CN109388863B - 一种基于arima模型的分布式光伏出力功率预测方法 - Google Patents
一种基于arima模型的分布式光伏出力功率预测方法 Download PDFInfo
- Publication number
- CN109388863B CN109388863B CN201811107146.0A CN201811107146A CN109388863B CN 109388863 B CN109388863 B CN 109388863B CN 201811107146 A CN201811107146 A CN 201811107146A CN 109388863 B CN109388863 B CN 109388863B
- Authority
- CN
- China
- Prior art keywords
- prediction
- power
- model
- distributed photovoltaic
- output power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明涉及一种基于ARIMA模型的分布式光伏出力功率预测方法,其技术特点在于:包括如下步骤:步骤1、对配电网的光伏发电功率时间序列进行特征描述;步骤2、根据得到的时间序列数据,建立基于ARIMA时间序列的分布式光伏出力预测模型,并对配电网的光伏发电功率进行预测;步骤3、将ARIMA模型与神经网络相结合对分布式光伏出力功率进行预测;步骤4、将ARIMA模型与支持向量机相结合对分布式光伏出力功率进行预测;步骤5、对比三种预测结果,挑选出预测误差最小的分布式光伏出力功率预测方法,将其确定为最终的预测模型。本发明能够避免相似日及影响因素不确定性的影响且预测精度高。
Description
技术领域
本发明属于智能配电网调度控制技术领域,涉及分布式光伏出力功率预测方法,尤其是一种基于ARIMA模型的分布式光伏出力功率预测方法。
背景技术
发展分布式能源是节能减排的重要途径之一,太阳能分布式光伏发电也是独立的分布式能源之一,2017年7月国家能源局明确指出了:到2020年,光伏指导装机规模合计86.5GW,分布式装机不受规模限制,预计分布式光伏可达6000万kW。分布式光伏并网发电也将会广泛使用的能源形势接入配电网,当大量的光伏分布式电源接入时,必将对电网优化运行有较大的影响,因此对分布式光伏的输出功率进行预测是非常有必要的。
光伏发电功率预测较为常用是统计方法,根据模型的输入变量与输出结果的统计规律进行预测,主要采用的方法是基于相似日的方法,如基于相似日及云适用粒子群优化的SNN模型,有的学者采用欧式距离法对气象数据进行细分,在综合进行相似日的方法进行光伏发电功率预测。太阳能光伏分布式发电由于功率损耗、器件老化、表面积灰程度等有较大的不确定性,同时,太阳能光伏发电的历史测量数据,而气象条件、雾霾天气等因素变化较弱又不能时时与功率数据同步。此外光伏电站的输出功率是具有较强日、月周期性的时间序列,同时也具有较强的季节性。如何避免相似日及影响因素不确定性的影响,找到一个预测精度较高的分布式光伏电站的发电功率预测方法,这是当前研究的热点问题,为解决上述问题,本发明提出了一种基于ARIMA模型的分布式光伏出力功率预测方法。
发明内容
本发明的目的在于克服现有技术中的缺陷,提供一种设计合理、客观可行且预测精度高的基于ARIMA模型的分布式光伏出力功率预测方法。
本发明解决其现实问题是采取以下技术方案实现的:
一种基于ARIMA模型的分布式光伏出力功率预测方法,包括如下步骤:
步骤1、对配电网的光伏发电功率时间序列进行特征描述;
步骤2、根据步骤1得到的时间序列数据,建立基于ARIMA时间序列的分布式光伏出力预测模型,并对配电网的光伏发电功率进行预测;
步骤3、将步骤2得到的ARIMA模型与神经网络相结合对分布式光伏出力功率进行预测;
步骤4、将步骤2得到的ARIMA模型与支持向量机相结合对分布式光伏出力功率进行预测;
步骤5、对比三种预测结果,挑选出预测误差最小的分布式光伏出力功率预测方法,将其确定为最终的预测模型。
而且,所述步骤1的具体方法为:
根据一年12个月的实际运行数据,得到配电网月累计发电功率、月日平均发电功率和单月日均出现最大功率时间的相关信息。
而且,所述步骤2的具体步骤包括:
(1)建立差分自回归移动平均模型为ARIMA(p,d,q);
其中,AR是自回归,MA为移动平均,p是自回归项数,d为时间序列成为平稳时所做的差分次数,q为移动平均项数;
(2)对时间序列数据绘图,观测是否为平稳时间序列,并对于非平稳时间序列要先进行d阶差分运算,化为平稳时间序列;
(3)对平稳时间序列分别求得其自相关系数ACF和偏自相关系数PACF,通过对自相关图和偏自相关图的分析,结合贝叶斯信息准则判断模型,得到自回归项数p和移动平均项数q;
(4)根据已知的自回归项数p,移动平均项数q,时间序列成为平稳时所做的差分次数d可以确定ARIMA的数学模型为:
其中,c表示一个常数,Yn是样本值,(φ1,φ2,…,φp)是自回归系数,(θ1,θ2,…,θq)是移动平均系数;
(5)通过ARIMA模型对光伏电站的输出功率进行预测;
而且,所述步骤3的具体步骤包括:
(1)时间序列可视为线性自相关部分Lt与非线性残差Kt两部分的组合,将步骤2所得预测结果记作Lt,Lt的预测残差为Kt,对Kt进行序列重构并作为神经网络的输入样本;
(2)利用神经网络对残差进行预测,并设预测结果为et1;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为Lt+et1。
而且,所述步骤4的具体步骤包括:
(1)时间序列可视为线性自相关部分Lt与非线性残差Kt两部分的组合,将步骤2所得预测结果记作Lt,Lt的预测残差为Kt,利用Kt重构支持向量机样本集;
(2)利用支持向量机对残差进行预测,并设预测结果为et2;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为Lt+et2。
而且,所述步骤5的具体步骤包括:
(1)本发明采用平均绝对误差作为评价指标对经ARIMA模型预测的结果进行误差分析,采用如下公式进行计算:
(2)为了验证模型预测普适性,分别取第12月中不同气象条件下晴天与雾霾天发电功率原始数据和预测结果对比。
本发明的优点和有益效果:
1、本发明在ARIMA时间序列模型的基础上,将其与神经网络和支持向量机方法分别组合,对分布式光伏出力功率进行预测,根据三种预测方法多种情形下对应的预测误差,选择其中预测效果最好的方法,不仅解决了光伏电站输出功率预测过程中相似日难以确定、影响因素复杂等问题,还弥补了ARIMA时间序列模型对于非线性模型处理中存在的不足。
2、本发明针对相似日的选取存在不确定性以及光伏发电功率影响因素的繁杂性的技术问题,在光伏电站历史发电功率的概率统计规律基础上,构建了ARIMA模型对分布式光伏出力功率进行预测,并将该模型分别与神经网络和支持向量机相结合进行预测,选取其中最优的预测方案,解决了光伏发电功率预测影响因素复杂、预测精度低等问题。
附图说明
图1是本发明的基于ARIMA时间序列模型的分布式光伏出力功率预测流程图;
图2是本发明的具体实施方式的月累计发电功率示意图;
图3是本发明的具体实施方式的月日平均发电功率对比示意图;
图4是本发明的具体实施方式的单月日均出现最大功率时间;
图5是本发明的具体实施方式的雾霾天气三种预测结果对比图;
图6是本发明的具体实施方式的晴朗天气三种预测结果对比图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种基于ARIMA模型的分布式光伏出力功率预测方法,如图1所示,包括如下步骤:
步骤1、对配电网的光伏发电功率时间序列进行特征描述;
所述步骤1的具体方法为:
根据一年12个月的实际运行数据,得到配电网月累计发电功率、月日平均发电功率和单月日均出现最大功率时间的相关信息。
步骤2、根据步骤1得到的时间序列数据,建立基于ARIMA时间序列的分布式光伏出力预测模型,并对配电网的光伏发电功率进行预测;
所述步骤2的具体步骤包括:
(1)建立差分自回归移动平均模型为ARIMA(p,d,q);
其中,AR是自回归,MA为移动平均,p是自回归项数,d为时间序列成为平稳时所做的差分次数,q为移动平均项数;
(2)对时间序列数据绘图,观测是否为平稳时间序列,并对于非平稳时间序列要先进行d阶差分运算,化为平稳时间序列;
(3)对平稳时间序列分别求得其自相关系数ACF和偏自相关系数PACF,通过对自相关图和偏自相关图的分析,结合贝叶斯信息准则判断模型,得到自回归项数p和移动平均项数q;
(4)根据已知的自回归项数p,移动平均项数q,时间序列成为平稳时所做的差分次数d可以确定ARIMA的数学模型为:
其中,c表示一个常数,Yn是样本值,(φ1,φ2,…,φp)是自回归系数,(θ1,θ2,…,θq)是移动平均系数;
(5)通过ARIMA模型对光伏电站的输出功率进行预测;
步骤3,将步骤2得到的ARIMA模型与神经网络相结合对分布式光伏出力功率进行预测;
所述步骤3的具体步骤包括:
(1)时间序列可视为线性自相关部分Lt与非线性残差Kt两部分的组合,将步骤2所得预测结果记作Lt,Lt的预测残差为Kt,对Kt进行序列重构并作为神经网络的输入样本;
(2)利用神经网络对残差进行预测,并设预测结果为et1;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为Lt+et1。
步骤4,将步骤2得到的ARIMA模型与支持向量机相结合对分布式光伏出力功率进行预测;
所述步骤4的具体步骤包括:
(1)时间序列可视为线性自相关部分Lt与非线性残差Kt两部分的组合,将步骤2所得预测结果记作Lt,Lt的预测残差为Kt,利用Kt重构支持向量机样本集;
(2)利用支持向量机对残差进行预测,并设预测结果为et2;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为Lt+et2。
步骤5,对比三种预测结果,挑选出预测误差最小的分布式光伏出力功率预测方法,将其确定为最终的预测模型。
所述步骤5的具体步骤包括:
(1)本发明采用平均绝对误差作为评价指标对经ARIMA模型预测的结果进行误差分析,采用如下公式进行计算:
(2)为了验证模型预测普适性,分别取第12月中不同气象条件下晴天与雾霾天发电功率原始数据和预测结果对比。
本发明工作步骤结束,输出各种方法对应的预测结果,完成对分布式光伏电站发电功率的预测,并得到预测误差最小的基于ARIMA模型的分布式光伏出力功率预测方法。
下面以天津某地分布式光伏电站为例,对发电功率的历史数据进行时间序列特征描述,得到结果如图2、图3、图4所示。
三种基于ARIMA模型的光伏电站功率预测结果如表1所示。
表1预测结果对比
雾霾天气情况下的三种预测结果对比如图4所示,晴朗天气三种预测结果对比如图5所示。
预测结果表明:晴天预测误差最小,雾霾天预测误差增大,全年的趋势来看误差较大;组合式预测结果优于单一的ARIMA时间序列模型;ARIMA模型与支持向量机结合的预测效果较好。
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (4)
1.一种基于ARIMA模型的分布式光伏出力功率预测方法,其特征在于:包括如下步骤:
步骤1、对配电网的光伏发电功率时间序列进行特征描述;
步骤2、根据步骤1得到的时间序列数据,建立基于ARIMA时间序列的分布式光伏出力预测模型,并对配电网的光伏发电功率进行预测;
步骤3、将步骤2得到的ARIMA模型与神经网络相结合对分布式光伏出力功率进行预测;
步骤4、将步骤2得到的ARIMA模型与支持向量机相结合对分布式光伏出力功率进行预测;
步骤5、对比三种预测结果,挑选出预测误差最小的分布式光伏出力功率预测方法,将其确定为最终的预测模型;
所述步骤3的具体步骤包括:
(1)时间序列可视为线性自相关部分Lt与非线性残差Kt两部分的组合,将步骤2所得预测结果记作Lt,Lt的预测残差为Kt,对Kt进行序列重构并作为神经网络的输入样本;
(2)利用神经网络对残差进行预测,并设预测结果为et1;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为Lt+et1;
所述步骤4的具体步骤包括:
(1)时间序列可视为线性自相关部分Lt与非线性残差Kt两部分的组合,将步骤2所得预测结果记作Lt,Lt的预测残差为Kt,利用Kt重构支持向量机样本集;
(2)利用支持向量机对残差进行预测,并设预测结果为et2;
(3)利用两种模型的预测结果组合成为最终的预测结果,结果为Lt+et2。
2.根据权利要求1所述的一种基于ARIMA模型的分布式光伏出力功率预测方法,其特征在于:所述步骤1的具体方法为:根据一年12个月的实际运行数据,得到配电网月累计发电功率、月日平均发电功率和单月日均出现最大功率时间的相关信息。
3.根据权利要求1所述的一种基于ARIMA模型的分布式光伏出力功率预测方法,其特征在于:所述步骤2的具体步骤包括:
(1)建立差分自回归移动平均模型为ARIMA(p,d,q);
其中,AR是自回归,MA为移动平均,p是自回归项数,d为时间序列成为平稳时所做的差分次数,q为移动平均项数;
(2)对时间序列数据绘图,观测是否为平稳时间序列,并对于非平稳时间序列要先进行d阶差分运算,化为平稳时间序列;
(3)对平稳时间序列分别求得其自相关系数ACF和偏自相关系数PACF,通过对自相关图和偏自相关图的分析,结合贝叶斯信息准则判断模型,得到自回归项数p和移动平均项数q;
(4)根据已知的自回归项数p,移动平均项数q,时间序列成为平稳时所做的差分次数d可以确定ARIMA的数学模型为:
其中,c表示一个常数,Yn是样本值,(φ1,φ2,…,φp)是自回归系数,(θ1,θ2,…,θq)是移动平均系数;
(5)通过ARIMA模型对光伏电站的输出功率进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107146.0A CN109388863B (zh) | 2018-09-21 | 2018-09-21 | 一种基于arima模型的分布式光伏出力功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811107146.0A CN109388863B (zh) | 2018-09-21 | 2018-09-21 | 一种基于arima模型的分布式光伏出力功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109388863A CN109388863A (zh) | 2019-02-26 |
CN109388863B true CN109388863B (zh) | 2023-05-26 |
Family
ID=65418851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811107146.0A Active CN109388863B (zh) | 2018-09-21 | 2018-09-21 | 一种基于arima模型的分布式光伏出力功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109388863B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222714B (zh) * | 2019-05-05 | 2022-08-26 | 河海大学 | 一种基于arma与bp神经网络的太阳总辐照资源预测方法 |
CN113344260B (zh) * | 2021-05-27 | 2022-09-06 | 国网福建省电力有限公司信息通信分公司 | 一种基于数据融合的太阳能光伏功率的预测方法 |
CN116231624A (zh) * | 2022-12-07 | 2023-06-06 | 中国电建集团贵阳勘测设计研究院有限公司 | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570594A (zh) * | 2016-11-11 | 2017-04-19 | 国网江西省电力公司电力科学研究院 | 一种基于tmbp的相似日光伏发电短期预测方法 |
CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
CN107766990A (zh) * | 2017-11-10 | 2018-03-06 | 河海大学 | 一种光伏电站发电功率的预测方法 |
CN108053048A (zh) * | 2017-11-06 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
-
2018
- 2018-09-21 CN CN201811107146.0A patent/CN109388863B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570594A (zh) * | 2016-11-11 | 2017-04-19 | 国网江西省电力公司电力科学研究院 | 一种基于tmbp的相似日光伏发电短期预测方法 |
CN107153874A (zh) * | 2017-04-11 | 2017-09-12 | 中国农业大学 | 水质预测方法及系统 |
CN108053048A (zh) * | 2017-11-06 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种单步渐进式光伏电站超短期功率预测方法及系统 |
CN107766990A (zh) * | 2017-11-10 | 2018-03-06 | 河海大学 | 一种光伏电站发电功率的预测方法 |
CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
S Karthika ; Vijaya Margaret ; K. Balaraman.Hybrid short term load forecasting using ARIMA-SVM.《2017 Innovations in Power and Advanced Computing Technologies (i-PACT)》.2017, * |
光伏电站有功功率控制相关关键技术研究;毕锐;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20170215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109388863A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109388863B (zh) | 一种基于arima模型的分布式光伏出力功率预测方法 | |
CN108171379B (zh) | 一种用电负荷预测方法 | |
CN110555561A (zh) | 一种中长期径流集合预报方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
CN106099932B (zh) | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
Jaisumroum et al. | Forecasting uncertainty of Thailand's electricity consumption compare with using artificial neural network and multiple linear regression methods | |
Khalyasmaa et al. | Averaged Errors as a Risk Factor for Intelligent Forecasting Systems Operation in the Power Industry | |
Khosravi et al. | Wind farm power uncertainty quantification using a mean-variance estimation method | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN115983511A (zh) | 基于改进统计降尺度方法的降水预估方法和系统 | |
Rogeau et al. | Evolution of electrical distribution grid sizing considering self-consumption of local renewable production | |
Gilbert et al. | A hierarchical approach to probabilistic wind power forecasting | |
CN111242359B (zh) | 一种基于数据漂移的太阳辐射在线动态预测方法 | |
CN111967652A (zh) | 一种双层协同实时校正光伏预测方法 | |
Sarfuddin et al. | Comparative study of Forecasting Solar irradiation of Indore City Using Different Machine Learning techniques | |
Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
Florita et al. | Wind power forecasting error frequency analyses for operational power system studies | |
CN112070319B (zh) | 一种基于时序动态回归的超短期光伏发电功率预测方法 | |
Amoura et al. | Hybrid optimisation and machine learning models for wind and solar data prediction | |
Babbar et al. | Wind Power Prediction Using Neural Networks with Different Training Models | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
Panchal et al. | Forecasting industrial electric power consumption using regression based predictive model | |
Hanif et al. | Towards Optimal Solar Energy Integration: A Deep Dive into AI-Enhanced Solar Irradiance Forecasting Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |