[发明专利]基于同步挤压小波变换的光伏功率多模型综合预测方法

说明书

本发明提供一种基于同步挤压小波变换的光伏功率多模型综合预测方法，包括以下步骤：将光伏历史数据按照天气情况不同，分为晴天、阴天、雨天和多云四种类型；对各类型光伏功率数据采用同步挤压小波变换方法进行预处理，将其分解为一系列特征互异的模态函数；对每一模态函数进行归一化处理；对各模态函数确定输入变量集合；对各模态函数建立BP神经网络、支持向量机和高斯过程回归相结合的多模型综合预测方法；将不同模态函数预测结果叠加，获得最终的光伏功率短期预测值。本发明提供的基于同步挤压小波变换的光伏功率多模型综合预测方法有效提高了预测精度，增强了预测结果可靠性，能够较好解决电力系统光伏功率短期预测问题。

技术领域

本发明涉及一种电力系统光伏功率短期预测方法，对电力系统新能源出力进行短期预测，属于电力系统技术领域。

背景技术

太阳能资源的优越性能使得光伏发电技术日益呈现出规模化的发展趋势。由于光伏系统的发电功率与季节类型、天气类型和气象因素等紧密相关，其功率的变化具有随机性和波动性特征，因此大规模的光伏系统并网给电力系统的安全和稳定带来了严峻挑战。对光伏系统发电功率进行准确的预测可以为电力系统调度部门及时调整调度计划提供参考依据，从而可以有效地降低光伏系统对电网产生的不良影响。

国内外学者对光伏功率短期预测进行了大量研究并取得了丰硕成果。目前，用于光伏功率预测建模主要有时间序列、人工神经网络、支持向量机、相关向量机等方法。时间序列预测模型具有低阶模型简单、能够建立精确数学表达式的优点，但其预测精度不高、建立高阶模型比较复杂，且阶数不易确定。因此，时间序列方法一般难以适应天气的剧烈变化，整体预测能力较差。人工神经网络(artificial neural network,ANN)可以掌握不同因素间的内部规律，执行复杂的数学映射，适合处理光伏发电功率和外部影响因素间的非线性关系。其中，反向传播(back propagation,BP)人工神经网络因具有很强的学习能力、组织性、容错性和推理意识功能等优点而被广泛应用于光伏功率预测中。支持向量机(support vector machine,SVM)作为一种机器学习算法，能够较好解决非线性、小样本和高维数据等复杂问题，取得较好的预测效果。高斯过程回归(Gaussian processregression,GPR)以贝叶斯理论和统计学习理论为基础，在处理高维数、非线性等复杂回归问题时具有易编程实现、超参数自适应获取以及输出具有概率分布等优点，在光伏功率预测领域获得了广泛关注。

光伏系统发电功率具有很强的随机性和波动性特征，任何单一模型都难以对其整体的变化趋势做到准确的预测。因此，相关学者建立了光伏功率的综合预测模型，将不同原理预测方法结果进行组合处理，可以充分发挥各个模型优势，从而达到优势互补，提高模型预测精度及增强预测结果可靠性的目的。

利用传统的预测模型直接对光伏功率进行预测，难以把握其随机性和波动性特征，预测准确性有待进一步提高。

发明内容

针对现有电力系统光伏功率短期预测存在的预测精度不高、预测结果可靠性差等问题，本发明提供一种基于同步挤压小波变换的光伏功率多模型综合预测方法，实现对光伏功率的精确短期预测。本发明采用的多种预测模型，相对于单一预测模型，增强了预测结果可靠性。首先，采用同步挤压小波变换作为预测模型的前置数据预处理方法，将光伏功率原始数据分解为一系列特征互异的模态函数，对每一模态函数从光伏功率历史数据、温度、风速、气压等影响因素中选取输入变量集合，接着对各模态函数建立BP神经网络、支持向量机和高斯过程回归相结合的多模型预测方法；最后，将不同模态函数预测结果叠加，获得最终的光伏功率短期预测值。本发明采用的技术方案是：

一种基于同步挤压小波变换的光伏功率多模型综合预测方法，包括以下步骤：

(1)获取光伏功率短期预测所需的基本原始数据，包括光伏功率历史数据，温度、风速、气压这些环境气象数据，并对原始数据进行预处理，剔除异常值；