CN115809732A - 一种分布式光伏发电功率预测方法及系统 - Google Patents

Abstract

本发明公开了一种分布式光伏发电功率预测方法及系统，属于新能源发电预测技术领域，包括采集时间尺度单位为秒级的光伏出力数据，对秒级光伏出力历史数据进行特征预处理得到原始时间序列；判断原始时间序列是否属于平稳时间序列，使用ARMA模型对不平稳时间序列进行差分处理，将不平稳时间序列转化为平稳时间序列；加入差分后的ARMA模型为Arima模型，使用Arima模型原始平稳时间序列进行预测，得到Arima模型预测值；使用灰色模型对原始平稳时间序列进行预测，得到灰色模型预测值；使用卡尔曼滤波对Arima模型和灰色模型得到的首次预测值进行加权处理得到二次预测值,所述二次预测值为分布式光伏发电功率预测值，本发明进一步提高了秒级光伏发电功率预测精度。

Description

一种分布式光伏发电功率预测方法及系统

技术领域

本发明公开了一种分布式光伏发电功率预测方法及系统，属于新能源发电预测技术领域。

背景技术

随着经济社会的发展，能源短缺和环境污染问题日益突出，因此开发和利用可再生能源成为解决能源和环境问题的重要途径。以光伏、风能为代表的清洁能源发电取得了飞速的发展，截止2021年6月我国的光伏发电并网总量已到达26708.6万千瓦，与2020年6月的21582万千瓦相比，增长了23.7％。但由于温度、湿度等因素的影响，光伏输出功率在短时间尺度内存在较大的不确定性。

准确有效的光伏功率预测技术对于系统的安全稳定运行和光伏能源的有效利用具有重要意义。光伏功率预测方法主要分为两大类，分别是物理方法和统计方法；目前超短期光伏功率预测时间为十五分钟，无法满足一次调频时间的要求，这就需要光伏秒级功率预测，要求采样时间为秒级，预测时间为秒级，因而要求预测既要时间短，又要预测精度高，物理预测对于需要光伏电站详尽的物理信息，在实际工程中不便使用；统计方法中的多数方法要求大量的数据进行训练，比如人工神经网络、支持向量机等，难以满足秒级预测的要求。

发明内容

本发明提供了一种分布式光伏发电功率预测方法及系统，目的在于对光伏发电功率进行超短期秒级功率预测，实现短时间内完成多源聚合下调频的需求。

为了解决上述问题，本发明采用如下技术方案：

第一方面，本发明实施例提供了一种分布式光伏发电功率预测方法，包括采集光伏出力历史数据，对光伏出力历史数据进行特征预处理得到原始时间序列；对原始时间序列进行ADF检测确定差分值，并判断原始时间序列是否平稳，将不平稳原始时间序列使用差分处理转化为平稳原始时间序列；

将自回归模型与移动平均模型通过叠加的方式相结合形成ARMA模型；在ARMA模型中加入差分值获得Arima模型；

将平稳原始时间序列数据输入至Arima模型进行预测得到预测值A；将平稳原始时间序列数据输入至灰色模型得到预测值B；

通过卡尔曼滤波对预测值A和预测值B进行加权处理获得光伏发电功率最终预测值。

进一步地，所述ARMA模型的表达公式为：

其中,y_t表示当前ARMA模型的输出预测值，y_t-i表示前i时刻的ARMA模型的输出预测值；μ是常数项，p是指自回归模型的阶数，γ_i指自相关系数，ε_t表示当前时刻ARMA模型的预测误差，ε_t-i表示前i时刻的ARMA模型预测误差，q是指移动平均模型的阶数，θ_i指偏自相关系数。

进一步地，所述灰色模型的表达公式为：

其中,a和u表示灰参数，

表示为平稳原始时间序列中第k个数据的预测值；

表示为累加序列中第k个数据的预测值，所述平稳原始时间序列经过一次累加形成累加序列；n表示平稳原始时间序列中数据的数量。

进一步地，所述灰参数的计算方法包括：

基于累加序列构成灰色模块的微分方程，表达公式为：

求解灰参数a和u，表达公式为

[a,u]^T＝(B^TB)^-1B^TY_n

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n))^T

公式中，

表示为累加序列；B表示为控制矩阵。

进一步地，通过卡尔曼滤波对预测值A和预测值B进行加权处理的方法包括：根据灰色模型的预测值B计算灰色模型的修正值；

根据卡尔曼参数、灰色模型的修正值和预测值A计算出光伏发电功率最终预测值；

计算当前预测误差的协方差

根据当前预测误差的协方差

对卡尔曼参数进行更新。

进一步地，根据灰色模型的预测值B计算灰色模型的修正值的方法包括：

其中，

为当前灰色模型二次预测值，

为当前灰色模型的修正值，F为状态转移矩阵，B为控制矩阵，u_t-1为给

的输入特征。

进一步地，根据卡尔曼参数、灰色模型的修正值和预测值A计算出光伏发电功率最终预测值，计算公式为：

K_t＝P_t ^-H^T(HP_t ^-H^T+R)^-1

P_t ^-＝FP_t-1F^T+Q

公式中，K_t为卡尔曼参数，H为测量系统参数，R为观测噪声的方差，

为灰度模型的修正值，z_t为当前Arima模型的预测值，

为当前的最优估计值，P_t为当前最优估计值的协方差，P_t ^-为当前误差的协方差；P_t-1为上一项的最优估计值的协方差；Q表示为过程噪声的方差，R表示为观测噪声的误差，T表示为矩阵的转置。

进一步地，根据当前预测误差的协方差

对卡尔曼参数进行更新的方法包括：

根据当前预测误差的协方差

计算当前最优估计值的协方差，表达公式为：P_t＝(I-K_tH)P_t ^-，其中，I表示为；根据当前最优估计值的协方差对卡尔曼参数进行更新。

第二方面，本发明实施例提供了一种分布式光伏发电功率超短期预测系统，包括：

采集模块，用于采集光伏出力历史数据，对光伏出力历史数据进行特征预处理得到原始时间序列；

检测模块，用于对原始时间序列进行ADF检测确定差分值，并判断原始时间序列是否平稳，将不平稳原始时间序列使用差分处理转化为平稳原始时间序列；

模型构建模块，用于将自回归模型与移动平均模型通过叠加的方式相结合形成ARMA模型；在ARMA模型中加入差分值获得Arima模型；

预测模块，用于将平稳原始时间序列数据输入至Arima模型进行预测得到预测值A；将平稳原始时间序列数据输入至灰色模型得到预测值B；通过卡尔曼滤波对预测值A和预测值B进行加权处理获得光伏发电功率最终预测值。

第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述分布式光伏发电功率预测方法的步骤。

与现有技术相比，本发明所达到的有益效果是：

本发明将平稳原始时间序列数据输入至Arima模型灰色模型得到预测值A和预测值B；通过卡尔曼滤波对预测值A和预测值B进行加权处理获得光伏发电功率最终预测值；进一步提高了秒级光伏发电功率预测精度，同时也实现了短时间内完成多源聚合下调频的需求。

附图说明

图1是本发明实施例提供的一种分布式光伏发电功率预测方法的流程图；

图2是本发明实施例提供的Arima模型光伏秒级功率预测方法的流程图；

图3是本发明实施例提供的灰色预测模型光伏秒级功率预测方法的流程图；

具体实施方式

下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

实施例1

本发明实施例提供了一种分布式光伏发电功率预测方法，如图1所示，包括采集时间尺度为两秒的光伏出力历史数据，通过sklearn对光伏秒级出力历史数据进行特征预处理得到原始时间序列，所述sklearn为python第三方提供的机器学习库；所述预处理包括对光伏出力历史数据进行缺失值填补、删除空数据以及处理分类数据；对原始时间序列进行ADF检测确定差分值，所述差分值用字母d表示，所述的ADF检测指检验原始时间序列中是否存在单位根，若存在单位根为非平稳原始时间序列，将不平稳原始时间序列使用差分处理转化为平稳原始时间序列，包括如下方法：

选取60个历史数据，48个数据作为训练集，12个数据作为测试集，运算过程如下：

原始序列的ADF检验结果为：(-2.239628790666091,0.19217804271972705,0,59,{'1％':-3.5463945337644063,'5％':-2.911939409384601,'10％':-2.5936515282964665},25.17588418567179)

所述ADF将不平稳原始时间序列使用差分处理转化为平稳原始时间序列的方法包括；一阶差分序列的ADF检验结果为：(-6.771855334802298,2.629582909487132e-09,0,58,{'1％':-3.548493559596539,'5％':-2.912836594776334,'10％':-2.594129155766944},28.834070587494153)

二阶差分序列的ADF检验结果为：(-4.56973850910652,0.00014681588799131455,3,54,{'1％':-3.55770911573439,'5％':-2.9167703434435808,'10％':-2.59622219478738},42.05682787487787)

根据以上结果，一阶差分的ADF检测的平稳性高于二阶差分的ADF检测的平稳性，因而确定差分值d为1。

将非平稳原始时间序列转化为平稳原始时间序列，将因变量对ARMA模型的滞后值、随机误差项的现值和滞后值进行回归来建立Arima模型；将自回归模型与移动平均模型通过叠加的方式相结合形成ARMA模型，包括：

所述自回归模型通过描述当前值与历史值的关系，拟合数据来建立回归方程，用变量自身的历史时间数据对自身进行预测，p阶自回归模型过程通过如下公式获得：

其中,y_t表示自回归模型当前值；y_t-i指自回归模型前i时刻的值；μ是常数项，p是指自回归模型的阶数，γ_i指自相关系数，ε_t是指当前时刻误差。

移动平均模型关注的是自回归模型中的误差项累加，可以有效地消除预测中的随机波动，q阶移动平均过程通过如下公式获得：

其中，ε_t表示移动平均模型当前时刻误差；ε_t-i表示移动平均模型前i时刻的误差；μ是常数项，q是指移动平均模型的阶数，θ_i指偏自相关系数，y_t指移动平均模型当前值；

所述ARMA模型的表达公式为：

其中,y_t表示当前ARMA模型的输出预测值，y_t-i表示前i时刻的ARMA模型的输出预测值；μ是常数项，p是指自回归模型的阶数，γ_i指自相关系数，ε_t表示当前时刻ARMA模型的预测误差，ε_t-i表示前i时刻的ARMA模型预测误差，q是指移动平均模型的阶数，θ_i指偏自相关系数。

如图2所示，对平稳原始时间序列进行白噪声检验，检验合格进行建模，若检验不合格，通过遍历的方法寻找处于(0,5)之间的最优值p以及最优值q；若检验合格，在ARMA模型中加入差分指(d)，在ARMA模型中加入差分值获得Arima模型，将平稳原始时间序列数据输入至Arima模型进行预测得到预测值A。

所述Arima模型所获得的预测值A数据如表1所示：

时间	预测值A
		2022-06-01 12:01:37	3853.936170
2022-06-01 12:01:39	3859.872340
		2022-06-01 12:01:41	3865.808511
2022-06-01 12:01:43	3871.744681
		2022-06-01 12:01:45	3877.680851
2022-06-01 12:01:47	3883.617021
		2022-06-01 12:01:49	3889.553191
2022-06-01 12:01:51	3895.489362
		2022-06-01 12:01:53	3901.425532
2022-06-01 12:01:55	3907.361702
		2022-06-01 12:01:57	3913.297872
2022-06-01 12:01:59	3919.234043

表1

如图3所示，对原始平稳时间序列x⁽⁰⁾＝{x⁽⁰⁾(i),i＝1,2,3,...,n}进行一次累加，生成一次累加数列x⁽¹⁾，所述累加数列x⁽¹⁾＝{x⁽¹⁾(k),k＝1,2,3,...,n}构成灰色模型的微分方程，所述灰色模型的微分方程为：

其中,a,u为灰参数，

为时间函数的新数列；

求解灰参数a和u，表达公式为

[a,u]^T＝(B^TB)^-1B^TY_n

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n))^T

公式中，

表示为累加序列；B表示为控制矩阵。

求解出时间函数，表达公式为：

得出灰色模型的预测值B，表达公式为：

其中,a和u表示灰参数，

表示为平稳原始时间序列中第k个数据的预测值；

表示为累加序列中第k个数据的预测值，所述平稳原始时间序列经过一次累加形成累加序列；n表示平稳原始时间序列中数据的数量。

所述灰色模型所获得的预测值B如表2所示

表2

将平稳原始时间序列数据输入至灰色模型得到预测值B后，根据灰色模型的预测值B计算灰色模型的修正值，表达公式为：

其中，

为当前灰色模型二次预测值，

为当前灰色模型的修正值，F为状态转移矩阵，B为控制矩阵，u_t-1为给

的输入特征。

根据卡尔曼参数、灰色模型的修正值和预测值A计算出光伏发电功率最终预测值，计算公式为：

K_t＝P_t ^-H^T(HP_t ^-H^T+R)^-1

P_t ^-＝FP_t-1F^T+Q

公式中，K_t为卡尔曼参数，H为测量系统参数，R为观测噪声的方差，

为灰度模型的修正值，z_t为当前Arima模型的预测值，

为当前的最优估计值，P_t为当前最优估计值的协方差，P_t ^-为当前误差的协方差；P_t-1为上一项的最优估计值的协方差；Q表示为过程噪声的方差，R表示为观测噪声的误差，T表示为矩阵的转置。

计算当前预测误差的协方差

根据当前预测误差的协方差

对卡尔曼参数进行更新，包括：

根据当前预测误差的协方差

计算当前最优估计值的协方差，表达公式为：P_t＝(I-K_tH)P_t ^-，其中，I表示为单位矩阵；根据当前最优估计值的协方差对卡尔曼参数进行更新。

通过卡尔曼滤波进行加权处理，设置初始值Q＝0，R＝0.01，P0＝1,H和F为单位矩阵，得到最终预测值，所述最终预测值如表3所示：

表3

通过表三可以看出，通过Arima模型和灰色模型对原始平稳时间序列进行预测得到预测值A和预测值B后，再使用卡尔曼滤波对预测值A和预测值B进行加权处理获得光伏发电功率的最终预测值，所获得的最终预测值更加精确，进一步提高了秒级光伏发电功率预测精度，同时也实现了短时间内完成多源聚合下调频的需求。

实施例2

第二方面，本发明实施例提供了一种分布式光伏发电功率超短期预测系统，包括：

采集模块，用于采集光伏出力历史数据，对光伏出力历史数据进行特征预处理得到原始时间序列；

检测模块，用于对原始时间序列进行ADF检测确定差分值，并判断原始时间序列是否平稳，将不平稳原始时间序列使用差分处理转化为平稳原始时间序列；

模型构建模块，用于将自回归模型与移动平均模型通过叠加的方式相结合形成ARMA模型；在ARMA模型中加入差分值获得Arima模型；

预测模块，用于将平稳原始时间序列数据输入至Arima模型进行预测得到预测值A；将平稳原始时间序列数据输入至灰色模型得到预测值B；通过卡尔曼滤波对预测值A和预测值B进行加权处理获得光伏发电功率最终预测值。

实施例3

第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行实施例1中所述分布式光伏发电功率预测方法的步骤。

需要说明的是，除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种分布式光伏发电功率预测方法，其特征在于，所述方法包括如下步骤：

采集光伏出力历史数据，对光伏出力历史数据进行特征预处理得到原始时间序列；对原始时间序列进行ADF检测确定差分值，并判断原始时间序列是否平稳，将不平稳原始时间序列使用差分处理转化为平稳原始时间序列；

将自回归模型与移动平均模型通过叠加的方式相结合形成ARMA模型；在ARMA模型中加入差分值获得Arima模型；

将平稳原始时间序列数据输入至Arima模型进行预测得到预测值A；将平稳原始时间序列数据输入至灰色模型得到预测值B；

通过卡尔曼滤波对预测值A和预测值B进行加权处理获得光伏发电功率最终预测值。

2.根据权利要求1所述的一种分布式光伏发电功率预测方法，其特征在于，所述ARMA模型的表达公式为：

其中,y_t表示当前ARMA模型的输出预测值，y_t-i表示前i时刻的ARMA模型的输出预测值；μ是常数项，p是指自回归模型的阶数，γ_i指自相关系数，ε_t表示当前时刻ARMA模型的预测误差，ε_t-i表示前i时刻的ARMA模型预测误差，q是指移动平均模型的阶数，θ_i指偏自相关系数。

3.根据权利要求1所述的一种分布式光伏发电功率预测方法，其特征在于，所述灰色模型的表达公式为：

其中,a和u表示灰参数，

表示为平稳原始时间序列中第k个数据的预测值；

表示为累加序列中第k个数据的预测值，所述平稳原始时间序列经过一次累加形成累加序列；n表示平稳原始时间序列中数据的数量。

4.根据权利要求3所述的一种分布式光伏发电功率预测方法，其特征在于，所述灰参数的计算方法包括：

基于累加序列构成灰色模块的微分方程，表达公式为：

求解灰参数a和u，表达公式为

[a,u]^T＝(B^TB)^-1B^TY_n

Y_n＝(x⁽⁰⁾(2),x⁽⁰⁾(3),...,x⁽⁰⁾(n))^T

公式中，

表示为累加序列；B表示为控制矩阵。

5.根据权利要求1所述的一种分布式光伏发电功率预测方法，其特征在于，通过卡尔曼滤波对预测值A和预测值B进行加权处理的方法包括：根据灰色模型的预测值B计算灰色模型的修正值；

根据卡尔曼参数、灰色模型的修正值和预测值A计算出光伏发电功率最终预测值；

计算当前预测误差的协方差

根据当前预测误差的协方差

对卡尔曼参数进行更新。

6.根据权利要求5所述的一种分布式光伏发电功率预测方法，其特征在于，根据灰色模型的预测值B计算灰色模型的修正值的方法包括：

其中，

为当前灰色模型二次预测值，

为当前灰色模型的修正值，F为状态转移矩阵，B为控制矩阵，u_t-1为给

的输入特征。

7.根据权利要求5所述的一种分布式光伏发电功率预测方法，其特征在于，根据卡尔曼参数、灰色模型的修正值和预测值A计算出光伏发电功率最终预测值，计算公式为：

K_t＝P_t ^-H^T(HP_t ^-H^T+R)^-1

P_t ^-＝FP_t-1F^T+Q

公式中，K_t为卡尔曼参数，F为状态转移矩阵，H为测量系统参数，R为观测噪声的方差，

为灰度模型的修正值，z_t为当前Arima模型的预测值，

为当前的最优估计值，P_t为当前最优估计值的协方差，P_t ^-为当前误差的协方差；P_t-1为上一项的最优估计值的协方差，Q表示为过程噪声的方差，R表示为观测噪声的误差，T表示为矩阵的转置。

8.根据权利要求5所述的一种分布式光伏发电功率预测方法，其特征在于，根据当前预测误差的协方差

对卡尔曼参数进行更新的方法包括：

根据当前预测误差的协方差

计算当前最优估计值的协方差，表达公式为：P_t＝(I-K_tH)P_t ^-，其中，I表示为单位矩阵；根据当前最优估计值的协方差对卡尔曼参数进行更新。

9.一种分布式光伏发电功率预测系统，其特征在于，包括：

采集模块，用于采集光伏出力历史数据，对光伏出力历史数据进行特征预处理得到原始时间序列；

检测模块，用于对原始时间序列进行ADF检测确定差分值，并判断原始时间序列是否平稳，将不平稳原始时间序列使用差分处理转化为平稳原始时间序列；

模型构建模块，用于将自回归模型与移动平均模型通过叠加的方式相结合形成ARMA模型；在ARMA模型中加入差分值获得Arima模型；

预测模块，用于将平稳原始时间序列数据输入至Arima模型进行预测得到预测值A；将平稳原始时间序列数据输入至灰色模型得到预测值B；通过卡尔曼滤波对预测值A和预测值B进行加权处理获得光伏发电功率最终预测值。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行权要求1至权利要求8任一项所述分布式光伏发电功率预测方法的步骤。

Images