综合衡量影响因素本身对预测结果的影响及该影响因素通过其他类型因素对预测结果的影响，根据式(4)计算xa与y的简单相关系数ra。
[0093]
ra＝r
1,a
∑
o≠ar2a,o
ꢀꢀ
(4)
[0094]
式中：r
2a,o
为第a种影响因素关于除a以外的第o种影响因素的间接通径系数。
[0095]
2相似时刻筛选指标的确定
[0096]
2.1数据的获取及预处理
[0097]
1)借助模糊排序法，利用历史时刻光伏出力平均值占全天有效出力的比例作为权值折算光伏出力情况,直接将其作为时间因子的量化数据。利用m个历史日样本中时刻j光伏功率平均值来整体衡量该时刻在全天11个时刻中的占比，根据式(5)计算该占比zj。
[0098][0099]
式中：m
ij
表示第i个历史日样本中时刻j的光伏功率。
[0100]
2)对时刻j的m个历史样本按功率大小进行排序，当光伏功率取最大值时赋予zj权值为m，取得第二大值时，赋权值为m-1，以此类推，当某时刻光伏功率取得最小值时，赋予zj权值为1。并以此获得时间因子的量化数据n
ij
。
[0101]nij
＝h
ij
zjꢀꢀ
(6)
[0102]
式中：中间变量h
ij
表示赋予赋予各待测时刻的权值。
[0103]
3)特征符号定义
[0104]
定义s
ij
,t
ij
,d
ij
,h
ij
,w
ij
,g
ij
,p
ij
,n
ij
为待测日前第i(i＝0表示待测日)天j时刻的环境气压、环境气温、风力等级、总辐照度、散射辐照度、传感器工作温度、平均电流、时间因子8种影响因素，m为历史日数量。
[0105]
4)数据归一化
[0106]
将不同量纲数据的度量尺度限定在一定范围内，根据式(7)计算得到8个特征矩阵f(u
ij
)。
[0107][0108]
式中：u＝s,t,d,h,w,g,p,n；c为常数；u
ij
为影响因素类型。
[0109]
2.2影响因素的筛选
[0110]
分别计算m个历史样本中环境气压、环境气温、风力等级、总辐照度、散射辐照度、传感器工作温度、平均电流、时间因子以这8种功率影响因素的日平均值作为自变量,将对应历史样本日中的光伏输出功率日平均值作为因变量。
[0111]
分别根据通径分析计算得出上述各影响因素的简单相关系数。以简单相关系数的绝对值0.2作为阈值,筛选大于该阈值数据作为主要影响因素。经筛选后留下的7种影响因素分别为：环境气压、环境气温、总辐照度、散射辐照度、传感器工作温度、平均电流、时间因子。
[0112]
2.3相关度的计算
[0113]
1)根据时间“近大远小”原则衡量相关程度，即：距离待预测日远则相关性小，反之则大。
[0114]
根据式(8)利用时间距离线性刻画时间相关度bi。
[0115][0116]
式中：i表示待预测日前第i天，bi表示第i天时间相关度。
[0117]
2)用任意两个时刻平均电流的差值大小来衡量两时刻出力情况相关程度，差值越大则相关性越小，反之亦然。根据式(9)计算待预测日前第i天与待预测日相同时刻j的平均电流相关度d
ij
。
[0118][0119]
3)利用topsis方法定义最优气象因素ty和最差气象因素tc，根据式(10)(11)计算两类基准气象因素。
[0120][0121][0122]
式中：t
y1
—t
y5
和t
c1
—t
c5
分别为光伏功率与气象因子的5种影响因素(环境气压、环境气温、总辐照度、散射辐照度、传感器工作温度)的最优距离和最差距离。
[0123]
4)通过简单相关系数作为权重优化topsis法，根据式(12)(13)计算正向距离m
zij
和反向距离m
fij
。
[0124][0125]
式中：r1—r5分别为环境气压、环境气温、总辐照度、散射辐照度、传感器工作温度的简单相关系数。
[0126][0127]
根据式(14)计算得到各时刻气象特征与最优气象特征的接近程度m
cij
。
[0128][0129]
式中：0≤m
cij
≤1，正向距离m
zij
越小，m
cij
越大，越接近最优气象因素。
[0130]
5)根据式(15)计算得相似日样本与待预测日各时刻的综合气象相关度g
ij
。
[0131][0132]
2.4综合影响相关度的计算
[0133]
利用简单相关系数进行加权，结合气象、负荷、时间三维度因子各类影响因素的相关度，根据式(16)计算得出综合影响相关度g
ij
。
[0134][0135]
式中：rb、rd分别表示时间因子和负荷因子的简单相关系数。
[0136]
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。