[发明专利]一种考虑微气象因素的分布式光伏出力预测方法

权利要求书

1.一种考虑微气象因素的分布式光伏出力预测方法，其特征在于：

该方法为以下步骤：

步骤A、建立SSA模型；

通过SSA的分解可以得到趋势序列、振荡序列及噪声序列预测值，分别建立趋势/振荡序列预测模型，得到趋势/振荡序列的预测值之后，按照式(1)进行叠加，即可得到光伏出力趋势/振荡序列的预测值；

P＝P_low+P_high (1)

式(1)中，P_low、P_high分别为趋势序列、振荡序列预测值；

P代表光伏出力趋势/振荡序列的预测值；

步骤B、考虑微气象的相似日选取过程，这一选取过程包括以下环节；

环节(1)、基于微气象信息的相似日求取：

采用灰色关联度理论，基于预测类型和微气象信息进行相似日的求取；

环节(2)、对光伏出力时间序列和不同微气象因素进行关联分析：

采用关联分析法，根据关联程度最高的曲线确定影响光伏出力的主要微气象因素，具体是确定温度、辐照、风速、降雨量这4种不同的主要微气象因素；

环节(3)、确定微气象灵敏度：

分析环节(2)中确定的主要微气象因素对光伏出力变化的灵敏度，并将单位长度的微气象因素值区间所对应的灵敏度确定为微气象灵敏度；

步骤C、奇异谱分析-模糊信息粒化，这一过程包括以下环节；

环节(1)、奇异谱分析：

SSA主要分为嵌入、奇异值分解、分组和对角平均这4个步骤，用于识别和提取数据的主成分；

环节(2)、模糊信息粒化：

选用基于模糊集的信息粒化方法，模糊信息粒化由二个模块组成：窗口划分和信息的模糊化；

步骤D、基于优化极限学习机的预测模型建立，这一过程可采取如下方式实现：

(1)、极限学习机；

极限学习机是一种单一的隐层前馈神经网络，其隐层的偏差和输出权重不需要调整，随机设定输入权重和隐层偏差后，输出权重能简单计算得到，通过应用隐层输出矩阵的广义逆运算；

(2)、改进布谷鸟算法优化极限学习机；

为了降低环节(1)中ELM参数选择的随机性，提高预测精度，使用ICS优化ELM模型的输入层和隐含层之间的权值和隐层偏置。

2.如权利要求1所述的一种考虑微气象因素的分布式光伏出力预测方法，其特征在于：所述步骤B中振荡序列的修正过程分为以下环节：环节(1)、基于微气象信息的相似日求取：

根据相似日理论，选取振荡序列的参照日和基准值，以距离待预测日最近且天气类型相似的历史日作为振荡序列参照日，并以参照日的光伏出力振荡序列作为待预测日振荡序列的基准值；

环节(2)、对光伏出力时间序列和不同微气象因素进行关联分析：

根据关联程度最高的曲线特性，确定的主要微气象因素为温度和辐照；

以温度和辐照与光伏出力之间的关联系数α₁和α₂分别作为主要微气象因素影响光伏出力变化的权重系数；

环节(3)、确定微气象灵敏度，并对振荡序列P_high进行修正：

根据微气象因素对光伏出力变化的灵敏度、待预测日与参照日的温差和辐照差，按照式(4)对光伏出力振荡序列P_high进行修正：

P_high＝P'_high+α₁ΔP₁+α₂ΔP₂(4)

式(4)中，P_high、P'_high、为待预测日的光伏出力振荡序列、参照日的光伏出力振荡序列；

ΔP₁和ΔP₂为因温度变化引起的光伏出力振荡序列变化量以及因辐照变化引起的光伏出力振荡序列变化量；

α₁和α₂分别为温度和辐照影响光伏出力振荡序列变化的权重系数；

光伏出力的趋势序列P_low的修正方式与上述P_high的修正方式相同。