[发明专利]一种基于时间序列相似性的短期光功率预测方法

说明书

本发明公开了一种基于时间序列相似性的短期光功率预测方法。首先，对实时采集的光伏电站气象数据和设备运行数据进行修复，将不合理数值或者缺失数据补齐，然后通过功率数据分析将所有光伏阵列分为几类。对每类光伏阵根据气象预测数据找出上一年同时期相近气象条件下的功率曲线，并采用加权平均的方式，来对未来的功率进行预测。本发明采用大数据分析的方法，综合利用历史数据和气象预测数据提高光功率预测精度，对于保障电网平稳运行具有十分重要意义。

技术领域

本发明涉及一种基于时间序列相似性的短期光功率预测方法，涉及电力调度控制及光伏电站调度管理技术领域，主要适用于光伏电站及电力调度部门进行发电量预测评估。

背景技术

伴随着我国能源绿色化战略的不断深入，光能作为一种可再生清洁能源越来越受人们的广泛关注。近年来，随着光伏设备制造技术的不断进步，价格逐步降低，发电效率不断提高，多晶硅电池效率在16％至17％左右，单晶硅电池的效率约18％至20％。按照国家规划，到2020年国内光伏电站装机规模为150GW，2015年底我国光伏累计装机超过43GW，未来5年内光伏发电行业的年复合增长率高达28.39％。光电的迅速发展对电网调度管理带来了巨大挑战，主要体现在光伏电站功率预测精度差，增加了电网调节控制的难度。这是由于光伏电站的发电能力受到气象因素的影响，短时间会发生随机波动导致光伏电站电压波动、闪变和无功补偿装置等产生的谐波，造成电能质量问题，因此准确地对光伏电站功率进行预测对于电网调度具有重大意义。此外，伴随着电力市场交易的深入开展，国家对风电、光伏的保护也逐步放开，在参与电力竞价的过程中，准确申报发电能力不仅可以提高经济效益，还可避免误报带来经济损失。

光功率短期预测方法很多，有不同的分类标准，根据是否使用数值气象预报(NWP—Numerical Weather Prediction)产品，预测方法可以分为两类：一类是基于时间序列的预测方法，一类是基于数值气象预报的预测方法。随着时间数据序列预测方法的深入研究，已产生了多种时间序列预测方法，例如自回归滑动平均(Auto-Regressive andMoving-Average，ARMA)模型、神经网络、灰色预测和支持向量机(Support VectorMachine，SVM)等技术。ARMA模型在处理非线性时间序列时，需先对数据进行平稳化处理，且预测精度较低，而采用神经网络进行非线性预测时，其学习速度较慢且存在局部极小值问题。SVM预测模型的学习能力和泛化性能通常由核函数的类型和参数决定，采用单一核函数的SVM模型存在一定局限性，对较为复杂的非线性数据预测的精度较低。基于历史数据的预测方法精度会伴随着预测时长的增加而下降，一般为6小时或8小时。基于数值气象预报，预测时间可以更长一些，具体取决于数值气象预报的预测时间长度，可以达到24小时、48小时甚至72小时或者更长，其精度收到气象预报精度的影响。

发明内容

发明目的：针对上述现有技术，提出一种基于时间序列相似性的短期光功率预测方法，以影响发电功率的主要因素辐照度和温度为检查条件，进行功率预测，避免单纯依靠气象预报带来的不准确性。

技术方案：一种基于时间序列相似性的短期光功率预测方法，包括如下步骤：

步骤1，对光伏电站历史气象观测数据和设备运行状况数据进行修复；

步骤2，通过功率数据分析将所有光伏阵列分类；

步骤3，对每类光伏阵根据气象预测数据找出上一年同时期相近气象条件下的功率曲线，然后采用加权平均的方式对功率进行预测；

步骤4，将几类光伏阵列的预测功率求和，得到全站的预测功率。

进一步的，光伏电站气象数据包括在t时刻的辐照度R_t以及在t时刻的温度T_t，设备运行状况数据包括在t时刻全厂阵列功率P_t；