本發(fā)明屬于光伏電站發(fā)電量預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于時間序列和相似日分類的mars的光伏電站功率預(yù)測方法。

背景技術(shù)：

截至2015年9月底，全國光伏發(fā)電裝機容量達(dá)到3795萬千瓦，其中，光伏電站3170萬千瓦，分布式光伏625萬千瓦。但是，光伏發(fā)電過程本身受多種環(huán)境及自身因素影響，并網(wǎng)后其強隨機性和波動性可能造成電網(wǎng)的不穩(wěn)定，由此導(dǎo)致了大量的“棄光”現(xiàn)象，這與我國倡導(dǎo)的抑制產(chǎn)能過剩的理念是不相匹配的。

電網(wǎng)友好型的電源側(cè)是新能源電力系統(tǒng)的重要組成部分，如果光伏功率能得到比較準(zhǔn)確的預(yù)測，那么對于電源側(cè)其他穩(wěn)定的電源，如火電機組，將更容易與其配合調(diào)整負(fù)荷，使得更多的光伏發(fā)電系統(tǒng)能夠接入電網(wǎng)，更高效地利用清潔能源。

多元自適應(yīng)回歸樣條(mars)方法適用于非線性回歸問題。對于高維度數(shù)據(jù)mars方法能夠有效尋找變量交互性和變量變形的最優(yōu)形式，挖掘隱含在數(shù)據(jù)對背后的規(guī)律，對于具有同一規(guī)律的學(xué)習(xí)集以外的數(shù)據(jù)，經(jīng)過訓(xùn)練的模型也能給出合適的輸出。

技術(shù)實現(xiàn)要素：

針對上述問題，本發(fā)明提出一種光伏電站功率預(yù)測方法，基于時間序列和天氣類型分類的mars模型，以提高短期超短期光伏功率預(yù)測精度。

本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

一種光伏電站功率預(yù)測方法，所述方法用于對目標(biāo)光伏電站的未來時間段的發(fā)電功率進(jìn)行預(yù)測，以獲得該目標(biāo)光伏電站在某一預(yù)測時間段的發(fā)電功率值；

所述預(yù)測方法包括以下步驟：

(1)收集所述預(yù)測時間段之前的若干已知時間段的目標(biāo)光伏電站氣象信息數(shù)據(jù)及發(fā)電功率數(shù)據(jù)，并結(jié)合所述已知時間段的天氣類型，構(gòu)建mars模型；根據(jù)天氣類型構(gòu)建的mars模型包括晴天mars模型、多云mars模型、陰天mars模型、以及雨雪天mars模型；

(2)基于所述預(yù)測時間段之前若干已知時間段的目標(biāo)光伏電站氣象信息數(shù)據(jù)，使用三次指數(shù)平滑時間序列得到所述預(yù)測時間段對應(yīng)的預(yù)測氣象信息數(shù)據(jù)；

(3)將所述預(yù)測時間段對應(yīng)的目標(biāo)光伏電站預(yù)測氣象信息數(shù)據(jù)輸入到該預(yù)測時間段對應(yīng)的天氣類型mars模型中，得到該預(yù)測時間段的預(yù)測功率值。

進(jìn)一步地，步驟(3)后還包括以下步驟：

(4)當(dāng)獲得所述預(yù)測時間段的實際氣象信息數(shù)據(jù)后，將所述實際氣象信息數(shù)據(jù)輸入到該預(yù)測時間段對應(yīng)的天氣類型mars模型中，在原有模型基礎(chǔ)上再次訓(xùn)練mars模型，以提高該天氣類型mars模型的預(yù)測精度；

(5)將所述預(yù)測時間段的實際氣象信息數(shù)據(jù)輸入到步驟(2)中所述三次指數(shù)平滑時間序列中，用于獲得新的預(yù)測時間段對應(yīng)的預(yù)測氣象信息數(shù)據(jù)；

(6)將步驟(2)-(5)循環(huán)往復(fù)不斷滾動預(yù)測，以獲得不同預(yù)測時間段的預(yù)測功率值。

進(jìn)一步地，所述氣象信息數(shù)據(jù)包括所述太陽輻射數(shù)據(jù)和所述氣象數(shù)據(jù)；

所述太陽輻射數(shù)據(jù)中的氣象參數(shù)包括總輻照、直射輻照和散輻照，所述氣象數(shù)據(jù)中的氣象參數(shù)包括小時數(shù)、溫度、濕度、露點溫度、風(fēng)速、風(fēng)向、透光度和反射率。

進(jìn)一步地，所述步驟(1)具體為：

s1：收集所述預(yù)測時間段之前的若干已知時間段的光伏電站的氣象信息數(shù)據(jù)以及對應(yīng)的發(fā)電功率實時數(shù)據(jù)，并記錄所述已知時間段的天氣類型，所述天氣類型包括晴、多云、陰、雨雪四種；

s2：將收集到的所述氣象信息數(shù)據(jù)以及所述對應(yīng)的發(fā)電功率實時數(shù)據(jù)按照數(shù)據(jù)收集時間段對應(yīng)的天氣類型進(jìn)行分類，分為晴天氣象信息數(shù)據(jù)、多云氣象信息數(shù)據(jù)、陰天氣象信息數(shù)據(jù)以及雨雪天氣象信息數(shù)據(jù)四種類型的氣象信息數(shù)據(jù)；

s3：將s2分類后獲得所述四種類型的氣象信息數(shù)據(jù)逐變量剔除誤差較大數(shù)據(jù)點后分別采用最大最小值法進(jìn)行歸一處理，獲得歸一化處理后的四種類型的氣象信息數(shù)據(jù)；

s4：以所述氣象信息數(shù)據(jù)作為mars模型的輸入變量，以發(fā)電功率作為mars模型的輸出變量，通過前向迭代過程訓(xùn)練成對地引入基函數(shù)，最終獲得過度擬合的mars模型；在后向過程中，通過交叉驗證gcv準(zhǔn)則計算各個基函數(shù)的重要程度：

其中，為殘差平方和，n為輸入氣象信息數(shù)據(jù)的個數(shù)，yi為實際發(fā)電功率為預(yù)測的發(fā)電功率；c(m)＝(m+1)+pm，c(m)是為了降低模型復(fù)雜性的罰函數(shù)，m為基函數(shù)個數(shù)，p為懲罰系數(shù)，p取值[2,3]。

在滿足預(yù)測精度要求的前提下，按照重要度從低向高的順序依次刪除冗余基函數(shù)，得到非過度擬合的mars模型；按照天氣類型構(gòu)建的mars模型包括晴天mars模型、多云mars模型、陰天mars模型、以及雨雪天mars模型。

進(jìn)一步地，在s3步驟中，

將s2分類后獲得所述四種類型的氣象信息數(shù)據(jù)逐變量剔除誤差較大數(shù)據(jù)點后采用最大最小法進(jìn)行歸一處理，獲得歸一化處理后的四種類型的氣象信息數(shù)據(jù)；

所述最大最小法公式如下：

xz＝(xi-xmin)/(xmax-xmin)

式中，xz為歸一化處理后的氣象信息數(shù)據(jù)中的氣象參數(shù)；xi為未經(jīng)過歸一化處理的氣象信息數(shù)據(jù)中的氣象參數(shù)；xmax，xmin分別為每種氣象信息數(shù)據(jù)類型中此類氣象參數(shù)的最大值和最小值。

進(jìn)一步地，在s4步驟中，所述mars模型的建立過程采用前向選擇和后向刪除過程；在所述前向過程中，樣條函數(shù)以加權(quán)和的形式引入到mars模型中充當(dāng)基函數(shù),每次選取一對最優(yōu)樣條函數(shù)來提高模型準(zhǔn)確度，向后刪除過程，刪除造成模型過度擬合的基函數(shù)。

進(jìn)一步地，步驟(2)具體為：獲取光伏電站所在位置預(yù)測時間段的天氣預(yù)類型，基于該預(yù)測時間段前若干天的太陽輻照數(shù)據(jù)和氣象數(shù)據(jù)使用三次指數(shù)平滑時間序列得到預(yù)測時間段對應(yīng)的預(yù)測太陽輻照數(shù)據(jù)和預(yù)測氣象數(shù)據(jù)；

進(jìn)一步地，步驟(3)具體為：將預(yù)測時間段對應(yīng)的目標(biāo)光伏電站的太陽輻照數(shù)據(jù)和預(yù)測氣象數(shù)據(jù)作為該預(yù)測時間段對應(yīng)天氣類型mars模型的輸入，得到預(yù)測功率值。

本發(fā)明的有益技術(shù)效果：

本發(fā)明所述方法實現(xiàn)了對未來時段分鐘級精度的光伏輸出功率的實時預(yù)測，進(jìn)而指導(dǎo)光伏電站調(diào)度工作，確保光伏并網(wǎng)后整個電網(wǎng)穩(wěn)定、安全地運行，更高效地利用清潔能源。

本發(fā)明所述方法與其他短期超短期方法相比，不斷迭代優(yōu)化mars模型保證預(yù)測收斂性且具有更好的預(yù)測精度。

附圖說明

圖1為利用本發(fā)明光伏電站功率預(yù)測方法測得的預(yù)測時間段預(yù)測功率與實際功率比較圖譜；

圖2為本發(fā)明一種光伏電站功率預(yù)測方法的流程圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)描述。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用于解釋本發(fā)明，并不用于限定本發(fā)明。

相反，本發(fā)明涵蓋任何由權(quán)利要求定義的在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。進(jìn)一步，為了使公眾對本發(fā)明有更好的了解，在下文對本發(fā)明的細(xì)節(jié)描述中，詳盡描述了一些特定的細(xì)節(jié)部分。對本領(lǐng)域技術(shù)人員來說沒有這些細(xì)節(jié)部分的描述也可以完全理解本發(fā)明。

實施例1

一種光伏電站功率預(yù)測方法，如圖1-2所示，所述方法基于時間序列和相似日分類，所述方法包括以下步驟：

s1：收集所述預(yù)測時間段之前的若干已知時間段的光伏電站的太陽輻照數(shù)據(jù)、氣象數(shù)據(jù)以及對應(yīng)的發(fā)電功率實時數(shù)據(jù)，并記錄所述已知時間段的天氣類型，所述天氣類型包括晴、多云、陰、雨雪四種；

s2：將收集到的所述太陽輻照數(shù)據(jù)、所述氣象數(shù)據(jù)以及所述對應(yīng)的發(fā)電功率實時數(shù)據(jù)按照數(shù)據(jù)收集時間段對應(yīng)的天氣類型進(jìn)行分類，分為晴天氣象信息數(shù)據(jù)、多云氣象信息數(shù)據(jù)、陰天氣象信息數(shù)據(jù)以及雨雪天氣象信息數(shù)據(jù)四種類型的氣象信息數(shù)據(jù)；

所述太陽輻射數(shù)據(jù)中的氣象參數(shù)包括總輻照、直射輻照和散輻照，所述氣象數(shù)據(jù)中的氣象參數(shù)包括小時數(shù)、溫度、濕度、露點溫度、風(fēng)速、風(fēng)向、透光度和反射率。

s3：將s2分類后獲得所述四種類型的氣象信息數(shù)據(jù)逐變量剔除誤差較大數(shù)據(jù)點后分別采用最大最小值法進(jìn)行歸一處理，獲得歸一化處理后的四種類型的氣象信息數(shù)據(jù)；

s4：以所述氣象信息數(shù)據(jù)作為mars模型的輸入變量，以發(fā)電功率作為mars模型的輸出變量，通過前向迭代過程訓(xùn)練成對地引入基函數(shù)，最終獲得過度擬合的mars模型；在后向過程中，通過交叉驗證gcv準(zhǔn)則計算各個基函數(shù)的重要程度：

其中，為殘差平方和，n為輸入氣象信息數(shù)據(jù)的個數(shù)，yi為實際發(fā)電功率為預(yù)測的發(fā)電功率；c(m)＝(m+1)+pm，c(m)是為了降低模型復(fù)雜性的罰函數(shù)，m為基函數(shù)個數(shù)，在滿足預(yù)測精度要求的前提下，按照重要度從低向高的順序依次刪除冗余基函數(shù)，得到非過度擬合的mars模型；并基于全部基函數(shù)中所含有選用的各個氣象信息數(shù)據(jù)的多少反推各個信息數(shù)據(jù)的重要程度，作為下一次模型優(yōu)化訓(xùn)練的輸入變量。按照天氣類型構(gòu)建的mars模型包括晴天mars模型、多云mars模型、陰天mars模型、以及雨雪天mars模型。

s5：獲取光伏電站所在位置預(yù)測時間段的天氣預(yù)類型，基于該預(yù)測時間段前若干天的太陽輻照數(shù)據(jù)和氣象數(shù)據(jù)使用三次指數(shù)平滑時間序列得到預(yù)測時間段對應(yīng)的預(yù)測太陽輻照數(shù)據(jù)和預(yù)測氣象數(shù)據(jù)；

s6：將預(yù)測時間段對應(yīng)太陽輻照數(shù)據(jù)和預(yù)測氣象數(shù)據(jù)作為該預(yù)測時間段對應(yīng)天氣類型mars模型的輸入，得到預(yù)測功率值；

s7：當(dāng)獲得s5和s6中所述預(yù)測時間段實際太陽輻照數(shù)據(jù)和實際氣象數(shù)據(jù)后，將所述實際太陽輻照數(shù)據(jù)和所述實際氣象數(shù)據(jù)作為mars模型的輸入，只進(jìn)行所述后向過程再次訓(xùn)練mars模型，提高該模型預(yù)測精度；

s8：當(dāng)獲得所述預(yù)測時間段實際太陽輻照數(shù)據(jù)和實際氣象數(shù)據(jù)后，將所述實際太陽輻照數(shù)據(jù)和所述實際氣象數(shù)據(jù)輸入s5中所述三次指數(shù)平滑時間序列獲得新的預(yù)測時間段對應(yīng)的預(yù)測太陽輻照數(shù)據(jù)和預(yù)測氣象數(shù)據(jù)，s5-s8循環(huán)往復(fù)不斷滾動預(yù)測，以獲得不同預(yù)測時間段的預(yù)測功率值。

實施例2

一種光伏電站功率預(yù)測方法，所述方法基于時間序列和相似日分類，所述方法包括以下步驟：

s1：收集2016年10月中連續(xù)12天內(nèi)每日6:00-18:00光伏電站的太陽輻照數(shù)據(jù)(包括總輻照、直射輻照、散輻照)、氣象數(shù)據(jù)(包括小時數(shù)、溫度、濕度、露點溫度、風(fēng)速、風(fēng)向、透光度、反射率)以及對應(yīng)發(fā)電功率。

并記錄所述已知時間段的天氣類型，所述天氣類型包括晴、多云、陰、雨雪四種；其中10月12、14-16、22-24為晴天，10，11，13,17，18為多云天氣，19-21日為雨雪。

s2：對s1收集到的數(shù)據(jù)按照天氣類型分為晴、多云、陰、雨雪四種類型的氣象信息數(shù)據(jù)；

s3：將s2分類后獲得所述四種類型的氣象信息數(shù)據(jù)進(jìn)行剔除誤差較大數(shù)據(jù)點、然后采用最大最小法進(jìn)行歸一處理，獲得歸一化處理后的四種類型的氣象信息數(shù)據(jù)；

所述最大最小法公式如下

xz＝(xi-xmin)/(xmax-xmin)

xz為歸一化處理后的氣象信息數(shù)據(jù)中的氣象參數(shù)；xi為未經(jīng)過歸一化處理的氣象信息數(shù)據(jù)中的氣象參數(shù)；xmax，xmin分別為每種氣象信息數(shù)據(jù)類型中此類氣象參數(shù)的最大值和最小值。s4：以所述氣象信息數(shù)據(jù)作為mars模型的輸入變量，以發(fā)電功率作為mars模型的輸出變量，通過前向迭代過程訓(xùn)練成對地引入基函數(shù)，最終獲得過度擬合的mars模型；在后向過程中，通過交叉驗證gcv準(zhǔn)則計算各個基函數(shù)的重要程度：

其中，為殘差平方和，n為輸入自變量實例的個數(shù)，yi為實際發(fā)電功率為預(yù)測的發(fā)電功率；c(m)＝(m+1)+pm，c(m)是為了降低模型復(fù)雜性的罰函數(shù)，m為基函數(shù)個數(shù)p為懲罰系數(shù)，p取值[2,3]；

在滿足預(yù)測精度要求的前提下，按照重要度從低向高的順序依次刪除冗余基函數(shù)，得到非過度擬合的mars模型；并基于全部基函數(shù)中所含有選用的各個氣象信息數(shù)據(jù)的多少反推各個信息數(shù)據(jù)的重要程度，作為下一次模型優(yōu)化訓(xùn)練的輸入變量。按照天氣類型構(gòu)建的mars模型包括晴天mars模型、多云mars模型、陰天mars模型、以及雨雪天mars模型。

以晴天為例，對該氣象類型所包含的氣象信息數(shù)據(jù)，基于后向過程gcv評估氣象參數(shù)的影響大小。

如表1所示，可以看出總輻照瞬時值、露點、環(huán)境溫度、平均風(fēng)速、散輻照瞬時值和小時數(shù)6個氣象參數(shù)組合的重要性程度滿足模型精度要求，說明這6個氣象參數(shù)對模型貢獻(xiàn)較大，且貢獻(xiàn)度依次降低。從物理意義上來說，太陽的輻照是導(dǎo)致光伏電池產(chǎn)生伏特效應(yīng)的直接影響，總輻照瞬時值衡量太陽輻照度是影響光伏發(fā)電功率的最主要氣象因素。露點指空氣中飽和水汽開始凝結(jié)結(jié)露的溫度，露點受氣壓與濕度影響，而這兩點和平均風(fēng)速與天氣類型密切相關(guān)，從而影響輻照度進(jìn)而影響發(fā)電功率。環(huán)境溫度與輻照度成正比，通常輻照度越大，環(huán)境溫度越高。散輻照度是陽光受到大氣中氣體、塵埃、氣溶膠等的散射作用從天空的各個角度到達(dá)地表的一部分太陽輻射，散輻照度越小通常大氣越晴朗，輻照能量更加集中，發(fā)電功率越高。

表1晴天氣象類型所包含的氣象信息數(shù)據(jù)中氣象參數(shù)的重要性程度gcv

將上述6個氣象參數(shù)作為后續(xù)循環(huán)訓(xùn)練mars模型的輸入變量，以發(fā)電功率作為mars模型的輸出變量，建立獲得mars模型；在本實施例中，建立的為晴天mars模型；所述mars模型的建立過程采用前向選擇和后向刪除過程；在所述前向過程中，樣條函數(shù)以加權(quán)和的形式引入到mars模型中,每次選取一對最優(yōu)樣條函數(shù)來提高模型準(zhǔn)確度，向后刪除過程，刪除造成模型過度擬合的基函數(shù)。

建立的晴天mars模型為：

y＝0.2+0.75*bf1-0.32*bf2+0.038*bf3+0.031*bf4-0.34*bf5+0.2*bf6+0.43*bf7+0.11*bf8(1)

式(1)中，y為發(fā)電功率，單位kw；bfn為基函數(shù)，n為基函數(shù)下編號，n的取值范圍為1-8；

基函數(shù)的確定以及基函數(shù)數(shù)目的最大值等參數(shù)都由mars算法根據(jù)樣本數(shù)據(jù)來自動完成；公式(2)是mars引入的樣條函數(shù)的一般形式，即基函數(shù)bfn未耦合時的形式如下所示：

公式(2)中，m為基函數(shù)的節(jié)點位置，d與u分別為線性擬合區(qū)間的下界和上界，xi為預(yù)測氣象信息數(shù)據(jù)中某一變量，sgn(n)為符號函數(shù)，r,p均為計算算子。

公式(2)中：

根據(jù)公式(5)可知，當(dāng)n為偶數(shù)時，sgn函數(shù)的返回值為1，當(dāng)n為奇數(shù)時，sgn函數(shù)的返回值為-1。

現(xiàn)為了表述的簡潔性，針對公式(2),定義基函數(shù)bfn未耦合時的縮略形式為：

bfn＝c(xi|sgn(n),d,m,u)

其中c為縮略記號。

表2實施例2晴天mars模型的基函數(shù)

s5：光伏電站所在位置11月5日的天氣預(yù)類型為晴天?；谇耙粫r段氣象數(shù)據(jù)使用三次指數(shù)平滑時間序列得到預(yù)測時段數(shù)據(jù)。

s6：將s5時間序列預(yù)測數(shù)據(jù)作為s4訓(xùn)練所得mars模型的輸入，得到預(yù)測功率值。

s7：當(dāng)獲得原預(yù)測時段實際測量的輻照數(shù)據(jù)和氣象數(shù)據(jù)后，將兩者作為輸入只進(jìn)行后向過程再次訓(xùn)練mars模型，提高模型預(yù)測精度。

s8：當(dāng)獲得原預(yù)測時段實際測量的輻照數(shù)據(jù)和氣象數(shù)據(jù)后，將兩者輸入時間序列獲得新的預(yù)測時段輻照和氣象數(shù)據(jù)?；氐絪5循環(huán)往復(fù)不斷滾動預(yù)測。

本發(fā)明所提供的方法中，當(dāng)設(shè)定預(yù)測時段為分鐘級時，即可實現(xiàn)對未來時段分鐘級精度的光伏輸出功率的實時預(yù)測，進(jìn)而指導(dǎo)光伏電站調(diào)度工作，確保光伏并網(wǎng)后整個電網(wǎng)穩(wěn)定、安全的運，更高效地利用清潔能源。