CN112488427A - 基于arima模型的中长期光伏可用电量预测方法 - Google Patents
基于arima模型的中长期光伏可用电量预测方法 Download PDFInfo
- Publication number
- CN112488427A CN112488427A CN202011514958.4A CN202011514958A CN112488427A CN 112488427 A CN112488427 A CN 112488427A CN 202011514958 A CN202011514958 A CN 202011514958A CN 112488427 A CN112488427 A CN 112488427A
- Authority
- CN
- China
- Prior art keywords
- model
- photovoltaic
- arma
- arima
- hours
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title 1
- 238000010248 power generation Methods 0.000 claims abstract description 53
- 241001123248 Arma Species 0.000 claims abstract description 51
- 230000007774 longterm Effects 0.000 claims abstract description 32
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007619 statistical method Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000001744 unit root test Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003648 Ljung–Box test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ARIMA模型的中长期光伏发电可用电量预测方法,其能够实现预测12个月的中长期可用电量;更好地满足实际情况。本发明包含以下步骤:(1)获取报告期时间段等效装机容量;(2)获取有效光资源小时数;所述有效光资源小时数通过历史数据采用统计方法得到较高的预测值,通过基于ARIMA模型预测方法获取;(3)预测中长期光伏可用电量;差分自回归移动平均模型(ARIMA)的模型记为ARIMA(p,d,q),ARMA分析的模型建立包含如下过程:判断输入时间序列数据是否平稳、对处理后的平稳数据进行模型识别、参数估计、模型检验和模型预测步骤。
Description
技术领域
本发明涉及一种光伏电量预测方法,具体用于中长期光伏可用电量的预测。
背景技术
新一轮电力体制改革正在全面启动,随着电力市场不断发展,未来交易规模不断扩大、交易品种不断完善、市场主体不断扩充,对随机性强的不确定光伏发电调度提出了挑战,迫切需要在光伏发电市场化消纳的调度计划模式下,开展中长期光伏发电可用电量预测。
现有调度计划模式是在电网安全前提下,以月度计划电量为目标开展调度生产。在中长期市场交易环境下,符合准入条件的发电企业、售电公司、电力用户等市场主体,通过双边协商、集中竞价(撮合)、挂牌交易等市场化方式开展的电力交易。交易过程中要求发电企业按照交易时长进行交易电量申报,最终确定交易合同电量,中长期交易尺度一般为年度、季度、月度,光伏发电企业因无预测准确率较高的中长期预测产品设备,仅通过历史潜在的发电能力(可用电量)来观测未来时间段内预测电量值。
调度机构结合历史实际运行发电数据和资源还原后的弃电数据,评估新能源场站实际发电能力,通过统计分析技术得到未来一段时间内的发电能力,提出的光伏中长期可用电量预测方法是中长期市场化消纳光伏具有工程实践意义,便于调度机构进行考虑光伏发电能力的电力电量安全校核、与常规机组组合的计划安排、新增光伏并网时序安排、中长期市场化消纳电量执行以及光伏新增容量规划具有重要意义。
光伏发电中长期预报受天气全球变化、太阳活动等影响,造成了年际发电量在一定水平下上下波动,给预测带来了挑战。因天气变化是一个复杂的非线性过程,光伏短期功率预测系统普遍采用数值天气预报模式,年度中长期光伏功率误差超过50%,通过光伏功率预测序列得到的中长期光伏发电可用电量偏差超过20%。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于ARIMA模型的中长期光伏发电可用电量预测方法,其能够实现预测12个月的中长期可用电量;
本发明还可以根据需要选择月度、季度和年度不同中长期周期的预测结果,且预测结果精度较高,相对误差不超过1%,中长周期时间尺度更能反映光伏资源的季节特性,更好地满足实际情况。
为了达到上述目的,本发明采用以下技术方案予以实现:
基于ARIMA模型的中长期光伏可用电量预测方法,包含以下步骤:
(1)获取报告期时间段等效装机容量;
(2)获取有效光资源小时数;所述有效光资源小时数通过历史数据采用统计方法得到较高的预测值,通过基于ARIMA模型预测方法获取;
(3)预测中长期光伏可用电量;
所述步骤(2)中差分自回归移动平均模型(ARIMA)的模型记为ARIMA(p,d,q),是自回归模型(AR)、移动平均模型(MA)和差分法组合而成的,d为差分阶数,非平稳的时间序列经过d阶差分后得到平稳系列,p为自回归项,q为移动平均项数;ARIMA模型在光伏中长期可用电量预测过程中,仅对光资源小时数进行建模,先通过去趋势线和差分运算,将中长期趋势、固定周期信息提取出来,把非平稳原始时间序列转变为平稳序列后,再进行时间序列ARMA分析,其时间序列ARMA分析的模型建立包含如下过程:
判断输入时间序列数据是否平稳、对处理后的平稳数据进行模型识别、参数估计、模型检验和模型预测步骤。
作为本发明的一种优选实施方式:
光伏发电设备等效装机容量=报告初期光伏发电设备容量+(∑报告期内新增光伏发电设备容量×新增光伏设备容量自投产到报告期末的日历小时数)/报告期日历小时-(报告期内减少光伏发电设备容量×该机组自报批准拆除或报废到报告期末的日历小时数)/报告期日历小时;
所述步骤(3)为通过将步骤(1)和步骤(2)获取的数值相乘。
作为本发明的一种优选实施方式:
所述步骤(2)包含如下具体分步骤:
S201平稳性检验:
将原始数据序列xt经去趋势线和d阶差分运算后,得到平稳的时间序列wt,可对wt建立ARMA(p,q)模型:
wt=φ1wt-1+φ2wt-2+…+φpwt-p+αt+θ1αt-1+θ2αt-2+…+θqαt-q (1)
S202模型识别:
采用赤池信息准则(AIC)的定阶方法进行模型的识别,对于正态序列wt建立ARMA(p,q)模型的定阶AIC的函数定义为:
式(2)中为ARMA(p,q)模型白噪声方差的估计,随着ARMA(p,q)模型从低阶向高阶拟合时,单调递减,AIC(p,q)的值也随之下降,当p,q的值达到时,此时对应的最小,随着p,q继续增大时,AIC(p,q)的值也随之而增大;
S203参数估计:
由ARMA(p,q)的最小二乘估计可得到方程组式(4),解方程组即可得到ARMA(p,q)模型参数。
S204模型检验:
模型识别与参数估计完成后,对模型进行检验,即检验残差(原始信号与模型拟合信号之差)是否为平稳白噪声。若残差是随机正态分布的白噪声信号,则检验通过,完成ARMA模型建立。
S205模型预测:
对于ARMA(1,1)模型,wt=φ1wt-1+αt+θ1αt-1其预测值见式(5)。
作为本发明的一种优选实施方式:
以月度为周期,通过可用电量除以本月等效光伏装机容量得到有效光资源小时数;
所述步骤(2)中,选取近四年每月光资源小时数共计48个实际序列为ARIMA的原始输入数据,经平稳化处理后得到新的平稳序列,在MATLAB软件环境下建立ARMA模型,通过模型识别、参数估计、模型检验和模型预测步骤,预测得到第五年:12个月的分月光资源小时数,考虑第五年度新增并网光伏容量,最终得到第五年度分月的光伏可用电量。需要说明的是,本发明所述的近四年和第五年度是由小至大依次连续统计的五年,第五年度是需要预测的年度。比如,需要预测的是2020年度的可用电量,则近四年依次是2016、2017、2018和2019年。
作为本发明的一种优选实施方式:所述步骤(2)包含如下具体分步骤:
S301:获得平稳性数据:原始数据序列xt见表1,经过MATLAB中adftest函数单位根检验后,返回值为0,则原始序列为非平稳序列;经去趋势线yt=0.1222xt+138.01和1阶差分运算处理后得到新的时间序列wt,经过单位根检验后,返回值为1,新的时间序列wt为平稳序列;
S302:采用赤池信息准则(AIC)的定阶方法进行模型的识别,给定阶数的上限值P=10,Q=10,经过多次比较后,当p=10,q=3时,AIC(10,3)达到最小值,最终确定的ARMA(10,3)模型;
S303:由最小二乘估计得到ARMA(10,3)模型的具体表达式为:A(z)y(t)=C(z)e(t),其中,
A(z)=1-0.2246z^-1-0.04664z^-2+0.8934z^-3-0.07996z^-4+0.08018z^-5+0.4501z^-6-0.04682z^-7+0.3984z^-8+0.4154z^-9-0.03503z^-10,C(z)=1+0.07731z^-1-0.09768z^-2+0.825z^-3
S304:使用MATLAB中lbqtest函数进行模型检验,对残差向量进行Ljung-Box检验,经检验返回值为0,说明模型可用;
S305:预测第五年度分月光伏资源小时数。
本发明有益效果是:
本发明公开的一种基于ARIMA模型的中长期光伏发电可用电量预测方法,其能够实现预测12个月的中长期可用电量,可根据需要选择月度、季度和年度不同中长期周期的预测结果,且预测结果精度较高,相对误差不超过1%,中长周期时间尺度更能反映光伏资源的季节特性,更好地满足实际情况。
本发明能够实现预测12个月的中长期可用电量,可根据需要选择月度、季度和年度不同中长期周期的预测结果,且预测结果精度较高,相对误差不超过1%。本发明可适用于单个光伏电站、地区光伏电站场群以及整个地区光伏规模化中长期光伏发电可用电量预测。本发明既体现地区光资源的季节特性,又体现各地区风资源在空间上的资源差异,更好地预测实际情况。
附图说明
图1为本发明的一种具体实施方式的流程图;
图2为本发明的光伏资源小时数预测结果;
图3为本发明针对优选实施例的实际值和预测值偏差示意图。
具体实施方式
下面结合附图及实施例描述本发明具体实施方式:
如图所示,其示出了本发明的具体实施方式,如图所示,目前,光伏功率预测产品主要基于数值天气预报和统计方法,通过综合预测技术,预测未来1至7天的短期时序功率,不能实现月度、季度和年度中长期时序功率预测,进而通过未来中长期光伏发电可用电力时序预测功率值在求取时间段内直接积分得到准确率高的中长期可用电量比较困难。
光伏发电中长期预报受天气全球变化、太阳活动等影响,造成了年际发电量在一定水平下上下波动,给预测带来了挑战。因天气变化是一个复杂的非线性过程,光伏短期功率预测系统普遍采用数值天气预报模式,年度中长期光伏功率误差超过50%,通过光伏功率预测序列得到的中长期光伏发电可用电量偏差超过20%。
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于ARIMA模型的中长期光伏发电可用电量预测方法,其能够实现预测12个月的中长期可用电量,可根据需要选择月度、季度和年度不同中长期周期的预测结果,且预测结果精度较高,相对误差不超过1%,中长周期时间尺度更能反映光伏资源的季节特性,更好地满足实际情况。
得到光伏发电中长期可用电量一般有两种方法,第一种方法用光伏发电可用电力时序预测功率值在求取时间段内直接积分得到,但获得未来中长期光伏发电可用电力时序预测功率值较为困难。本发明中采取第二种方法求取,在求取时间段等效装机容量乘以有效资源小时数直接得到,有效资源小时数通过历史数据采用统计方法可得到较高的预测值,通过本发明中提出的基于ARIMA模型预测方法得到。
光伏发电设备等效装机容量=报告初期光伏发电设备容量+(∑报告期内新增光伏发电设备容量×新增光伏设备容量自投产到报告期末的日历小时数)/报告期日历小时-(报告期内减少光伏发电设备容量×该机组自报批准拆除或报废到报告期末的日历小时数)/报告期日历小时。
差分自回归移动平均模型(Autoregressive Integrated Moving AverageModel,ARIMA)是一种时间序列预测方法,其模型记为ARIMA(p,d,q),是自回归模型(AR)、移动平均模型(MA)和差分法组合而成的,d为差分阶数,非平稳的时间序列经过d阶差分后得到平稳系列,p为自回归项,q为移动平均项数。ARIMA模型在光伏中长期可用电量预测过程中,仅对光资源小时数进行建模,既考虑了光资源在时间序列的依从性,又兼顾了光资源随机波动的干扰性。该方法先通过去趋势线和差分运算,将中长期趋势、固定周期等信息提取出来,把非平稳原始时间序列转变为平稳序列后,再进行时间序列ARMA分析,其时间序列ARMA分析的模型建立过程如下:
ARMA(p,q)模型建立的一般步骤包括:判断输入时间序列数据是否平稳、对处理后的平稳数据进行模型识别、参数估计、模型检验和模型预测等步骤。ARMA预测分析模型的建立过程如图1所示。
1.平稳性检验
将原始数据序列xt经去趋势线和d阶差分运算后,得到平稳的时间序列wt,可对wt建立ARMA(p,q)模型:
wt=φ1wt-1+φ2wt-2+…+φpwt-p+αt+θ1αt-1+θ2αt-2+…+θqαt-q (1)
2.模型识别
本发明专利中采用赤池信息准则(AIC)的定阶方法进行模型的识别。对于正态序列wt建立ARMA(p,q)模型的定阶AIC的函数定义为:
式(2)中为ARMA(p,q)模型白噪声方差的估计,随着ARMA(p,q)模型从低阶向高阶拟合时,单调递减,AIC(p,q)的值也随之下降,当p,q的值达到时,此时对应的最小,随着p,q继续增大时,AIC(p,q)的值也随之而增大。一般取或者中的整数为给定阶数的上限值P,Q,N为时间序列长度,使得:
3.参数估计
由ARMA(p,q)的最小二乘估计可得到方程组式(4),解方程组即可得到ARMA(P,q)模型参数。
4.模型检验
模型识别与参数估计完成后,对模型进行检验,即检验残差(原始信号与模型拟合信号之差)是否为平稳白噪声。若残差是随机正态分布的白噪声信号,则检验通过,完成ARMA模型建立。
5.模型预测
对于ARMA(1,1)模型,wt=φ1wt-1+αt+θ1αt-1其预测值见式(5)。
针对本发明的技术方案,以下通过具体实施例进行验证预测结果:
本实施例,以新疆电网某地区光伏实际运行发电电量和弃电电量数据得到可用电量,以月度为周期,通过可用电量除以本月等效光伏装机容量得到有效光资源小时数,选取该地区2016年至2019年每月光资源小时数共计48个实际序列为ARIMA的原始输入数据,经平稳化处理后得到新的平稳序列,在MATLAB软件环境下建立了ARMA模型,通过模型识别、参数估计、模型检验和模型预测等步骤,预测得到该地区2020年12个月的分月光资源小时数,考虑该地区2020年度新增并网光伏容量,最终得到该地区2020年度分月的光伏可用电量,以2020年度1至11月该地区实际运行数据,验证所建立ARIMA模型的可行性,其预测精度满足生产要求。
1.获得平稳性数据。原始数据序列xt见表1,经过MATLAB中adftest函数单位根检验后,返回值为0,则原始序列为非平稳序列。经去趋势线yt=0.1222xt+138.01和1阶差分运算处理后得到新的时间序列wt,经过单位根检验后,返回值为1,新的时间序列wt为平稳序列。
表1:原始序列数据和得到的平稳序列数据 单位:小时
2.采用赤池信息准则(AIC)的定阶方法进行模型的识别,给定阶数的上限值P=10,Q=10,经过多次比较后,当p=10,q=3时,AIC(10,3)达到最小值,最终确定的ARMA(10,3)模型;
3.由最小二乘估计得到ARMA(10,3)模型的具体表达式为:A(z)y(t)=C(z)e(t),其中,
A(z)=1-0.2246z^-1-0.04664z^-2+0.8934z^-3-0.07996z^-4+0.08018z^-5+0.4501z^-6-0.04682z^-7+0.3984z^-8+0.4154z^-9-0.03503z^-10,C(z)=1+0.07731z^-1-0.09768z^-2+0.825z^-3
4.使用MATLAB中lbqtest函数进行模型检验,对残差向量进行Ljung-Box检验,经检验返回值为0,说明模型可用。
5.预测该地区2020年分月光伏资源小时数见图2所示:
该地区2020年度无新增光伏,等效装机容量为244万千瓦,从图3中可以看出,基于ARIMA预测模型得到的光伏在中长期可用电量与实际运行趋势具有较高的相似性,冬季11月和年初1月、2月光伏可发电能力最弱,春季4月和秋季9月,发电能力最强。2020年1至11月,该地区基于ARIMA预测模型得到的光伏可用电量为39.9亿千瓦时,相对误差0.75%,2020年12月,预计该地区光伏可用电量为2.5亿千瓦时,基于ARIMA预测模型得到光伏中长期可用电量具有较高的预测精度,满足生产需求。
本发明的目的是应用于测算和评估中长期光伏发电消纳能力,并根据安全校核结果优先安排光伏发电计划,同时结合年内消纳控制目标,有序安排新增光伏场站并网发电。本发明的预测防具具有以下优势和应用市场前景:
(1)光伏发电能力预测
未来一段时间内,光伏场站或光伏场群发电能力预测其本质是对光伏可用电量预测。每年度10月中下旬,国网电网公司组织经营区域各省份开展次年度新能源消纳测算工作,根据新能源年度可用电量预测情况,结合本地负荷增长情况和次年跨区跨省联络线外送情况,以及常规电源新增情况和政府核定年度电量计划等边界条件,测算次年新能源消纳形势及新增新能源装机情况,积极与政府主管部门沟通,上报测算分析结果,防止大规模超前规划,造成新一轮弃风、弃光情况发生。
(2)光伏消纳能力评估
每年度10月中下旬,开展测算工作的首要任务是在新能源生产模拟仿真软件中开展上一年度10至12月至本年度9月实际运行情况进行回算,验证历史预测结果的准确性和偏差原因分析,进一步对次年测算准确性提供了基础。
(3)光伏月度计划电量执行
为提升新能源市场化交易执行精度,新疆电网开发了新能源月度计划控制系统,将新能源月度基数电量和市场化电量控制有机结合,在实现新能源月度计划实时跟踪测算功能基础上,根据各场站月度发电计划剩余负荷率,以日为周期动态测算各新能源场站控制参数;各新能源场站月度发电计划、月度计划完成进度、月度计划剩余负荷率以及场站恶意超发情况通过“三公”信息平台实时向新能源场站发布。
(4)投资光伏电站站址选择
前期,新能源企业会在意愿投资地区建立辐照仪来观测本地区有效光资源利用小时数,辐照仪建成后收集两年的实测数据,设计单位将根据实测数据推算出光伏发电工程建成后按运行20年的时长测算投资与回报,然而实际上,我国光伏开发建设已遍布我国,新能源企业为了降低投资,将开发前建立的辐照仪进行辐照度数据实测转变为以周边实际运行光伏电站数据为基础,进行20年光伏运行投资收益分析和新投资光伏电站站址选择,测算偏差结果在工程应用中已被新能源企业接受。
通过储能技术,将光伏由随机性、间歇性的不确定特性转变为确定的可观测能源。直接将光伏可用电力时序预测功率值在求取时间段内直接积分得到。采用本发明的预测方法具有如下特点:
1、基于ARIMA模型的中长期光伏发电可用电量预测方法,其能够实现预测12个月的中长期可用电量,可根据需要选择月度、季度和年度不同中长期周期的预测结果,且预测结果精度较高,相对误差不超过1%。
2、本发明可适用于单个光伏电站、地区光伏电站场群以及整个地区光伏规模化中长期光伏发电可用电量预测。
3、本发明既体现地区光资源的季节特性,又体现各地区风资源在空间上的资源差异,更好地预测实际情况。
上面结合附图对本发明优选实施方式作了详细说明,但是本发明不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化,这些变化涉及本领域技术人员所熟知的相关技术,这些都落入本发明专利的保护范围。
不脱离本发明的构思和范围可以做出许多其他改变和改型。应当理解,本发明不限于特定的实施方式,本发明的范围由所附权利要求限定。
Claims (5)
1.基于ARIMA模型的中长期光伏可用电量预测方法,其特征在于,包含以下步骤:
(1)获取报告期时间段等效装机容量;
(2)获取有效光资源小时数;所述有效光资源小时数通过历史数据采用统计方法得到较高的预测值,然后通过基于ARIMA模型预测方法获取;
(3)预测中长期光伏可用电量;
所述步骤(2)中差分自回归移动平均模型(ARIMA)的模型记为ARIMA(p,d,q),由自回归模型(AR)、移动平均模型(MA)和差分法组合而成的,d为差分阶数,非平稳的时间序列经过d阶差分后得到平稳系列,p为自回归项,q为移动平均项数;ARIMA模型在光伏中长期可用电量预测过程中,仅对光资源小时数进行建模,先通过去趋势线和差分运算,将中长期趋势、固定周期信息提取出来,把非平稳原始时间序列转变为平稳序列后,再进行时间序列ARMA分析,其时间序列ARMA分析的模型建立包含如下过程:
判断输入时间序列数据是否平稳、对处理后的平稳数据进行模型识别、参数估计、模型检验和模型预测步骤。
2.如权利要求1所述的基于ARIMA模型的中长期光伏可用电量预测方法,其特征在于,
光伏发电设备等效装机容量=报告初期光伏发电设备容量+(∑报告期内新增光伏发电设备容量×新增光伏设备容量自投产到报告期末的日历小时数)/报告期日历小时-(报告期内减少光伏发电设备容量×该机组自报批准拆除或报废到报告期末的日历小时数)/报告期日历小时;
所述步骤(3)为通过将步骤(1)和步骤(2)获取的数值相乘。
3.如权利要求1所述的基于ARIMA模型的中长期光伏可用电量预测方法,其特征在于,
所述步骤(2)包含如下具体分步骤:
S201平稳性检验:
将原始数据序列xt经去趋势线和d阶差分运算后,得到平稳的时间序列wt,可对wt建立ARMA(p,q)模型:
wt=φ1wt-1+φ2wt-2+…+φpwt-p+αt+θ1αt-1+θ2αt-2+…+θqαt-q (1)
S202模型识别:
采用赤池信息准则(AIC)的定阶方法进行模型的识别,对于正态序列wt建立ARMA(p,q)模型的定阶AIC的函数定义为:
式(2)中为ARMA(p,q)模型白噪声方差的估计,随着ARMA(p,q)模型从低阶向高阶拟合时,单调递减,AIC(p,q)的值也随之下降,当p,q的值达到时,此时对应的最小,随着p,q继续增大时,AIC(p,q)的值也随之而增大;
S203参数估计:
由ARMA(p,q)的最小二乘估计可得到方程组式(4),解方程组即可得到ARMA(p,q)模型参数。
S204模型检验:
模型识别与参数估计完成后,对模型进行检验,即检验残差(原始信号与模型拟合信号之差)是否为平稳白噪声。若残差是随机正态分布的白噪声信号,则检验通过,完成ARMA模型建立。
S205模型预测:
对于ARMA(1,1)模型,wt=φ1wt-1+αt+θ1αt-1其预测值见式(5)。
4.如权利要求3所述的基于ARIMA模型的中长期光伏可用电量预测方法,其特征在于:
以月度为周期,通过可用电量除以本月等效光伏装机容量得到有效光资源小时数;
所述步骤(2)中,选取近四年每月光资源小时数共计48个实际序列为ARIMA的原始输入数据,经平稳化处理后得到新的平稳序列,在MATLAB软件环境下建立ARMA模型,通过模型识别、参数估计、模型检验和模型预测步骤,预测得到第五年度12个月的分月光资源小时数,考虑第五年度新增并网光伏容量,最终得到第五年度分月的光伏可用电量。
5.如权利要求4所述的基于ARIMA模型的中长期光伏可用电量预测方法,其特征在于:所述步骤(2)包含如下具体分步骤:
S301:获得平稳性数据:原始数据序列xt,经过MATLAB中adftest函数单位根检验后,返回值为0,则原始序列为非平稳序列;经去趋势线yt=0.1222xt+138.01和1阶差分运算处理后得到新的时间序列wt,经过单位根检验后,返回值为1,新的时间序列wt为平稳序列;
S302:采用赤池信息准则(AIC)的定阶方法进行模型的识别,给定阶数的上限值P=10,Q=10,经过多次比较后,当p=10,q=3时,AIC(10,3)达到最小值,最终确定的ARMA(10,3)模型;
S303:由最小二乘估计得到ARMA(10,3)模型的具体表达式为:A(z)y(t)=C(z)e(t),其中,
A(z)=1-0.2246z^-1-0.04664z^-2+0.8934z^-3-0.07996z^-4+0.08018z^-5+0.4501z^-6-0.04682z^-7+0.3984z^-8+0.4154z^-9-0.03503z^-10,C(z)=1+0.07731z^-1-0.09768z^-2+0.825z^-3
S304:使用MATLAB中lbqtest函数进行模型检验,对残差向量进行Ljung-Box检验,经检验返回值为0,说明模型可用;
S305:预测第五年度分月光伏资源小时数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514958.4A CN112488427A (zh) | 2020-12-21 | 2020-12-21 | 基于arima模型的中长期光伏可用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514958.4A CN112488427A (zh) | 2020-12-21 | 2020-12-21 | 基于arima模型的中长期光伏可用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488427A true CN112488427A (zh) | 2021-03-12 |
Family
ID=74915048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011514958.4A Pending CN112488427A (zh) | 2020-12-21 | 2020-12-21 | 基于arima模型的中长期光伏可用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488427A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391287A (zh) * | 2021-06-10 | 2021-09-14 | 哈尔滨工业大学 | 基于时间序列的高频地波雷达海态数据融合方法 |
CN114358139A (zh) * | 2021-12-13 | 2022-04-15 | 中国西安卫星测控中心 | 一种数据驱动的太阳10.7厘米射电流量长期预报方法 |
CN115174405A (zh) * | 2022-06-08 | 2022-10-11 | 西北大学 | 一种基于arima统计模型的带宽分配方法 |
WO2023023901A1 (zh) * | 2021-08-23 | 2023-03-02 | 冀北电力交易中心有限公司 | 一种电力市场中长期集中竞价出清价格的预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102650527A (zh) * | 2012-05-25 | 2012-08-29 | 北京航空航天大学 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
CN103927601A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自回归滑动平均模型的光伏发电功率超短期预测方法 |
CN109376953A (zh) * | 2018-11-21 | 2019-02-22 | 国网冀北电力有限公司 | 一种中长期电量预测方法及系统 |
CN111191193A (zh) * | 2020-01-17 | 2020-05-22 | 南京工业大学 | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 |
-
2020
- 2020-12-21 CN CN202011514958.4A patent/CN112488427A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102650527A (zh) * | 2012-05-25 | 2012-08-29 | 北京航空航天大学 | 一种基于时间序列分析消噪的光纤陀螺温度补偿方法 |
CN103927601A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于自回归滑动平均模型的光伏发电功率超短期预测方法 |
CN109376953A (zh) * | 2018-11-21 | 2019-02-22 | 国网冀北电力有限公司 | 一种中长期电量预测方法及系统 |
CN111191193A (zh) * | 2020-01-17 | 2020-05-22 | 南京工业大学 | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 |
Non-Patent Citations (2)
Title |
---|
刘大贵等: "马尔科夫修正的组合模型在新疆风电中长期可用电量预测中的应用", 电网技术, vol. 44, no. 09, pages 3290 - 3297 * |
涂钊颖: "广东省博罗县中长期电力负荷预测的研究:广东省博罗县中长期电力负荷预测的研究", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 07, pages 042 - 509 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391287A (zh) * | 2021-06-10 | 2021-09-14 | 哈尔滨工业大学 | 基于时间序列的高频地波雷达海态数据融合方法 |
CN113391287B (zh) * | 2021-06-10 | 2023-09-01 | 哈尔滨工业大学 | 基于时间序列的高频地波雷达海态数据融合方法 |
WO2023023901A1 (zh) * | 2021-08-23 | 2023-03-02 | 冀北电力交易中心有限公司 | 一种电力市场中长期集中竞价出清价格的预测方法 |
CN114358139A (zh) * | 2021-12-13 | 2022-04-15 | 中国西安卫星测控中心 | 一种数据驱动的太阳10.7厘米射电流量长期预报方法 |
CN115174405A (zh) * | 2022-06-08 | 2022-10-11 | 西北大学 | 一种基于arima统计模型的带宽分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488427A (zh) | 基于arima模型的中长期光伏可用电量预测方法 | |
Gonzalez et al. | Forecasting power prices using a hybrid fundamental-econometric model | |
Chan et al. | Risk-based assessment of financial losses due to voltage sag | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
Milligan | Measuring wind plant capacity value | |
Citroen et al. | Long term electricity demand forecasting using autoregressive integrated moving average model: Case study of Morocco | |
El-Naggar et al. | Optimal maintenance strategy of wind turbine subassemblies to improve the overall availability | |
Baltputnis et al. | ANN-based city heat demand forecast | |
Bukhsh et al. | A robust optimisation approach using CVaR for unit commitment in a market with probabilistic offers | |
CN109255470B (zh) | 一种基于大数据分析的变电设备非项目类成本预测方法 | |
Bueno et al. | Strategic wind energy bidding in adjustment markets | |
CN111369048A (zh) | 一种话务量预测方法 | |
Nematirad et al. | A Novel Statistical Framework for Optimal Sizing of Grid-Connected Photovoltaic-Battery Systems for Peak Demand Reduction to Flatten Daily Load Profiles | |
Eltohamy et al. | A probabilistic methodology for estimating reserve requirement and optimizing its components in systems with high wind penetration | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
Milligan | Variance estimates of wind plant capacity credit | |
Murad et al. | Estimation of operational and maintenance tasks influence on equipment availability through Petri net modeling | |
Spyrou et al. | What is the value of alternative methods for estimating ramping needs? | |
García et al. | Implementation of an Energy Demand Forecasting Model under a Smart Grids Environment | |
Zamani-Dehkordi et al. | Estimating the price impact of proposed wind farms in competitive electricity markets | |
Müller et al. | A framework to calculate uncertainties for lifetime energy yield predictions of PV systems | |
Vo | Forecast on electricity demand for industry and construction sectors in Vietnam by 2030 | |
Aghajani et al. | Liu's Uncertainty Theory-Based Offering Strategy for Wind Power Producers in Special Conditions in the Electricity Market | |
Hu et al. | Flexible Robust Unit Commitment Considering Sub-hourly Wind Power Ramp Behaviors | |
Chernousova et al. | Modeling the development strategy of alternative energy industry enterprises in conditions of martial law and postwar |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210312 |