CN103996073A - 测光网络实时校正自学习arma模型光伏功率预测方法 - Google Patents

Abstract

本发明公开了一种测光网络实时校正自学习ARMA模型光伏功率预测方法，包括输入数据得到自回归滑动平均模型参数即模型训练；输入光资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；建立自回归滑动平均模型从而得到光伏功率超短期预测结果；引入实时测光站数据对光伏功率超短期预测结果进行实时校正；对实时校正后的预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则重新进行模型训练。通过引入实时测光站数据对光伏发电功率超短期预测结果进行实时校正，克服现有ARMA技术中光伏发电功率超短期预测精度低的缺陷，达到高精度的光伏发电功率超短期预测的目的。

Description

测光网络实时校正自学习ARMA模型光伏功率预测方法

技术领域

本发明涉及新能源发电过程中光伏功率预测技术领域，具体地涉及一种测光网络实时校正的自学习ARMA模型光伏功率超短期预测方法。

背景技术

我国光伏发电进入规模化发展阶段以后所产生的大型新能源基地多数位于“三北地区”(西北、东北、华北)，大型新能源基地一般远离负荷中心，其电力需要经过长距离、高电压输送到负荷中心进行消纳。由于风、光资源的间歇性、随机性和波动性，导致大规模新能源基地的风电、光伏发电出力会随之发生较大范围的波动，进一步导致输电网络充电功率的波动，给电网运行安全带来一系列问题。

截至2014年4月，光伏发电装机容量已达到435万千瓦，约占甘肃电网总装机容量的13％，同时甘肃成为我国光伏发电装机规模最大的省份。目前，甘肃电网风电、光伏发电装机超过甘肃电网总装机容量的1/3。随着新能源并网规模的不断提高，光伏发电不确定性和不可控性给电网的安全稳定经济运行带来诸多问题。准确预估可利用的发电光资源是对大规模光伏发电优化调度的基础。对光伏发电过程中的光伏发电功率进行预测，可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃光电量估计提供关键信息。

ARMA(自回归滑动平均模型)作为一种成熟的机器学习方法广泛应用于光伏发电功率超短期预测。ARMA模型由自回归模型(AR)和滑动平均模型(MA)组成，采用对历史功率进行自回归运算及对白噪声序列进行滑动平均来预测未来0-4小时内的光伏发电出力。ARMA方法有很多优点，因此广泛用于光伏发电功率超短期预测，但ARMA最大的缺点就是其预测的滞后性——即当光伏发电出力发生改变时，ARMA预测的结果的变化速度普遍慢于实际光伏发电出力变化速度。因此，严重影响ARMA的预测精度。

发明内容

本发明的目的在于，针对上述问题，提出一种测光网络实时校正自学习ARMA模型光伏功率预测方法，以实现高精度光伏发电功率超短期预测的优点。

为实现上述目的，本发明采用的技术方案是：

一种测光网络实时校正自学习ARMA模型光伏功率预测方法，包括输入数据得到自回归滑动平均模型参数即模型训练；

输入光资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；

建立自回归滑动平均模型从而得到光伏功率超短期预测结果；

引入实时测光站数据对光伏功率超短期预测结果进行实时校正；

对实时校正后的预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则重新进行模型训练。

根据本发明的优选实施例，所述输入数据得到自回归滑动平均模型参数包括，输入模型训练基础数据；

模型定阶；

采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。

根据本发明的优选实施例，所述输入模型训练基础数据，输入数据包括，历史辐射数据和历史功率数据。

根据本发明的优选实施例，所述模型定阶具体为：

采用残差方差图法进行模型定阶，具体为设x_t为需要估计的项，x_t-1,x_t-2,...,x_t-n为已知历史功率序列，对于ARMA(p,q)模型，模型定阶即确定模型中参数p和q的值；

用系列阶数逐渐递增的模型拟合原始序列，每次都计算残差平方和然后画出阶数和的图形，当阶数由小增大时，会显著下降，达到真实阶数后的值会逐渐趋于平缓，甚至反而增大，

＝拟合误差的平方和/(实际观测值个数-模型参数个数)，

实际观测值个数指拟合模型时实际使用的观察值项数，对于具有N个观察值的序列，拟合AR(p)模型，则实际使用的观察值最多为N-p，模型参数个数指所建立的模型中实际包含的参数个数，对于含有均值的模型，模型参数个数为模型阶数加1，对于N个观测值的序列，ARMA模型的残差估计式为：

其中，Q为拟合误差的平方和函数，和θ_j(1≤j≤q)是模型系数，N是观测序列长度，是模型参数中的常数项。

根据本发明的优选实施例，所述采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计具体步骤为：

将光伏电站历史功率数据利用数据序列x₁,x₂,...,x_t表示，其样本自协方差定义为

${\widehat{\mathrm{\γ}}}_k=\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k},$

其中，k＝0,1,2,...,n-1，x_t和x_t-k均为数据序列x₁,x₂,...,x_t中的数值；

则 ${\widehat{\mathrm{\γ}}}_0=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2$

则历史功率数据样本自相关函数为：

${\widehat{\mathrm{\ρ}}}_k=\frac{{\widehat{\mathrm{\γ}}}_k}{{\widehat{\mathrm{\γ}}}_0}=\frac{\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}=\frac{\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2},$

其中，k＝0,1,2,...,n-1；

AR部分的矩估计为，

令

则协方差函数为

用的估计代替γ_k，

可得参数

对MA(q)模型系数θ₁,θ₂,...,θ_q采用矩估计有

${\mathrm{\γ}}_0\left(y_t\right)=(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2){\mathrm{\σ}}_a^2$ 直到

${\mathrm{\γ}}_k\left(y_t\right)=({-\mathrm{\θ}}_k+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q){\mathrm{\σ}}_a^2$

其中k＝1,2,...,m，

以上m+1个方程非线性方程，采用迭代法进行求解即得到自回归滑动平均模型参数。

根据本发明的优选实施例，

所述光资源监测系统数据包括与待预测光伏电站相关的测光站所监测的实时测光数据及数值天气预报数据预测的光伏电站平均辐射，所述运行监测系统数据是待预测光伏电站光伏组件实时监测信息，包括光伏逆变器实时停开机状态信息。

根据本发明的优选实施例，还包括，

将预测结果输出至数据库中，并通过图表及曲线展示预测结果并展示预测与实测结果的对比。

根据本发明的优选实施例，所述自回归滑动平均模型为：

其中，和θ_j(1≤j≤q)是系数，α_t是白噪声序列。

根据本发明的优选实施例，所述引入实时测光站数据对光伏功率超短期预测结果进行实时校正具体为：

设t₁时刻，测光站监测得到的光伏电站平均辐照度为I₁，天气预报数据预测的光伏电站平均辐照度为J₁，光伏电站的实际出力为p₁；下一个时间点t₂时刻，天气预报数据预测的光伏电站平均辐照度为J₂，则光伏电站实际辐照度I₂为，

I₂＝I₁+(J₂-J₁)

则光伏电站功率预测的参数修正量为

$k=(\frac{I_2-I_1}{I_1}\×100\%)\×p_1$ (I₁≠0时)。

根据本发明的优选实施例，输出的最终预测结果为：

其中，Xt是t时刻光伏电站出力预测，和θ_j(1≤j≤q)是系数，α_t是白噪声序列，λ是加权系数，I_t是t时刻光伏电站的平均辐照度。

本发明的技术方案具有以下有益效果：

本发明的技术方案通过对光伏发电过程中的光伏发电功率进行预测，并通过引入实时测光站数据对光伏发电功率超短期预测结果进行实时校正，克服现有ARMA技术中光伏发电功率超短期预测精度低的缺陷，达到高精度的光伏发电功率超短期预测的目的。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施例所述的测光网络实时校正自学习ARMA模型光伏功率预测方法原理框图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

一种测光网络实时校正自学习ARMA模型光伏功率预测方法，包括输入数据得到自回归滑动平均模型参数即模型训练；

输入光资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；

建立自回归滑动平均模型从而得到光伏功率超短期预测结果；

引入实时测光站数据对光伏功率超短期预测结果进行实时校正；

对实时校正后的预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则重新进行模型训练。

如图1所示，本发明技术方案提出的光伏发电功率超短期预测可分为两个阶段：模型训练阶段和功率预测阶段。

阶段1：模型训练

步骤1.1：模型训练基础数据输入

光伏发电功率预测系统模型训练所需输入数据包括历史辐射数据、历史功率数据等。将基础数据输入到预测模型中进行模型训练。

步骤1.2：模型定阶

由于事先无法确定需要使用多少已知时间序列的项来建立估计函数，所以需要对模型进行定阶判断。

设x_t为需要估计的项，x_t-1,x_t-2,...,x_t-n为已知历史功率序列，对于ARMA(p,q)模型，模型定阶就是确定模型中参数p和q的值。

采用残差方差图法进行模型定阶。假定模型是有限阶自回归模型，如果设置的阶数小于真实阶数，则是一种不足拟合，因而拟合残差平方和必定偏大，此时通过提高阶数可以显著降低残差平方和。反之，如果阶数已经达到真实值，那么再增加阶数，就是过度拟合，此时增加阶数不会令残差平方和显著减小，甚至会略有增加。

这样用一系列阶数逐渐递增的模型来拟合原始序列，每次都计算残差平方和然后画出阶数和的图形。当阶数由小增大时，会显著下降，达到真实阶数后的值会逐渐趋于平缓，有时甚至反而增大。残差方差的估计式为：

＝拟合误差的平方和/(实际观测值个数-模型参数个数)

“实际观测值个数”是指拟合模型时实际使用的观察值项数，对于具有N个观察值的序列，拟合AR(p)模型，则实际使用的观察值最多为N-p。

“模型参数个数”是指所建立的模型中实际包含的参数个数，对于含有均值的模型，模型参数个数为模型阶数加1。对于N个观测值的序列，相应ARMA模型的残差估计式为：

(式1)

步骤1.3：模型参数估计

采用矩估计方法对ARMA(p,q)的模型参数进行估计。首先，将光伏电站历史功率数据利用数据序列x₁,x₂,...,x_t表示，其样本自协方差定义为

${\widehat{\mathrm{\γ}}}_k=\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k},$ (式2)

其中，k＝0,1,2,...,n-1，x_t和x_t-k均为数据序列x₁,x₂,...,x_t中的数值。

特别的，

${\widehat{\mathrm{\γ}}}_0=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2$ (式3)

则历史功率数据样本自相关函数为：

${\widehat{\mathrm{\ρ}}}_k=\frac{{\widehat{\mathrm{\γ}}}_k}{{\widehat{\mathrm{\γ}}}_0}=\frac{\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}=\frac{\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2},$ (式4)其中，k＝0,1,2,...,n-1。

AR部分的矩估计为

(式5)令

(式6)

则协方差函数为

(式7)用的估计代替γ_k，有

(式8)

可得参数

对MA(q)模型系数θ₁,θ₂,...,θ_q采用矩估计有

${\mathrm{\γ}}_0\left(y_t\right)=(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2){\mathrm{\σ}}_a^2$ (式9)

……

……

……

${\mathrm{\γ}}_k\left(y_t\right)=({-\mathrm{\θ}}_k+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q){\mathrm{\σ}}_a^2$ (式10)

其中k＝1,2,...,m。

以上共包含m+1个方程，对其参数而言，方程为非线性，采用迭代法进行求解。

具体步骤如下，将方程变形为：

${\mathrm{\σ}}_a^2={\mathrm{\γ}}_0/(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2)$ (式11)

${\mathrm{\θ}}_k=-\frac{{\mathrm{\γ}}_k}{{\mathrm{\σ}}_a^2}+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q,k=\mathrm{1,2},...,m$ (式12)

给定θ₁,θ₂,...,θ_q和的一组初始值，如

${\mathrm{\θ}}_1={\mathrm{\θ}}_2=...={\mathrm{\θ}}_q=0,{\mathrm{\σ}}_a^2={\mathrm{\γ}}_0$ (式13)

代入以上两式右边，左边所得到的值为第一步迭代值，记为再将该值依次代入上两式的右侧，便得到第二步迭代值，依次类推，直到相邻两次迭代结果小于给定阈值时，取所得的结果作为参数的近似解。

通过上述求解过程发现，要求解时间序列模型的阶数，就要得到时间序列的预测值；要得到时间序列的预测值，必须先建立具体的预测函数；要建立具体的预测函数，必须知道模型的阶数。

根据实验，时间序列模型阶数一般不超过5阶。所以在该算法具体实现时，可以首先假设模型为1阶，利用步骤1.3中的参数估计方法得到一阶模型的参数，进而建立估计函数便可以求得一阶模型时间序列模型估计得到各个项的预测值，从而求得一阶模型的残差方差；之后，假设模型为二阶，用上述方法求得二阶模型的残差；以此类推，可以得到1到5阶模型的残差，选残差最小的模型的阶数作为最终模型的阶数。确定模型阶数后，便可计算得到参数θ₁,θ₂,...,θ_q的值。

阶段2：功率预测

步骤2.1：光资源监测系统数据输入

光资源监测系统数据主要包括与待预测光伏电站相关的测光站所监测的实时测光数据及NWP(数值天气预报数据)预测的光伏电站平均辐射。

步骤2.2：运行监测系统数据输入

运行监测系统数据是指待预测光伏电站光伏组件实时监测信息，主要包括光伏逆变器实时停开机情况等状态信息。

步骤2.3：运行监测数据实时校正开机容量

光伏电站运行过程中，由于各种原因会导致停机情况，比如典型的5万千瓦装机的光电站，平均开机容量通常不足5万千瓦，因此通过实时光伏运行监测数据可以知道光伏电站实际的开机容量，而非用光伏电站的装机容量进行光伏发电功率超短期预测，从而获得更高的预测精度。

步骤2.4：基于ARMA模型的光伏发电功率超短期预测

将模型参数估计出来之后，结合已估计的模型阶数，便可得到用于光伏发电功率超短期预测的时间序列方程。根据上述步骤得出的p和q值，以及θ₁,θ₂,...,θ_q的值建立自回归滑动平均模型；

自回归滑动平均模型如下：

(式14)

其中，和θ_j(1≤j≤q)是系数，α_t是白噪声序列。

步骤2.5：资源监测数据实时校正光伏发电功率超短期预测结果

通过上述ARMA预测模型可以看出，对于光伏发电功率的实时变化，上述模型总是具有滞后性，本发明通过引入实时测光站数据对光伏发电功率超短期预测结果进行实时校正。

设t₁时刻，测光站监测得到的光伏电站平均辐照度为I₁，NWP预测的光伏电站平均辐照度为J₁，光伏电站的实际出力为p₁；下一个时间点t₂时刻，NWP预测的光伏电站平均辐照度为J₂，则光伏电站实际辐照度I₂为，

I₂=I₁+(J₂-J₁)(式15)

则光伏电站功率预测的参数修正量为

$k=(\frac{I_2-I_1}{I_1}\×100\%)\×p_1$ (I₁≠0时)(式16)

步骤2.6：最终预测结果输出及展示

则测光网络实时校正的ARMA模型光伏发电功率超短期预测结果为

(式17)

其中，Xt是t时刻光伏电站出力预测，和θ_j(1≤j≤q)是系数，α_t是白噪声序列，λ是加权系数，I_t是t时刻光伏电站的平均辐照度。

通过引入测光站实时监测数据修正后的预测辐照度，可以对ARMA模型下一步预测做出加权调整，从而解决ARMA模型预测的滞后性问题。

将预测结果输出至数据库中，并通过图表及曲线展示预测结果、展示预测与实测结果的对比。

步骤3：预测结果后评估及模型修正

首先对预测结果进行后评估，分析预测值与实测值之间的误差。如果预测误差大于允许的最大误差，则跳转到模型训练过程，重新进行模型训练。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，包括输入数据得到自回归滑动平均模型参数即模型训练；

输入光资源监测系统数据和运行监测系统数据，并根据运行监测数据实时校正开机容量；

建立自回归滑动平均模型从而得到光伏功率超短期预测结果；

引入实时测光站数据对光伏功率超短期预测结果进行实时校正；

对实时校正后的预测结果进行后评估，分析预测值与实测值之间的误差，如预测误差大于允许的最大误差，则重新进行模型训练。

2.根据权利要求1所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述输入数据得到自回归滑动平均模型参数包括，输入模型训练基础数据；

模型定阶；

采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。

3.根据权利要求2所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述输入模型训练基础数据，输入数据包括，历史辐射数据和历史功率数据。

4.根据权利要求3所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述模型定阶具体为：

采用残差方差图法进行模型定阶，具体为设x_t为需要估计的项，x_t-1,x_t-2,...,x_t-n为已知历史功率序列，对于ARMA(p,q)模型，模型定阶即确定模型中参数p和q的值；

用系列阶数逐渐递增的模型拟合原始序列，每次都计算残差平方和然后画出阶数和的图形，当阶数由小增大时，会显著下降，达到真实阶数后的值会逐渐趋于平缓，甚至反而增大，

＝拟合误差的平方和/(实际观测值个数-模型参数个数)，

实际观测值个数指拟合模型时实际使用的观察值项数，对于具有N个观察值的序列，拟合AR(p)模型，则实际使用的观察值最多为N-p，模型参数个数指所建立的模型中实际包含的参数个数，对于含有均值的模型，模型参数个数为模型阶数加1，对于N个观测值的序列，ARMA模型的残差估计式为：

其中，Q为拟合误差的平方和函数，和θ_j(1≤j≤q)是模型系数，N是观测序列长度，是模型参数中的常数项。

5.根据权利要求4所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计具体步骤为：

将光伏电站历史功率数据利用数据序列x₁,x₂,...,x_t表示，其样本自协方差定义为

${\widehat{\mathrm{\γ}}}_k=\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k},$

其中，k＝0,1,2,...,n-1，x_t和x_t-k均为数据序列x₁,x₂,...,x_t中的数值；

则 ${\widehat{\mathrm{\γ}}}_0=\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2$

则历史功率数据样本自相关函数为：

${\widehat{\mathrm{\ρ}}}_k=\frac{{\widehat{\mathrm{\γ}}}_k}{{\widehat{\mathrm{\γ}}}_0}=\frac{\frac{1}{n}\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\frac{1}{n}\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2}=\frac{\underset{t=k+1}{\overset{n}{\mathrm{\Σ}}}{x}_t{x}_{t-k}}{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{x}_t^2},$

其中，k＝0,1,2,...,n-1；

AR部分的矩估计为，

令

则协方差函数为

用的估计代替γ_k，

可得参数

对MA(q)模型系数θ₁,θ₂,...,θ_q采用矩估计有

${\mathrm{\γ}}_0\left(y_t\right)=(1+{\mathrm{\θ}}_1^2+{\mathrm{\θ}}_2^2+...+{\mathrm{\θ}}_q^2){\mathrm{\σ}}_a^2$ 直到

${\mathrm{\γ}}_k\left(y_t\right)=({-\mathrm{\θ}}_k+{\mathrm{\θ}}_1{\mathrm{\θ}}_{k+1}+...+{\mathrm{\θ}}_{q-k}{\mathrm{\θ}}_q){\mathrm{\σ}}_a^2$

其中k＝1,2,...,m，

以上m+1个方程非线性方程，采用迭代法进行求解即得到自回归滑动平均模型参数。

6.根据权利要求5所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，

所述光资源监测系统数据包括与待预测光伏电站相关的测光站所监测的实时测光数据及数值天气预报数据预测的光伏电站平均辐射，所述运行监测系统数据是待预测光伏电站光伏组件实时监测信息，包括光伏逆变器实时停开机状态信息。

7.根据权利要求6所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，还包括，

将预测结果输出至数据库中，并通过图表及曲线展示预测结果并展示预测与实测结果的对比。

8.根据权利要求7所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述自回归滑动平均模型为：

其中，和θ_j(1≤j≤q)是系数，α_t是白噪声序列。

9.根据权利要求8所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，所述引入实时测光站数据对光伏功率超短期预测结果进行实时校正具体为：

设t₁时刻，测光站监测得到的光伏电站平均辐照度为I₁，天气预报数据预测的光伏电站平均辐照度为J₁，光伏电站的实际出力为p₁；下一个时间点t₂时刻，天气预报数据预测的光伏电站平均辐照度为J₂，则光伏电站实际辐照度I₂为，

I₂＝I₁+(J₂-J₁)

则光伏电站功率预测的参数修正量为

$k=(\frac{I_2-I_1}{I_1}\×100\%)\×p_1$ (I₁≠0时)。

10.根据权利要求9所述的测光网络实时校正自学习ARMA模型光伏功率预测方法，其特征在于，输出的最终预测结果为：

其中，X_t是t时刻光伏电站出力预测，和θ_j(1≤j≤q)是系数，α_t是白噪声序列，λ是加权系数，I_t是t时刻光伏电站的平均辐照度。