[发明专利]一种基于历史数据挖掘的光伏功率纵向预测方法

说明书

本发明属于太阳能利用研究领域，特别涉及一种基于历史数据挖掘的光伏功率纵向预测方法，首先针对不同季节的历史光伏功率数据进行统计分析，得到相应季节下光伏功率的6个统计指标。利用欧式距离对上述统计指标进行聚类，得到不同季节不同天气情况下的相似日矩阵，通过一维正向云发生器形成相似日典型曲线及分布区间。利用马尔可夫链理论实现相应时刻未来24小时的光伏功率纵向预测，将该预测值与相似日典型曲线分布区间进行融合，形成新的预测值。最后将新的预测值与持续预测法得到的预测值通过一维逆向云发生器进行加权融合，实现基于历史数据相似云融合的光伏功率纵向预测，进一步提高光伏功率的预测精度。

技术领域

本发明属于太阳能利用研究领域，特别涉及一种基于历史数据挖掘的光伏功率纵向预测方法。

背景技术

与水能、风能、地热能、生物能等相比，太阳能以其突出独有的优势而成为人们重视的焦点。丰富的太阳辐射能取之不尽、用之不竭，且光伏发电装置无噪声、无污染、廉价、规模灵活，易于人类自由、广泛利用。据统计，太阳能每秒钟到达地面的能量高达80万千瓦，若把地球表面0.1％的太阳能转为电能，且转变率为5％，则每年发电量就可达5.6×1012千瓦时，相当于世界总能耗的40倍。因此，光伏发电备受青睐并得到广泛应用。然而，受外界复杂不确定因素的影响，光伏发电存在随机性、波动性、间歇性、不确定性等缺点，且光伏输出功率还与影响因子呈现非线性的关系，这就导致光伏发电功率往往是极不稳定的，对电网的经济、安全、稳定运行造成了严重的影响和威胁。

实现光伏电站功率的预测，将有助于电网调度部门统筹安排常规电源和光伏发电的协调配合、适时地调整调度计划、合理安排电网运行方式。目前，光伏功率预测主要可以分为统计学方法和人工神经网络方法两类。统计学方法是通过对历史数据进行统计分析，利用概率论找出其内在规律并用于预测；而人工神经网络方法将样本数据作为输入，经机器训练测试学习，建立预测模型来对未来进行预测。以上两种方法在光伏功率预测方面得到了应用，但其方法存在一些局限性，例如对于规律性和周期性较强的数据信息，这两种预测方法能达到较高的预测精度，但光伏发电存在随机性、波动性等特点，运用这两种方法，效果往往很差，不能满足实用需求。因此，寻找一种能够对光伏功率进行可靠预测的方法具有重要的实用价值。

发明内容

为了解决上述问题，本发明一种基于历史数据挖掘的光伏功率纵向预测方法，包括：

步骤1、采集光伏电站输出功率数据，采样时间间隔为15min；选取上一年某季节下的D天历史光伏功率数据进行统计分析，得到相应季节下出力均值、标准差、变异系数、峰度、偏度和出力总和6个统计指标，并进行归一化处理；

步骤2、利用欧式距离对D天历史光伏功率数据进行分类，形成n个不同的相似日矩阵c(m)，其中，1≤m≤n；

步骤3、利用一维正向云发生器计算D天内相似日矩阵c(M)从早7点至晚7点光伏功率的云数字特征(E_x，E_n,H_e)形成相似日典型曲线及逐时云滴分布区间；其中，E_x-期望，E_n-熵，H_e-超熵。

步骤4、将预测日对应季节下的M天光伏功率数据进行状态划分，利用绝对分布的马尔可夫链理论计算转移频数矩阵和转移概率矩阵，选择对应t时刻转移概率矩阵计算初始状态分布和初始概率向量，求得预测时刻的概率分布，建立基于马尔科夫链的光伏功率纵向预测模型，得到预测值；其中，为某天t时刻所处状态i转移到达k天后t时刻所处状态j的转移概率矩阵；

步骤5、读取天气预报信息确定待预测日的相似日典型曲线所属类别，根据步骤3得到的相似日典型曲线及逐时云滴分布区间对步骤4中得到的预测值进行融合，得到融合后的新预测值，与持续预测法得到的预测值通过一维逆向云发生器进行加权融合，实现基于历史数据相似云融合的光伏功率纵向预测，进而提高光伏功率预测精度。

步骤6、将预测结果和实测值进行比较，计算预测误差。