[发明专利]一种考虑环境因素的光伏出力短期预测方法及系统

说明书

本发明公开一种考虑环境因素的光伏出力短期预测方法及系统，所述方法包括：获取历史光伏功率数据和对应的区域环境因素数据；通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素；采用CEEMDAN分解算法对关键环境因素进行分解，得到关键环境因素的时间特征序列；通过ChOA算法改进ELM神经网络，并构造光伏出力预测模型；根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型；通过训练好的光伏出力预测模型进行光伏出力短期预测。本发明采用CEEMDAN分解算法对关键环境因素进行分解，提取数据在不同时间尺度上的局部特征，在此基础上，采用ChOA算法优化ELM神经网络参数并构造预测模型，可以降低光伏发电功率预测误差。

技术领域

本发明属于光伏发电技术领域，具体涉及一种考虑环境因素的光伏出力短期预测方法及系统。

背景技术

由于化石能源的短缺和环境污染问题，以及国家节能减排的压力加大，太阳能光伏作为可再生能源的一种，在中国得到快速发展。然而由于太阳辐照度、温度等环境因素的影响，光伏的输出功率本质上具有间歇性、波动性等特点，并且在大规模的光伏电源接入发电系统后，影响其稳定运行以及能量管理环节中的光伏的消纳率。

光伏出力预测的研究方法主要可以分为物理方法、统计方法和神经网络。物理预报方法不需要历史数据，需要精确的地理、气象等实测信息和完整的光伏电池信息，但计算时间较长、实用性有待提高。统计预测方法是基于历史数据和目标预测数据之间的映射关系对未来光伏输出功率的预测，但处理动态的非周期性的时间序列数据效果不佳。人工神经网络技术对非线性处理的能力符合光伏电源的变化规律，提高了光伏输出功率的预测精度。

近年来，光伏出力预测研究取得了一些成果。有利用小波变换将光伏历史信号分解为多个频率序列，然后用深度卷积神经网络提取每个频率中的非线性特征进行预测；有加入注意力机制增强提取光伏出力数据时间特征，然后构建了长短期网络和卷积神经网络组合预测模型。上述方法仅依据光伏历史数据建立模型，没有考虑影响光伏出力的环境变量因素。也有提出以综合指标选取相似日，采用L-M算法改进神经网络的参数，获得最优模型。然而由于天气条件的复杂性，上述预测模型可能无法完全提取相应的环境因素非线性特征和时间序列特征导致预测准确度不高。

因此，需要一种有效利用影响光伏出力的关键环境因素来提高光伏功率的预测的精确性的方法。

发明内容

针对现有技术的缺陷，本发明提出了一种考虑环境因素的光伏出力短期预测方法及系统，用于解决由于环境条件变化导致光伏出力预测误差较大的问题。

本发明第一方面，公开一种考虑环境因素的光伏出力短期预测方法，所述方法包括：

获取历史光伏功率数据和对应的区域环境因素数据；

通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键环境因素；

采用CEEMDAN分解算法对关键环境因素进行分解，得到关键环境因素的时间特征序列；

通过ChOA算法改进ELM神经网络，并构造光伏出力预测模型；

根据主要环境因素的时间特征序列和历史光伏功率数据训练光伏出力预测模型；

通过训练好的光伏出力预测模型进行光伏出力短期预测。

在以上技术方案的基础上，优选的，所述通过主成分分析法从区域环境因素数据中筛选影响光伏输出功率的关键你环境因素具体包括：

将输入的区域环境因素数据X减去各自的平均值，得到去中心化的区域环境因素数据；

计算去中心化的区域环境因素数据的协方差矩阵；

用特征值分解方法求协方差矩阵的特征值与特征向量；

对特征值从大到小排序，选取其中最大的s个特征值；