CN115809732A - 一种分布式光伏发电功率预测方法及系统 - Google Patents
一种分布式光伏发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN115809732A CN115809732A CN202211516947.9A CN202211516947A CN115809732A CN 115809732 A CN115809732 A CN 115809732A CN 202211516947 A CN202211516947 A CN 202211516947A CN 115809732 A CN115809732 A CN 115809732A
- Authority
- CN
- China
- Prior art keywords
- model
- predicted value
- time sequence
- power generation
- original time
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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,yt表示当前ARMA模型的输出预测值,yt-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,γi指自相关系数,εt表示当前时刻ARMA模型的预测误差,εt-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,θi指偏自相关系数。
进一步地,所述灰色模型的表达公式为:
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=(BTB)-1BTYn
Yn=(x(0)(2),x(0)(3),...,x(0)(n))T
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;
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:
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:
Kt=Pt -HT(HPt -HT+R)-1
Pt -=FPt-1FT+Q
公式中,Kt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,zt为当前Arima模型的预测值,为当前的最优估计值,Pt为当前最优估计值的协方差,Pt -为当前误差的协方差;Pt-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。
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,yt表示自回归模型当前值;yt-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,γi指自相关系数,εt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,εt表示移动平均模型当前时刻误差;εt-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,θi指偏自相关系数,yt指移动平均模型当前值;
所述ARMA模型的表达公式为:
其中,yt表示当前ARMA模型的输出预测值,yt-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,γi指自相关系数,εt表示当前时刻ARMA模型的预测误差,εt-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,θi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:
求解灰参数a和u,表达公式为
[a,u]T=(BTB)-1BTYn
Yn=(x(0)(2),x(0)(3),...,x(0)(n))T
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:
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:
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:
Kt=Pt -HT(HPt -HT+R)-1
Pt -=FPt-1FT+Q
公式中,Kt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,zt为当前Arima模型的预测值,为当前的最优估计值,Pt为当前最优估计值的协方差,Pt -为当前误差的协方差;Pt-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。
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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516947.9A CN115809732A (zh) | 2022-11-30 | 2022-11-30 | 一种分布式光伏发电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211516947.9A CN115809732A (zh) | 2022-11-30 | 2022-11-30 | 一种分布式光伏发电功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809732A true CN115809732A (zh) | 2023-03-17 |
Family
ID=85484573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211516947.9A Pending CN115809732A (zh) | 2022-11-30 | 2022-11-30 | 一种分布式光伏发电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809732A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154724A (zh) * | 2023-10-31 | 2023-12-01 | 山东中瑞电气有限公司 | 光伏发电功率预测方法 |
-
2022
- 2022-11-30 CN CN202211516947.9A patent/CN115809732A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117154724A (zh) * | 2023-10-31 | 2023-12-01 | 山东中瑞电气有限公司 | 光伏发电功率预测方法 |
CN117154724B (zh) * | 2023-10-31 | 2024-02-23 | 山东中瑞电气有限公司 | 光伏发电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN109447441B (zh) | 一种考虑新能源机组不确定性的暂态稳定风险评估方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN110826791A (zh) | 一种基于长短时记忆神经网络的混合风功率预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN115809732A (zh) | 一种分布式光伏发电功率预测方法及系统 | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN114638396A (zh) | 一种基于神经网络实例化的光伏功率预测方法及系统 | |
CN111967660A (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
CN112070303B (zh) | 参数自适应的光伏功率爬坡事件的分级概率性预测方法 | |
CN114780609A (zh) | 基于电力大数据与时间序列的区域碳排放量计算方法 | |
CN114281846A (zh) | 一种基于机器学习的新能源发电预测方法 | |
Aksan et al. | Multivariate Multi-step Forecasting for Cable Pooling Applications | |
CN110874611B (zh) | 风电集群功率超短期预测误差等级分级补偿方法 | |
CN112669169B (zh) | 一种短期光伏功率预测装置及方法 | |
Wang et al. | A new improved combined model algorithm for the application of photovoltaic power prediction | |
Hu et al. | Short-term wind power forecast based on back-propagation neural network corrected by Markov chain |
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 |