CN107563565A - 一种考虑气象因素变化的短期光伏分解预测方法 - Google Patents

Abstract

本发明公开了一种考虑气象因素变化的短期光伏分解预测方法，包括：S1通过奇异谱分析方法对光伏出力时间序列进行分解，获得低频序列、高频序列和噪声序列；S2采用Pearson相关系数法确定影响光伏出力的主要气象因素，并分析其对光伏出力的灵敏度；S3针对低频序列和高频序列并结合灵敏度分别建立考虑气象因素的预测模型；S4根据预测模型获得低频序列预测值和高频序列预测值，并根据低频序列预测值和高频序列预测值获得光伏出力预测值。本发明通过奇异谱分析方法将光伏出力分解为不同的子序列单独分析各序列的特征；通过相关性分析和灵敏度分析获取不同气象因素的单位变化量对光伏出力的影响程度，以便更为精确地预测光伏出力。

Description

一种考虑气象因素变化的短期光伏分解预测方法

技术领域

本发明属于风电、光伏等间歇式可再生能源预测技术领域，更具体地，涉及一种考虑气象因素变化的短期光伏分解预测方法(Singular Spectrum Analysis MethodConsidering Meteorological Factors，简称SSA-MF法)。

背景技术

随着高比例可再生能源的发展，风电、光伏等间歇式可再生能源日益得到推广和应用。但是风电、光伏等间歇式可再生能源具有较强的随机性和波动性，使得电力***的安全稳定和经济运行面临重要挑战。因此，如何较为精确地对风电、光伏等间歇式可再生能源进行预测，对于电力***的调度运行具有重要的现实指导意义。

目前，对于光伏出力预测主要有物理类方法、统计类方法以及上述方法的组合方法等三类。物理方法是根据光伏组件所在的详细地理位置和光电转换效率等因素建立物理模型，依据光伏***的发电原理直接将气象数据作为输入进行预测。其有效性取决于对研究对象内在结构及其遵循规律的把握程度和模型参数的精度，涉及环节多、过程复杂、参数求解困难。统计类方法是建立在利用某种统计方法对历史光伏出力数据进行分析，寻找数据中的内在规律并用于预测。其主要包括时间序列法、回归分析法、灰色预测法以及元启发式系列方法等。元启发式方法的本质是对生物的作息规律进行模拟，采用某种算法对样本数据进行训练而得到预测条件与待预测量之间的关系。元启发式方法主要包括神经网络、支持向量机、遗传算法、模糊***等。其中神经网络法具有很强的非线性拟合能力，可以映射任意复杂的非线性关系，这与光伏发电***的特点十分相似，所以很适合对光伏电站出力短期预测。但是单一的神经网络无法适应多变天气类型泛，预测效果不佳。另外，传统的BP神经网络训练采用梯度下降法，容易陷入局部最小值，收敛速度慢。而模糊***对光伏出力进行预测时，模糊推理规则的建立需要大量的历史数据和充足的专家经验。组合方法利用不同模型提供的信息并发挥各自优势，选择合适的方式进行组合，以期提高预测效果。较前两种方法而言，组合方法建模要比单一方法复杂，实现过程较为困难。

综合所述，上述方法在对光伏出力进行预测时均是利用历史数据处理后建模预测，未考虑数据分解后的子序列所反映的光伏出力特性，未挖掘出光伏出力的一些隐含信息和内在规律，所以要想达到较好的预测效果较难实现。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种考虑气象因素变化的短期光伏分解预测方法，旨在解决现有技术中预测精度低的问题。

本发明提供了一种考虑气象因素变化的短期光伏分解预测方法，包括下述步骤：

S1：通过奇异谱分析方法对光伏出力时间序列进行分解，获得低频序列、高频序列和噪声序列，并将噪声序列剔除；

S2：采用Pearson相关系数法确定影响光伏出力的主要气象因素，并分析所述主要气象因素对光伏出力的灵敏度；

S3：针对所述低频序列和所述高频序列并结合所述灵敏度分别建立考虑气象因素的高频序列的预测模型和低频序列的预测模型；

S4：根据所述高频序列的预测模型获得高频序列预测值，根据所述低频序列的预测模型获得低频序列预测值；并根据所述低频序列预测值和所述高频序列预测值获得光伏出力预测值。

更进一步地，步骤S1具体为：

S11：将光伏出力时间序列变换成矩阵形式，并将该矩阵分解为与之等价的d个子矩阵之和；

S12：将分解得到的d个子矩阵进行分组后获得低频矩阵Z_low、高频矩阵Z_high和噪声矩阵Z_noise，并将所述低频矩阵Z_low、高频矩阵Z_high和噪声矩阵Z_noise分别对角平均化还原成原始序列形式的重构序列后获得所述低频序列P_l、所述高频序列P_h和所述噪声序列P_n。

更进一步地，步骤S2中采用Pearson相关系数法确定影响光伏出力的主要气象因素具体为：

S21：选择温度、辐照、风速和降雨量作为气象因素；

S22：根据公式分别计算光伏出力与温度、辐照、风速或降雨量之间的Pearson相关系数；

S23：根据Pearson相关系数的大小确定影响光伏出力的主要气象因素；

其中，Pearson相关系数的绝对值越接近于1，表明两变量线性相关程度越高。

更进一步地，步骤S3中建立考虑气象因素的高频序列的预测模型具体为：

(1)选取高频序列的参照日和基准值：

以待预测日的前一天作为高频序列参照日，并以参照日的光伏出力高频序列作为待预测日高频序列的基准值；

(2)以不同气象因素与光伏出力之间的Pearson相关系数作为该气象因素影响光伏出力变化的权重系数；

(3)根据气象因素对光伏出力变化的灵敏度、待预测日与参照日的温差和辐照差，并根据公式P_high＝P'_high+α₁ΔP₁+α₂ΔP₂对光伏出力高频序列P_high进行修正；

其中，P_high为待预测日的光伏出力高频序列，P'_high为参照日的光伏出力高频序列，ΔP₁为因温度变化引起的光伏出力高频序列变化量，ΔP₂为因辐照变化引起的光伏出力高频序列变化量；α₁为温度影响光伏出力高频序列变化的权重系数，α₂为辐照影响光伏出力高频序列变化的权重系数。

更进一步地，当待预测日温度与参照日温度处于同一灵敏度区间时，ΔP₁＝S_t(t-t')；当待预测日温度与参照日温度处于两个不同的灵敏度区间时，

其中，t为待预测日温度值，t'为参照日温度值，S_t为待预测日温度所在区间的灵敏度，S'_t为参照日温度所在区间的灵敏度，表示两个区间公共端点的温度值。

更进一步地，步骤S4中，根据低频序列预测值P_low和高频序列预测值P_high获得光伏出力预测值P＝P_low+P_high。

本发明通过奇异谱分析方法将光伏出力分解为不同的子序列，可以单独分析各序列的特征；通过相关性分析和灵敏度分析，可以获取不同气象因素的单位变化量对光伏出力的影响程度，以便更为精确地预测光伏出力，为调度决策人员提供有利的数据参考，从而减小光伏出力接入给电力***带来的冲击。

附图说明

图1是本发明实施例提供的SSA-MF方法思路图；

图2是本发明实施例提供的奇异谱分析技术流程图；

图3是2014年4月份光伏出力分解序列；(a)为历史光伏出力；(b)为历史光伏出力低频序列；(c)为历史光伏出力高频序列；(d)为历史光伏出力噪声序列；

图4是5月12日光伏出力实际数据与预测数据曲线(SSA-MF)；(a)为5月12日光伏出力低频序列预测值；(b)为5月12日光伏出力高频序列预测值；(c)为5月12日光伏出力预测值。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

常规的预测模型和方法往往难以适应光伏出力的间歇性变化，对分解后的子序列也未进行深入挖掘分析，对光伏出力相关的气象因素的处理也较为复杂，使得实现困难或者预测精度不高。本发明的目的在于克服常规光伏出力预测方法下述的两方面局限性：(1)不考虑气象因素时，预测精度不高，难以达到理想的预测效果；(2)考虑气象因素时，对气象因素的处理方法和过程较为复杂，在实际运用中实现难度大。为此，本发明提供一种考虑气象因素变化的短期光伏分解预测方法；本发明中的方法通过相关性分析和灵敏度分析可以简化复杂气象因素对光伏出力影响的处理过程，可以将历史光伏出力数据进行分解，对分解后的子序列分别进行分析和预测，使得预测结果具有较高的精度，保证光伏接入后电力***的安全稳定运行。

图1示出了SSA-MF方法思路图，本发明提供的一种考虑气象因素的短期光伏出力预测的奇异谱分析方法，包括以下步骤：

(1)通过奇异谱分析技术对光伏出力时间序列进行分解，得到低频序列、高频序列和噪声序列。

奇异谱分析(SSA)方法是一种用于时间序列分析和预测的技术，对信号进行奇异值分解(Singular Value Decomposition，简称SVD分解)可以得到原始信号的趋势特性、周期特性以及白噪声特性等，有利于对原始信号的分析。图2为奇异谱分析技术流程图，主要包括分解和重构两个互补阶段。SSA分解是先将原始时间序列P转化成一矩阵形式，再利用SVD分解得到与原矩阵等价的d个子矩阵。SSA重构是先将SVD分解后的子矩阵进行分组，得到低频、高频和噪声矩阵，再对其对角平均化得到低频、高频和噪声序列。

步骤(1)具体为：

(11)：SSA分解：SSA分解方法的基本思想是将原始时间序列变换成一矩阵形式，再将该矩阵分解为与之等价的多个子矩阵之和。SSA分解主要分为嵌入操作(Embedding)和SVD分解(Singular Value Decomposition)两个步骤。

(111)：嵌入操作：嵌入操作是将长度为N(N＞2)的原始一维时序光伏出力P＝(P₁,P₂,L,P_N)转化为多维时序光伏出力矩阵Z＝[Z₁,Z₂,L,Z_K]的一种映射操作，即P＝(P₁,P₂,L,P_N)→Z＝[Z₁,Z₂,L,Z_K]……(1)；其中，Z_i(i＝1,2,L,K)为矩阵Z的某一列，Z_i＝(P_i,P_i+1,L,P_i+L-1)^T∈R^L，共有L维，L为嵌入维数(2≤L≤N)，K＝N-L+1。通常，L的选取不宜超过整个序列长度的1/3。称矩阵Z为轨迹矩阵(Trajectory Matrix)，即：至此，完成一维光伏出力序列向多维光伏出力矩阵的转换。

(112)：SVD分解：SVD分解将式(2)的轨迹矩阵Z分解为d个子矩阵d为矩阵Z的秩，并使得d个子矩阵之和等于矩阵Z，即： 按式(4)计算式中，λ₁,λ₂,L,λ_L(λ₁≥λ₂≥L≥λ_L≥0)为S＝ZZ^T的特征值，U₁,U₂,L,U_L为特征向量标准正交***。

V_j由式(5)求得其中，U_j和V_j分别表示轨迹矩阵Z的左右特征向量，为轨迹矩阵Z的奇异值，集合为矩阵Z的奇异谱，共同形成一个特征环至此，完成SVD分解，得到矩阵Z的奇异谱所对应的d个子矩阵。

(12)：SSA重构：SSA重构是先将SVD分解得到的d个子矩阵进行分组，得到低频/高频/噪声矩阵，分别记为Z_low、Z_high和Z_noise；再将低频/高频/噪声矩阵分别对角平均化还原成原始序列形式的重构序列，即低频序列P_l、高频序列P_h和噪声序列P_n。SSA重构主要包括分组(Grouping)和对角平均化(Diagonal Averaging)两个步骤。

(121)：分组：根据前r(r≥0)个奇异值对矩阵Z的奇异值之和的贡献率η，以及奇异值发生较大跳跃的情况，进行分组。例如，假设λ'和λ”为矩阵S的两个不相等的特征值，且λ'和λ”均远小于其前一个特征值λ'₀和λ”₀。当λ_j≥λ'时，λ_j所对应的矩阵Z_j视为低频子矩阵；λ'＞λ_j＞λ”时，λ_j所对应的矩阵Z_j视为高频子矩阵；λ_j≤λ'时，λ_j所对应的矩阵Z_j视为噪声子矩阵。具体分组视实际情况而定。即可将式(3)得到的d个子矩阵分成如式(6)所示的低频/高频/噪声矩阵。贡献率η的计算公式如式(7)所示：

(122)：对角平均化：进一步将步骤S121分组确定的低频/高频/噪声矩阵变换成长度为N的低频/高频/噪声序列，下面以高频矩阵Z_high为例进行说明。

假定Z_high为a×b的矩阵，Z_ij为Z_high的任一元素，记a^*＝min(a,b)，b^*＝max(a,b)，N＝a+b-1，且当a＜b时，否则，上述分组矩阵所对应的重构序列RC＝(rc₁,rc₂,…,rc_N)可由下式求得：

由式(8)，即可得到低频序列P_h，同理可求得低频序列P_l及噪声序列P_n。

(2)采用Pearson相关系数法确定影响光伏出力的主要气象因素。

具体实现方法如下：对光伏出力时间序列和不同气象因素进行相关性分析。本发明采用如式(9)所示的Pearson相关系数法。1)选择气象因素，本发明对温度、辐照、风速、降雨量等不同气象因素进行研究；2)根据式(9)分别计算光伏出力与温度、辐照、风速、降雨量等气象因素之间的Pearson相关系数，其计算结果如表1所示；3)根据2)中相关系数的大小确定影响光伏出力的主要气象因素。

其中，相关系数的绝对值越接近于1，表明两变量线性相关程度越高。

表1气象数据与光出力数据的相关性系数

(3)根据步骤(2)确定的主要气象因素，分析各主要气象对光伏出力的灵敏度。

分析主要气象因素对光伏出力变化的灵敏度，光伏出力对气象因素的灵敏度指的是单位气象因素变化下光伏出力的变化量。

分析主要气象因素对光伏出力变化的灵敏度，光伏出力对气象因素的灵敏度指的是单位气象因素变化下光伏出力的变化量。具体操作过程如下：根据2中确定的主要气象因素(以下以温度和辐照强度为例进行阐述)，分别分析光伏出力对温度和辐照强度的灵敏度，其求解结果如表2、表3所示。

表2光伏出力对气温变化的灵敏度

气温区间/℃	灵敏度/kW	气温区间/℃	灵敏度/kW
				-	-	[26，27)	13.996
[16，17)	15.186	[27，28)	13.877
				[17，18)	15.067	[28，29)	13.758
[18，19)	14.948	[29，30)	13.640
				[19，20)	14.829	[30，31)	13.521
[20，21)	14.710	[31，32)	13.402
				[21，22)	14.591	[32，33)	13.283
[22，23)	14.472	[33，34)	13.164
				[23，24)	14.353	[34，35)	13.045
[24，25)	14.234	[35，36)	12.926
				[25，26)	14.115	-	-

表3光伏出力对辐照强度变化的灵敏度

(4)针对低频序列和高频序列，分别建立考虑气象因素的预测模型。

考虑到对低频/高频序列建模预测的步骤相同，以下以高频序列的预测过程为例进行说明。

具体做法如下：

a.选取高频序列的参照日和基准值，以待预测日的前一天作为高频序列参照日，并以参照日的光伏出力高频序列作为待预测日高频序列的基准值。

b.以不同气象因素与光伏出力之间的Pearson相关系数作为该气象因素影响光伏出力变化的权重系数。

c.根据气象因素对光伏出力变化的灵敏度、待预测日与参照日的温差和辐照差，按照式(10)对光伏出力高频序列P_high进行修正。

P_high＝P'_high+α₁ΔP₁+α₂ΔP₂……(10)；式中：P_high,P'_high,ΔP₁和ΔP₂分别为待预测日的光伏出力高频序列、参照日的光伏出力高频序列、因温度变化引起的光伏出力高频序列变化量以及因辐照变化引起的光伏出力高频序列变化量。α₁和α₂分别为温度和辐照影响光伏出力高频序列变化的权重系数。

从式(10)可以看出，修正的量包括ΔP₁和ΔP₂，本发明采用下述方法确定两者的取值，以下以ΔP₁为例进行说明。

(a)当待预测日温度与参照日温度处于同一灵敏度区间时：

ΔP₁＝S_t(t-t')……(11)；

(b)当待预测日温度与参照日温度处于两个不同的灵敏度区间时，如以两个相邻区间为例，则式中：t和t'分别表示待预测日温度与参照日温度值；S_t和S'_t分别表示待预测日温度与参照日温度各自所在区间的灵敏度；表示两个区间公共端点的温度值。

(5)将步骤(4)得到低频序列预测值和高频序列预测值按照式(13)进行叠加，得到光伏出力预测值。

P＝P_low+P_high……(13)；其中，P_low、P_high分别为低频序列、高频序列预测值。

以下结合附图对本发明实施案例作进一步详细说明。

本发明提出了一种适用于风电、光伏等间歇式可再生能源预测的方法；具体提供了一种考虑气象因素的短期光伏出力预测的奇异谱分析方法。该方法可以通过奇异谱分析技术(Singular Spectrum Analysis，简称SSA法)将光伏出力分解为不同的子序列，可以单独分析各序列的特征；通过相关性分析和灵敏度分析，可以获取不同气象因素的单位变化量对光伏出力的影响程度，以便更为精确地预测光伏出力，为调度决策人员提供有利的数据参考，从而减小光伏出力接入给电力***带来的冲击。

实施步骤1：获取2013年5月1日至2014年5月30日的光伏出力、温度、辐照、风速、降雨量及2014年5月的温度、辐照等数据。本发明采用过去1年的数据预测未来1天的光伏出力，发明中以2013年5月1日至2014年5月30日的数据作为预测样本，2014年5月的数据作为测试样本。

实施步骤2：利用SSA技术对光伏出力时间序列进行分解，得到光伏出力低频序列、高频序列和噪声序列如图1所示。由于噪声序列是由特征值占比很小的子矩阵重构而成，对原始数据的影响不大，考虑将噪声序列剔除。因此，本发明重点对低频序列和高频序列进行预测。

实施步骤3：利用Pearson相关系数法确定影响光伏出力变化的主要气象因素，根据表1中计算结知，温度和辐照强度为影响光伏出力的主要气象因素。

实施步骤4：计算主要气象因素即温度和辐照强度对光伏出力变化的灵敏度，如表2和表3所示。

实施步骤5：根据灵敏度计算的结果，对低频序列和高频序列分别进行建模预测。得到低频序列和高频序列的预测结果，如图4(a)、4(b)所示。

实施步骤6：将步骤5得到的低频序列和高频序列进行叠加，得到图4(c)光伏出力的预测结果。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种考虑气象因素变化的短期光伏分解预测方法，其特征在于，包括下述步骤：

S1：通过奇异谱分析方法对光伏出力时间序列进行分解，获得低频序列、高频序列和噪声序列，同时剔除噪声序列；

S2：采用Pearson相关系数法确定影响光伏出力的主要气象因素，并分析所述主要气象因素对光伏出力的灵敏度；

S3：针对所述低频序列和所述高频序列并结合所述灵敏度分别建立考虑气象因素的高频序列的预测模型和低频序列的预测模型；

S4：根据所述高频序列的预测模型获得高频序列预测值，根据所述低频序列的预测模型获得低频序列预测值；并根据所述低频序列预测值和所述高频序列预测值获得光伏出力预测值。

2.如权利要求1所述的短期光伏分解预测方法，其特征在于，步骤S1具体为：

S11：将光伏出力时间序列变换成矩阵形式，并将该矩阵分解为与之等价的d个子矩阵之和；

S12：将分解得到的d个子矩阵进行分组后获得低频矩阵Z_low、高频矩阵Z_high和噪声矩阵Z_noise，并将所述低频矩阵Z_low、高频矩阵Z_high和噪声矩阵Z_noise分别对角平均化还原成原始序列形式的重构序列后获得所述低频序列P_l、所述高频序列P_h和所述噪声序列P_n。

3.如权利要求1或2所述的短期光伏分解预测方法，其特征在于，步骤S2中采用Pearson相关系数法确定影响光伏出力的主要气象因素具体为：

S21：选择温度、辐照、风速和降雨量作为气象因素；

S22：根据公式分别计算光伏出力与温度、辐照、风速或降雨量之间的Pearson相关系数；

S23：根据Pearson相关系数的大小确定影响光伏出力的主要气象因素；

其中，Pearson相关系数的绝对值越接近于1，表明两变量线性相关程度越高。

4.如权利要求1-3任一项所述的短期光伏分解预测方法，其特征在于，步骤S3中建立考虑气象因素的高频序列的预测模型具体为：

(1)选取高频序列的参照日和基准值：

以待预测日的前一天作为高频序列参照日，并以参照日的光伏出力高频序列作为待预测日高频序列的基准值；

(2)以不同气象因素与光伏出力之间的Pearson相关系数作为该气象因素影响光伏出力变化的权重系数；

(3)根据气象因素对光伏出力变化的灵敏度、待预测日与参照日的温差和辐照差，并根据公式P_high＝P_h'_igh+α₁ΔP₁+α₂ΔP₂对光伏出力高频序列P_high进行修正；

其中，P_high为待预测日的光伏出力高频序列，P_h'_igh为参照日的光伏出力高频序列，ΔP₁为因温度变化引起的光伏出力高频序列变化量，ΔP₂为因辐照变化引起的光伏出力高频序列变化量；α₁为温度影响光伏出力高频序列变化的权重系数，α₂为辐照影响光伏出力高频序列变化的权重系数。

5.如权利要求4所述的短期光伏分解预测方法，其特征在于，当待预测日温度与参照日温度处于同一灵敏度区间时，ΔP₁＝S_t(t-t')；当待预测日温度与参照日温度处于两个不同的灵敏度区间时，

其中，t为待预测日温度值，t'为参照日温度值，S_t为待预测日温度所在区间的灵敏度，S_t'为参照日温度所在区间的灵敏度，表示两个区间公共端点的温度值。

6.如权利要求1-5任一项所述的短期光伏分解预测方法，其特征在于，步骤S4中，根据低频序列预测值P_low和高频序列预测值P_high获得光伏出力预测值P＝P_low+P_high。