[发明专利]一种光伏发电功率预测方法

说明书

本申请提供了一种光伏发电功率预测方法，该方法首先对采集的历史样本进行野值踢除与补正，然后计算不同时刻气象因子影响权重来优化传统相似日样本选取方案，再接着对相似样本进行有效特征提取以降低输入维数，最后基于广义神经网络(GRNN)算法对发电功率进行短期预测。利用上述方法，由于考虑不同时刻气象因子加权选取相似样本聚类更加科学，进而增强了预测模型泛化能力和预测精度。另外，通过特征提取降低输入维数，进而在降低预测时间。最后，相比传统神经网络如BP算法，本申请采用的GRNN算法非线性逼近能力更强，进而可以增加预测精度。

技术领域

本公开涉及新能源发电技术领域，尤其涉及一种光伏发电功率预测方法。

背景技术

随着风光伏新能源出力在电力系统发电量中渗透率的逐年提升，在缓解能源紧张、环境恶化的同时，由于光伏发电的间歇性和不稳定性，也给电网安全、可靠、经济运行带来极大挑战。准确的光伏发电功率预测对未来一定时间内的光伏出力进行预测，可为电网自动发电控制、电网调度提供科学决策依据，从而有效降低大规模光伏接入对电力系统的影响，保障电网安全和经济运行。

目前对光伏发电功率预测一般需要包含关键气象因素与辐照度的数值天气预报，并采用神经网络、分类回归、时间序列、小波分析等光伏发电功率预测算法进行预测。其中，由于神经网络算法具有鲁棒性高，非线性逼近能力强等特点，被普遍运用在在光伏发电功率预测中，但是其预测性能与输入维数、训练样本密切相关。而目前对气象因素的选择缺少理论性分析，从而导致提前确定得到的光伏发电功率误差大。

因此，如何提供一种预测精度高的光伏发电功率预测方法成为本领域技术人员亟待解决的技术问题。

发明内容

本发明实施例中提供了一种光伏发电功率预测方法，以解决现有技术中功率预测精度低的问题。

本发明实施提供的光伏发电功率预测方法，具体包括：

利用7点二阶算法前推差分算式剔除初始历史样本中的野值点；

利用三次样条插值方法对所述野值点进行补正，得到历史样本；

利用模糊聚类与粗糙集理论，对所述历史样本进行聚类，计算出聚类后各类的类中心和气象因子影响权重；

分别计算出待预测日与所述聚类后各类的类中心之间的包含气象因子影响权重的加权欧式距离，选取加权欧式距离最小的类作为训练样本；

对所述训练样本中的数据进行预测模型输入特征提取，得到特征提取值；

将所述特征提取值输入到广义回归神经网络模型进行模型训练，得到训练后的广义回归神经网络模型；

将从所述待预测日中提取的特征值输入到所述训练后的广义回归神经网络模型，得到所述待预测日的功率预测值。

可选地，利用模糊聚类与粗糙集理论，对所述历史样本进行聚类，计算出聚类后各类的类中心和气象因子影响权重，包括：

将历史样本中所选取的气象因子作为样本特征属性；

利用基于F-统计量方法的模糊聚类分析，对所述样本特征属性进行最佳模糊聚类，将历史样本分成k类，得到某决策属性的等价集，并计算簇中心记为其中，i＝1,2,...k、j＝1,2,3,4，t＝1,2,...,m；

对所述历史样本中依次删除其中一个气象因子后，再进行基于F-统计量方法的模糊聚类分析，得到去掉某一属性的等价集；

利用粗糙集原理，计算样本特征属性对决策属性的依赖度并归一化，得到各所述气象因子影响权重。

可选地，将历史样本中所选取的气象因子作为样本特征属性，包括：

选取历史样本中地表辐照度、温度、湿度、风速四个气象因子，作为样本特征属性。