[发明专利]一种基于季节分区的光伏功率预测方法

说明书

技术领域

本发明属于功率预测领域，尤其是涉及一种基于季节分区的光伏功率预 测方法。

背景技术

现有的功率预测模型是根据电站的历史有效数据建立的功率与太阳辐 照度、温度之间的对应关系，然后基于此对应关系和未来一段时间内的数值 天气预报信息，得到未来一段时间内的预测功率。从光伏发电机理和光伏发 电系统的组成结构中，可以看出，光伏电站的输出功率将受到太阳辐照度和 温度等因素的影响，而地球的公转规律会导致太阳辐照度和温度在中国大部 分地域呈现季节性规律，若不考虑季节的因素，建立的模型的通用性及泛化 性较差，影响电站的预测精度。

另一方面，光伏电站最近一段时间内的发电状态及天气信息将会对未来 一段时间内的预测功率造成影响，所以，将最近两周的实发功率和实际太阳 辐照度数据加入到功率预测模型中，实时修正预测偏差，可以达到使预测更 加接近实发的目标，从而提高预测精度。

发明内容

有鉴于此，本发明旨在提出一种基于季节分区的光伏功率预测方法，以 提高功率预测的准确性。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于季节分区的光伏功率预测方法，包括

S1.收集光电站的历史太阳辐照度数据、功率数据；

S2.对所述步骤S1中收集到的太阳辐照度数据、功率数据按照季节进行 分类；

S3.将所述步骤S2分类后的每一季节的太阳辐照度数据、功率数据进行 数据预处理，并使用预处理之后的数据建立支持向量回归模型，得到功率与 太阳辐照度之间的对应关系；

S4.根据预测日所属季节类型，确定进行功率预测需要使用的回归模型， 可以由预测日的预测太阳辐照度数据得到预测日的预测功率y₁；

S5.针对预测日之前一个时间段的数据，建立最小二乘模型，得到最近 一段时间内功率与太阳辐照度之间的对应关系，从而得到预测日的预测功率 y₂；

S6.计算预测功率y。

进一步的，所述步骤S3包括

S31.将所述步骤S2分类后的每一季节的太阳辐照度数据、功率数据进 行数据预处理；

S32.使用预处理之后的数据建立支持向量回归模型，得到功率与太阳辐 照度之间的对应关系。

进一步的，所述步骤S31中的数据预处理操作为使用聚类分析方法剔除 异常数据点。

进一步的，所述步骤S31包括

S311.对每一太阳辐照度X，总有一功率Y与其对应，设其形成的样本 集为(X,Y)。输入样本集(X,Y)，输入指定聚类类数N，并在样本集中随 机选取N个对象作为初始聚类中心。设定迭代中止条件，比如最大循环次数 或者聚类中心收敛误差容限。

S312.进行迭代。根据相似度准则将数据对象分配到最接近的聚类中心， 从而形成一类。初始化隶属度矩阵。

S313.更新聚类中心。然后以每一类的平均向量作为新的聚类中心，重 新分配数据对象。

S314.反复执行步骤S312和步骤S313直至满足中止条件。

进一步的，所述步骤S5中时间段为两周。

进一步的，所述步骤S6包括设预测日的预测功率值为y，设 y＝αy₁+(1-α)y₂，其中y₁，y₂分别为使用支持向量回归模型和最小二乘模型 得到的预测功率。

进一步的，所述步骤S6中，α为未知参数，是使得预测日之前一周的 预测功率和实际功率的误差平方和达到最小时的取值。

相对于现有技术，本发明所述的基于季节分区的光伏功率预测方法具有 以下优势：

本发明所述的基于季节分区的光伏功率预测方法建立的模型的通用性 及泛化性较好，能够提高电场的预测精度，将最近两周的实发数据加入到功 率预测模型中，可以修正每一季节的预测模型，使预测更加接近实发，从而 提高预测精度。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的 示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在 附图中：

图1为本发明实施例所述的基于季节分区的光伏功率预测方法流程图；