CN114971081A - 一种基于时间序列分析与日统计的辐照预测方法 - Google Patents

一种基于时间序列分析与日统计的辐照预测方法 Download PDF

Info

Publication number
CN114971081A
CN114971081A CN202210758390.3A CN202210758390A CN114971081A CN 114971081 A CN114971081 A CN 114971081A CN 202210758390 A CN202210758390 A CN 202210758390A CN 114971081 A CN114971081 A CN 114971081A
Authority
CN
China
Prior art keywords
irradiation
data
daily
predicted
day
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
Application number
CN202210758390.3A
Other languages
English (en)
Inventor
吴文宝
熊敏
张书启
封永铭
金莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PowerChina Jiangxi Electric Power Engineering Co Ltd
Original Assignee
PowerChina Jiangxi Electric Power Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PowerChina Jiangxi Electric Power Engineering Co Ltd filed Critical PowerChina Jiangxi Electric Power Engineering Co Ltd
Priority to CN202210758390.3A priority Critical patent/CN114971081A/zh
Publication of CN114971081A publication Critical patent/CN114971081A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)

Abstract

本发明提供一种基于时间序列分析与日统计的辐照预测方法，包括：步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据；步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型；步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型；步骤S4：基于自回归模型和日统计模型，对辐照进行预测。本发明的基于时间序列分析与日统计的辐照预测方法，综合自回归模型和日统计模型，对辐照进行准确预测，为稳定电网的策略制定提供数据基础。

Description

一种基于时间序列分析与日统计的辐照预测方法
技术领域
本发明涉及光伏预测技术领域，特别涉及一种基于时间序列分析与日统计的辐照预测方法。
背景技术
目前，太阳能作为可再生能源，应用越来越广泛；分布式太阳能发电系统(光伏发电)为太阳能的应用的一种重要的形式，但是由于太阳能的间歇性和随机性，光伏发电可能在短时间内产生快速波动，会导致其产生的电能的不稳定，随着越来越多的光伏发电系统接入电网，光伏发电系统的不稳定的能量对电网稳定性的影响也越来越大。只有确定了光伏发电系统对电网的影响，才能针对性地采取相应的策略，以保证电网的稳定性，因此对于光伏发电系统的发电的预测是势在必行地，而光伏发电系统是将光能转换为电能，因此，对光伏发电系统的发电的预测即对太阳的辐照的预测。
发明内容
本发明目的之一在于提供了一种基于时间序列分析与日统计的辐照预测方法，综合自回归模型和日统计模型，对辐照进行准确预测，为稳定电网的策略制定提供数据基础。
本发明实施例提供的一种基于时间序列分析与日统计的辐照预测方法，包括：
步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据；
步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型；
步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型；
步骤S4：基于自回归模型和日统计模型，对辐照进行预测。
优选的，步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型，包括：
步骤S21：对辐照数据进行分析，确定辐照数据的周期分量；
步骤S22：基于周期分量，对辐照数据进行处理，获取去季节数据；
步骤S23：基于去季节数据，构建自回归模型。
优选的，步骤S21：对辐照数据进行分析，确定辐照数据的周期分量，包括：
计算辐照数据的平均值；
将辐照数据的平均值代入傅里叶公式，确定辐照数据的周期分量；
其中，傅里叶公式如下：
Figure BDA0003720307700000021
其中，St表示t时刻的周期分量，α0表示所述辐照测量数据的平均值，α1和β1表示余弦与正弦年周期系数，α2和β2表示二次余弦与正弦年周期系数，αi和βi表示余弦与正弦每日周期系数。
优选的，步骤S22：基于周期分量，对辐照数据进行处理，获取去季节数据，包括：
将辐照数据中各个时刻的辐照值与各个时刻的周期分量，确定各个时刻对应的余值，将余值作为去季节数据；计算公式如下：
Rt＝Ft-St；
其中，Rt表示t时刻的余值，Ft表示t时刻太阳辐射的测量值。
优选的，自回归模型的自回归方程如下：
Rt＝φ0+φ1Rt-1+φ2Rt-2+…+φpRt-p+et；
其中，Rt-1、Rt-2、……、Rt-p分别为t-1、t-2、……、t-p时刻的余值，p是非负整数，φ1、φ2、……、φp分别为t-1、t-2、……、t-p时刻的余值的系数，et是均值和方差为0的高斯分布；φ0表示为常数。
优选的，步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型，包括：
步骤S31：基于辐照数据，计算日辐照并确定出每月辐照最大日；
步骤S32：基于每月辐照最大日，确定基准日系数；
步骤S33：基于基准日系数，构建基准日数组；
步骤S34：基于基准日数组，构建新序列；
步骤S35：基于新序列，构建日统计模型。
优选的，步骤S32：基于每月辐照最大日，确定基准日系数，包括：
基于每月辐照最大日中每个时间步长的辐照量及辐照总量，计算基准日系数，计算公式如下：
Figure BDA0003720307700000031
其中，SRt表示每月辐照最大日的每个时间步长的辐照量；SRi表示辐照总量，αt表示基准日系数。
优选的，步骤S33：基于基准日系数，构建基准日数组，包括：
基准日数组为每月的基准日系数乘以每月辐射量的中位数所得的值。
优选的，步骤S34：基于基准日数组，构建新序列，包括：
Figure BDA0003720307700000032
其中，ASt表示新序列，DTt表示t时刻的基准日数组，DTt-1表示t-1时刻的基准日数组，Datat-1表示t-1时刻的实测的辐照量。
优选的，基于时间序列分析与日统计的辐照预测方法，还包括：
获取待预测的日期的前N日的实际检测数据以及对应的预测数据；
基于前N日的实际检测数据以及对应的预测数据，对待预测的日期的预测数据进行修正，修正公式如下：
Figure BDA0003720307700000041
式中，Q1为修正后的待预测的日期的预测数据；Q0为修正前的待预测的日期的预测数据；Dk为前K天的实际检测数据；dk为前K天的预测数据；
Figure BDA0003720307700000042
为前K天的相关系数；
其中，相关系数通过如下步骤确定；
获取待预测的日期的预测的气象数据；
获取前N日的每日的实测的气象数据；
基于预设的特征提取模板分别对前N日的每日的实测的气象数据、待预测的日期的预测的气象数据进行特征提取，获取多个特征值；
基于多个特征值，构建特征向量；
分别计算前N日的每日的实测的气象数据对应的特征向量与待预测的日期的预测的气象数据对应的特征向量的相似度；
对前N日的每日的实测的气象数据分别与待预测的日期的预测的气象数据的相似度进行归一化处理，将归一化值作为前N日的每日对应的相关系数。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于时间序列分析与日统计的辐照预测方法的示意图；
图2为本发明实施例中日统计模型的示意图；
图3为本发明实施例中模型预测值比对图。
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。
本发明实施例提供了一种基于时间序列分析与日统计的辐照预测方法，如图1所示，包括：
步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据；
步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型；
步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型；
步骤S4：基于自回归模型和日统计模型，对辐照进行预测。
上述技术方案的工作原理及有益效果为：
首先通过对历史辐照数据进行预处理，获得用于分析的辐照数据，在预处理后的辐照数据的基础上分别进行周期性分析和日统计分析，然后分别构建出日统计模型和自回归模型，将两种模型的预测结构结合确定最后的预测辐照值；结合可以采用加权平均的计算方式实现，即将两个模型的预测的辐照值进行加权平均处理后作为最终的预测值。
在一个实施例中，步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型，包括：
步骤S21：对辐照数据进行分析，确定辐照数据的周期分量；
步骤S22：基于周期分量，对辐照数据进行处理，获取去季节数据；
步骤S23：基于去季节数据，通过自相关与偏自相关分析，构建自回归模型。
其中，步骤S21：对辐照数据进行分析，确定辐照数据的周期分量，包括：
计算辐照数据的平均值；
将辐照数据的平均值代入傅里叶公式，确定辐照数据的周期分量；
其中，傅里叶公式如下：
Figure BDA0003720307700000061
其中，St表示t时刻的周期分量，α0表示所述辐照测量数据的平均值，α1和β1表示余弦与正弦年周期系数，α2和β2表示二次余弦与正弦年周期系数，αi和βi表示余弦与正弦每日周期系数。
步骤S22：基于周期分量，对辐照数据进行处理，获取去季节数据，包括：
将辐照数据中各个时刻的辐照值与各个时刻的周期分量，确定各个时刻对应的余值，将余值作为去季节数据；计算公式如下：
Rt＝Ft-St；
其中，Rt表示t时刻的余值，Ft表示t时刻太阳辐射的测量值。
自回归模型的自回归方程如下：
Rt＝φ0+φ1Rt-1+φ2Rt-2+…+φpRt-p+et；
其中，Rt-1、Rt-2、……、Rt-p分别为t-1、t-2、……、t-p时刻的余值，p是非负整数，φ1、φ2、……、φp分别为t-1、t-2、……、t-p时刻的余值的系数，et是均值和方差为0的高斯分布；φ0表示为常数。
步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型，包括：
步骤S31：基于辐照数据，计算日辐照并确定出每月辐照最大日；
步骤S32：基于每月辐照最大日，确定基准日系数；
步骤S33：基于基准日系数，构建基准日数组；
步骤S34：基于基准日数组，构建新序列；
步骤S35：基于新序列，构建日统计模型。
优选的，步骤S32：基于每月辐照最大日，确定基准日系数，包括：
基于每月辐照最大日中每个时间步长的辐照量及辐照总量，计算基准日系数，计算公式如下：
Figure BDA0003720307700000071
其中，SRt表示每月辐照最大日的每个时间步长的辐照量；SRi表示辐照总量，αt表示基准日系数。
步骤S33：基于基准日系数，构建基准日数组，包括：
基准日数组为每月的基准日系数乘以每月辐射量的中位数所得的值。
步骤S34：基于基准日数组，构建新序列，包括：
Figure BDA0003720307700000072
其中，ASt表示新序列，DTt表示t时刻的基准日数组，DTt-1表示t-1时刻的基准日数组，Datat-1表示t-1时刻的实测的辐照量。
本发明实施对数据进行傅里叶变化，建立自回归模型，结合提出的日统计模型进行预测。最后将傅里叶+自回归模型与结合日统计模型与傅里叶模型和自回归模型所预测的结果进行比较，得出所提出的模型具有更好的预测准确度。
辐照数据的周期分量如表1所示。
表1
Figure BDA0003720307700000073
对去季节数据建立自回归模型，自回归模型的公式如下：
Figure BDA0003720307700000074
构造人工新序列，建立日统计模型，如图2所示。
Figure BDA0003720307700000075
为自回归拟合值，Rt为去周期余 值。
对模型的预测值进行对比，如图3所示，误差分析结果，如表2所示。
表2
模型 MeAPE NRMSE NMAE
傅里叶+自回归 14.62％ 22.36％ 16.28％
混合模型 13.31％ 21.59％ 15.00％
预报评估 -8.98％ -3.47％ 7.88％
据表2所示，混合模型总体上是能提高预测的精度，减小预测误差，与原来的模型相比，MeAPE下降了8.98％，NRMSE下降了3.47％，NAME下降了7.88％。
在一个实施例中，基于时间序列分析与日统计的辐照预测方法，还包括：
获取待预测的日期的前N日的实际检测数据以及对应的预测数据；
基于前N日的实际检测数据以及对应的预测数据，对待预测的日期的预测数据进行修正，修正公式如下：
Figure BDA0003720307700000081
式中，Q1为修正后的待预测的日期的预测数据；Q0为修正前的待预测的日期的预测数据；Dk为前K天的实际检测数据；dk为前K天的预测数据；
Figure BDA0003720307700000082
为前K天的相关系数；
其中，相关系数通过如下步骤确定；
获取待预测的日期的预测的气象数据；
获取前N日的每日的实测的气象数据；
基于预设的特征提取模板分别对前N日的每日的实测的气象数据、待预测的日期的预测的气象数据进行特征提取，获取多个特征值；特征值包括：标示天气类型的特征值、标示云层厚度的特征值、标示云层占比的特征值，其中，标示天气类型的特征值，例如：该特征值为0时代表晴天；为1时代表多云；为2时代表小雨；为3时代表暴雨等；
基于多个特征值，构建特征向量；将特征值进行有序排列形成特征向量；
分别计算前N日的每日的实测的气象数据对应的特征向量与待预测的日期的预测的气象数据对应的特征向量的相似度；
对前N日的每日的实测的气象数据分别与待预测的日期的预测的气象数据的相似度进行归一化处理，将归一化值作为前N日的每日对应的相关系数。归一化值为相似度除以相似度总值；相似度总值为每日的实测的气象数据分别与待预测的日期的预测的气象数据的相似度的总和值。
上述技术方案的工作原理及有益效果为：
通过待预测的日期的预测数据和实际检测数据对预测结果进行修正，提高了预测的准确性；并且在修正的过程中，基于前N日的每日的实测的气象数据与待预测的日期的预测的气象数据的相似情况，确定每日的不同比重，保证修正的合理及准确性。
其中，特征向量的相似度的计算公式如下：
Figure BDA0003720307700000091
式中，XS表示相似度；Al为第一个特征向量的第l维数据值；Bl为第二个特征向量的第l维数据值；M为特征向量的数据维度。
在一个实施例中，步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据，包括：
确定历史辐照数据中每日的辐照值对应的气象数据；气象数据包括：是否阴天、是否雨天、是否晴天等，更进一步地可以为云层厚度、云层状态、云层占比(云层总面积与天空可见面积的比值)等；
基于气象数据构建特征向量；
获取预设的系数确定库；
将特征向量与系数确定库中各个系数对应关联的标准向量进行匹配；匹配可以采用计算相似度的方式；当相似度大于预设的阈值且为系数确定库中最大时，确定两者匹配；
获取匹配符合的标准向量所关联的系数；
将辐照值与系数的乘积作为用于分析的辐照数据。
上述技术方案的工作原理及有益效果为：
因每日辐照与气象是有直接关系的，通过系数将气象数据为阴天等天气下的辐照数据转换为相应的晴天且无云层状态下的辐照数据，便于模型的建立，保证模型建立的稳定，提高了预测结果的准确性；在预测的最后阶段，还需根据待预测的日期的预测的气象数据和预设的预测系数库，确定预测系数；根据最后的预测系数乘以两个模型的输出的加权平均值，作为最后的预测结果；使辐照预测考虑气象因素的影响，提高了预测的准确性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于时间序列分析与日统计的辐照预测方法，其特征在于，包括：
步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据；
步骤S2：对所述辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型；
步骤S3：对所述辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型；
步骤S4：基于所述自回归模型和所述日统计模型，对辐照进行预测。
2.如权利要求1所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，所述步骤S2：对所述辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型，包括：
步骤S21：对所述辐照数据进行分析，确定辐照数据的周期分量；
步骤S22：基于所述周期分量，对所述辐照数据进行处理，获取去季节数据；
步骤S23：基于所述去季节数据，构建自回归模型。
3.如权利要求2所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，所述步骤S21：对所述辐照数据进行分析，确定辐照数据的周期分量，包括：
计算所述辐照数据的平均值；
将所述辐照数据的平均值代入傅里叶公式，确定辐照数据的周期分量；
其中，所述傅里叶公式如下：
Figure FDA0003720307690000011
其中，St表示t时刻的所述周期分量，α0表示所述辐照测量数据的平均值，α1和β1表示余弦与正弦年周期系数，α2和β2表示二次余弦与正弦年周期系数，αi和βi表示余弦与正弦每日周期系数。
4.如权利要求3所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，所述步骤S22：基于所述周期分量，对所述辐照数据进行处理，获取去季节数据，包括：
将所述辐照数据中各个时刻的辐照值与各个时刻的周期分量，确定各个时刻对应的余值，将所述余值作为所述去季节数据；计算公式如下：
Rt＝Ft-St；
其中，Rt表示t时刻的余值，Ft表示t时刻太阳辐射的测量值。
5.如权利要求4所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，所述自回归模型的自回归方程如下：
Rt＝φ0+φ1Rt-1+φ2Rt-2+…+φpRt-p+et；
其中，Rt-1、Rt-2、……、Rt-p分别为t-1、t-2、……、t-p时刻的余值，p是非负整数，φ1、φ2、……、φp分别为t-1、t-2、……、t-p时刻的余值的系数，et是均值和方差为0的高斯分布；φ0表示为常数。
6.如权利要求1所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，所述步骤S3：对所述辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型，包括：
步骤S31：基于所述辐照数据，计算日辐照并确定出每月辐照最大日；
步骤S32：基于所述每月辐照最大日，确定基准日系数；
步骤S33：基于所述基准日系数，构建基准日数组；
步骤S34：基于所述基准日数组，构建新序列；
步骤S35：基于所述新序列，获得日统计模型。
7.如权利要求6所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，所述步骤S32：基于所述每月辐照最大日，确定基准日系数，包括：
基于所述每月辐照最大日中每个时间步长的辐照量及辐照总量，计算基准日系数，计算公式如下：
Figure FDA0003720307690000031
其中，SRt表示所述每月辐照最大日的每个时间步长的辐照量；SRi表示所述辐照总量，αt表示基准日系数。
8.如权利要求7所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，所述步骤S33：基于所述基准日系数，构建基准日数组，包括：
基准日数组为每月的基准日系数乘以每月辐射量的中位数所得的值。
9.如权利要求8所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，所述步骤S34：基于所述基准日数组，构建新序列，包括：
Figure FDA0003720307690000032
其中，ASt表示所述新序列，DTt表示t时刻的基准日数组，DTt-1表示t-1时刻的基准日数组，Datat-1表示t-1时刻的实测的辐照量。
10.如权利要求1所述的基于时间序列分析与日统计的辐照预测方法，其特征在于，还包括：
获取待预测的日期的前N日的实际检测数据以及对应的预测数据；
基于前N日的实际检测数据以及对应的预测数据，对待预测的日期的预测数据进行修正，修正公式如下：
Figure FDA0003720307690000033
式中，Q1为修正后的待预测的日期的预测数据；Q0为修正前的待预测的日期的预测数据；Dk为前K天的实际检测数据；dk为前K天的预测数据；
Figure FDA0003720307690000041
为前K天的相关系数；
其中，相关系数通过如下步骤确定；
获取待预测的日期的预测的气象数据；
获取前N日的每日的实测的气象数据；
基于预设的特征提取模板分别对前N日的每日的实测的气象数据、待预测的日期的预测的气象数据进行特征提取，获取多个特征值；
基于多个所述特征值，构建特征向量；
分别计算前N日的每日的实测的气象数据对应的特征向量与待预测的日期的预测的气象数据对应的特征向量的相似度；
对前N日的每日的实测的气象数据分别与待预测的日期的预测的气象数据的相似度进行归一化处理，将归一化值作为前N日的每日对应的所述相关系数。
CN202210758390.3A 2022-06-29 2022-06-29 一种基于时间序列分析与日统计的辐照预测方法 Pending CN114971081A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210758390.3A CN114971081A (zh) 2022-06-29 2022-06-29 一种基于时间序列分析与日统计的辐照预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210758390.3A CN114971081A (zh) 2022-06-29 2022-06-29 一种基于时间序列分析与日统计的辐照预测方法

Publications (1)

Publication Number Publication Date
CN114971081A true CN114971081A (zh) 2022-08-30

Family

ID=82968468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210758390.3A Pending CN114971081A (zh) 2022-06-29 2022-06-29 一种基于时间序列分析与日统计的辐照预测方法

Country Status (1)

Country Link
CN (1) CN114971081A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050666A (zh) * 2023-03-20 2023-05-02 中国电建集团江西省电力建设有限公司 一种辐照特征聚类的光伏发电功率预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116050666A (zh) * 2023-03-20 2023-05-02 中国电建集团江西省电力建设有限公司 一种辐照特征聚类的光伏发电功率预测方法

Similar Documents

Publication Publication Date Title
Ramsami et al. A hybrid method for forecasting the energy output of photovoltaic systems
Shamshad et al. First and second order Markov chain models for synthetic generation of wind speed time series
CN111091139A (zh) 相似日聚类的光伏预测方法、装置、设备及可读存储介质
CN109086928B (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN111754026B (zh) 光伏电站群功率预测方法、装置、计算机设备及存储介质
CN112418346B (zh) 一种数值天气预报总辐射系统误差分类计算方法
CN109840633B (zh) 光伏输出功率预测方法、系统和存储介质
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN111784068A (zh) 基于eemd的电力负荷组合预测方法及装置
CN114004139A (zh) 一种光伏发电功率预测方法
CN111369045A (zh) 一种短期光伏发电功率预测的方法
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN115908051A (zh) 一种电力系统储能容量确定方法
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN114971081A (zh) 一种基于时间序列分析与日统计的辐照预测方法
CN107977898A (zh) 一种光伏电站的发电量保险定价评估方法
CN113991711A (zh) 一种光伏电站储能系统容量配置方法
CN114385962A (zh) 一种基于相似日的日前光伏发电功率预测方法及系统
CN111275238B (zh) 基于每时晴空指数的大规模电站光伏出力序列生成方法
CN117060407A (zh) 一种基于相似日划分的风电集群功率预测方法及系统
CN110188964B (zh) 一种基于相关性的光伏出力预测方法
CN112734073A (zh) 一种基于长短期记忆网络的光伏发电功率短期预测方法
CN116484998A (zh) 基于气象相似日的分布式光伏电站功率预测方法及系统
CN110598896A (zh) 基于预测误差校正的光伏功率预测方法

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