[发明专利]一种基于SVR的超短期光伏预测残差修正方法

说明书

本发明公开了一种基于SVR的超短期光伏预测残差修正方法，包括以下步骤：步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型，得到初步预测结果；步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型，并计算得到相似日残差数据；步骤3：用步骤2得到的相似日残差数据建立SVR模型，得到预测日的预测残差；步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果。

技术领域

本发明涉及一种基于SVR的超短期光伏预测残差修正方法，属于电力系统领域，尤其涉及电力系统运行调度技术。

背景技术

当前，光伏发电系统在我国发展迅速。截止2018年，全国光伏发电累计装机容量达到1.74亿千瓦，新增装机容量4426万千瓦，装机容量占电源比例达到了9.2％。大规模光伏并网是实现节能减排，保证能源供应安全和实现能源可持续发展的必由之路。但是，光伏系统并网也会给电网带来诸如电能质量，可靠性和稳定性等方面的问题。大规模光伏并网还会引起节点电压、支路潮流波动范围过大的问题。从时间尺度看，光伏功率预测可以分为中长期(24h)、短期(6～24h)、超短期(0～6h)。光伏功率短期预测是电网调度部门提前调整调度计划的依据，光伏预测精度越高，越能够减小光伏系统并网对电网的负面影响，促进新能源消纳目标的实现。

光伏发电功率预测技术经过多年的发展，目前已经朝着精细化的目标前进。通常，光伏功率预测方法可以分为直接预测，间接预测和混合预测三类。

直接预测是直接利用功率的时间序列数据，通过信号处理等手段进行分析预测的手段。张倩等人提出了一种基于频域分解和长短期记忆神经网络的光伏功率预测方法。黎静华等人提出一种嵌入气象因素的改进奇异谱分析方法用于光伏短期出力预测。

间接预测是先预测与光伏出力相关度较大的物理量(例如辐照度)，再对光伏发电功率进行预测。潘益等人先通过差分自回归移动平均模型(Autoregressive IntegratedMoving Average model，ARIMA)预测了辐照度和温度，再进行功率预测。刘长亮等人建立了大气气溶胶光学厚度估计模型，进而计算光伏电池面板接收的辐射强度，实现了计及雾霾影响因素的光伏发电超短期功率预测。

近年来，随着人工智能技术兴起，基于神经网络、机器学习等人工智能方法的混合预测方法成为提升光伏预测精度的有效手段。Wang等人建立了结合天气分类和多元自适应回归样条的预报模型用于光伏功率预测。王育飞等人利用C-C相空间重构和混沌- 径向基函数建立光伏预测模型。

影响光伏功率预测精度的最主要原因在于光伏发电功率的波动性，来源于太阳光辐射受气象条件影响而产生的波动。不确定性和随机性的特征阻碍了光伏功率预测精度的进一步提升。同时，由于辐照度和温度等气象数据本身存在预测误差，用于光伏预测会进一步放大误差的影响。因此，具有高预测精度的预测算法成为亟需解决的问题。

发明内容

发明目的：本发明针对光伏出力的波动性，提出一种基于SVR的超短期光伏预测残差修正方法。

技术方案：一种基于SVR的超短期光伏预测残差修正方法，包括以下步骤：

步骤1：用预测日实时监测的光伏发电功率数据建立预测日ARIMA滚动预测模型中，得到初步预测结果；

步骤2：选取一历史气象相似日，用其光伏发电功率数据建立相似日的ARIMA滚动预测模型中，计算得到相似日残差数据；

步骤3：用步骤2得到的相似日残差数据建立SVR模型中，得到预测日的预测残差；

步骤4：采用预测日的预测残差对步骤1得到的初步预测结果进行修正，得到最终预测结果。

进一步的，所述预测日ARIMA滚动预测模型构建步骤包括：