[发明专利]基于改进MKPLS的光伏发电功率短期滚动预测方法

说明书

一种基于改进MKPLS的光伏发电功率短期滚动预测方法，首先，获取影响发电功率的多源因素历史数据集作为解释变量数据集，并将对应的发电功率历史数据集作为因变量数据集，通过基于自适应噪声的完备经验模态分解与排列熵相结合的方法实现历史数据集的阈值滤波，实现高频噪声的有效去除和有用信息的保留；其次，通过阈值滤波解释变量数据集与因变量数据集的相关系数矩阵，实现特征提取；然后，引入多尺度下的高斯核函数将输入空间映射到高维特征空间，并建立因变量关于解释变量的非线性预测模型；最后，通过引入滑动窗口策略实时更新预测模型的多尺度高斯核函数，并最终实现光伏发电功率短期滚动预测。本发明易于实现、计算量小和自适应能力强。

技术领域

本发明应用于光伏发电功率预测领域，涉及一种基于改进多尺度核函数偏最小二乘(MKPLS)的光伏发电功率短期滚动预测方法。

背景技术

近年来，以新能源为主体的新型电力系统得到了大规模的发展和应用，如光伏发电系统。通过光伏发电并网和逐步提升光伏发电的占比，将有效优化现有能源结构、促进国家节能减排，助力实现“碳达峰、碳中和”的目标。然而，光伏发电系统的功率存在间歇性、波动性和随机性的特点，会严重影响电网的安全稳定运行，增加光伏发电大规模并网的难度。因此，如何实现光伏发电功率的准确预测已成为目前备受关注的研究内容，其对于电力系统调度计划的合理制定和电力系统的经济稳定运行具有重大意义。

根据预测时长的区别，光伏的发电功率预测主要分为中长期预测和短期预测。其中，短期预测的预测时长一般在48小时之内，用于配合电力调度部门规划调度用电及合理安排备用容量。通常，光伏发电功率会受到来自多方面因素的影响，包括太阳辐照强度、所在地气象状况以及光伏发电系统自身状况等。其中，所在地气象状况是影响光伏发电功率短期预测的关键因素，其造成的发电功率短期波动和随机变换会严重影响短期预测的精度。此外，这些影响因素之间往往存在多重共线性，并且与光伏发电功率呈现出非线性关系，也增加了光伏发电功率短期预测的难度。

目前，光伏发电功率的短期预测主要依赖于预测模型的建立，包括物理模型、统计模型和人工智能模型。其中，物理模型由于模型复杂、计算量大和抗干扰性差等缺陷，已经无法满足光伏发电功率短期预测的精度需求。传统的统计模型主要是基于线性模型，无法反映光伏发电功率和气象状况间的非线性关系，导致局部预测不够精确。人工智能模型虽然能较好的实现非线性拟合，但是需要大量的历史数据作为支撑。此外，大部分现有的预测模型仍然采用固定的模型参数，模型的预测精度会随着时间的推移逐渐降低，从而失去模型预测的意义。

发明内容

为了解决现有光伏发电功率短期预测方法存在非线性拟合效果差、需要历史数据样本大和无法滚动预测的技术缺陷，本发明提出了一种适用于小样本下的基于改进多尺度核函数偏最小二乘(MKPLS)的光伏发电功率短期滚动预测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于改进多尺度核函数偏最小二乘(MKPLS)的光伏发电功率短期滚动预测方法，所述方法包括以下步骤：

1)获取的数据包括历史发电功率数据集Y和影响发电功率的相关数据集X＝{X₁,X₂,X₃}，包括光伏发电站所在地气象状况数据集X₁、太阳辐射强度数据集X₂和发电系统自身状况数据集X₃，历史发电功率数据集Y的长度为L，数据集X的状态个数为N；

2)进行数据预处理：首先，删除由于机械原因和人为原因所导致的异常数据，提高数据的可用性，其次，采用基于自适应噪声的完备总体经验模态分解(CEEMD)方法结合检测时间序列随机排列熵(PE)的方法对数据集去噪，提高数据的可靠性；记经过数据处理后的解释变量数据集为因变量数据集