一种基于正负误差变权的光伏发电功率预测方法

摘要

本发明公开了一种基于正负误差变权的光伏发电功率预测方法，具体按照以下步骤实施：首先设光功率预测模型有n种，有N个预测时间点，y(t)为第t时刻光伏发电功率的真实值，然后将预测结果与真实值进行作差，计算第i个模型的第t时刻的权值，最终利用n种预测值得到的最终预测结果，本发明解决了现有技术中存在的预测方法预测精度无法满足要求且预测效果差的问题。

权利要求

1.一种基于正负误差变权的光伏发电功率预测方法，其特征在于，具体按照以下步骤实施：步骤1、设光功率预测模型有n种，依次为1，2，...，n，有N个预测时间点，y(t)为第t时刻光伏发电功率的真实值，其中t＝1，2，...，N， 和ωi(t)分别为第i个模型的第t时刻的预测值和权值，且ωi(t)满足其中，ωi(t)≥0，

则变权重组合预测模型表示为：

其中， 为利用n种预测值得到的最终预测结果；

步骤2、将预测结果与真实值进行作差，设eit为第i种预测模型在第t时刻的预测绝对值误差，则：其中， 为第i个模型在第t时刻的预测值，步骤3、计算第i个模型的第t时刻的权值；

所述步骤3具体按照以下步骤实施：

步骤(1.1)、当t为确定值时，eit有n种模型误差，如果所有的模型误差同号，则按照滚动最优变权组合进行计算，则et为t时刻n种光功率预测模型误差绝对值之和，则有

ωi(t)为第i个模型的第t时刻的权值；

步骤(1.2)、如果所述n种模型误差异号，设有u个正误差和v个负误差，其中，u+v＝n，则得到一个正的平均误差 和一个负的平均误差的绝对值其中， 为第i种模型在第t时刻正的预测误差， 为第i种模型在第t时刻负的预测误差，上述误差和为 则

为t时刻的正权值， 为t时刻的负权值；

步骤(1.3)、分别进行一次滚动权值运算，则有ωi(t)即为所求得第i个模型的第t时刻的权值；

步骤4、经过步骤1、2、3即得到第i个模型的第t时刻的权值，将该值带入公式(2)，便得到利用n种预测值得到的最终预测结果。

说明书

一种基于正负误差变权的光伏发电功率预测方法

技术领域

[0001] 本发明属于新能源光伏发电功率预测技术领域，具体涉及一种基于正负误差变权的光伏发电功率预测方法。

背景技术

[0002] 近几年来，随着光伏发电系统大规模的建设，为了避免并网光伏发电系统输出功率固有的间歇性和不可控等因素对电网的冲击，光伏发电并网时的电能质量，对电网的可靠性要求，并网电站的稳定性等问题都亟待解决。大规模间歇性能源的接入将对电网安全和稳定运行产生巨大影响，功率预测技术迫在眉睫。随着研究的系统越来越深奥和复杂，对预测技术和预测理论的要求越来越高，难度也越来越大。由此产生了专门针对系统不确定性的单一模型预测理论和方法以及综合利用各种预测方法结果的组合预测方法。

[0003] 常见的单一模型预测方法有时间序列法、回归分析法、趋势外推法、神经网络法、灰色预测法等多种方法，这些预测模型容易理解，运算可靠，但由于每种预测模型都有一定程度上的局限性和不足，无法保证在各种情况下有良好的预测效果，预测精度可能无法满足。

发明内容

[0004] 本发明的目的是提供一种基于正负误差变权的光伏发电功率预测方法，解决了现有技术中存在的预测方法预测精度无法满足要求且预测效果差的问题。

[0005] 本发明所采用的技术方案是，一种基于正负误差变权的光伏发电功率预测方法，具体按照以下步骤实施：

[0006] 步骤1、设光功率预测模型有n种，依次为1，2，...，n，有N个预测时间点，y(t)为第t时刻光伏发电功率的真实值，其中t＝1，2，...，N， 和ωi(t)分别为第i个模型的第t时刻的预测值和权值，且ωi(t)满足

[0007]

[0008] 其中，ωi(t)≥0，

[0009] 则变权重组合预测模型表示为：

[0010]

[0011] 其中， 为利用n种预测值得到的最终预测结果；

[0012] 步骤2、将预测结果与真实值进行作差，设eit为第i种预测模型在第t时刻的预测绝对值误差，则：

[0013]

[0014] 其中， 为第i个模型在第t时刻的预测值，

[0015] 步骤3、计算第i个模型的第t时刻的权值；

[0016] 步骤4、经过步骤1、2、3即得到第i个模型的第t时刻的权值，将该值带入公式(2)，便得到利用n种预测值得到的最终预测结果。

[0017] 本发明的特点还在于，

[0018] 步骤3具体按照以下步骤实施：

[0019] 步骤(1.1)、当t为确定值时，eit有n种模型误差，如果所有的模型误差同号，则按照滚动最优变权组合进行计算，则

[0020]

[0021] et为t时刻n种光功率预测模型误差绝对值之和，

[0022] 则有

[0023]

[0024] ωi(t)为第i个模型的第t时刻的权值；

[0025] 步骤(1.2)、如果所述n种模型误差异号，设有u个正误差和v个负误差，其中，u+v＝n，则得到一个正的平均误差 和一个负的平均误差的绝对值

[0026]

[0027]

[0028] 上述误差和为 则

[0029]

[0030]

[0031]

[0032] 为t时刻的正权值， 为t时刻的负权值；

[0033] 步骤(1.3)、分别进行一次滚动权值运算，则有

[0034]

[0035]

[0036]

[0037] ωi(t)即为所求得第i个模型的第t时刻的权值。

[0038] 本发明的有益效果是，基于正负误差变权的光伏发电功率预测方法，由以往的光伏电站历史功率数据，分别利用灰色神经网络模型、Elman神经网络模型、支持向量机模型，得到各个方法对某一天的光功率预测结果，然后利用正负误差变权法计算这三种方法在预测中所对应的权值，将各个方法在某时刻的权值和各个方法对应的预测结果相结合，便可得到组合预测的结果，再进行精度误差判断，若满足误差要求，即可得到最终的预测结果。

附图说明

[0039] 图1是本发明一种基于正负误差变权的光伏发电功率预测方法中基于正负误差变权的组合光功率预测技术算法流程图；

[0040] 图2是本发明一种基于正负误差变权的光伏发电功率预测方法中灰色预测与实发功率的比较图；

[0041] 图3是本发明一种基于正负误差变权的光伏发电功率预测方法中不同神经元的误差比较图；

[0042] 图4是本发明一种基于正负误差变权的光伏发电功率预测方法中运用16个神经元时的预测比较图；

[0043] 图5是本发明一种基于正负误差变权的光伏发电功率预测方法中svm的预测与实际功率的对比图；

[0044] 图6是本发明一种基于正负误差变权的光伏发电功率预测方法中正负误差变权预测与实际值的比较图。

具体实施方式

[0045] 下面结合附图和具体实施方式对本发明进行详细说明。

[0046] 本发明一种基于正负误差变权的光伏发电功率预测方法，具体按照以下步骤实施：

[0047] 步骤1、设光功率预测模型有n种，依次为1，2，...，n，有N个预测时间点，y(t)为第t时刻光伏发电功率的真实值，其中t＝1，2，...，N， 和ωi(t)分别为第i个模型的第t时刻的预测值和权值，且ωi(t)满足

[0048]

[0049] 其中，ωi(t)≥0，

[0050] 则变权重组合预测模型表示为：

[0051]

[0052] 其中， 为利用n种预测值得到的最终预测结果；

[0053] 步骤2、将预测结果与真实值进行作差，设eit为第i种预测模型在第t时刻的预测绝对值误差，则：

[0054]

[0055] 其中， 为第i个模型在第t时刻的预测值，

[0056] 步骤3、计算第i个模型的第t时刻的权值，具体按照以下步骤实施：

[0057] 步骤(1.1)、当t为确定值时，eit有n种模型误差，如果所有的模型误差同号，则按照滚动最优变权组合进行计算，则

[0058]

[0059] et为t时刻n种光功率预测模型误差绝对值之和，

[0060] 则有

[0061]

[0062] ωi(t)为第i个模型的第t时刻的权值；

[0063] 步骤(1.2)、如果所述n种模型误差异号，设有u个正误差和v个负误差，其中，u+v＝n，则得到一个正的平均误差 和一个负的平均误差的绝对值

[0064]

[0065]

[0066] 上述误差和为 则

[0067]

[0068]

[0069]

[0070] 为t时刻的正权值， 为t时刻的负权值；

[0071] 步骤(1.3)、分别进行一次滚动权值运算，则有

[0072]

[0073]

[0074]

[0075] ωi(t)即为所求得第i个模型的第t时刻的权值；

[0076] 步骤4、经过步骤1、2、3即得到第i个模型的第t时刻的权值，将该值带入公式(2)，便得到利用n种预测值得到的最终预测结果，该光伏发电预测基于正负误差变权方法，相对等权值预测方法及其他变权值预测方法而言，该方法受模型预测最新变化情况的影响，提高了预测精度，可以得到更好的预测效果。

[0077] 本发明一种基于正负误差变权的光伏发电功率预测方法，在实际预测过程中，选取三种预测模型：可以首先分别利用灰色神经网络模型、Elman神经网络模型及支持向量机(SVM)模型这三种单一的光功率预测方法，得到各个模型下的预测结果：

[0078] (1)灰色神经网络模型预测光功率的实现：

[0079] 把数据分为训练集和测试集，用训练集训练灰色神经网络，使该网络学习光伏发电功率预测能力，再用测试集进行验证，检验灰色神经网络预测光电功率的准确性，并根据预测误差判断网络性能，共有33天792组数据，首先取前32天768组的数据作为训练数据训练网络，网络共学习进化10次，然后用最后一天24组数据测试预测。

[0080] (2)Elman神经网络模型预测光功率的实现：

[0081] 利用在时间序列下的Elman神经网络建立的短期功率预测模型，通过对历史数据的选取和归一化处理、引入突变因素的影响和隐含层节点数的确定来建立Elman神经网络模型，选取与上一种方法同样的数据，通过选取不同数量的神经元进行2500次的迭代，然后用最后一天的数据进行测试预测，并可利用气象数据进行修正。

[0082] (3)支持向量机模型预测光功率的实现：

[0083] 利用由台湾大学林智仁博士等开发设计的LIBSVM算法软件包，通过对软件包中回归函数的选取、核函数类型的优化选择，找到最适合本专利所用到的模型，实验所用数据是某30兆瓦光伏电站实测原始数据，该气象数据采集时间序列为整点时刻采集记录，利用前32天数据作训练模型，最后1天数据作测试模型，本申请选用的是ε-SVR回归机与RBF核函数，利用前面所提到的网格搜索法(Grid-search)选取模型参数(C，g)，其中C为惩罚系数，g为核函数参数，带入上一步所得的最佳参数对(C，g)，选取不同的不敏感系数ε进行取值测试，观测对训练样本的影响，找出参数的最佳组合。在训练系统中带入惩罚参数c＝1.7411，RBF的核函数参数，以及不敏感系数ε＝0.05，得到训练模型显示：迭代次数为7392次，支持向量个数为311个，边界上的支持向量个数为289个，再输入测试数据进行预测，系统便可输出预测结果。

[0084] 目前，在组合预测中权值的确定方法有模糊变权法、滚动最优变权法等方法，但在模糊变权法中，当前时刻权重的大小仅取决于上一时刻误差及误差的变化率，所以这种方法有一定的局限性；在滚动最优变权法中，对于权值的计算结果只与误差的大小有关，而与误差的正负号无关。这样的结果会造成当多个模型进行预测时，如果仅有一个预测模型结果跟其它所有模型预测结果相反，组合预测的权值分配方法并不会因为它的符号的特殊性而使权值增大。所以，本申请在滚动变权组合预测的基础上，引入正负误差变权组合预测法。

[0085] 本申请提出了基于灰色神经网络模型、Elman神经网络及支持向量机(SVM)的组合光功率预测方法，但是在实际应用中，不仅限于这三种预测模型，将上述单个预测结果通过正负误差变权得到的权值加权组合起来，充分利用各模型提供的信息，综合处理数据，最终得到组合预测的结果。

[0086] 综合以上可知，该方法的思路为：由以往的光伏电站历史功率数据，分别利用灰色神经网络模型、Elman神经网络模型、支持向量机模型，得到各个方法对某一天的光功率预测结果，然后利用正负误差变权法计算这三种方法在预测中所对应的权值，将各个方法在某时刻的权值和各个方法对应的预测结果相结合，便可得到组合预测的结果，再进行精度误差判断，若满足误差要求，即可得到最终的预测结果，基于正负误差变权的组合光功率预测技术算法流程图见附图1。

[0087] 而组合预测是对多种单模型预测方法得到的结果，根据一定规则选取适当的权重对各单模型分配不同权值的一种预测手段，也就是组合了不同模型的预测结果。组合预测法与单一预测模型不同的地方是它不能独立完成预测，而是结合了多种预测手段的综合预测模型，它的原理是当单模型预测出结果后，对这些结果进行综合处理得到组合预测的结果。预测方法分为两大类：一种是对比单模型预测的结果，直接运用误差最小的模型；另外一种是将单模型的预测结果按某一逻辑分配不同的权值，该方法可以将信息的利用最大化，优化了多种模型所蕴含的信息，可消除单模型预测方法可能存在的较大偏差，提高平均预测的误差。

[0088] 与第一种组合预测方法相比，第二种组合预测方法可以将信息的利用最大化，优化了多种模型所蕴含的信息，可消除单模型预测方法可能存在的较大偏差，提高平均预测的误差，但权值和组合算法的选择是关键点和难点，选择合适的权值及组合算法将会使预测模型精度大大提高。

[0089] 实施例：

[0090] 以甘肃某光伏电场的实际数据10月15日为例，利用选择的最佳参数对测试数据进行预测。灰色预测功率随时间变化而变化，可以看到结果如图2所示。整体的预测趋势跟实际发电功率非常接近，但当发电功率为零时准确度有待提高。

[0091] 同样采用西北某光伏电站的历史数据，通过选取不同数量的神经元进行2500次的迭代。由图3可以看出不同神经元数量时的误差，可以看出16个神经元的预测误差最小，并且递归网络中干扰仅仅存在于期望输出，网络的预测精度与干扰方差相比很高，误差忽略不计，并且随着网络训练速率的提高，对于网络陷入局部极小值点又有抑制效果。

[0092] 预测结果如下图4，由图中可以看出，Elman预测对于夜间无辐照输出时段预测误差相对较大，最主要的原因是因为的是用时间序列法来做的功率预测，所以预测的准确度有所下降。但时间序列法的优点是可以提前一天对发电功率的趋势进行预测，再通过气象数据进行修正。

[0093] 在训练系统中带入惩罚参数c＝1.7411，RBF的核函数参数，以及不敏感系数ε＝0.05，得到训练模型显示：迭代次数为7392次，支持向量个数为311个，边界上的支持向量个数为289个。再输入测试数据进行预测，系统输出的预测结果为：均方差是0.0291，平方相关系数是0.8954。同时对光伏发电功率预测数值如图5所示，以最后一天的光伏发电数据为例显示了LIBSVM模型预测的效果。

[0094] 采用基于正负误差变权的组合光功率预测技术，将上述几种预测结果进行组合，得到权值表1及预测结果如图6所示：

[0095] 表1：灰色、Elman和SVM的正负误差变权值

[0096]时刻(t) 灰色 Elman SVM
1 0.2846 0.2369 0.4785
2 0.3925 0.1453 0.4622
3 0.4581 0.0891 0.4528
4 0.4983 0.0328 0.4688
5 0.3360 0.3699 0.2941

[0097]6 0.4426 0.1234 0.4339
7 0.4596 0.0649 0.4755
8 0.4143 0.1520 0.4338
9 0.3910 0.1186 0.4904
10 0.1045 0.4256 0.4699
11 0.2143 0.4175 0.3683
12 0.1241 0.4764 0.3995
13 0.4485 0.3144 0.2371
14 0.2699 0.2343 0.4958
15 0.2200 0.4329 0.3471
16 0.2754 0.3611 0.3635
17 0.2120 0.2902 0.4978
18 0.2579 0.3691 0.3730
19 0.1608 0.3477 0.4915
20 0.2756 0.2462 0.4782
21 0.2592 0.2453 0.4955
22 0.2188 0.2875 0.4936
23 0.2869 0.2169 0.4963
24 0.2652 0.2540 0.4808

[0098] 综上分析可知，正负误差变权的组合光功率预测基于对建立模型的预测范围和对模型误差的不断调整，随时采纳最新观测数值和模型参数的微调，改变权值大小，收集利用各单模型预测的信息与结果，通过各种计算提高预测精度，得到更好的预测效果。

[0099] 本发明按照优选实施例进行了说明，但上述实施例不以任何形式限定本发明，凡采用等同替换或等效变换的形式所获得的技术方案，均落在本发明技术方案的范围内。