[发明专利]结合光伏功率物理模型与数据驱动的光伏功率预测方法

说明书

本发明提出结合光伏功率物理模型与数据驱动的光伏功率预测方法，属于电力系统新能源预测技术领域。该方法运用光伏功率物理模型，确定影响光伏功率的关键天气特征，建立历史时段和预测时段的关键天气特征矩阵；然后分别建立历史和预测时段的天气数据矩阵，获得历史和预测时段的输入矩阵；对输入矩阵进行特征提取，得到历史和预测时段的主成分特征矩阵；选取与任一预测时段主成分特征曼哈顿距离最近的K个历史时段，拟合得到K个历史时段的主成分特征与对应历史时段光伏功率的映射关系，将所选预测时段的主成分特征输入映射关系，得到该预测时段的光伏功率。本发明利用光伏功率物理模型，能够准确预测光伏功率，具有较强的工业应用价值。

技术领域

本发明属于电力系统新能源预测技术领域，特别提供了一种结合光伏功率物理模型与数据驱动的光伏功率预测方法。

背景技术

光伏功率预测即根据历史和当前数据对未来一定时段的光伏功率进行预测。由于日照的昼夜周期性，光伏电站只能白天发电，是一种典型的间歇式电源；光伏功率受气象、环境条件影响，具有较大的波动性和随机性。这些特性使得大规模光伏发电并网对电网造成不良影响。若能及时、准确地预测光伏功率，将对电网调度及光伏电站运行具有重要意义。

目前，已有诸多关于光伏功率预测的方法。这些预测方法可按照不同方式分类。例如，根据预测时间尺度不同，可将光伏功率预测分为超短期(未来0-6小时)、短期(未来6-24小时)和中长期(未来多日至一年)。研究统计表明，晴空条件下，超短期光伏功率预测的方均根误差在8％以内；而非晴空条件下的方均根误差高于20％。可见，目前光伏功率预测误差较大，使得光伏功率预测技术难以实现工程应用。因此，改进光伏功率预测方法，提升光伏功率预测精度，具有重要应用前景和工程价值。现有光伏功率预测方法主要步骤如下：

1)采集历史时段数值天气数据，如大气压强、空气沉淀物、空气湿度、天空云量、风速、空气温度、地表热辐射等；

2)以历史时段数值天气数据直接作为输入，经过神经网络或支持向量机等数据驱动算法，统计学习历史时段数值天气数据与历史光伏功率的关系；

3)采集预测时段数值天气数据，以该数据直接作为输入，利用统计学习得到的历史数值天气数据与历史光伏功率的关系，得到预测时段光伏功率。

然而，现有预测方法强烈依赖神经网络、支持向量机等数据驱动算法的统计学习能力，忽略光伏功率物理模型对数据驱动方法的作用。光伏功率的物理模型表述光伏功率与诸如环境温度、风速、地表光强等天气特征的解析式，蕴含了光伏功率与天气特征的物理规律。例如，现有常用的光伏功率物理模型表达式如下：

式中，E_e为有效光强，T_c为光伏阵列温度，E₀为参考光强，T₀为参考温度，P_mp0为光伏额定功率，γ为光伏阵列的温度系数，P_mp为光伏功率。该模型表明，光伏功率与有效光强与光伏阵列温度相关。

发明内容

本发明的目的在于为克服已有技术的不足之处，提出一种结合光伏功率物理模型与数据驱动的光伏功率预测方法。本发明通过光伏功率物理模型发掘关键天气特征，有助于发挥数据挖掘方法的学习能力，提升光伏功率的预测精度。

本发明提出的一种结合光伏功率物理模型与数据驱动的光伏功率预测方法，包括以下步骤：

1)基于光伏功率物理模型，获取与光伏功率直接相关的天气特征为有效光强和光伏阵列温度，得到光伏功率关于有效光强和光伏阵列温度的线性表达式，确定影响光伏功率的关键天气特征；

光伏功率P_mp的物理模型表达式如式(1)所示：