基于NWP辐照度修正和误差预测的光伏电站功率预测方法与流程

基于nwp辐照度修正和误差预测的光伏电站功率预测方法
技术领域
1.本发明涉及光伏发电技术领域，尤其涉及基于nwp辐照度修正和误差预测的光伏电站功率预测方法。


背景技术：

2.近年来，为了解决化石能源枯竭问题和实现能源转型，加快发展新能源已经成为各国的普遍共识。光伏发电以其清洁可持续的优势得到了迅速发展。然而，光伏发电有着很强的随机性和间歇性周期性。光伏发电大规模并网时会对电力系统产生冲击，严重影响了电力系统的安全稳定运行。由于光伏短期功率预测对电力部门安排发电计划有着重要意义，因此，精确的短期功率预测能够提高光伏发电接入电网的可靠性，降低光伏发电不确定性对电力系统的影响，是解决光伏发电并网障碍的关键技术之一。
3.目前，有关光伏发电短期功率预测的方法大致可以分为两类，分别是物理方法和统计学方法。物理方法基于太阳辐射传递方程、光伏组件运行方程等建立物理模型，以此直接计算光伏输出功率，但是由于涉及到多种方程使得其建模过程复杂且鲁棒性较差，难以实现；统计学方法是根据光伏发电输出功率与气象因素之间的关系，通过智能算法训练光伏电站的历史运行数据建立预测模型，模型相对较简单，但是由于智能算法自身的局限性使得预测结果存在一定程度的误差。同时，功率预测的输入数据源自数值天气预报，现有技术考虑数值天气预报自身的误差对功率预测影响的较少，因此，现有预测方法的残差对功率预测精度有着负面影响，需要对预测后数据进行后处理以减少这一影响。


技术实现要素：

4.本发明所要解决的技术问题是提供一种提高预测精度的基于nwp辐照度修正和误差预测的光伏电站功率预测方法。
5.为解决上述问题，本发明所述的基于nwp辐照度修正和误差预测的光伏电站功率预测方法，包括以下步骤：
⑴
获取光伏电站历史运行数据及nwp数值天气预报；
⑵
建立nwp辐照度修正模型，实现nwp辐照度的多步修正；
⑶
基于pso-elm的优化功率预测模型，采用修正后的辐照度得到功率预测数据；
⑷
根据功率预测数据计算误差，并建立基于时间序列的误差预测模型；再通过数据迭代方法得到多个误差预测值，将该误差预测值与功率预测数据相结合即得最终的光伏功率预测值。
6.所述步骤
⑵
中nwp辐照度的多步修正方法如下：
①
确定修正模型的数据参数n, 将t-n+1至t时刻的实测辐照度作为修正变量，以此来对下一时刻的nwp辐照度进行修正；
②
选取t-n+1,t-n+2
…
t-1,t时刻的实测辐照度和t+1时刻的nwp预报辐照度作为模型的输入，t+1时刻的实测辐照度作为模型的输出，采用elm极限学习机算法建立辐照度
修正模型，实现对t+1时刻nwp预报辐照度的修正。
7.③
采用滚动迭代的方式，将t+1时刻的nwp辐照度修正值作为输入，进而对t+2时刻的nwp预报辐照度的修正，实现nwp预报辐照度的多步修正；
④
选用均方根误差rmse、平均绝对误差mae和平均绝对百分比误差mape来对nwp辐照度修正结果进行评价，其计算公式如下：照度修正结果进行评价，其计算公式如下：照度修正结果进行评价，其计算公式如下：式中：ga为修正的辐照度/预测功率；g
measured
为实际的辐照度/实测功率；n为样本个数。
8.所述步骤
⑶
中功率预测数据按下述方法获得：
ⅰ
采用elm极限学习机算法建立光伏功率预测模型；
ⅱ
将数据按月份分类，以实测历史气象数据作为输入，实测历史功率作为输出，训练预测模型；
ⅲ
采用粒子群算法pso对elm算法的隐含层节点数进行优化，以预测结果的均方误差最小为pso算法优化的目标函数，寻找最佳的隐含层节点数，实现光伏功率预测模型的优化；
ⅳ
根据月份选择不同的预测模型，输入修正后的nwp辐照度数据及其他气象信息，即得功率预测数据。
9.本发明与现有技术相比具有以下优点：1、本发明考虑预测过程不同阶段从数据预处理、模型参数优化、数据后处理三个方面建立混合预测模型，从而提高功率预测精度。
10.2、本发明建立辐照度修正模型，通过实测辐照度对nwp辐照度实现修正，降低了预测模型中输入数据的误差.3、本发明建立基于pso-elm的功率预测模型，采用pso优化预测模型，降低了模型本身的误差。
11.4、本发明利用误差序列建立误差预测模型，结合功率预测值和误差预测值得到最后的功率预测结果，进一步减少功率预测的误差。
12.5、与传统方法相比，本发明具有更高的预测精度，能够有效提高光伏发电功率预测的可靠性，为电力系统的决策者提供参考。
附图说明
13.下面结合附图对本发明的具体实施方式作进一步详细的说明。
14.图1为本发明的流程图。
15.图2为本发明单步修正示意图。
16.图3为本发明多步修正示意图。
17.图4为本发明光伏功率预测模型示意图。
18.图5为本发明误差预测模型示意图。
19.图6为本发明预测功率与实测功率曲线。
具体实施方式
20.如图1所示，基于nwp辐照度修正和误差预测的光伏电站功率预测方法，包括以下步骤：
⑴
获取光伏电站历史运行数据及nwp数值天气预报：检查数据的完整性和合理性，删除错误数据，补齐缺失数据等。收集的原始数据包括光伏电站历史功率数据和历史气象数据（包括辐照度、温度，风速等环境数据），以及同期的nwp数值天气预报数据，并且能够将各类数据在时间尺度上相对应。
21.⑵
建立nwp辐照度修正模型，实现nwp辐照度的多步修正。具体过程如下：
①
确定修正模型的数据参数n, 将t-n+1至t时刻的实测辐照度作为修正变量，以此来对下一时刻（即t+1时刻）的nwp辐照度进行修正，修正过程如图2所示。
22.②
选取t-n+1,t-n+2
…
t-1,t时刻的实测辐照度和t+1时刻的nwp预报辐照度作为模型的输入，t+1时刻的实测辐照度作为模型的输出，采用elm极限学习机算法建立辐照度修正模型，实现对t+1时刻nwp预报辐照度的修正。
23.给定n个不同的训练样本(xi,ti) ，其中，xi=[x
i1
,x
i2
…
x
in
]
t
为样本输入值，ti=[t
i1
,t
i2
…
t
in
]
t
为样本的期望输出值。具有l个隐藏节点和以g(x)为激励函数的elm的数学模型可表示为：式中：是连接输入样本与第个隐藏节点的权值向量，是连接第个隐藏节点与输出样本的权值向量，bi是第个隐藏节点的偏置量；βi为输出权重；g(x)为激励函数；表示wi和xj的内积。
[0024]
上述n个方程的矩阵形式可写为：其中，h是隐含节点的输出；β为输出权重；t为期望输出。
[0025]
h的第i列是第i个隐层节点的输出向量。隐含层与输出层之间的连接权值β能够利用下面方程组的最小二乘解得到：
其解可以表示为：式中：h
+
是隐含层输出矩阵的moore-penrose的广义逆。
[0026]
③
上一步可以实现nwp辐照度的单步修正，修正时间较短，有时预测时间无法满足预测时间的要求。
[0027]
因此，采用滚动迭代的方式，将t+1时刻的nwp辐照度修正值作为输入，进而对t+2时刻的nwp预报辐照度的修正，实现nwp预报辐照度的多步修正，如图3所示，得到较长时间的修正结果。依据预测的时间长度选择合适的迭代步数以适应不同时间尺度的预测要求。
[0028]
④
选用均方根误差rmse、平均绝对误差mae和平均绝对百分比误差mape来对nwp辐照度修正结果进行评价，后续的功率预测精度同样采用这三个指标进行评价，其计算公式如下：如下：如下：式中：ga为修正的辐照度/预测功率；g
measured
为实际的辐照度/实测功率；n为样本个数。
[0029]
⑶
基于pso-elm的优化功率预测模型，采用修正后的辐照度得到功率预测数据。具体过程如下：
ⅰ
采用elm极限学习机算法建立光伏功率预测模型，如图4所示。
[0030]
ⅱ
将数据按月份分类，以实测历史气象数据作为输入，实测历史功率作为输出，训练预测模型。
[0031]
ⅲ
采用粒子群算法pso对elm算法的隐含层节点数进行优化，以预测结果的均方误差最小为pso算法优化的目标函数，寻找最佳的隐含层节点数，实现光伏功率预测模型的优化。
[0032]
利用粒子群算法根据适应度函数优化elm算法中的隐藏层节点数l。通过比较每次迭代粒子的适应度函数，更新粒子速度和位置，得到最佳隐藏层节点数l
best
。粒子的速度和位置更新公式如下：位置更新公式如下：式中：为粒子i在第k+1次迭代中第d维上的速度；为惯性权重；为粒子i在第k次迭代中第d维上的速度；c1、c2为学习因子；、为服从(0,1)区间均匀分布的随机数；
k为迭代次数；pbest
id
为粒子个体i最优位置；为粒子i在第k次迭代中第d维上的位置；gbest
kd
为整个粒子群全局最优位置；粒子i在第k+1次迭代中第d维上的位置。
[0033]
ⅳ
根据月份选择不同的预测模型，输入修正后的nwp辐照度数据及其他气象信息，即得功率预测数据。
[0034]
⑷
根据功率预测数据计算误差，并建立基于时间序列的误差预测模型；再通过数据迭代方法得到多个误差预测值，将该误差预测值与功率预测数据相结合即得最终的光伏功率预测值。
[0035]
实施例 以华北电力大学新能源电力系统国家重点实验室光伏实证测试电站全年数据为例，数据采样时间为15分钟。
[0036]
基于nwp辐照度修正和误差预测的光伏电站功率预测方法，包括以下步骤：
⑴
获取光伏电站历史运行数据及nwp数值天气预报。
[0037]
⑵
建立nwp辐照度修正模型，实现nwp辐照度的多步修正。
[0038]
其中：表1为不同辐照度修正参数下的结果。综合考虑三个误差指标，选择参数n=5作为后续实例验证的参数输入。
[0039]
表1：不同辐照度修正参数结果
⑶
基于pso-elm的优化功率预测模型，采用修正后的辐照度得到功率预测数据。
[0040]
⑷
根据功率预测数据计算误差，并建立基于时间序列的误差预测模型；再通过数据迭代方法得到多个误差预测值，将该误差预测值与功率预测数据相结合即得最终的光伏功率预测值。
[0041]
按照图5所示的数据关系建立预测模型。x
1-x4为输入，x5为输出；x
2-x5为输入，x6为输出，以此类推。按照与图3类似的数据迭代方法得到多个误差预测值。将误差预测结果和功率预测结合得到最终的光伏预测功率。
[0042]
图6为1步、4步、8步功率预测与实测功率的对比图；表2为传统elm功率预测算法、pso优化的elm功率预测算法和基于误差修正的pso-elm功率预测算法的预测评价指标。由图6、表2可以看出，pso优化的elm算法较传统的elm算法的预测精度更高，而加入了误差预测模型后，光伏发电功率预测的精度将进一步提高。预测步数越长，意味着预测的时间变长，预测精度有所下降；预测步数越少，对应的各项评价指标较低，表明超短期预测具有更好的精度。
[0043]
表2 不同步数的功率预测结果