CN105488592A - 一种光伏电站发电量预测的方法 - Google Patents
一种光伏电站发电量预测的方法 Download PDFInfo
- Publication number
- CN105488592A CN105488592A CN201510869813.9A CN201510869813A CN105488592A CN 105488592 A CN105488592 A CN 105488592A CN 201510869813 A CN201510869813 A CN 201510869813A CN 105488592 A CN105488592 A CN 105488592A
- Authority
- CN
- China
- Prior art keywords
- variable
- model
- collection
- data
- value
- 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
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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种光伏电站发电量预测的方法,通过光伏电站所在区域的环境监测数据和运行数据,应用多元回归技术拟合回归模型,得到预测样本数据,并不断与历史数据和历史预测结果进行对比与改进,实现发电量的较小误差预测。完成对光伏电站发电量的预测,可以提前预知发电量,提高电网运行稳定性的能力;还可以校验数据的准确性,提高数据质量。
Description
技术领域
本发明涉及一种光伏电站发电量预测的方法,属于光伏电站发电技术领域。
背景技术
光伏电站的日输出功率具有随机波动特点,在发电过程中由于天气和光照强度的突变,会造成短时间输出功率急剧变化的现象。因此,逆变器在进行并网时,会给电网稳定、可靠运行带来影响,而且给电网调度增加困难,影响传统开机方式和调度方式。
有鉴于此,有必要提供一种光伏电站发电量预测的方法,以满足实际应用需要。
发明内容
本发明的目的是:为克服现有技术的不足,本发明提供一种光伏电站发电量预测的方法,通过光伏电站所在区域的环境监测数据和运行数据,应用多元回归技术拟合回归模型,得到预测样本数据,并不断与历史数据和历史预测结果进行对比与改进,实现发电量的较小误差预测。
本发明所采用的技术方案是:一种光伏电站发电量预测的方法,其特征在于,通过以下几个步骤反复拟合、筛选、对比和改进来完成:
(1)把采集到的环境监测数据通过交互不可测变量方法来量化天气变量,由于天气变量具有季节性变化,因此在量化天气时,需要考虑季节性;首先将天气变量进行虚拟化,然后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数,并拟合变量得到量化后的观测,然后合并数据集得到一个新的样本数据;
(2)划分样本数据集,分为训练数据集和验证数据集;训练数据集用来创建模型的子数据集;验证数据集用来验证模型的子数据集;
(3)计算SPEARMAN秩相关系数,并对其进行检验,此时原假设H0:两个变量不相关,在原假设成立的情况下,对于大样本情形,检验统计量近似服从自由度为(n-2)的t分布,根据样本观测值计算出检验统计量的P值,并与显著性水平α比较,可得出检验结论:如果P值小于α,则拒绝原假设,即认为两变量是相关的;如果P值大于α,则不能拒绝原假设,即认为两个变量不相关。则初步筛选出变量;
(4)用新训练数据集拟合回归模型得到初步模型,设y为因变量,X1,X2,…,Xk为k个自变量,则回归模型可以写为:y=β0+β1X1+β2X2+···+βkXk+ε,其中,β0是常数项,βj(j=1,2,…,k)是y对Xj的回归系数,ε是随机误差项;
(5)用逐步回归法筛选变量得到数学模型,逐步回归是首先加入一个变量,如果加入的变量对模型的影响显著,则保留此变量,然后再对当前模型中所有变量进行检验,剔除那些不显著的变量,依次进行下去,直到没有显著的变量要加入且模型中已有的变量都显著为止;
(6)把验证数据集代入数学模型得到一个预测样本,并对预测样本结果进行对比与改进,实现发电量的较小误差预测,通过后验概率验证模型的准确率,即1-(预测需求值与预测值差的绝对值/预测需求值),若准确率大于80%,则得到最终模型:y=β0+β1X1+β2X2+···+βkXk,否则回到(3)重新拟合模型,筛选变量,直到预测准确率达到80%以上为止。
本发明的有益效果是:本发明提供的光伏电站发电量预测的方法,通过光伏电站所在区域的环境监测数据和运行数据,应用多元回归技术拟合回归模型,得到预测样本数据,并不断与历史数据和历史预测结果进行对比与改进,实现发电量的较小误差预测。完成对光伏电站发电量的预测,可以提前预知发电量,提高电网运行稳定性的能力;还可以校验数据的准确性,提高数据质量。
附图说明
图1为本发明的光伏电站发电量预测的方法流程示意图。
具体实施方式
为了更好地理解本发明,下面结合实施例进一步阐明本发明的内容,但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样在本申请所列权利要求书限定范围之内。
如图1所示,本发明实施例提供的光伏电站发电量预测的方法,通过以下几个步骤反复拟合、筛选、对比和改进来完成,如图1。
(1)把采集到的环境监测数据通过交互不可测变量方法来量化天气变量,由于天气变量具有季节性变化,因此在量化天气时,需要考虑季节性。首先将天气变量进行虚拟化,然后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数,并拟合变量得到量化后的观测。然后合并数据集得到一个新的样本数据。
(2)划分样本数据集,分为训练数据集和验证数据集;训练数据集用来创建模型的子数据集;验证数据集是用来验证模型的子数据集。由于天气具有季节性变化,在量化划分数据集时,需要考虑季节性。因此,把新样本数据集根据年份划分为训练数据样本(2014年数据)和验证数据样本(2015年数据)。
(3)计算SPEARMAN秩相关系数,并对其进行检验。此时原假设H0:两个变量不相关。在原假设成立的情况下,对于大样本情形,检验统计量近似服从自由度为(n-2)的t分布。根据样本观测值计算出检验统计量的P值,并与显著性水平α比较,可得出检验结论:如果P值小于α,则拒绝原假设,即认为两变量是相关的;如果P值大于α,则不能拒绝原假设,即认为两个变量不相关。则初步筛选出变量。
(4)用新训练数据集拟合回归模型得到初步模型。设y为因变量,X1,X2,…,Xk为k个自变量,则回归模型可以写为:y=β0+β1X1+β2X2+···+βkXk+ε,其中,β0是常数项,βj(j=1,2,…,k)是y对Xj的回归系数,ε是随机误差项。
(5)用逐步回归法筛选变量得到数学模型。逐步回归是首先加入一个变量,如果加入的变量对模型的影响显著,则保留此变量,然后再对当前模型中所有变量进行检验,剔除那些不显著的变量。依次进行下去,直到没有显著的变量要加入且模型中已有的变量都显著为止。
(6)把验证数据集代入数学模型得到一个预测样本,并对预测样本结果进行对比与改进,实现发电量的较小误差预测。通过后验概率验证模型的准确率(即1-(预测需求值与预测值差的绝对值/预测需求值)),若准确率大于80%,则得到最终模型:y=β0+β1X1+β2X2+···+βkXk,否则回到(3)重新拟合模型,筛选变量,直到预测准确率达到80%以上为止。
下面以青海某光伏电站为例,详细描述本发明的实施方案。
(1)利用环境监测数据,通过计算机对天气变量进行虚拟化,然后选择与天气变量有强相关性的发电量变量进行交互式分析并拟合,得到量化后的变量WEATHER_PR_AVG。且合并数据集,得到一个新样本数据(环境监测、运行数据)。
(2)划分样本数据集,分为训练数据集和验证数据集;训练数据集用来创建模型的子数据集;验证数据集是用来验证模型的子数据集。由于天气具有季节性变化,在划分数据集时,需要考虑季节性。因此,把新样本数据集根据年份划分为训练数据样本(2014年数据)和验证数据样本(2015年数据)。
(3)计算SPEARMAN秩相关系数,并对其进行检验。
对训练数据样本进行相关性分析,剔除与有功功率没有相关性的变量,如表1,由表1可知,量化后的天气变量(WEATHER_PR_AVG)、辐照度(IRRADIANCE)和温度(TEMPERATURE)与有功功率(ACTIVE_POWER)有较强的相关性,风速(WIND_SPEED)与有功功率(ACTIVE_POWER)有弱相关性,所以,从相关性来看,不能剔除任何变量,但是,在预测变量时,辐照度是未知变量,因此,本方法需要剔除辐照度,即得到新训练数据集。
表1有功功率与其它变量之间的Spearman相关系数
(4)用新训练数据集拟合回归模型,如表2可知,风速变量的T值为2.09,所对应的P值是0.0665,大于α(若α=0.05),接受原假设,没有通过参数检验。因此,需要进行变量筛选。根据参数估计值,即可得到初步模型:
ACTIVE_POWER=3767.595+23.33983*WEATHER_PR_AVG-228.949*TEMPERATURE+87.87631*WIND_SPEED。
表2全变量回归参数估计
(5)用逐步回归筛选变量,并设引入自变量的显著性水平为0.5,剔除自变量的显著性水平为0.1。得出数学模型,如表3,由表3可知,变量的T值所对应的P值都小于0.01,则全部通过参数检验。根据参数估计值,得到数学模型:
ACTIVE_POWER=3795.723+16.23482*WEATHER_PR_AVG-228.159*TEMPERATURE。
表3逐步回归后的参数估计
(6)把新验证数据代入模型,得到预测样本,并利用后验概率验证模型的准确率(即1-(预测需求值与预测值差的绝对值/预测需求值)),得出准确率为83.2%,大于80%。即得出最终模型为:
ACTIVE_POWER=3795.723+16.23482*WEATHER_PR_AVG-228.159*TEMPERATURE。
以上仅为本发明的实施例而已,并不用于限制本发明,因此,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (1)
1.一种光伏电站发电量预测的方法,其特征在于,通过以下几个步骤反复拟合、筛选、对比和改进来完成:
(1)把采集到的环境监测数据通过交互不可测变量方法来量化天气变量,由于天气变量具有季节性变化,因此在量化天气时,需要考虑季节性;首先将天气变量进行虚拟化,然后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数,并拟合变量得到量化后的观测,然后合并数据集得到一个新的样本数据;
(2)划分样本数据集,分为训练数据集和验证数据集;训练数据集用来创建模型的子数据集;验证数据集用来验证模型的子数据集;
(3)计算SPEARMAN秩相关系数,并对其进行检验,此时原假设H0:两个变量不相关,在原假设成立的情况下,对于大样本情形,检验统计量近似服从自由度为(n-2)的t分布,根据样本观测值计算出检验统计量的P值,并与显著性水平α比较,可得出检验结论:如果P值小于α,则拒绝原假设,即认为两变量是相关的;如果P值大于α,则不能拒绝原假设,即认为两个变量不相关,则初步筛选出变量;
(4)用新训练数据集拟合回归模型得到初步模型,设y为因变量,X1,X2,…,Xk为k个自变量,则回归模型可以写为:y=β0+β1X1+β2X2+···+βkXk+ε,其中,β0是常数项,βj(j=1,2,…,k)是y对Xj的回归系数,ε是随机误差项;
(5)用逐步回归法筛选变量得到数学模型,逐步回归是首先加入一个变量,如果加入的变量对模型的影响显著,则保留此变量,然后再对当前模型中所有变量进行检验,剔除那些不显著的变量,依次进行下去,直到没有显著的变量要加入且模型中已有的变量都显著为止;
(6)把验证数据集代入数学模型得到一个预测样本,并对预测样本结果进行对比与改进,实现发电量的较小误差预测,通过后验概率验证模型的准确率,即1-(预测需求值与预测值差的绝对值/预测需求值),若准确率大于80%,则得到最终模型:y=β0+β1X1+β2X2+···+βkXk,否则回到(3)重新拟合模型,筛选变量,直到预测准确率达到80%以上为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510869813.9A CN105488592A (zh) | 2015-12-02 | 2015-12-02 | 一种光伏电站发电量预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510869813.9A CN105488592A (zh) | 2015-12-02 | 2015-12-02 | 一种光伏电站发电量预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105488592A true CN105488592A (zh) | 2016-04-13 |
Family
ID=55675561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510869813.9A Pending CN105488592A (zh) | 2015-12-02 | 2015-12-02 | 一种光伏电站发电量预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488592A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976059A (zh) * | 2016-05-04 | 2016-09-28 | 中国水利水电科学研究院 | 一种基于组合评价的地下水分区预测方法 |
CN106204932A (zh) * | 2016-08-31 | 2016-12-07 | 王开全 | 一种流量伴生协管电能表 |
CN107506867A (zh) * | 2017-08-31 | 2017-12-22 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
CN107607897A (zh) * | 2017-08-29 | 2018-01-19 | 国网湖南省电力公司 | 一种电压监测仪在线校验及预测装置和方法 |
CN107977898A (zh) * | 2017-12-28 | 2018-05-01 | 无锡英臻科技有限公司 | 一种光伏电站的发电量保险定价评估方法 |
CN108960522A (zh) * | 2018-07-16 | 2018-12-07 | 浙江电腾云光伏科技有限公司 | 一种光伏发电量预测分析方法 |
CN109919353A (zh) * | 2019-01-11 | 2019-06-21 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN112288240A (zh) * | 2020-10-15 | 2021-01-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电网建设项目成效评价方法 |
CN112651537A (zh) * | 2019-10-10 | 2021-04-13 | 国网河北省电力有限公司 | 一种光伏发电超短期功率预测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021427A (zh) * | 2014-06-10 | 2014-09-03 | 上海电力学院 | 一种基于因子分析的并网光伏电站日发电量预测方法 |
CN104809532A (zh) * | 2015-05-25 | 2015-07-29 | 海南汉能薄膜太阳能有限公司 | 一种光伏***发电量的预测方法 |
-
2015
- 2015-12-02 CN CN201510869813.9A patent/CN105488592A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021427A (zh) * | 2014-06-10 | 2014-09-03 | 上海电力学院 | 一种基于因子分析的并网光伏电站日发电量预测方法 |
CN104809532A (zh) * | 2015-05-25 | 2015-07-29 | 海南汉能薄膜太阳能有限公司 | 一种光伏***发电量的预测方法 |
Non-Patent Citations (2)
Title |
---|
李光明等: "《基于多元线性回归模型的并网光伏发电***发电量预测研究》", 《现代电力》 * |
肖璐: "《风-蓄联合运行电站投资估算研究》", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105976059B (zh) * | 2016-05-04 | 2017-05-17 | 中国水利水电科学研究院 | 一种基于组合评价的地下水分区预测方法 |
CN105976059A (zh) * | 2016-05-04 | 2016-09-28 | 中国水利水电科学研究院 | 一种基于组合评价的地下水分区预测方法 |
CN106204932A (zh) * | 2016-08-31 | 2016-12-07 | 王开全 | 一种流量伴生协管电能表 |
CN107607897A (zh) * | 2017-08-29 | 2018-01-19 | 国网湖南省电力公司 | 一种电压监测仪在线校验及预测装置和方法 |
CN107607897B (zh) * | 2017-08-29 | 2019-09-03 | 国网湖南省电力公司 | 一种电压监测仪在线校验及预测装置和方法 |
CN107506867A (zh) * | 2017-08-31 | 2017-12-22 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
CN107506867B (zh) * | 2017-08-31 | 2021-09-21 | 国网冀北电力有限公司廊坊供电公司 | 一种基于动态建模的光伏出力预测方法 |
CN107977898B (zh) * | 2017-12-28 | 2021-07-30 | 无锡英臻科技有限公司 | 一种光伏电站的发电量保险定价评估方法 |
CN107977898A (zh) * | 2017-12-28 | 2018-05-01 | 无锡英臻科技有限公司 | 一种光伏电站的发电量保险定价评估方法 |
CN108960522A (zh) * | 2018-07-16 | 2018-12-07 | 浙江电腾云光伏科技有限公司 | 一种光伏发电量预测分析方法 |
CN109919353A (zh) * | 2019-01-11 | 2019-06-21 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN109919353B (zh) * | 2019-01-11 | 2022-07-05 | 杭州电子科技大学 | 一种基于空间相关性的arima模型的分布式光伏预测方法 |
CN112651537A (zh) * | 2019-10-10 | 2021-04-13 | 国网河北省电力有限公司 | 一种光伏发电超短期功率预测方法及*** |
CN112288240A (zh) * | 2020-10-15 | 2021-01-29 | 国网江西省电力有限公司电力科学研究院 | 一种配电网建设项目成效评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
Wang et al. | Probabilistic forecast for multiple wind farms based on regular vine copulas | |
CN108416691B (zh) | 一种能源替代环保潜力计算方法 | |
CN103198235B (zh) | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 | |
CN104657791B (zh) | 一种基于相关性分析的风电场群风速分布预测方法 | |
CN104933483A (zh) | 一种基于天气过程划分的风电功率预测方法 | |
CN105787594B (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏***发电效率综合评估方法 | |
CN104865827B (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN110309949A (zh) | 一种区域电能替代潜力预测方法及*** | |
CN104699890A (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
Dong et al. | Improving the accuracy of wind speed statistical analysis and wind energy utilization in the Ningxia Autonomous Region, China | |
CN103473461B (zh) | 基于数据特征提取的风功率预测误差估计方法 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
Bracale et al. | A Bayesian-based approach for the short-term forecasting of electrical loads in smart grids.: Part II: numerical applications | |
Elkantassi et al. | INFERENCE AND SENSITIVITY IN STOCHASTIC WIND POWER FORECAST MODELS. | |
Zhang et al. | Wind speed prediction for wind farm based on clayton copula function and deep learning fusion | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160413 |
|
RJ01 | Rejection of invention patent application after publication |