本發(fā)明涉及新能源發(fā)電與電力系統(tǒng)技術領域，尤其是涉及一種變權重系數(shù)的并網光伏電站短期功率組合預測方法。

背景技術：

近年來，太陽能開發(fā)利用規(guī)?？焖贁U大，技術進步和產業(yè)升級加快，成本顯著降低，已成為全球能源轉型的重要領域?！笆濉睍r期，我國光伏產業(yè)體系不斷完善，技術進步顯著，光伏制造和應用規(guī)模均居世界前列。太陽能熱發(fā)電技術研發(fā)及裝備制造取得較大進展，已建成商業(yè)化試驗電站，初步具備了規(guī)?；l(fā)展條件。截止到2014年底，光伏發(fā)電累計裝機容量2805萬千瓦，提前完成“十二五”規(guī)劃目標，表明我國光伏市場蘊藏了巨大的發(fā)展?jié)摿Α?/p>

“十三五”將是太陽能產業(yè)發(fā)展的關鍵時期，基本任務是產業(yè)升級、降低成本、擴大應用，實現(xiàn)不依賴國家補貼的市場化自我持續(xù)發(fā)展，成為實現(xiàn)2020年和2030年非化石能源分別占一次能源消費比重15％和20％目標的重要力量。截至2016年底，我國光伏發(fā)電新增裝機容量3454萬千瓦，累計裝機容量7742萬千瓦，新增和累計裝機容量均為全球第一。其中，光伏電站累計裝機容量6710萬千瓦，分布式累計裝機容量1032萬千瓦。全年發(fā)電量662億千瓦時，占我國全年總發(fā)電量的1％。由于光伏電站的出力易受氣象環(huán)境因素的影響，具有不確定性和不穩(wěn)定性等特點，隨著光伏并網滲透率的不斷提高，必將會對電力系統(tǒng)的安全穩(wěn)定運行產生一定影響，所以迫切需要對光伏電站在未來一段時間內的輸出功率進行準確預測。而對于目前常見的單一預測模型來講，提高其預測精度的難度較大，且各單一預測模型的準確度和適用性有所不同，預測存在不確定性。概率是一種表達不確定性的方式，而組合預測(或集合預報)則是獲得概率預報的一個有效途徑。

目前對于分析影響光伏出力的氣象因素的研究上，由于影響光伏電站出力的氣象因素復雜多變，實際的天氣變化情況也復雜得多，且難以對與光伏出力相關的氣象因素進行全面分析，目前常見的光伏預測模型大多是以考慮少量的氣象因素，如以太陽輻照度和氣溫等為輸入變量，而很少考慮引入大氣清晰度指數(shù)、日照時數(shù)、溫差等相關環(huán)境影響因素。即使在建模時將上述氣象因素全部考慮在內，同樣會增加預測模型的復雜性，況且各氣象因素之間也是存在多重共線性關系，不利于預測模型的建立，所以在建立預測模型時所選取的氣象環(huán)境要素及如何降低氣象因素間的多重共線性關系對于模型預測精度的提高顯得尤其重要。

在建立模型時除了上述所考慮的氣象因素條件以外，模型算法的選取對于預測精度來說同樣重要，已往對于光伏電站功率預測多是以單一預測模型為主，而對于單一預測模型，提高其預測精度的難度較大，且各單一預測模型的準確度和適用性有所不同，預測存在不確定性。

目前常見的組合預測一般是對多種單一預測模型所得到的預測結果進行的一種組合，但是不同的單一模型的預測結果肯定是各不相同的，這就需要對各單一預測模型的輸出結果確定一個權值，等權重的預測模型由于單一預測模型預測結果的權重相同，這就會由于某個單一預測模型的預測結果出現(xiàn)較大偏差，影響組合預測模型的預測結果，選取適當權重的主要目的在于消除單一預測方法可能存在的較大偏差，提高預測的準確性。

鑒于以上原因，傳統(tǒng)的光伏功率預測方法難以滿足光伏電站和電力系統(tǒng)實用、簡單以及預測能力的要求。

技術實現(xiàn)要素：

本發(fā)明的目的就是為了克服上述現(xiàn)有技術存在的缺陷而提供一種更準確的變權重系數(shù)的并網光伏電站短期功率組合預測方法。

本發(fā)明的目的可以通過以下技術方案來實現(xiàn)：

一種變權重系數(shù)的并網光伏電站短期功率組合預測方法，該方法的步驟包括：

s1、利用包含離預測時段最近的歷史數(shù)據建立多種單一預測模型，求出各個單一預測模型對預測樣本點的擬合值；

s2、通過灰色關聯(lián)分析法計算各個單一預測模型在每個預測樣本點的權重系數(shù)；

s3、利用步驟s1和步驟s2分別得到的各個單一預測模型對每個預測樣本點的擬合值和對應的權重系數(shù)訓練擬合得到bpnn網絡模型；

s4、通過預測時段最新氣象要素預測值得到各個單一預測模型的單一功率預測值，然后利用步驟s3得到的bpnn網絡模型計算出各個單一預測模型在預測時段的時變權重系數(shù)，利用得到的單一功率預測值和時變權重系數(shù)計算出預測時段的功率預測值；

s5、循環(huán)步驟s1～s4，不斷更新預測時段的功率預測值。

所述步驟s1具體包括：

s11、獲取光伏電站離預測時段最近的歷史氣象要素數(shù)據和歷史光伏輸出功率數(shù)據作為樣本數(shù)據，所述樣本數(shù)據包括訓練樣本和預測樣本；

s12、利用步驟s11得到的訓練樣本數(shù)據，通過最小化訓練誤差進行訓練擬合，建立多種單一預測模型，求出各個單一預測模型對預測樣本的擬合值。

所述步驟s2具體包括：通過灰色關聯(lián)分析法計算各個單一預測模型在預測樣本點處的擬合值與觀測值間的灰色關聯(lián)系數(shù)，將得到的灰色關聯(lián)系數(shù)作為對應單一預測模型的權重系數(shù)。

所述步驟s3具體包括：將步驟s1得到的各個單一預測模型對每個預測樣本點的擬合值作為輸入，將步驟s2得到的各個單一預測模型對應的權重系數(shù)作為輸出，訓練得到bpnn網絡模型。

所述步驟s4具體包括：

s41、獲取預測時段最新的氣象要素預測值；

s42、利用步驟s41得到的最新氣象要素預測值計算出各個單一預測模型對預測時段的單一功率預測值；

s43、將步驟s42得到的單一功率預測值輸入步驟s3得到的bpnn網絡模型中，得到各個單一預測模型在預測時段的時變權重系數(shù)；

s44、對于每個預測時段，將各個單一預測模型得到的單一功率預測值乘以對應的時變權重系數(shù)后再全部疊加，得到該預測時段的功率預測值。

所述多種單一預測模型包括：支持向量機模型、灰色關聯(lián)分析結合支持向量機模型以及主成分分析結合支持向量機模型。

所述氣象要素包括：小時水平面上太陽總輻射、小時地外水平面總輻射、日照時數(shù)、小時平均氣溫、小時最高氣溫、小時最低氣溫、相對濕度、本站氣壓和風速。

與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：

1、將多種影響光伏電站輸出功率的氣象因素考慮在內，分別依據主成分分析法和灰色關聯(lián)分析法對氣象因素進行降維處理，減少了單一預測模型中考慮的氣象因素個數(shù)，綜合考慮氣象因素的同時簡化了傳統(tǒng)單一預測模型的復雜程度。

2、由于氣候因素的不確定性，光伏功率預測不可避免地存在不確定性，概率是一種表達不確定性的方式，而組合預測或集合預報則是獲得概率預報的一個有效途徑，本發(fā)明提出的組合預測的思想，不僅符合氣象科學和光伏發(fā)電的實際，也有利于電力系統(tǒng)調峰和電網規(guī)劃。

3、將灰色關聯(lián)系數(shù)作為組合預測中各種單一預測模型的權值，再通過bpnn網絡模型建立時變權重系數(shù)組合預測模型，實現(xiàn)不同單一預測模型在不同預測時間節(jié)點處不同權重系數(shù)的變化，能夠彌補單一預測模型預測誤差大的缺點，降低了預測模型出現(xiàn)極端誤差的概率，提高了模型的預測精度。

4、該組合預測模型的算法結構簡單，bpnn網絡模型建立完成后，只需要輸入單一預測模型的預測值就能得到時變權重系數(shù)，能高效滿足對光伏電站輸出功率的預測要求。

附圖說明

圖1為本發(fā)明變權重系數(shù)的并網光伏電站短期功率組合預測方法流程圖；

圖2為本發(fā)明方法邏輯示意圖；

圖3為本發(fā)明模型建立過程示意圖；

圖4為功率觀測值與3種單一預測模型的功率預測值的曲線圖；

圖5為svm模型的預測結果殘差誤差直方圖；

圖6為gra-svm模型的預測結果殘差誤差直方圖；

圖7為pca-svm模型的預測結果殘差誤差直方圖；

圖8為本發(fā)明變權重系數(shù)組合預測模型的功率預測值與觀測值的曲線圖；

圖9為本發(fā)明變權重系數(shù)組合預測模型的預測結果殘差誤差直方圖。

具體實施方式

下面結合附圖和具體實施例對本發(fā)明進行詳細說明。本實施例以本發(fā)明技術方案為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述的實施例。

本方法在已經建立完成的單一預測模型以及等權重預測模型的基礎上，提出一種變權重系數(shù)組合預測模型實現(xiàn)對光伏電站輸出功率的預測，能對多種單一預測模型的權重系數(shù)進行實時調整。提出的方法通過灰色關聯(lián)分析結合bp神經網絡得到變權重系數(shù)組合模型，實現(xiàn)了用支持向量機模型(svm)、灰色關聯(lián)分析結合支持向量機模型(gra-svm)和主成分分析結合支持向量機模型(pca-svm)三種單一預測模型在不同預測時間點權重系數(shù)變化的功率預測。首先根據歷史氣象要素數(shù)據和光伏功率觀測值建立svm、gra-svm和pca-svm三種單一預測模型，利用灰色關聯(lián)分析得出三種單一預測模型的權重系數(shù)，然后根據求出的權重系數(shù)結合三種單一預測模型的擬合值訓練建立bp神經網絡模型；根據最新的氣象要素預測值求出三種單一預測模型的單一功率預測值，通過建立的bp神經網絡模型計算單一預測模型的時變權重系數(shù)，疊加乘以時變權重系數(shù)后的單一功率預測值，得到最終功率預測值。

如圖1～3所示，一種變權重系數(shù)的并網光伏電站短期功率組合預測方法，該方法的步驟包括：

s1、利用包含離預測時段最近的歷史數(shù)據建立多種單一預測模型，求出各個單一預測模型對預測樣本點的擬合值，具體包括以下步驟：

s11、數(shù)據的獲取及預處理：

獲取光伏電站離預測時段最近的歷史氣象要素數(shù)據和歷史光伏輸出功率數(shù)據作為樣本數(shù)據，氣象要素包括小時水平面上太陽總輻射、小時地外水平面總輻射(天文輻射)、日照時數(shù)、小時平均氣溫、小時最高氣溫、小時最低氣溫、相對濕度、本站氣壓和風速，根據所獲取的氣象要素數(shù)據計算出小時溫差、清晰度指數(shù)等，對獲取的數(shù)據進行標準化處理，樣本數(shù)據包括訓練樣本和預測樣本；

s12、利用步驟s11得到的訓練樣本數(shù)據，通過最小化訓練誤差進行訓練擬合，建立3種單一預測模型，求出各個單一預測模型對預測樣本的擬合值：

s121、建立svm模型：

支持向量機回歸是一種智能機器學習算法，被應用于解決非線性回歸問題，這種統(tǒng)計學習算法是基于結構風險最小化為原則，可以在較少的樣本情況下，實現(xiàn)理想的擬合效果，目前，在并網光伏電站輸出功率預測問題上，存在電站歷史輸出功率數(shù)據不足及氣象資料不全面等問題，選取支持向量機模型作為單一預測模型用于光伏出力預測十分合適；

s122、建立gra-svm模型：依據灰色關聯(lián)理論，計算歷史氣象數(shù)據的各氣象因素與光伏輸出功率之間關聯(lián)度的大小，本實施例中，選取前5個關聯(lián)度值較大的氣象因素作為支持向量機的模型輸入；

s123、建立pca-svm模型：根據主成分分析理論，本實施例中，對8個原始氣象變量進行降維處理，綜合得出3個主成分因子量作為支持向量機模型的輸入；

s2、通過灰色關聯(lián)分析法計算各個單一預測模型在預測樣本點處的擬合值與觀測值間的灰色關聯(lián)系數(shù)，將得到的灰色關聯(lián)系數(shù)作為對應單一預測模型的權重系數(shù)；設第v個預測模型在第w個預測樣本點處擬合值pv(w)與觀測值間的灰色關聯(lián)系數(shù)ξv(w)，在本實施例中，組合預測模型在預測樣本集第w個時段的擬合值為：

p(w)＝ξ1(w)p1(w)+ξ2(w)p2(w)+ξ3(w)p3(w)；

s3、將步驟s1得到的各個單一預測模型對每個預測樣本點的擬合值作為輸入，將步驟s2得到的各個單一預測模型對應的權重系數(shù)作為輸出，訓練得到bpnn網絡模型；

s4、通過預測時段最新氣象要素預測值計算出預測時段的功率預測值：

s41、獲取預測時段最新的氣象要素預測值；

s42、利用步驟s41得到的最新氣象要素預測值計算出各個單一預測模型對預測時段的單一功率預測值pv；

s43、將步驟s42得到的單一功率預測值輸入步驟s3得到的bpnn網絡模型中，得到各個單一預測模型在預測時段的時變權重系數(shù)λv；

s44、對于每個預測時段，將各個單一預測模型得到的單一功率預測值乘以對應的時變權重系數(shù)后再全部疊加建立變權重系數(shù)組合預測模型，得到該預測時段的功率預測值：

p＝λ1p1+λ2p2+λ3p3；

s5、循環(huán)步驟s1～s4，不斷更新預測時段的功率預測值。

上述步驟s2中灰色關聯(lián)系數(shù)的具體計算步驟進一步分析如下：

s21、參考序列與比較序列的選擇：

首先設x為灰色系統(tǒng)因子集，有xi∈x為系統(tǒng)要素。xi序列的第k個數(shù)據點表示為xi(k)，其中k＝1,2,3……,n，n為要素樣本數(shù)據個數(shù)。定義系統(tǒng)要素的參考序列為x0＝{x0(1),x0(2),x0(3),…,x0(n)}；

其它列入指標體系表中的指標組成的序列即為比較序列，記為xi：

xi＝{xi(1),xi(2),xi(3),…,xi(n)}

其中，i＝1,2,3,…,m，m為比較序列的個數(shù)；

選取光伏電站輸出功率為參考序列，氣象因素為比較序列，進行氣象因素與光伏電站輸出功率之間灰色關聯(lián)系數(shù)的計算；

s22、無量綱化處理：

為了消除由于各序列之間量綱不統(tǒng)一而對灰色關聯(lián)分析結果產生的影響，需要對輸入的各氣象序列數(shù)據進行處理，剔除奇異和不完整的數(shù)據，并對其余數(shù)據進行歸一化處理，歸一化公式如下所示：

式中，xmax、xmin分別為指定序列中的最大值和最小值；

s23、計算灰色關聯(lián)系數(shù)：

利用下式計算氣象因素比較序列的各指標對應于輸出功率參考序列各指標的關聯(lián)系數(shù)：

式中，ρ為分辨系數(shù)，在0～1之間變化，一般取ρ為0.5，分辨系數(shù)的不確定會導致關聯(lián)系數(shù)計算結果的不穩(wěn)定，分辨系數(shù)ρ取不同的值可能造成各個比較序列與參考序列灰色關聯(lián)度的序位發(fā)生改變；

s24、灰色關聯(lián)度計算：

由于關聯(lián)系數(shù)ξi(k)數(shù)目較多，不便于比較，因此將數(shù)列xi與參考序列x0各點的關聯(lián)系數(shù)相加取平均值：

由ri依次排成的數(shù)列為關聯(lián)序列，根據排位次序即可確定各比較數(shù)列對參考數(shù)列影響程度的重要性。

由公式(3)可知，灰色關聯(lián)度ri通常取值范圍為0～1，其值越接近1，表明比較序列對參考序列的影響越大。

表1為利用灰色關聯(lián)理論計算所得出的氣象變量與光伏電站輸出功率之間的灰色關聯(lián)度的值，對氣象變量與功率間的灰色關聯(lián)度進行排序有：r(總輻射量)>r(清晰度指數(shù))>r(風速)>r(日照時數(shù))>r(小時平均溫度)>r(小時溫差)>r(本站氣壓)>r(相對濕度)。本實施例選取與電站輸出功率關聯(lián)度較大的前5個氣象變量作為支持向量機模型的輸入，構造gra-svm模型進行預測。

表1氣象因素與光伏電站輸出功率間灰色關聯(lián)度

上述步驟s123中主成分分析的步驟具體包括：

s1231、將原有氣象變量數(shù)據進行標準化處理：

設原有變量有s個，分別用x1,x2,x3,…,xs表示，將原有變量進行標準化處理，標準化公式為：

式中，x^*lj表示第j個變量在第l個樣本處標準化后的結果，xlj為第j個變量在第l個樣本處的數(shù)據值，sj分別為第j個變量的均值和方差；

s1232、計算變量的簡單相關系數(shù)矩陣r：

r＝y(tǒng)^ty(n-1)

其中，y為原始變量標準化后的矩陣，n為變量的樣本個數(shù)；

s1233、計算相關系數(shù)矩陣r的特征值δ1≥δ2≥δ3≥…≥δs≥0及對應的單位特征向量μ1,μ2,μ3,…,μs。

s1234、確定所選取主成分個數(shù)：

第q個因子的方差貢獻率為：

前t個因子的累計方差貢獻率為：

因子累計方差貢獻率反應前t個因子對原有變量信息的解釋程度，一般地，所選取的主成分因子的數(shù)量取決于因子累計方差貢獻率，當累計方差貢獻率大于75％～85％，說明所提取的因子個數(shù)可以反應原有變量的大部分信息。

表2所示為根據相關系數(shù)矩陣計算得出的不同氣象因素的30天的所有主成分因子的特征值及方差貢獻值，可見前3個主因子的累計方差貢獻率為81.89％，所以選擇提取前3個主成分因子足以代替原有氣象變量的大部分信息；

表2因子累計方差貢獻表

通過上述步驟，計算便得到各個主成分，表3所示為前3個主成分得分系數(shù)矩陣，得分系數(shù)的絕對值大小表明該變量對相應主成分的貢獻程度大小。其中，p表示日平均氣壓，kt表示清晰度指數(shù)，h表示水平面上太陽總輻射，td表示氣溫日較差，t表示日平均氣溫，s表示日照時數(shù)，rr表示相對濕度，v表示風速。其中的前t個特征值和對應的特征向量便是因子分析的初始解。然后將其計算得出的主成分因子值作為svm的輸入進行訓練擬合，構造pca-svm模型進行預測。

表3成份得分系數(shù)矩陣

圖4表示3種單一預測模型的預測結果曲線與實際觀測值的曲線，可見，單一預測模型的預測曲線基本與光伏電站實際觀測值曲線相一致，但是模型在某些預測時間點與觀測值相差較大，如gra-svm模型在5月9日12時的預測結果與觀測值相差甚遠。

圖5～7分別表示3種單一預測模型的預測結果殘差誤差直方圖。如圖5所示，svm模型的殘差主要集中分布在兩側-0.2～-0.1和0.1～0.3之間，在-0.1到0.1區(qū)間幾乎無分布；如圖6所示，gra-svm模型的殘差誤差分布范圍較大，且在大于正方向0.5處仍有分布，說明模型預測結果存在出現(xiàn)極端殘差誤差的可能性，這也導致模型的me誤差較大；如圖7所示，pca-svm模型的殘差分布范圍雖然相對較小，但也主要是集中在兩側-0.3～-0.1和0.1～0.3區(qū)間，且直方圖分布的左右比較對稱，這使得其模型的me計算誤差較小。從3個單一預測模型的me誤差及殘差誤差直方圖分布的整體來看，pca-svm模型的預測結果偏差相對最小，利用pca對氣象變量進行處理，降低了svm網絡模型的輸入量，簡化模型復雜度，svm模型預測結果偏差次之，gra-svm模型預測結果偏差相對最大，這可能是由于在gra-svm經過篩選后，僅選擇對光伏輸出影響較大的5個氣象變量作為輸入，使gra-svm模型的預測精度有所降低。

圖8所示為本方法提出的變權重系數(shù)組合預測模型與觀測值的曲線，從圖中可以看出，變權重系數(shù)組合預測模型預測結果的曲線與觀測值曲線相近。

圖9所示為本方法提出的變權重系數(shù)組合預測模型的預測結果殘差誤差直方圖，組合模型的殘差誤差直方圖左偏，且殘差誤差主要集中在-0.1～0.1之間，但是模型的預測結果出現(xiàn)較大的殘差誤差是小概率事件。

以上試驗結果均表明：本方法可以比單一預測模型實現(xiàn)更加準確的并網光伏電站短期出力的預測。