[发明专利]一种微电网光伏电站发电量组合预测方法

摘要

一种微电网光伏电站发电量组合预测方法，属于新能源发电出力预测领域，包含步骤：1)以微电网中光伏电站的发电量数据作为预测模型输入输出数据；2)采用小波变换和BP神经网络进行发电量预测；3)采用粒子群算法优化支持向量机进行发电量预测；4)使用方差-协方差组合法求取模型测试权重；5)根据权重和新输入对应的模型输出来求取组合预测结果。与现有预测方法相比，本发明从新角度出发，避免考虑复杂外部因素，采用组合方法，具有实时性好，准确度高，适应性强等优点。

主权项

一种微电网光伏电站发电量组合预测方法，其特征在于，包含以下步骤：1)在微电网中，将目标光伏电站已知时期内的发电量数据作为样本输出数据，将与目标光伏电站相连的若干个光伏电站相同已知时期内的发电量数据作为样本输入数据，将目标光伏电站要预测时期内的发电量数据作为预测输出数据，将与目标光伏电站相连的上述若干个光伏电站相同预测时期内的发电量数据作为预测输入数据；2)采用小波变换和BP神经网络进行微电网光伏电站发电量预测，得到测试结果一和预测结果一具体过程如下：201)对样本输入数据、样本输出数据和预测输入数据进行db2小波1层分解和单支重构；202)从小波变换后的样本输入输出数据中选定训练样本和测试样本；203)利用训练样本和测试样本分别建立高频分量BP神经网络预测模型和低频分量BP神经网络预测模型；204)利用训练样本对上述两预测模型进行训练；205)输入测试样本到上述两预测模型，分别输出高频分量BP神经网络测试预测结果和低频分量BP神经网络测试预测结果，作代数和后作为测试结果一；206)求取测试结果一的相对预测误差；207)输入小波变换后的预测输入数据到上述两预测模型，分别输出高频分量BP神经网络预测结果和低频分量BP神经网络预测结果，作代数和后作为预测结果一；3)采用粒子群算法优化支持向量机进行微电网光伏电站发电量预测，得到测试结果二和预测结果二具体过程如下：301)选定与步骤202)对应小波变换前相同的训练样本和测试样本；302)利用训练样本和测试样本建立支持向量机预测模型，类型为epsilon‑SVR，采用径向基核函数，最优化问题解决算法为序列最小最优化算法；303)采用粒子群算法对支持向量机的惩罚参数c、核函数参数g和epsilon损失函数参数p进行寻优；304)利用训练样本对上述预测模型进行训练；305)输入测试样本到上述预测模型，输出粒子群算法优化支持向量机测试预测结果，作为测试结果二；306)求取测试结果二的相对预测误差；307)输入预测输入数据到上述预测模型，输出粒子群算法优化支持向量机预测结果，作为预测结果二；4)使用方差‑协方差组合法求取两种预测模型的权重具体过程如下：401)求取步骤206)和步骤306)结果的方差；402)根据上述方差来求取权重，具体使用下式(1)：${\mathrm{\ω}}_1=\frac{{\mathrm{\δ}}_{22}}{{\mathrm{\δ}}_{11}+{\mathrm{\δ}}_{22}}$和${\mathrm{\ω}}_2=\frac{{\mathrm{\δ}}_{11}}{{\mathrm{\δ}}_{11}+{\mathrm{\δ}}_{22}}---\left(1\right)$其中，ω₁和δ₁₁分别为小波变换和BP神经网络预测模型的权重和相对预测误差的方差，ω₂和δ₂₂分别为粒子群算法优化支持向量机预测模型的权重和相对预测误差的方差；5)利用步骤4)中求出的两个预测模型的权重，分别乘以相应的预测结果，得出组合发电量预测数据，具体使用下式(2)：f＝ω₁f₁+ω₂f₂    (2)其中，f为组合发电量预测数据，ω₁和f₁分别为小波变换和BP神经网络预测模型的权重和预测结果一，ω₂和f₂分别为粒子群算法优化支持向量机预测模型的权重和预测结果二。