CN104809532A - 一种光伏系统发电量的预测方法 - Google Patents

Abstract

本发明实施例公开了一种光伏系统发电量的预测方法，在预测过程中，通过检测所述初选单元集合中的多个单项预测模型的包容性，从而确定在预测光伏系统发电量时所需用组合预测模型中的单项预测模型，并且通过采用组合预测模型中的各个单项预测模型的信息熵S_j，计算所述组合预测模型中的各个单项预测模型的权重系数，使得所述各个单项预测模型的权重系数与当前天气参数相匹配，因此，在采用本方案对光伏系统的发电量进行预测时，所述每个单项预测模型在组合预测模型中所占的权重系数是依据当前天气参数可调的，因此，具有较高的预测精度。

Description

一种光伏系统发电量的预测方法

技术领域

本发明涉及光伏发电技术领域，更具体地说，涉及一种光伏系统发电量的预测方法。

背景技术

在光伏发电系统中，对光伏系统的发电量进行预测时，需要气象参数和历史数据的支持，而常规的气象参数包括辐照量、气温、气压、风、湿度、云、降水等，光伏系统发电量的预测具有不确定性，如何提高光伏系统发电量的预测精度，成为本领域技术人员亟待解决的技术问题之一。

发明内容

本发明的目的在于提供一种光伏系统发电量的预测方法和系统，以提高光伏发电系统预测发电量的预测精度。

为实现上述目的，本发明实施例提供了如下技术方案：

一种光伏系统发电量的预测方法，包括：

获取光伏发电站的历史发电量数据和所述光伏发电站所处地的气象参数，对所述历史发电量数据和气象参数进行预处理，依据所述气象参数提取预测时间序列；

对初选单元集合中的多个单项预测模型进行包容性检测，将不相互包容的单项预测模型选入组合预测模型中；

获取与当前气象参数相匹配的n种评价指标；

依据所n种评价指标和所述组合预测模型中各个单项预测模型在i时刻的预测值计算i时刻所述组合预测模型中的各个单项预测模型的信息熵S_j；

依据所述信息熵确定所述i时刻时，组合预测模型中第j种单项预测模型在所述组合预测模型中的权重系数ω_j(i)，其中所述j＝1,2，3…m，所述m为组合预测模型种单项预测模型的个数；

采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果。

优选的，上述光伏系统发电量的预测方法中，所述采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果，包括：

依据公式计算i+1时刻的所述组合预测模型的预测值f(i+1)，其中f_j(i+1)为i+1时刻第j单项预测模型的预测值；

依据i+1时刻发电量实际值以及所述n种评价指标对所述预测值f(i+1)进行评价得到预测精度；

判断所述预测精度是否满足预设要求，如果是，采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果，否则，对所述组合预测模型中的单项预测模型进行内部修正并更新初选单元集合，利用更新后的初选单元集合中的多个单项预测模型分别对光伏系统在所述预测时间序列中同一预测区间内的发电量进行预测。

优选的，上述光伏系统发电量的预测方法中，所述对所述多个单项预测模型进行包容性检验，包括：

分别采用上述多个单项预测模型对预测时间序列中同一时刻光伏系统的发电量进行预测；

将所述多个单项预测模型的预测结果采用回归方程表示；

获取所述每个单项预测模型在回归方程中所占的回归系数；

判断每两个单项预测模型的回归系数β_a和β_b之间的关系是否满足条件：(β_a，β_b)等于(1，0)或(1，0)，如果满足条件，则认为β_a所对应的单项预测模型与β_b所对应单项预测模型相包容，否则，不包容。

优选的，上述光伏系统发电量的预测方法中，所述获取与当前气象参数相匹配的n种评价指标，包括：

在历史数据中查询曾经预测过的与当前获取的所述气象参数相匹配的历史气象参数；

获取与所述历史气象参数相匹配的n种评价指标，将所述历史气象参数的n种评价指标作为所述多个单项预测模型的n种评价指标。

优选的，上述光伏系统发电量的预测方法中，所述依据所n种评价指标和所述组合预测模型中各个单项预测模型在i时刻的预测值计算i时刻所述组合预测模型中的各个单项预测模型的信息熵S_j；依据所述信息熵确定所述i时刻时，组合预测模型中第j种单项预测模型在所述组合预测模型中的权重系数ω_j(i)，包括：

分别采用n种评价指标对所述组合预测模型中的每个单项预测模型在i时刻的预测值进行评价，得到各个单项预测模型的评价矩阵Ei： $E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& ...& e_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ e_{m,1}& ...& e_{m,n}\end{array}\right],$ 所述e_j，k为第j种单项预测模型在i时刻的采用第k种评价指标评价出的评价值；

对所述评价矩阵Ei归一化处理得到归一化评价矩阵Pi： $P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& ...& p_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ p_{m,1}& ...& p_{m,n}\end{array}\right],$ 所述p_j，k为e_j，k在采用第k种评价指标评价出的m单相预测模型的评价指标中所占的比重；

依据所述公式计算得到第j种单项预测模型的信息熵S_j；

根据公式计算计算得到所述第j种单项预测模型在i时刻时在组合预测模型中的权重系数ω_j(i)，其中0≤ω_j(i)≤1。

优选的，上述光伏系统发电量的预测方法中，所述指n种价指标包括：绝对误差、平均误差、平均相对误差、均方根误差、平均绝对误差、平均绝对误差百分比和/或均方根误差百分比。

一种光伏系统发电量的预测系统，包括：

原始数据采集处理模块，用于获取光伏发电站的历史发电量数据和所述光伏发电站所处地的气象参数，对所述历史发电量数据和气象参数进行预处理，依据所述气象参数提取预测时间序列；

包容性检测模块，用于对初选单元集合中的多个单项预测模型进行包容性检测，将不相互包容的单项预测模型选入组合预测模型中；

评价指标提取模块，用于获取与当前气象参数相匹配的n种评价指标；

权重系数计算模块，用于依据所n种评价指标和所述组合预测模型中各个单项预测模型在i时刻的预测值计算i时刻所述组合预测模型中的各个单项预测模型的信息熵S_j，依据所述信息熵确定所述i时刻时组合预测模型中第j种单项预测模型在组合预测模型中的权重系数ω_j(i)，其中所述j＝1,2，3…m，所述m为组合预测模型种单项预测模型的个数；

初选单元预测模块，用于依据公式计算i+1时刻的所述组合预测模型的预测值f(i+1)，其中f_j(i+1)为i+1时刻第j单项预测模型的预测值；

发电量预测模块，用于采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果。

优选的，上述光伏系统发电量的预测系统中，所述发电量预测模块包括：

预测精度测量模块，用于依据i+1时刻发电量实际值以及所述n种评价指标对所述预测值f(i+1)进行评价得到预测精度；

修正模块，用于判断所述预测精度是否满足预设要求，如果是，采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果，否则，对所述组合预测模型中的单项预测模型进行内部修正并更新所述初选单元集合中的初选单元集合。

优选的，上述光伏系统发电量的预测系统中，所述评价指标提取模块的具体工作过程包括：

在历史数据中查询曾经预测过的与当前获取的所述气象参数相匹配的历史气象参数；获取与所述历史气象参数相匹配的n种评价指标，将所述历史气象参数的n种评价指标作为所述多个单项预测模型的n种评价指标。

优选的，上述光伏系统发电量的预测系统中，所述权重系数计算模块的具体工作过程包括：

分别采用n种评价指标对所述组合预测模型中的每个单项预测模型在i时刻的预测值进行评价，得到各个单项预测模型的评价矩阵Ei： $E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& ...& e_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ e_{m,1}& ...& e_{m,n}\end{array}\right],$ 所述e_j，k为第j种单项预测模型在i时刻的采用第k种评价指标评价出的评价值；

对所述评价矩阵Ei归一化处理得到归一化评价矩阵Pi： $P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& ...& p_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ p_{m,1}& ...& p_{m,n}\end{array}\right],$ 所述p_j，k为e_j，k在采用第k种评价指标评价出的m单相预测模型的评价指标中所占的比重；

依据所述公式计算得到第j种单项预测模型的信息熵S_j；

根据公式计算计算得到所述第j种单项预测模型在i时刻时在组合预测模型中的权重系数ω_j(i)，其中0≤ω_j(i)≤1。

通过以上方案可知，本发明实施例提供的技术方案在预测过程中，通过检测所述初选单元集合中的多个单项预测模型的包容性，从而确定在预测光伏系统发电量时所需用组合预测模型中的单项预测模型，并且通过采用组合预测模型中的各个单项预测模型的信息熵S_j，计算所述组合预测模型中的各个单项预测模型的权重系数，使得所述各个单项预测模型的权重系数与当前天气参数相匹配，因此，在采用本方案对光伏系统的发电量进行预测时，所述每个单项预测模型在组合预测模型中所占的权重系数是依据当前天气参数可调的，因此，具有较高的预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种光伏系统发电量的预测方法的流程图；

图2为本申请另一实施例公开的一种光伏系统发电量的预测方法的流程图；

图3为本申请实施例公开的一种光伏系统发电量的预测系统的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

现阶段已有的光伏系统发电量预测方法主要分为2类：

(1)基于数值天气预测的物理预测方法，该方法计算过程复杂、数据量庞大，主要用于新建光伏系统发电量的预测。

(2)统计方法，如持续预测法，神经网络法，卡尔曼滤波法、小波分析法、自回归滑动平均算法及支持向量机法等。其中，持续预测法是用于预测的相对简单的方法，该方法认为光伏系统发电量预测值等于最近几个历史值的滑动平均值。该模型的预测适用于超短期预测，优点在于运行效率高且误差相对较小，但对于其他尺度预测则误差较大。反向传播(back propagation，BP)神经网络算法，为光伏系统发电量预测的一种常用算法，该算法以经验风险最小化为原则，追求样本趋于无穷时的最优解。然而，由于国内大多数光伏发电站运营时间较短，因此其相关历史数据并不充足，采用神经网络预测算法建模属于样本数量有限的问题。神经网络建模技术所强调的训练误差最小化的做法，易引起模型对样本数据的过拟合，从而导致模型的泛化能力降低。支持向量机算法以结构风险最小为原则，提高了模型的泛化能力，特别适合有限样本问题，在光伏发电站发电量预测领域已被广泛应用，但其模型参数的选择较为困难，往往得不到最佳参数。由于每种预测模型都存在固有的缺点，在不同条件下，预测误差将会不同。

由于不同的预测模型和方法各有其优缺点及适用范围，每种预测方法利用的数据也不尽相同，不同的数据提供了丰富的信息，如何选择不同的单项预测模型并将其有效组合起来进行预测成为一影响广发发电系统发电量预测精准度的问题。

针对于上一问题，组合预测模型应运而生，在组合预测模型中具有多个单项预测模型，且每个单项预测模型具有固定权重系数，一旦确定了权重系数，在组合预测模型中权重系数就不再发生变化。但是当所述权重系数确定以后容易造成组合预测模型精度不高，不能很好解决预测方法的时效性。其原因主要有三个：1、时效性问题：由于用于预测的样本数据是时间序列，随着时间的推移，每种单一预测方法的预测效果会发生变化，因此对应的权重系数也应随着时间的推移而发生变化。2、不同的预测方法其特点会发生变化：不同的预测方法对于不同的预测时间段会表现出不同的预测能力。有的方法适用于短期预测，有的方法适用于中长期预测，总体表现出“时好时坏性”，反映在权重系数上表现为“时大时小性”。3、单项预测方法之间的关系会发生变化：随着预测环境的变化，单项预测模型之间的相对性能也可能发生变化，改变了它们在组合预测模型中的重要程度，导致权重系数发生变化。可见现有技术中的组合预测模型中每个单项预测模型的权重系数固定不变，直接导致了其预测精度较低。

有鉴于此，本申请公开了一种新的、基于组合预测模型的光伏系统发电量的预测方法，参见图1，包括：

步骤S101：获取光伏发电站的历史发电量数据和所述光伏发电站所处地的气象参数，对所述历史发电量数据和气象参数进行预处理，依据所述气象参数提取预测时间序列；

其中，所述步骤S101可概括为：原始数据采集及处理。所述原始数据包括光伏发电站的历史发电量数据和通过所述光伏发电站所处地的气象预报获取到的当前的气象参数，所述气象参数可以包括气温T、风向PW、风速Wv、降雨量R、风沙S、太阳辐射总量TI等用于预测光伏系统发电量的气象参数；依据所述气象参数提取预测时间序列；其中，所述预处理包括对对历史数据发电量数据和气象参数进行归一化处理后进行归类、相关性分析、计算协方差等处理，或是对所述历史发电量数据和所述气象参数进行时域分析,所述依据气象参数提取预测时间序列是指按预测时段要求，根据历史气象参数对应的相关系数与气象参数为后续要通过计算公式预测所得的时间序列。比如，需要预测某时段发电量时，则需通过同时段历史数据提取相关系数，把相关系数和预测时段的气象参数通过预测得到预测值；

步骤S102：确定组合预测模型中各个单相预测模型的权重系数；

所述步骤S102具体可以包括：

步骤S1021：对所述初选单元集合中的多个单项预测模型进行包容性检测，将不相互包容的单项预测模型选入组合预测模型中；

其中，所述多个单项预测模型可包括：最小方差方法模型、离散灰色模型、自回归模型(Autoregressive model，AR)、神经网络模型和经典预测模型等预测模型中的任意几个，为了方便说明，本申请后续说明中将所述多个单项预测模型分为第1种单项预测模型、第j种单项预测模型…第m种单项预测模型，可以利用各个单项预测模型分别对由步骤S101中确定的预测时间序列中的各种气象参数在同一个预测区间内对光伏发电系统的发电量进行预测；；所述包容性检测已经成为现有技术中惯用的技术方法之一，在本方法中，包容性检测的具体过程为：分别采用所述多个单项预测模型分别对所述光伏发电系统在t时刻的发电量进行预测，将所述多个单项预测模型的预测结果采用回归方程表示；

步骤S1022：获取所述每个单项预测模型在回归方程中所占的回归系数；

分别采用上述多个单项预测模型预测时间序列中同一时刻对光伏系统的发电量进行预测；判断每两个单项预测模型的回归系数β_a和β_b之间的关系是否满足条件：(β_a，β_b)等于(1，0)或(1，0)，如果满足条件，则认为β_a所对应的单项预测模型与β_b所对应单项预测模型相包容，否则，不包容。

步骤S1023：获取与当前气象参数相匹配的n种评价指标；

所述与当前气象参数相匹配的n种评价指标，即为用户由预设评价指标库中提取的评价指标，具体过程可为：在历史数据中查询曾经预测过的与当前获取的所述气象参数相匹配的历史气象参数；有所述历史数据中查找并获取与所述历史气象参数相匹配的n种评价指标(例如绝对误差、平均误差、平均相对误差、均方根误差、平均绝对误差、平均绝对误差百分比和/或均方根误差百分比等)，将所述历史气象参数的n种评价指标作为所述多个单项预测模型的n种评价指标。在不同的单项预测模型预测同一时间序列发电量时，会经过多种评价指标进行评价，将评价指标误差最小的评价指标保留下来，作为下次预测类似天气参数时，单项预测模型的评价指标。例如，曾经预测过某时段的光伏系统的发电量，其评价指标被保留下来，待以后在预测类似天气类型时启用。

步骤S1024：依据所n种评价指标和所述组合预测模型中各个单项预测模型在i时刻的预测值计算i时刻所述组合预测模型中的各个单项预测模型的信息熵S_j；

步骤S1025：依据所述信息熵确定所述i时刻时，组合预测模型中第j种单项预测模型在所述组合预测模型中的权重系数ω_j(i)，其中所述j＝1,2，3…m，所述m为组合预测模型种单项预测模型的个数；

所述步骤S1024和S1025的具体过程可以为：

(1)分别采用n种评价指标对所述组合预测模型中的每个单项预测模型在i时刻的预测值进行评价，得到各个单项预测模型的评价矩阵Ei：

$E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& ...& e_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ e_{m,1}& ...& e_{m,n}\end{array}\right],$ 所述e_j，k为第j种单项预测模型在i时刻的采用第k种评价指标评价出的评价值；

(2)对所述评价矩阵Ei归一化处理得到归一化评价矩阵Pi：

$P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& ...& p_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ p_{m,1}& ...& p_{m,n}\end{array}\right],$ 所述p_j，k为e_j，k在采用第k种评价指标评价出的m单相预测模型的评价指标中所占的比重；

(3)依据所述公式计算得到第j种单项预测模型的信息熵S_j；

(4)根据公式计算计算得到所述第j种单项预测模型在i时刻时在组合预测模型中的权重系数ω_j(i)，其中0≤ω_j(i)≤1；

步骤S103：采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果。

通过以上方案可知，本发明实施例提供的技术方案在预测过程中，通过检测所述初选单元集合中的多个单项预测模型的包容性，从而确定在预测光伏系统发电量时所需用组合预测模型中的单项预测模型，并且通过采用组合预测模型中的各个单项预测模型的信息熵S_j，计算所述组合预测模型中的各个单项预测模型的权重系数，使得所述各个单项预测模型的权重系数与当前天气参数相匹配，因此，在采用本方案对光伏系统的发电量进行预测时，所述每个单项预测模型在组合预测模型中所占的权重系数是依据当前天气参数可调的，因此，具有较高的预测精度。

此外，参见图2，为了进一步提高预测精度本申请上述实施例公开的方法中，所述步骤S103具体可以包括：

步骤S1031：依据公式计算i+1时刻的所述组合预测模型的预测值f(i+1)，其中所述f_j(i+1)为i+1时刻第j单项预测模型的预测值；

步骤S1032：依据i+1时刻发电量实际值以及所述n种评价指标对所述预测值f(i+1)进行评价得到预测精度；

步骤S1033：判断所述预测精度是否满足预设要求，如果是执行步骤S1034，否则执行步骤S1035；

步骤S1034：采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果；

步骤S1035：对所述组合预测模型中的单项预测模型进行内部修正并更新初选单元集合，重新确定组合预测模型中各个单相预测模型的权重系数；

其中，由于多种因素对最终的预测误差存在影响，预测误差的存在反映了这种影响，因此通过误差评价体系(n个评价指标)逐步修正单项预测模型有利于提高预测的精准度，所述内部修正即指：根据评价指标，对不同的单项预测模型进行对比评价，不断对所述单项预测模型进行修正，从而能够改进预测模型算法效率。

参见本申请上述实施例公开的技术方案，其具有以下优点：

1、由于上述实施例公开的技术方案在不同的预测区间依据不同的气象参数，对每个参与预测的单项预测模型赋予了不同的权重系数，而且权重系数的大小随着预测精度的高低而发生变化，因此使得本申请公开的上述方法可以发挥各个单项预测模型的优点，可以获得更高的预测精度。

2、本发明对于时变组合预测模型，预测区间的划分可大可小，对下一时刻的预测值都可以重新计算分配给每个单项预测模型在此刻的权重系数。对于短期、中长期预测可根据用户的需要适当划分预测区间，进一步保证了预测精度。

3、本申请公开的上述技术方案，在采用组合预测模型预测光伏系统在某一时段的发电量过程中，各个单项预测模型的权重系数将随着时间的推移(所述随着时间的推移包括：①气象参数的变化；②预测时段的长短变化，因为有的单项预测模型只适合短时间预测，有的适合长时间预测；③随时间的推移，可作为预测的样本会越来越多，原来适合预测少样本的单项预测模型不再适用或权重减少，或需要新的单项预测模型加入组合预测模型当中)，在组合预测模型中的重要程度发生变化。组合预测模型能通过计算各个单项预测模型的信息熵来描述该单项预测模型在组合预测模型中的扰动程度，对预测时间序列分别计算在i时刻单项预测模型的信息熵大小，从而确定该单项预测模型在i时刻在组合预测模型中的权重系数。以预测精度误差(预设要求)为评价指标，建立基于信息熵的组合预测模型，从而保证了预测精度。

4、采用多种误差评价体系检测所述单项预测模型的预测误差，预测值满足预设的精度要求时结束时整个预测过程；当预测值的预测精度达不到要求时，将被选择的单项预测模型(被评价的单项预测模型)进行内部修正后再次对光伏系统的发电量进行预测，往返循环直至预测精度满足预设的精度要求为止，因此又进一步保证了预测精度。

可以理解的是，对应于本申请上述实施例公开的方法，本申请还公开了以一种光伏系统发电量的预测系统，所述系统与上述方法可相互借鉴，参见图3，包括：

原始数据采集处理模块1，用于获取光伏发电站的历史发电量数据和所述光伏发电站所处地的气象参数，对所述历史发电量数据和气象参数进行预处理，依据所述气象参数提取预测时间序列；

初选单元集合模块2，存储有初选单元集合，所述初选单元集合包括多个单项预测模型；

包容性检测模块3，用于对所述多个单项预测模型进行包容性检测，将不相互包容的单项预测模型选入组合预测模型中；

评价指标提取模块4，用于获取与当前气象参数相匹配的n种评价指标；

权重系数计算模块5，用于依据所n种评价指标和所述组合预测模型中各个单项预测模型在i时刻的预测值计算i时刻所述组合预测模型中的各个单项预测模型的信息熵S_j，依据所述信息熵确定所述i时刻时组合预测模型中第j种单项预测模型在组合预测模型中的权重系数ω_j(i)，其中所述j＝1,2，3…m，所述m为组合预测模型种单项预测模型的个数；

初选单元预测模块6，用于依据公式计算i+1时刻的所述组合预测模型的预测值f(i+1)，其中f_j(i+1)为i+1时刻第j单项预测模型的预测值；

发电量预测模块7，用于采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果。

与上述方法相对应，本申请上述实施例中的所述发电量预测模块7包括：

预测精度测量模块701，用于依据i+1时刻发电量实际值以及所述n种评价指标对所述预测值f(i+1)进行评价得到预测精度；

修正模块702，用于判断所述预测精度是否满足预设要求，如果是，采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果，否则，对所述组合预测模型中的单项预测模型进行内部修正并更新所述初选单元集合模块中的初选单元集合。

与上述方法相对应，所述评价指标提取模块4具体用于：在历史数据中查询曾经预测过的与当前获取的所述气象参数相匹配的历史气象参数；获取与所述历史气象参数相匹配的n种评价指标，将所述历史气象参数的n种评价指标作为所述多个单项预测模型的n种评价指标。

与上述方法相对应，所述权重系数计算模块5具体用于分别采用n种评价指标对所述组合预测模型中的每个单项预测模型在i时刻的预测值进行评价，得到各个单项预测模型的评价矩阵Ei： $E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& ...& e_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ e_{m,1}& ...& e_{m,n}\end{array}\right],$ 所述e_j，k为第j种单项预测模型在i时刻的采用第k种评价指标评价出的评价值；

对所述评价矩阵Ei归一化处理得到归一化评价矩阵Pi： $P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& ...& p_{1,n}\\ .& & .\\ .& & .\\ .& & .\\ p_{m,1}& ...& p_{m,n}\end{array}\right],$ 所述p_j，k为e_j，k在采用第k种评价指标评价出的m单相预测模型的评价指标中所占的比重；

依据所述公式计算得到第j种单项预测模型的信息熵S_j；

根据公式计算计算得到所述第j种单项预测模型在i时刻时在组合预测模型中的权重系数ω_j(i)，其中0≤ω_j(i)≤1。

当然，与上述方法相对应，所述包容性检测模块3，具体用于分别采用上述多个单项预测模型预测时间序列中同一时刻对光伏系统的发电量进行预测；

将所述多个单项预测模型的预测结果采用回归方程表示：

获取所述每个单项预测模型在回归方程中所占的回归系数；

判断每两个单项预测模型的回归系数β_a和β_b之间的关系是否满足条件：(β_a，β_b)等于(1，0)或(1，0)，如果满足条件，则认为β_a所对应的单项预测模型与β_b所对应单项预测模型相包容，否则，不包容；

将不相互包容的单项预测模型选入组合预测模型中。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种光伏系统发电量的预测方法，其特征在于，包括：

获取光伏发电站的历史发电量数据和所述光伏发电站所处地的气象参数，对所述历史发电量数据和气象参数进行预处理，依据所述气象参数提取预测时间序列；

对初选单元集合中的多个单项预测模型进行包容性检测，将不相互包容的单项预测模型选入组合预测模型中；

获取与当前气象参数相匹配的n种评价指标；

依据所n种评价指标和所述组合预测模型中各个单项预测模型在i时刻的预测值计算i时刻所述组合预测模型中的各个单项预测模型的信息熵S_j；

依据所述信息熵确定所述i时刻时，组合预测模型中第j种单项预测模型在所述组合预测模型中的权重系数ω_j(i)，其中所述j＝1,2，3…m，所述m为组合预测模型种单项预测模型的个数；

采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果。

2.根据权利要求1所述的光伏系统发电量的预测方法，其特征在于，所述采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果，包括：

依据公式计算i+1时刻的所述组合预测模型的预测值f(i+1)，其中f_j(i+1)为i+1时刻第j单项预测模型的预测值；

依据i+1时刻发电量实际值以及所述n种评价指标对所述预测值f(i+1)进行评价得到预测精度；

判断所述预测精度是否满足预设要求，如果是，采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果，否则，对所述组合预测模型中的单项预测模型进行内部修正并更新初选单元集合，利用更新后的初选单元集合中的多个单项预测模型分别对光伏系统在所述预测时间序列中同一预测区间内的发电量进行预测。

3.根据权利要求1所述的光伏系统发电量的预测方法，其特征在于，所述对所述多个单项预测模型进行包容性检验，包括：

分别采用上述多个单项预测模型对预测时间序列中同一时刻光伏系统的发电量进行预测；

将所述多个单项预测模型的预测结果采用回归方程表示；

获取所述每个单项预测模型在回归方程中所占的回归系数；

判断每两个单项预测模型的回归系数β_a和β_b之间的关系是否满足条件：(β_a，β_b)等于(1，0)或(1，0)，如果满足条件，则认为β_a所对应的单项预测模型与β_b所对应单项预测模型相包容，否则，不包容。

4.根据权利要求1所述的光伏系统发电量的预测方法，其特征在于，所述获取与当前气象参数相匹配的n种评价指标，包括：

在历史数据中查询曾经预测过的与当前获取的所述气象参数相匹配的历史气象参数；

获取与所述历史气象参数相匹配的n种评价指标，将所述历史气象参数的n种评价指标作为所述多个单项预测模型的n种评价指标。

5.根据权利要求1所述的光伏系统发电量的预测方法，其特征在于，所述依据所n种评价指标和所述组合预测模型中各个单项预测模型在i时刻的预测值计算i时刻所述组合预测模型中的各个单项预测模型的信息熵S_j；依据所述信息熵确定所述i时刻时，组合预测模型中第j种单项预测模型在所述组合预测模型中的权重系数ω_j(i)，包括：

分别采用n种评价指标对所述组合预测模型中的每个单项预测模型在i时刻的预测值进行评价，得到各个单项预测模型的评价矩阵Ei： $E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& \·\·\·& e_{1,n}\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ e_{m,1}& \·\·\·& e_{m,n}\end{array}\right],$ 所述e_j，k为第j种单项预测模型在i时刻的采用第k种评价指标评价出的评价值；

对所述评价矩阵Ei归一化处理得到归一化评价矩阵Pi： $P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& \·\·\·& p_{1,n}\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ p_{m,1}& \·\·\·& p_{m,n}\end{array}\right],$ 所述p_j，k为e_j，k在采用第k种评价指标评价出的m单相预测模型的评价指标中所占的比重；

依据所述公式计算得到第j种单项预测模型的信息熵S_j；

根据公式计算计算得到所述第j种单项预测模型在i时刻时在组合预测模型中的权重系数ω_j(i)，其中0≤ω_j(i)≤1。

6.根据权利要求1所述的光伏系统发电量的预测方法，其特征在于，所述指n种价指标包括：绝对误差、平均误差、平均相对误差、均方根误差、平均绝对误差、平均绝对误差百分比和/或均方根误差百分比。

7.一种光伏系统发电量的预测系统，其特征在于，包括：

原始数据采集处理模块，用于获取光伏发电站的历史发电量数据和所述光伏发电站所处地的气象参数，对所述历史发电量数据和气象参数进行预处理，依据所述气象参数提取预测时间序列；

包容性检测模块，用于对初选单元集合中的多个单项预测模型进行包容性检测，将不相互包容的单项预测模型选入组合预测模型中；

评价指标提取模块，用于获取与当前气象参数相匹配的n种评价指标；

权重系数计算模块，用于依据所n种评价指标和所述组合预测模型中各个单项预测模型在i时刻的预测值计算i时刻所述组合预测模型中的各个单项预测模型的信息熵S_j，依据所述信息熵确定所述i时刻时组合预测模型中第j种单项预测模型在组合预测模型中的权重系数ω_j(i)，其中所述j＝1,2，3…m，所述m为组合预测模型种单项预测模型的个数；

初选单元预测模块，用于依据公式计算i+1时刻的所述组合预测模型的预测值f(i+1)，其中f_j(i+1)为i+1时刻第j单项预测模型的预测值；

发电量预测模块，用于采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果。

8.根据权利要求7所述的光伏系统发电量的预测系统，其特征在于，所述发电量预测模块包括：

预测精度测量模块，用于依据i+1时刻发电量实际值以及所述n种评价指标对所述预测值f(i+1)进行评价得到预测精度；

修正模块，用于判断所述预测精度是否满足预设要求，如果是，采用确定权重系数后的所述组合预测模型对预测区内发电量的进行预测并输出最终预测结果，否则，对所述组合预测模型中的单项预测模型进行内部修正并更新所述初选单元集合中的初选单元集合。

9.根据权利要求7所述的光伏系统发电量的预测系统，其特征在于，所述评价指标提取模块的具体工作过程包括：

在历史数据中查询曾经预测过的与当前获取的所述气象参数相匹配的历史气象参数；获取与所述历史气象参数相匹配的n种评价指标，将所述历史气象参数的n种评价指标作为所述多个单项预测模型的n种评价指标。

10.根据权利要求7所述的光伏系统发电量的预测系统，其特征在于，所述权重系数计算模块的具体工作过程包括：

分别采用n种评价指标对所述组合预测模型中的每个单项预测模型在i时刻的预测值进行评价，得到各个单项预测模型的评价矩阵Ei： $E_i={\left(e_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{e}_{\mathrm{1,1}}& \·\·\·& e_{1,n}\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ e_{m,1}& \·\·\·& e_{m,n}\end{array}\right],$ 所述e_j，k为第j种单项预测模型在i时刻的采用第k种评价指标评价出的评价值；

对所述评价矩阵Ei归一化处理得到归一化评价矩阵Pi： $P_i={\left(p_{j,k}\right)}_{m\×n}=\left[\begin{array}{ccc}{p}_{\mathrm{1,1}}& \·\·\·& p_{1,n}\\ \·& & \·\\ \·& & \·\\ \·& & \·\\ p_{m,1}& \·\·\·& p_{m,n}\end{array}\right],$ 所述p_j，k为e_j，k在采用第k种评价指标评价出的m单相预测模型的评价指标中所占的比重；

依据所述公式计算得到第j种单项预测模型的信息熵S_j；

根据公式计算计算得到所述第j种单项预测模型在i时刻时在组合预测模型中的权重系数ω_j(i)，其中0≤ω_j(i)≤1。