CN104978613B - 一种考虑组件温度的光伏出力短期预测方法 - Google Patents

Abstract

本发明涉及一种光伏出力短期预测方法，尤其是涉及一种考虑组件温度的光伏出力短期预测方法。本发明将直接影响光伏出力因素之一的组件温度作为重要考虑要素对出力进行预测。本发明寻找出影响组件温度的因素主要有辐照强度、环境温度、风和湿度。为了精准的对光伏输出功率预测,本发明运用GDPSO‑LSSVM对光伏组件温度进行预测。运用熵权法对相似日进行选取，并用熵权法分析不同光伏特征指标也输出功率影响中变异程度,结合所求信息熵和GDPSO‑LSSVM算法对光伏输出功率进行预测。

Description

一种考虑组件温度的光伏出力短期预测方法

技术领域

本发明涉及一种光伏出力短期预测方法，尤其是涉及一种考虑组件温度的光伏出力短期预测方法。

背景技术

光伏发电相对于传统能源发电而言，具有一定的间歇性、波动性、周期性等特点，这些特点会给电网的运行带来较大的影响。从实际来说，对电力调度部门而言，能够较准确的对光伏发电功率进行预测，可以提早得到光伏电站输出功率的数据及变化规律。可以提高电网的稳定性、可靠性和经济性。

研究表明，晶体硅太阳能电池的最大输出功率与组件温度之间存在负相关性,即组件温度越低,最大输出功率越高；组件温度越高，最大输出功率越低。也可以说，当组件温度不断上升时，短路电流不断变大，开路电压逐渐减小，输出功率值也不断减小。

而目前对光伏发电系统输出功率预测，用环境温度代替光伏组件实际温度，或者不考虑组件温度的影响，必然会造成明显的误差。因此本发明考虑组件温度对光伏出力的影响，可以进一步提高光伏出力的精确度。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种考虑组件温度的光伏出力短期预测方法，其特征在于，包括以下步骤：

步骤1，选取相邻日影响组件温度的天气因素，对预测日组件温度进行预测，具体包括运用粒子群进行算法参数寻优以及最小二乘支持向量机算法对组件温度进行预测两个子步骤；

其中，所述运用粒子群进行算法参数寻优的具体方法是：

步骤1.11，粒子初始化，设置相关参数；

步骤1.12，评价和计算每个粒子的适应值；

步骤1.13，计算每个粒子的个体最优位置和群体最优位置，并计算每次迭代时粒子个体历史最优位置的高斯扰动值；

步骤1.14，按照下式对粒子速度和位置进行更新，并计算新的粒子适应度值；

v_i,j(t+1)＝wv_i,j(t)+c₁r₁[p_i,j(t)+r₂gauss_i,j(t)-x_i,j(t)]

+c₂r₃[p_g,j(t)-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

gauss_i,j(t)＝r₄gaussian(μ,δ²)

其中，w为惯性权重，c₁、c₂为加速因子，r₁、r₂、r₃、r₄表示(0,1)区间服从均匀分布的随机数，v_i,j(t)为粒子i在第t次迭代时的速度，p_i,j(t)为粒子i在第t次迭代时的历史最优位置，gauss_i,j(t)为粒子i在第t迭代时产生的高斯扰动，μ为均值，δ²为方差，x_i,j(t)为粒子i在第t次迭代时的位置，p_g,j(t)是第t次迭代时种群的最优位置；

步骤1.15，若算法满足终止条件，则停止迭代，输出全局最优粒子位置及其适应度值；否则转到步骤1.12继续循环；

所述最小二乘支持向量机算法对组件温度进行预测的具体方法是：

步骤1.21，对收集的气象数据和组件温度数据进行归一化处理，形成训练样本矩阵；

步骤1.22，确定LSSVM模型所需的运行参数，设定GDPSO算法的参数；

步骤1.23，计算各个粒子当前的适应值和高斯扰动项的值，更新粒子的速度和位置；

步骤1.24，计算更新后粒子的新适应值，并完成对粒子个体和群体的最优解替换；

步骤1.25，若达到最大迭代次数，则结束优化，输出优化参数；否则，返回步骤1.23继续循环；

步骤1.26，将优化的参数赋给LSSVM，得到优化的预测模型，完成预测；

步骤2，运用熵权法选取预测日的相似日；

步骤3，分析影响光伏出力在不同时刻在出力中的变异程度，结合统计方法(GDPSO-LSSVM)对光伏出力进行短期预测。

在上述的一种考虑组件温度的光伏出力短期预测方法，所述的步骤2中，具体的操作步骤如下：

步骤2.1，以每天7:00-20:00中每60min为一个基准点，提取预测日气象特征数值，构成预测日指标向量

X₀＝[x₀(7),x₀(8),…,x₀(20),y₀(7),y₀(8),…,y₀(20),z₀(7),z₀(8),…,z₀(20)]；将与预测日接近的14天作为历史日，提取历史日的相对应指标构成历史日指标向量：

X_j＝[x_j(7),x_j(8),…，x_j(20),y_j(7),y_j(8),…,y₀(20),z_j(7),z_j(8),…,z_j(20)]，其中，x_j表示组件温度，y_j表示湿度，z_j表示辐照强度，j＝1,2，…，14；

步骤2.2，求解X_j与X₀差值绝对值构成差值矩阵，并对差值矩阵进行归一化处理，得到预测日与历史日的指标数据差值归一化矩阵；

步骤2.3，由差值矩阵确定各个基值点的权重参数，将权重与各历史天的指标差值归一化矩阵相应点相乘，并求取加权和作为相似误差；由相似误差从小到大排序，选出相似误差最小的5天作为预测日的相似日。

在上述的一种考虑组件温度的光伏出力短期预测方法，所述的步骤3中，具体的操作步骤如下：

步骤3.1，在相似日中选取与预测时刻对应的所需时刻的组件温度、湿度以及辐照强度等指标数据；

步骤3.2，构成矩阵，利用熵权法程序分析此时刻每个指标所提供的信息权重；

步骤3.3，将得到的权重与其对应的相似日中各指标原始数据进行相乘，得到新的加权输入矩阵；

步骤3.4，将加权输入矩阵和输出功率作为输入数据，对此时刻的光伏输出功率进行预测。

因此，本发明具有如下优点：1.本发明提出的考虑组件温度影响因素前提下，利用熵权法与GDPSD-LSSVM算法进行光伏功率短期预测，具有误差小，预测效果良好的优点。

附图说明

图1是本发明中运用运用粒子群寻优的最小二乘支持向量机算法对组件温度进行预测的流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

下面是采用本发明的具体实施例的步骤，如下：

一、组件温度预测方法

运用粒子群寻优的最小二乘支持向量机算法对组件温度进行预测以备后续的输出功率预测提供数据支持。

1)通过机器学习，针对光伏发电系统，根据所提供的训练样本，寻找系统输入和输出之间的未知依赖关系。本发明采用最小二乘支持向量机(LSSVM)算法进行机器学习。LSSVM优化指标采用的平方项，运用等式约束代替标准支持向量机的不等式约束，将标准支持向量机中的求解二次规划问题转化为求解线性问题，可简化计算复杂度，提高计算速度。LSSVM采用结构风险最小化准则，使用核函数解决非线性回归问题，假设(x_i,y_i),i＝1,2,…N是给定的数据集合，且满足条件x∈Rⁿ,y∈R，对于非线性的样本输入向量x_i，可以通过预先定义的映射函数将其映射到高维特征空间，在新的高维特征空间中,可将其当成线性函数求解,因为原来的非线性函数经过映射函数的变换己经成为高维特征空间中的线性函数,此时决策函数可以表示为:

其中，w是权重向量，b是偏移量。采用结构风险最小化原则寻求权重向量和偏移量的值，LSSVM的优化问题可以表示为

其中，γ为正则化参数，e_i表示误差。从上式可以看出，最小二乘支持向量机直接将损失函数定义为误差的平方和，将传统的标准支持向量机中的不等式约束转换成了等式约束。

引入拉格朗日乘子α_i，可以将下式转化为：

根据KKT条件可得：

消去w和e_i可以得到线性方程：

其中，α^*＝[α₁,α₂,…α_N]^T,I^*＝[1,1,…1]^T为N×1维列向Y＝[y₁,y₂,…y_N]^T,Ω∈R^{N ×N}，并且非线性回归的预测模型的表达式可以写为：

其中，α_i为拉格朗日乘子，K(x_i,x_j)为核函数，满足Mercer条件。因为RBF核函数在非线性函数预测方面表现出很好的特性，本发明选用RBF核函数作为核函数进行预测：

2)由LSSVM原理可知，在使用最小二乘支持向量机建模过程中，惩罚参数和核参数对模型性能和泛化能力有很大的影响，本发明采用效果较好的粒子群算法来优化对参数的选择。通过对标准粒子群优化算法(PSO)算法分析可知，标准PSO算法很容易陷入局部最优，导致算法进化后期停滞不前，为了解决这个问题，本发明采用高斯扰动的粒子群优化算法(GDPSO)进行参数寻优。此算法在粒子运动过程中增加高斯扰动项，丰富种群的多样性，提高粒子寻找到最优可行解的概率。高斯扰动的范围会随着迭代的进行逐渐减小，并根据不同粒子上的不同维度信息进行不同程度的扰动，具有一定的动态随机性。将高斯扰动项加入速度迭代公式中，得到

v_i,j(t+1)＝wv_i,j(t)+c₁r₁[p_i,j(t)+r₂gauss_i,j(t)-x_i,j(t)]

+c₂r₃[p_g,j(t)-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

gauss_i,j(t)＝r₄gaussian(μ,δ²)

其中，w为惯性权重，c₁、c₂为加速因子，r₁、r₂、r₃、r₄表示(0,1)区间服从均匀分布的随机数，v_i,j(t)为粒子i在第t次迭代时的速度，p_i,j(t)为粒子i在第t次迭代时的历史最优位置，gauss_i,j(t)为粒子i在第t迭代时产生的高斯扰动，μ为均值，δ²为方差，x_i,j(t)为粒子i在第t次迭代时的位置，p_g,j(t)是第t次迭代时种群的最优位置。

GDPSO算法步骤：

(1)粒子初始化，设置相关参数；

(2)评价和计算每个粒子的适应值；

(3)计算每个粒子的个体最优位置和群体最优位置，并计算每次迭代时粒子个体历史最优位置的高斯扰动值。

(4)按照速度迭代公式对粒子速度和位置进行更新，并计算新的粒子适应度值；

(5)若算法满足终止条件，则停止迭代，输出全局最优粒子位置及其适应度值；否则转到(2)继续循环；

3)运用运用粒子群寻优的最小二乘支持向量机算法对组件温度进行预测，组件温度预测的GDPSO-LSSVM算法步骤如下：

(1)对收集的气象数据和组件温度数据进行归一化处理，形成训练样本矩阵；

(2)确定LSSVM模型所需的运行参数，设定GDPSO算法的参数；

(3)计算各个粒子当前的适应值和高斯扰动项的值，更新粒子的速度和位置；

(4)计算更新后粒子的新适应值，并完成对粒子个体和群体的最优解替换；

(5)若达到最大迭代次数，则结束优化，输出优化参数。否则，返回第三步继续循环。

(6)将优化的参数赋给LSSVM，得到优化的预测模型，完成预测。

二、相似日的选取

在进行短期的光伏发电系统功率预测时，当预测日的天气状况与选取的某历史日的天气状况越相似，预测的准确度就越高，这样就可以基于天气预报，选取与预测日天气相似的历史日，用这些历史日作为相似日来对预测日的出力进行预测。本发明选定组件温度、湿度和辐照强度作为相似日选取的指标。

在相似日的选取方式上，为避免仅利用极值或平均值进行比对，而采用每隔一小时的指标进行对比，反映了一天内组件温度、湿度和太阳辐照强度变化趋势的相似性。建立历史日和预测日的气象向量，将不同历史日与预测日相应基值点处的各指标值做差取绝对值并进行归一化处理获得差值归一化矩阵。运用熵权法确定历史日基值点各个指标的权重，在此之下，将所得权重与差值归一化矩阵的相应点相乘并求取加权和，作为该天的相似误差，并最终选择相似误差最小的五天作为相似日。

具体相似日选取步骤如下：

(1)以每天7:00-20:00中每60min为一个基准点，提取预测日气象特征数值，构成预测日指标向量

X₀＝[x₀(7),x₀(8),…,x₀(20),y₀(7),y₀(8),…,y₀(20),z₀(7),z₀(8),…,z₀(20)]；将与预测日接近的14天作为历史日，提取历史日的相对应指标构成历史日指标向量：

X_j＝[x_j(7),x_j(8),…,x_j(20),y_j(7),y_j(8),…,y₀(20),z_j(7),z_j(8),…,z_j(20)]，其中，x_j表示组件温度，y_j表示湿度，z_j表示辐照强度，j＝1,2，…，14。

(2)求解X_j与X₀差值绝对值构成差值矩阵，并对差值矩阵进行归一化处理，得到预测日与历史日的指标数据差值归一化矩阵。

(3)由差值矩阵确定各个基值点的权重参数，将权重与各历史天的指标差值归一化矩阵相应点相乘，并求取加权和作为相似误差。由相似误差从小到大排序，选出相似误差最小的5天作为预测日的相似日。

三、光伏功率预测

采用熵权法来确定每个时刻相关气象条件所提供的信息权重，得到加权新数据，利用新的加权数据进行预测。

在进行预测时，对于每个时间点的预测，取相似日相应的时间点以及前后间隔五分钟、间隔十分钟、一直到间隔半个小时的共13组数据作为输入数据，用以预测当日该时刻的出力数据值，例如预测某日8:00的出力，输入数据为每个历史相似日7:30、7:35、7:40、7:45、7:50、7:55、8:00、8:05、8:10、8:15、8:20、8:25、8:30的出力数据值。在对此日7:00-20:00每间隔半小时一次共27个时刻的出力值进行预测时，选取各个时刻点相应的组件温度、湿度、辐照强度以及输出功率输入数据，得到每个时间点的预测数据，最后输出结果。

运用熵权法与GDPSO-LSSVM算法对光伏出力进行短期预测的步骤：

(1)在相似日中选取与预测时刻对应的所需时刻的组件温度、湿度以及辐照强度等指标数据。

(2)构成矩阵，利用熵权法程序分析此时刻每个指标所提供的信息权重。

(3)将得到的权重与其对应的相似日中各指标原始数据进行相乘，得到新的加权输入矩阵。

(4)将加权输入矩阵和输出功率作为输入数据，对此时刻的光伏输出功率进行预测。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种考虑组件温度的光伏出力短期预测方法，其特征在于，包括以下步骤：

步骤1，选取相邻日影响组件温度的天气因素，对预测日组件温度进行预测，具体包括运用粒子群进行算法参数寻优以及最小二乘支持向量机算法对组件温度进行预测两个子步骤；

其中，所述运用粒子群进行算法参数寻优的具体方法是：

步骤1.11，粒子初始化，设置相关参数；

步骤1.12，评价和计算每个粒子的适应值；

步骤1.13，计算每个粒子的个体最优位置和群体最优位置，并计算每次迭代时粒子个体历史最优位置的高斯扰动值；

步骤1.14，按照下式对粒子速度和位置进行更新，并计算新的粒子适应度值；

v_i,j(t+1)＝wv_i,j(t)+c₁r₁[p_i,j(t)+r₂gauss_i,j(t)-x_i,j(t)]

+c₂r₃[p_g,j(t)-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

gauss_i,j(t)＝r₄gaussian(μ,δ²)

其中，w为惯性权重，c₁、c₂为加速因子，r₁、r₂、r₃、r₄表示(0,1)区间服从均匀分布的随机数，v_i,j(t)为粒子i在第t次迭代时的速度，p_i,j(t)为粒子i在第t次迭代时的历史最优位置，gauss_i,j(t)为粒子i在第t迭代时产生的高斯扰动，μ为均值，δ²为方差，x_i,j(t)为粒子i在第t次迭代时的位置，p_g,j(t)是第t次迭代时种群的最优位置；

步骤1.15，若算法满足终止条件，则停止迭代，输出全局最优粒子位置及其适应度值；否则转到步骤1.12继续循环；

所述最小二乘支持向量机算法对组件温度进行预测的具体方法是：

步骤1.21，对收集的气象数据和组件温度数据进行归一化处理，形成训练样本矩阵；

步骤1.22，确定LSSVM模型所需的运行参数，设定高斯扰动的粒子群优化算法的参数；

步骤1.23，计算各个粒子当前的适应值和高斯扰动项的值，更新粒子的速度和位置；

步骤1.24，计算更新后粒子的新适应值，并完成对粒子个体和群体的最优解替换；

步骤1.25，若达到最大迭代次数，则结束优化，输出优化参数；否则，返回步骤1.23继续循环；

步骤1.26，将优化的参数赋给LSSVM，得到优化的预测模型，完成预测；

步骤2，运用熵权法选取预测日的相似日；

步骤3，分析影响光伏出力在不同时刻在出力中的变异程度，结合统计方法对光伏出力进行短期预测。

2.根据权利要求1所述的一种考虑组件温度的光伏出力短期预测方法，其特征在于，所述的步骤2中，具体的操作步骤如下：

步骤2.1，以每天7:00-20:00中每60min为一个基准点，提取预测日气象特征数值，构成预测日指标向量X₀＝[x₀(7),x₀(8),…,x₀(20),y₀(7),y₀(8),…,y₀(20),z₀(7),z₀(8),…,z₀(20)]；将与预测日接近的14天作为历史日，提取历史日的相对应指标构成历史日指标向量：X_j＝[x_j(7),x_j(8),…,x_j(20),y_j(7),y_j(8),…,y₀(20),z_j(7),z_j(8),…,z_j(20)]，其中，x_j表示组件温度，y_j表示湿度，z_j表示辐照强度，j＝1,2，…，14；

步骤2.2，求解X_j与X₀差值绝对值构成差值矩阵，并对差值矩阵进行归一化处理，得到预测日与历史日的指标数据差值归一化矩阵；

步骤2.3，由差值矩阵确定各个基值点的权重参数，将权重与各历史天的指标差值归一化矩阵相应点相乘，并求取加权和作为相似误差；由相似误差从小到大排序，选出相似误差最小的5天作为预测日的相似日。

3.根据权利要求1所述的一种考虑组件温度的光伏出力短期预测方法，其特征在于，所述的步骤3中，具体的操作步骤如下：

步骤3.1，在相似日中选取与预测时刻对应的所需时刻的组件温度、湿度以及辐照强度等指标数据；

步骤3.2，构成矩阵，利用熵权法程序分析此时刻每个指标所提供的信息权重；

步骤3.3，将得到的权重与其对应的相似日中各指标原始数据进行相乘，得到新的加权输入矩阵；

步骤3.4，将加权输入矩阵和输出功率作为输入数据，对此时刻的光伏输出功率进行预测。