CN110110912A - 一种光伏功率多模型区间预测方法 - Google Patents

Abstract

本发明提供了一种基于极限学***的光伏功率预测区间。本发明能描述光伏功率在不同置信水平下可能的波动范围，提供评估预测区间可靠性的途径，为光伏电站在风险评估和***可靠性分析方面提供支持。

Description

一种光伏功率多模型区间预测方法

技术领域

本发明涉及一种基于极限学习机和核密度估计的光伏发电功率季节多模型区间预测方法，属于光伏发电预测领域。

背景技术

光伏发电发展迅猛，已经最有前途的能源之一。截至2017年底，全球光伏发电装机容量增加102GW，累计装机容量达到405GW。光伏发电受到不可控的气象和环境因素的影响，其出力具有较大的波动性和随机性，规模化光伏发电***的并网给电网的稳定性、电网电能质量以及电力***运行调度的带来影响。准确的光伏发电功率预测可以有效提高电网运行的安全性和稳定性，从而提高光伏发电的接入率。

目前，光伏功率预测领域的研究主要集中于确定性预测，但是确定性预测方法无法有效描述预测误差的分布，调度运行中单纯基于光伏确定性预测无法决策***需要预留的备用等，在实际的工程应用中受到了约束。

另外，光伏出力具有明显的周期性、非线性，其在不同季节不同天气条件下分布特征不同，导致光伏发电功率预测模型需要拟合的映射关系在不同气象条件下存在明显差异，采用单一模型实现多种不同气象条件下发电功率的准确预测非常困难。

发明内容

本发明的目的是提供一种基于极限学习机和核密度估计的光伏发电功率季节多模型区间预测方法，以对光伏功率的波动范围有比较精确的估计，为电网企业在风险评估和***可靠性分析方面提供更为丰富的不确定信息。

为解决以上技术问题，本发明的采用的技术方案为：一种光伏功率多模型区间预测方法，包括以下步骤：

S1.收集光伏电站历史运行数据、历史环境数据及数值天气预报数据；

S2.根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类；

S3.根据分类后的数据建立季节性预测模型；

S4.通过季节性预测模型实现光伏功率区间预测。

所述步骤S1中的收集的历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据，数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度、风速数据。

所述步骤S2中，根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类，具体包括如下步骤：

S21.根据步骤S1所收集的数据，通过光伏电站理论功率P_th(t)与实际功率P_r(t)计算功率偏差ΔP与功率变化率λ：

ΔP＝P_th(t)-P_r(t)

S22.根据步骤S21的计算结果，统计分析光伏电站输出功率P、功率偏差ΔP与功率变化率λ一年中的变化趋势和概率分布特性，得到其具有明显的季节分布特征；

S23.以步骤S22中的统计分析结果为依据，将所述步骤S1收集到的数据按照季节进行分类。

所述步骤S3中，根据分类后的数据建立季节性预测模型，具体包括如下步骤：

S31.针对根据季节划分的训练数据利用极限学习机建立每个季节的确定性预测模型，对于训练样本(x_i,t_i)，x_i∈R^p,t_i∈R^p，i＝1,2,…,N，x_i表示模型的输入数据集，t_i为预测目标数据集，则含有L个隐层节点，激发函数为f(x)的极限学习机模型可表示为

其中：β_i为连接第i个隐层节点和输出神经元之间的连接权向量；ω_i＝[ω_i1,ω_i2,…,ω_iN]^T是连接第i个隐层节点和输入节点的权重；b_i为第i个隐层节点的偏差；y_j为第j个节点的输出值；ω_i·x_j构成ω_i和x_j的内积；

针对春、夏、秋、冬季节的差异，将模型的隐层节点个数L分别设置为410、220、300、260；

S32.将按照季节划分的测试数据运用于步骤S31中已经训练好的确定性预测模型，得到确定性预测功率，并计算确定性预测误差

e＝P_fore-P_prac

其中：P_fore为光伏功率确定性预测值；P_prac光伏功率实际测量值；

S33.将确定性预测功率数据划分到合适的功率等级中，假设每个功率等级长ΔP＝1000W，功率最大值P_max＝10000W，最小值P_min＝0，则区段数N为：

N＝[(P_max-P_min)/ΔP]+1

且所分区间为

D_i＝[P_min+(i-1)ΔP,P_min+iΔP]

其中：i＝1,2,…,N；

S34.采用核密度估计对预测误差e进行拟合，其概率密度函数为

其中：k(x)为核函数；e_i为预测误差样本；h为窗宽；N为样本总数；

S35.通过步骤S34所述方法得到预测误差的概率密度函数后，求取其累计概率分布函数，设累计概率密度分布函数为F(δ)，其中，δ为表示预测误差的随机变量，为F(δ)的反函数，表示预测误差区间边界值，有概率则实际功率P_prac的满足置信水平为1-α的置信区间为：

[P_fore+G(α₁),P_fore+G(α₂)]

其中：α₂-α₁＝1-α，取对称概率区间，即α₁＝α/2，α₂＝1-α/2。

所述步骤S4中，通过季节性预测模型实现光伏功率区间预测，具体包括如下步骤：

S41.将数值天气预报数据输入步骤S31所述的确定性预测模型，得到确定性预测功率；

S42.将预测功率按照对应等级代入步骤S35所述的置信区间公式，即可得到光伏功率预测区间。

本发明的光伏功率多模型区间预测方法的优点体现在：

1.基于季节特征的多模型预测方法为提高模型在不同运行工况下的适应性提供了可能，能够获得更好的预测精度。

2.区间预测方法则能够将不确定因素引起的预测结果变动进行量化，给出所预测时间段内预测功率的范围上下限，提供了一定置信水平下的置信区间，预测信息较为全面，对于电力市场的风险管理和供求平衡有更重要意义。

3.非参数估计法无需做任何假设，其函数形式和参数都是未知的，比参数估计法更符合随机变量的真实分布，其中核密度估计方法具有拟合准确度高、直观易懂、便于实施等优点。

附图说明

图1为光伏功率多模型区间预测方法流程图

图2为光伏输出功率趋势图

图3为光伏功率偏差趋势图

图4为光伏功率变化率趋势图

图5为典型季节的光伏发电功率分布图

图6为典型季节的光伏功率偏差分布图

图7为典型季节的光伏功率变化率分布图

图8为极限学习机网络结构图

图9为春季各功率等级概率密度分布图

图10为冬季各功率等级概率密度分布图

图11为两种模型确定性预测性能对比图

图12为季节多模型功率预测区间图

图13为全年单一模型功率预测区间图

具体实施方式

为了使本领域的技术人员可以更好地理解本发明，下面结合附图和实施例对本发明技术方案进一步说明。

一种基于极限学习机和核密度估计的光伏功率多模型区间预测方法，流程图如图1所示，具体步骤如下：

S1.收集光伏电站历史运行数据、历史环境数据及数值天气预报数据。

历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据，数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度、风速数据。选取华北电力大学新能源电力***国家重点实验室光伏实证测试电站2017年全年的数据，此电站由容量为250Kw的光伏发电***、太阳能气象站、光伏电站监控***和数值天气预报***组成，数据采样时间为15分钟。

S2.根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类，具体包括如下步骤：

S21.根据步骤S1所收集的数据，通过光伏电站理论功率P_th(t)与实际功率P_r(t)计算功率偏差ΔP与功率变化率λ。

ΔP＝P_th(t)-P_r(t)

功率偏差描述了在光伏出力外包络线的基础上阴影、云层遮挡、天气变化以及温度对光伏出力的削弱效应，其物理意义是光伏电站实际出力与理论出力的差值，反映光伏出力衰减程度。

功率变化率描述了光伏出力在一定时间段内(15min)的相对变化幅度，反映光伏出力短时间波动剧烈程度。

S22.根据步骤S21的计算结果，统计分析光伏电站输出功率P、功率偏差ΔP与功率变化率λ一年中的变化趋势和概率分布特性，得到其具有明显的季节分布特征。

如图2、图3、图4所示，决定光伏发电功率最主要的因素是光伏组件接受太阳辐照度的大小，春夏季节整体太阳辐照度强，秋冬季节太阳辐照度弱，因此光伏发电功率在一年中的变化趋势呈现出明显的季节分布特征，春夏季节光伏出力较高，而秋冬季节光伏出力较低；夏季产生的功率偏差最大，由夏季向春、秋两季递减，冬季最小，功率偏差具有幅度明显的季节差异；功率变化率随着季节的更替同样呈现出显著的规律性，秋、冬季节功率变化率较大而春、夏季节较小，说明秋冬季节发电功率相对波动更加剧烈。

对光伏发电功率、功率偏差、功率变化率等变量的季节特征值进行统计，如表1所示。光伏功率及功率偏差值在春夏较大、秋冬较小，这与太阳辐照度在一年中的季节变化趋势相吻合，而功率变化率的整体变化趋势与前两个指标相反，说明秋、冬季节时刻间发电功率差值更大，导致功率变化率增大。特征值的变化表明在不同季节的气候气象等因素影响下，光伏发电功率及其波动也会呈现出季节性趋势。

表1光伏输出功率波动的季节特征

分别对春、夏、秋、冬四个季节的光伏功率、功率偏差以及功率变化率等变量进行概率分析。如图5所示，功率为0时所对应的概率为日出、日落等小功率和夜晚无功率时长占全天时长比例，可以得到冬季夜晚时间最长，夏季夜晚时长最短，秋季略长于春季，对应光伏发电时长则相反，夜间时长对光伏发电功率影响巨大。图6、图7显示夏季发生大功率偏差(>4000W)的概率最大，功率变化率分布最集中；而冬季功率偏差主要集中于2000W以下，功率变化率分布分散，说明冬季短时间内出力波动最剧烈。不同季节下光伏出力波动的概率分布存在明显的差异性。

S23.以步骤S22中的统计分析结果为依据，将所述步骤S1收集到的数据按照季节进行分类。

S3.根据分类后的数据建立季节性预测模型，具体包括如下步骤：

S31.针对根据季节划分的训练数据利用极限学习机(ELM)建立每个季节的确定性预测模型，对于训练样本(x_i,t_i)，x_i∈R^p,t_i∈R^p，i＝1,2,…,N，x_i表示模型的输入数据集，t_i为预测目标数据集，则含有L个隐层节点，激发函数为f(x)的极限学习机模型可表示为

其中：β_i为连接第i个隐层节点和输出神经元之间的连接权向量；ω_i＝[ω_i1,ω_i2,…,ω_iN]^T是连接第i个隐层节点和输入节点的权重；b_i为第i个隐层节点的偏差；y_j为第j个节点的输出值；ω_i·x_j构成ω_i和x_j的内积。

极限学习机是一种新型单隐层前向神经网络，与传统神经网络相比，仅通过一步计算即可解析出网络的输出权值，大大提高了网络的泛化能力和学习速度，具有较强的非线性拟合能力，计算量和搜索空间也都大大降低，其网络结构如图8所示。针对春、夏、秋、冬季节的差异，将模型的隐层节点个数L分别设置为410、220、300、260。

S32.将按照季节划分的测试数据运用于步骤S31中已经训练好的确定性预测模型，得到确定性预测功率，并计算确定性预测误差

e＝P_fore-P_prac

其中：P_fore为光伏功率确定性预测值；P_prac光伏功率实际测量值；

S33.将确定性预测功率数据划分到合适的功率等级中，假设每个功率等级长ΔP＝1000W，功率最大值P_max＝10000W，最小值P_min＝0，则区段数N为：

N＝[(P_max-P_min)/ΔP]+1

且所分区间为

D_i＝[P_min+(i-1)ΔP,P_min+iΔP]

其中：i＝1,2,…,N；

要保证每个功率等级要有足够的样本用于概率统计，因为样本点过少不能较好反映预测误差的实际分布情况。因此对功率等级分布相邻且样本点数较少的区间进行合并，使合并后的新区间样本点数目满足要求。因此，根据确定性预测功率的样本数量，将春季样本分为8个功率等级，其余季节均为7个功率等级。

S34.采用核密度估计对预测误差e进行拟合，其概率密度函数为

其中：k(x)为核函数；e_i为预测误差样本；h为窗宽；N为样本总数。

S35.通过步骤S34所述方法得到预测误差的概率密度函数后，求取其累计概率分布函数，设累计概率密度分布函数为F(δ)，其中，δ为表示预测误差的随机变量，为F(δ)的反函数，表示预测误差区间边界值，有概率则实际功率P_prac的满足置信水平为1-α的置信区间为：

[P_fore+G(α₁),P_fore+G(α₂)]

其中：α₂-α₁＝1-α，取对称概率区间，即α₁＝α/2，α₂＝1-α/2。

图9中春季各功率等级的预测误差均为单峰分布，但分布形态有明显差异，而图10中同时包含单峰和多峰分布，可见不同功率等级下的预测误差概率分布有显著差别，同一功率等级下不同季节预测误差概率分布也有明显不同。说明按照不同季节分段拟合方法可行，并能很好地描述各等级预测功率对应的预测误差概率分布。

S4.通过季节性预测模型实现光伏功率区间预测，具体包括如下步骤：

S41.将数值天气预报数据输入步骤S31所述的确定性预测模型，得到确定性预测功率。

采用平均绝对误差(MAE)和均方根误差(RMSE)评价季节多模型与全年模型的确定性预测效果。

其中：为光伏功率预测值；x为光伏功率实际值；n为样本个数。

MAE通过测量预测值与实际值之间的平均距离来表示预测的准确性，RMSE代表样本的标准差，可以量化预测的稳定性。MAE和RMSE值越小，表示预测效果越好。

将季节多模型与全年单一模型功率预测方法进行对比，得到的确定性预测功率与实际功率分布如图11所示。与全年单一模型相比，季节多模型预测结果分布更密集，即与实际功率值更加接近。

表2为两种预测方法的确定性预测误差与精度，能够得到如下结论：

(1)就平均绝对误差和均方根误差而言，季节多模型功率预测方法均小于全年单一模型；

(2)季节多模型的预测精度均高于95％，比全年单一模型均具有更好的预测性能。

表2季节多模型与全年模型确定性预测性能对比

S42.将预测功率按照对应等级代入步骤S35所述的置信区间公式，即可得到光伏功率预测区间。

采用预测区间覆盖率(PICP)和预测区间平均带宽(PINAW)评价不确定性预测结果。

其中：N_i为预测样本数；κ为布尔量，如果预测目标值包含于区间预测的上下限，则κ＝1，否则κ＝0。该指标反映了实际观测值落在预测区间上下界内的概率，此值越大表示有越多的目标值落入预测区间内，预测效果越好。

其中：R为预测目标值的变化范围。该指标评价预测结果聚集不确定信息的能力，在PICP一定时，若PINAW的值越小则表示预测区间越窄，预测效果越好。避免因单纯追求可靠性，出现预测区间过宽，不能给出有效的预测值不确定性信息，失去决策价值。

选取验证样本中每个季节各2天的数据与全年模型进行对比分析，图12、图13分别给出了所选样本在季节多模型和全年单一模型下不同置信水平的光伏功率预测区间。在同一置信水平下，季节多模型的预测结果能够在保证跟踪光伏时间序列变化的同时，具有更窄的区间上下限。

分别计算两种模型的预测评估指，在不同置信度水平下得到的PICP、PINAW指标如表3所示。

表3季节多模型与全年模型不确定性预测性能对比

在同一置信水平下，本发明的季节多模型预测方法PICP明显优于全年单一模型，而PINAW均小于全年单一预测模型。本发明能在保证更多的点落在预测区间内的同时得到更窄的预测区间，预测结果更准确，为决策者提供更准确的选择依据。

以上所述实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种光伏功率多模型区间预测方法，其特征在于，包括如下步骤：

S1.收集光伏电站历史运行数据、历史环境数据及数值天气预报数据；

S2.根据收集到的光伏电站历史数据分析光伏出力及其波动的分布特征，按照季节对其进行分类；

S3.根据分类后的数据建立季节性预测模型；

S4.通过季节性预测模型实现光伏功率区间预测。

2.根据权利要求1所述的预测方法，其特征在于，所述的历史运行数据包括光伏电站历史功率数据，历史环境数据包括光伏电站所对应的历史辐照度、环境温度、湿度、风速数据，数值天气预报数据包括光伏电站所在地的数值天气预报辐照度、环境温度、湿度、风速数据。

3.根据权利要求1所述的预测方法，其特征在于，所述步骤S2包括：

S21.根据步骤S1所收集的数据，通过光伏电站理论功率P_th(t)与实际功率P_r(t)计算功率偏差ΔP与功率变化率λ：

ΔP＝P_th(t)-P_r(t)

S22.根据步骤S21的计算结果，统计分析光伏电站输出功率P、功率偏差ΔP与功率变化率λ一年中的变化趋势和概率分布特性，得到其具有明显的季节分布特征；

S23.以步骤S22中的统计分析结果为依据，将所述步骤S1收集到的数据按照季节进行分类。

4.根据权利要求1所述的预测方法，其特征在于，所述步骤S3包括：

S31.针对根据季节划分的训练数据利用极限学习机建立每个季节的确定性预测模型，对于训练样本(x_i,t_i)，x_i∈R^p,t_i∈R^p，i＝1,2,…,N，x_i表示模型的输入数据集，t_i为预测目标数据集，则含有L个隐层节点，激发函数为f(x)的极限学习机模型可表示为

其中：β_i为连接第i个隐层节点和输出神经元之间的连接权向量；ω_i＝[ω_i1,ω_i2,…,ω_iN]^T是连接第i个隐层节点和输入节点的权重；b_i为第i个隐层节点的偏差；y_j为第j个节点的输出值；ω_i·x_j构成ω_i和x_j的内积；

针对春、夏、秋、冬季节的差异，将模型的隐层节点个数L分别设置为410、220、300、260；

S32.将按照季节划分的测试数据运用于步骤S31中已经训练好的确定性预测模型，得到确定性预测功率，并计算确定性预测误差

e＝P_fore-P_prac

其中：P_fore为光伏功率确定性预测值；P_prac光伏功率实际测量值；

S33.将确定性预测功率数据划分到合适的功率等级中，假设每个功率等级长ΔP＝1000W，功率最大值P_max＝10000W，最小值P_min＝0，则区段数N为：

N＝[(P_max-P_min)/ΔP]+1

且所分区间为

D_i＝[P_min+(i-1)ΔP,P_min+iΔP]

其中：i＝1,2,…,N；

S34.采用核密度估计对预测误差e进行拟合，其概率密度函数为

其中：k(x)为核函数；e_i为预测误差样本；h为窗宽；N为样本总数；

S35.通过步骤S34所述方法得到预测误差的概率密度函数后，求取其累计概率分布函数，设累计概率密度分布函数为F(δ)，其中，δ为表示预测误差的随机变量，为F(δ)的反函数，表示预测误差区间边界值，有概率则实际功率P_prac的满足置信水平为1-α的置信区间为：

[P_fore+G(α₁),P_fore+G(α₂)]

其中：α₂-α₁＝1-α，取对称概率区间，即α₁＝α/2，α₂＝1-α/2。

5.根据权利要求1所述的预测方法，其特征在于，所述步骤S4包括：

S41.将数值天气预报数据输入步骤S31所述的确定性预测模型，得到确定性预测功率；

S42.将预测功率按照对应等级代入步骤S35所述的置信区间公式，即可得到光伏功率预测区间。