[发明专利]一种基于回归分析和LSSVM的源荷一体化预测方法

说明书

本发明涉及一种基于回归分析和LSSVM的源荷一体化预测方法，包括：采集数据；对所采集的数据进行预处理，剔除异常数据，并进行归一化处理；计算待预测地区的各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r，以及各个风、光电站的数据准确度C；对待预测地区的特征风、光电站的时间序列数据进行基于STL的时间序列分解；构建回归预测模型；得到待预测地区最终的风电、光伏预测功率；得到待预测地区的负荷预测结果。本发明通过STL时间序列分解，对于各个分量的特性构造不同的回归函数，以量化气象因素、时间因素对风电场、光伏电站出力的影响，本发明考虑到气象因素对不同分量的影响，预测模型更加详细。

技术领域

本发明涉及电力系统源荷预测技术领域，尤其是一种基于回归分析和 LSSVM的源荷一体化预测方法。

背景技术

与常规电源不同，风电、光伏等单机容量小、台数多、出力波动性大、可预测性差、参与有功调节能力差。以高比例可再生能源、高比例电力电子装置为特征的新型电力系统中，源(风光)荷间通过电网形成一个统一整体，电网可控程度下降，而开展准确、及时的新能源发电功率预测便于电网调度部门动态调节常规机组出力，有效减少旋转备用容量，从而降低系统的运行成本，是指导新型电力系统调度控制的基础和关键。

源端逐年攀升的风光并网比例和负荷侧不断增加的需求响应负荷，使得当前电力系统的不确定性日益增强。为保证电能质量和保障电力系统的安全经济运行，不仅对风光发电功率的预测精度提出了更高的要求，也为负荷预测带来了新的挑战。亟需探索新的电力预测方法以同时实现风光荷的高精度预测，应对源荷两端的双重不确定性。

《基于KPCA与混合蛙跳算法的并网光伏电站发电量预测模型研究》建立针对阴雨天的光伏电站预测模型；《基于因子和趋势分析反馈的多元回归负荷预测》利用因子分析方法筛选气象因素，构建基于不同气象下的负荷多元回归模型；《一种结合CNN和GRU网络的超短期风电预测模型》在气象数据分析基础上考虑时序因素的影响，建立了CNN和GRU的风电预测模型。但是这些直接预测方法，未考虑到各个气象因子间的相关关系，降低了预测精度。目前国内外学者对风电功率、光伏发电功率与负荷预测已展开了大量研究，但主要集中在对单一对象的预测上，同时对风光荷中两种及以上对象的预测研究较少，且大部分为未考虑源(风光)荷间相关关系的研究，仅在研究内容中对不同预测对象分别进行独立建模预测。

因此，需要一种更先进的、具有更好预测精度的源(风光)荷一体化的预测方法。

发明内容

本发明的目的在于提供一种预测模型更加详细、实现预测精度有效提升的基于回归分析和LSSVM的源荷一体化预测方法。

为实现上述目的，本发明采用了以下技术方案：一种基于回归分析和LSSVM 的源荷一体化预测方法，该方法包括下列顺序的步骤：

(1)采集待预测地区的风、光电站的发电功率数据、负荷数据和气象数据；

(2)对步骤(1)所采集的数据进行预处理，剔除异常数据，并进行归一化处理；

(3)计算待预测地区的各风、光电站功率时间序列和该地区风、光电站总功率序列的皮尔逊相关系数r，以及各个风、光电站的数据准确度C；

(4)对待预测地区的特征风、光电站的时间序列数据进行基于STL的时间序列分解；

(5)基于非线性多元回归分析方法，确定经时间序列分解后的特征风、光电站的时间序列和风速、温度、辐照强度气象因素之间的关系，构建回归预测模型；

(6)根据天气预报，将待预测日的气象因素代入特征风、光电站分解后的长期分量、周期波动分量和噪声分量的回归预测模型，预测后将各个分量叠加后得到特征风、光电站发电预测功率，并根据特征风、光电站的容量，得到待预测地区最终的风电、光伏预测功率；