[发明专利]一种用于区域内分布式光伏站点发电量的概率预测方法

说明书

本发明公开了一种用于区域内分布式光伏站点发电量的概率预测方法，具体步骤如下：步骤一：预测模型建立；步骤二：检查预测模型是否需要更新；步骤三：使用训练数据训练每个预测模型；步骤四：找到每个预测模型的最佳权重；步骤五：从集合模型导出误差分布；步骤六：通过集合模型预测确定性光伏发电量；步骤七：从误差分布和确定性预测中生成PI；该方法开发了具有普适性的模型和方法来预测区域内分布式光伏发电量，通过K‑Means、朴素贝叶斯分类器和神经网络三种数据驱动回归模型进行集合预测来处理地理上分布在特定区域的多个PV的发电量，仿真证明，当置信度为95％时，所提方法的发电量预测值与实际值的均方误差在0.148kW左右，验证了本方法的鲁棒性。

技术领域

本发明涉及光伏发电领域中，具体是一种用于区域内分布式光伏站点发电量的概率预测方法。

背景技术

近十年来，全球光伏市场快速增长，根据国际能源署的数据，全球光伏产能已超过500GWp。分布式光伏发电特指在用户场地附近建设，运行方式以用户侧自发自用、多余电量上网，且在配电系统平衡调节为特征的光伏发电设施。光伏发电的发电量取决于许多气象变量，如太阳辐照度、空气温度、云变化、风速、相对湿度等。分布式光伏发电的发电量预测是一个挑战，特别是在多步应用、大型数据库、噪声测量和多输入输出观测的情况下。总体来说，影响光伏发电量预测精度的因素主要有：时间范围和时间分辨率，天气条件，地理位置，以及数据的可用性和质量。

现有分布式光伏发电量的预测方法可以分为两大类，一类是通过建立时空模型来提取和利用多个光伏发电的时空数据来提高预测精度。如基于深度学习框架的光伏发电量预测方法可以生成多个地区和范围的光伏发电量预测；基于云运动矢量的方法是一种已建立的覆盖特定区域分布式光伏发电量的预测方法；基于跟踪的分布式光伏发电量预测在预测时间为30分钟时，平均绝对百分比误差为4.23％，且预测时间越长，误差越大；基于数值天气预报模式被广泛用于预测最多15天后的大气状态，而且不需要任何历史数据。这些方法能提供较好的精度，但主要取决于天气条件的稳定性。同时，该物理模型的实现一般是比较困难的，因为需要一些预知参数和昂贵的设备来构建此类模型，而这些限制导致许多地区并不具备实现条件。此外，对于大多数可用的数值天气预报模式来说，预报前几个小时内数据可用价值并不高。另一类是基于历史数据驱动的光伏发电量预测方法。如分别基于Delta、Bayesian、均值方差估计和bootstrap技术的光伏发电量预测方法，通过数据驱动开发预测区间，用于不同的预测目标。

然而，现有方法对多个分布式光伏区域模型的研究是有限的。大多数研究都集中在单一地点的预测，而很少有关于区域模型的研究。目前对分布式光伏发电量的预测研究较少，主要关注的不是单个光伏的发电量的预测，而是区域内累计光伏发电的预测。此外，现有的预测模型过于具体，受限于特定的理想化区域。因此，亟需开发具有普适性的模型和方法来预测区域内分布式光伏发电量。

发明内容

本发明的目的在于提供一种用于区域内分布式光伏站点发电量的概率预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种用于区域内分布式光伏站点发电量的概率预测方法，具体步骤如下：

步骤一：预测模型建立，即对PV节点中第1个至第i个整合模型建立，PV节点为电压恒定型节点；

步骤二：检查预测模型是否需要更新；

步骤三：使用训练数据训练每个预测模型；

步骤四：找到每个预测模型的最佳权重；

步骤五：从集合模型导出误差分布，基于PV节点的数据对PI节点进行边界确定，PI节点为电流恒定型节点；

步骤六：通过集合模型预测确定性光伏发电量，在模型训练过程中制定误差分布后，预测未来24小时的确定性PV节点发电量；