[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

说明书

本发明公开了一种考虑微气象因素的分布式光伏出力预测方法，属于可再生能源预测技术领域。方法包括建立SSA模型、考虑相似日的微气象预测过程、奇异谱分析‑模糊信息粒化、基于优化极限学习机的预测模型建立。本发明在传统SSA方法的基础上考虑了微气象因素，通过ICS‑ELM建模预测优化，使得本发明形成的模型具有预测精度高的特点；各分量采用极限学习机分别建立预测模型，再通过改进布谷鸟算法优化极限学习机，可降低ELM参数选择的随机性，提高预测精度，最终解决目前分布式光伏电站预测方法忽视的数据分解后的子序列所反映的光伏出力特性，从而挖掘出光伏出力的隐含信息和内在规律，达到好的预测效果。

技术领域

本发明属于光伏发电技术领域，具体涉及一种考虑微气象因素的分布式光伏出力预测方法。

背景技术

近年来，分布式光伏发电在节能减排、布置灵活等方面具有很大优势，但其间歇性及波动性对配电网的影响已不容忽视。大量间歇式光伏发电并网会造成配电网电能质量差等问题，将影响整个配电网的供电安全可靠性，而对其有效调控的前提是实现对分布式光伏出力的预测。

目前，对于光伏出力预测主要有物理类方法、统计类方法以及上述方法的组合方法等三类。

物理方法是根据光伏组件所在的详细地理位置和光电转换效率等因素建立物理模型，依据光伏系统的发电原理直接将气象数据作为输入进行预测。其有效性取决于对研究对象内在结构及其遵循规律的把握程度和模型参数的精度，涉及环节多、过程复杂、参数求解困难。

统计类方法是建立在利用某种统计方法对历史光伏出力数据进行分析，寻找数据中的内在规律并用于预测，其主要包括时间序列法、回归分析法、灰色预测法以及元启发式系列方法等。

其中，发展前景较好的元启发式方法的本质是对生物的作息规律进行模拟，采用某种算法对样本数据进行训练而得到预测条件与待预测量之间的关系。元启发式方法主要包括神经网络、支持向量机、遗传算法、模糊系统等。这其中的神经网络法具有很强的非线性拟合能力，可以映射任意复杂的非线性关系，这与光伏发电系统的特点十分相似，所以很适合对光伏电站出力短期预测。但是单一的神经网络无法适应多变天气类型，泛预测效果不佳，尤其是传统的BP神经网络训练采用梯度下降法，容易陷入局部最小值，收敛速度慢的问题中。而其中的模糊系统对光伏出力进行预测时，模糊推理规则的建立需要大量的历史数据和充足的专家经验。

组合方法利用不同模型提供的信息并发挥各自优势，选择合适的方式进行组合，以期提高预测效果。但较前两种方法而言，组合方法建模要比单一方法复杂，实现过程较为困难。

综上可见，目前现有分布式光伏电站预测方法，主要存在以下问题：

1、建模过程复杂；

2、影响因素繁多，且互相存在耦合；

3、需要大量的历史样本数据；

4、抗干扰能力差；

5、预测精度较低；

研究以上几种方法存在的各种问题时发现其共性：在对光伏出力进行预测时，以上方法都是利用历史数据处理后建模预测，未考虑数据分解后的子序列所反映的光伏出力特性，也就无法挖掘出光伏出力的一些隐含信息和内在规律，所以要想达到较好的预测效果较难实现。

发明内容

本发明的目的在于提供一种考虑微气象因素的分布式光伏出力预测方法，以解决上述背景技术中的问题。

为了解决以上问题，本发明技术方案为：

一种考虑微气象因素的分布式光伏出力预测方法，该方法为以下步骤：

步骤A、建立SSA模型；