[发明专利]一种光伏发电功率超短期区间预测的方法及设备

说明书

本发明公开了一种光伏发电功率超短期区间预测的方法及设备，方法包括以下步骤：S1，建立直线趋势预测模型；S2，修正直线趋势预测模型；S3，利用直线趋势预测模型求解预测功率值；S4，采集光伏发电系统的数据，代入预测功率值公式对光伏发电功率进行超短期区间预测。本发明在超短期光伏发电功率区间的预测精度显著提高，其实用性强、数学模型平滑效果好，有助于电力系统调度部门提前合理安排调度计划，提高了电网调峰能力、有效减轻了光伏发电对整个电网的影响。

技术领域

本发明涉及一种光伏发电功率超短期区间预测的方法及设备，属于光伏发电技术领域。

背景技术

当今社会，随着化石能源的日益短缺以及在大量使用过程中带来的环境破坏问题的，出现了清洁可再生的太阳能光伏发电。作为一种转换效率高、使用周期长的发电技术，它得到了迅速发展。但受到太阳能辐射、天气等因素的影响，其输出功率存在明显的间歇性、随机性和波动性，对电网的稳定性造成冲击，至此，为了使光伏发电系统安全稳定运行并帮助工作人员进行合理的电网调度，来提高太阳能光伏的利用率，需要对光伏序列未来的输出功率进行准确的预测。

目前现有的方法有基于神经网络的光伏系统发电功率预测、一种基于灰色神经网络的组合预测、基于天气类型聚类的支持向量机预测模型进行功率预测、采用核函数极限学习机构建分布式光伏短期功率预测等等。在这些方法中采用核函数极限学习机构建分布式光伏短期功率预测的方法，主要是通过搭建模型并使用优化后的权重来筛选训练样本，但该算法使用单一的权重进行训练样本筛选，对于不同类型的天气，不能筛选出反映自身变化特点的训练样本；基于天气类型聚类的支持向量机预测方法虽在支持向量机样本选取阶段使用了属性权值进行筛选，但未给出属性权值选取的一般性方法；基于灰色神经网络的组合预测模型算法，是采用相似日作为输入对光伏出力进行预测，预测精度较高，但验证样本较少，说服性不强；基于神经网络的光伏系统发电功率预测一般使用较为普遍，其按季节建立了4个预测模型，子模型将相似日的光伏发电功率的历史数据和天气情况作为样本，对建立的3层BP网络进行训练，最终获得了良好的预测效果，但较为复杂，实现很困难。

综上所述，这些功率预测算法的影响因素多、对天气预测的准确性依赖太大、模型复杂，实用性不强，导致预测精度不易满足工程上的要求，预测误差很大，平滑效果也较差。但在光伏发电系统中，平滑光伏波动是最主要的任务，在此基础上，还要能及时跟踪短时的功率波动，精确预测。

发明内容

为了解决上述问题，本发明提出了一种光伏发电功率超短期区间预测的方法及设备，不仅能够本文提出了一种实用性强、平滑效果好的超短期功率预测数学模型——基于趋向移动平均的数学模型，该模型仅以部分历史数据为输入量，通过数据处理来得出预测量。该技术在超短期光伏发电功率区间的预测精度显著提高，其实用性强、数学模型平滑效果好，有助于电力系统调度部门提前合理安排调度计划，提高电网调峰能力、有效减轻光伏发电对整个电网的影响，是改善电力系统运行安全性与经济性的最为有效、经济的手段之一。

本发明解决其技术问题采取的技术方案是：

一方面，本发明实施例提供的一种光伏发电功率超短期区间预测的方法，包括以下步骤：

S1，建立直线趋势预测模型；

S2，修正直线趋势预测模型；

S3，利用直线趋势预测模型求解预测功率值；

S4，采集光伏发电系统的数据，代入预测功率值公式对光伏发电功率进行超短期区间预测。

作为本实施例一种可能的实现方式，所述步骤S1包括以下步骤：

一次移动的平均数的计算公式为：

在一次移动平均的基础上再进行一次平均，二次移动平均数的计算公式为：