基于波动划分和特征因子提取的光伏功率超短期预测方法

本发明涉及光伏电站，是一种基于波动划分和特征因子提取的光伏功率超短期预测方法。

背景技术：

1、光伏发电具有较强的昼夜周期性和季节周期性，是一种典型的间歇式电源；同时对地表太阳辐射强度十分敏感，其出力具有较强的随机性，对电网的调频、调峰、备用等都具有较大影响。光伏功率预测是提高光伏电站控制、调度性能，保障高比率光伏发电接入电网安全稳定运行的基础性关键技术。光伏功率超短期预测是指自预测时刻起未来4小时的预测预报，时间分辨率为15分钟。本发明提供了一种基于波动划分和特征因子提取的光伏功率超短期预测方法，可以有效提升预测精度。

技术实现思路

1、本发明的目的是，提供一种科学合理，适用性强，预测精度高的基于波动划分和特征因子提取的光伏功率超短期预测方法，它能够根据功率序列的波动程度对数据进行分类，将平行因子分析法引入光伏功率预测领域以实现多维特征数据的有效利用。

2、实现本发明目的采用的技术方案是：一种基于波动划分和特征因子提取的光伏功率超短期预测方法，它包括以下步骤：

3、1)基于日前光伏功率预测序列的波动划分

4、数值天气预报(numerical weather prediction，nwp)信息包括温度、动量通量、170米风速、100米风速、30米风速、10米风速、170米风向、100米风向、30米风向、10米风向、海平面气压、云量、感热通量、潜热通量、短波辐射、长波辐射、表面气压、大尺度降水、对流降水、2米气温、湿度共21维特征，数据分辨率为15min，对每个特征分别进行一阶差分计算，得到21个差分特征，一阶差分计算为式(1)：

5、δn＝ni+1-ni  (1)

6、其中，δn为一阶差分后的值，ni+1为i+1时刻的值，ni为i时刻的值；

7、以卷积神经网络(convolutional neural networks，cnn)为预测模型，输入nwp的21维原始特征和21维一阶差分特征，进行光伏功率日前预测，计算预测值的一阶差分，并采用argrelextrema统计一天时间范围内预测序列一阶差分的极值点个数，计算为式(2)和式(3)：

8、δp＝pt+1-pt  (2)

9、ne＝nemax+nemin  (3)

10、其中，δp为日前预测序列的一阶差分序列，pt+1和pt分别代表t+1时刻和t时刻的预测功率；ne为δp的极值点个数，nemax和nemin分别为δp的极大值点个数和极小值点个数；

11、使用箱线图对δp的异常点个数进行统计，合格数据点的上下限计算式为式(4)和式(5)：

12、low_limit＝q1-1.5×(q3-q1)  (4)

13、up_limit＝q3+1.5×(q3-q1)  (5)

14、其中，low_limit合格δp数据的阈值下限，up_limit合格δp数据的阈值上限，q1为δp的下四分位数，q3为δp的上四分位数；

15、当某一时刻δp的数值大于阈值上限或小于阈值下限时，该数据点被判定为异常点，统计一天时间范围内异常点的个数，记为nδ；

16、根据nδ和ne将预测日分为复杂波动天气和简单波动天气两类，取nδ和ne的上四分位数nδ*和ne*作为判定阈值，当时，说明功率变化剧烈；当ne＞ne*时，说明功率波动剧烈；将同时满足两个条件的预测日划为复杂波动天气，否则为简单波动天气；

17、2)基于平行因子分析算法(parafac)的nwp特征降维

18、对于一个三维数据矩阵x(i×j×k)，分别在三个维度上定义压缩矩阵u(i×p)、v(j×q)和z(k×r)，其中p≤i,q≤j,r≤k，通过数据矩阵的压缩操作，得到矩阵g(p×q×r)，压缩过程为式(6)：

19、

20、其中，g为压缩后的数据矩阵，x为压缩前的数据矩阵，u、v、z分别为三个维度上的压缩矩阵，

21、通过式(6)，若要得到x(i×jk)，只需进行矩阵的逆变换，如式(7)：

22、

23、将数据矩阵压缩后，对g(p×qr)、g(q×rp)和g(r×pq)进行奇异阵分解，从三个不同维度切割数据阵g，g的切片形式如式(8)：

24、gr＝ldr(n)mt+er,r＝1,...,r  (8)

25、其中，l(p×f)、m(q×f)和n(r×f)为因子矩阵，er为误差，f为奇异值分解后，取得的前f个左奇异值矢量，dr(n)为矩阵n第r行元素构成的对角矩阵，或通过数据重构的方式，将三维矩阵g重构为二维矩阵，如式(9)：

26、g(p×qr)＝l(n⊙m)t  (9)

27、根据矩阵运算法则，式(9)等价于式(10)：

28、g(p×qr)＝l(n*⊙m*)h  (10)

29、将式(10)代入式(7)，得：

30、x(i×jk)＝ul(z*n⊙v*m)  (11)

31、定义a≈ul，b≈v*m，c≈z*n，则式(11)表示为：

32、x(i×jk)＝a(c⊙b)  (12)

33、3)基于长短期记忆网络(lstm)的光伏功率超短期预测模型

34、根据步骤1)中的波动划分结果，对复杂波动天气和简单波动天气的数据分别训练模型，预测时，根据预测日的波动划分，选择对应的预测模型进行超短期预测，训练的模型均为lstm模型；以步骤2)提取出的nwp特征及过去4小时的光伏出力值为模型输入，预测未来4小时的光伏功率，时间分辨率为15min；

35、4)评价指标

36、以均方根误差(root mean square error，rmse)和平均绝对误差(mean absoluteerror，mae)为评价指标，计算为式(13)和式(14)：

37、

38、

39、其中：pmi为i时刻实际功率；ppi为i时刻的预测功率；ci为i时刻的并网总容量，n取96，按照步骤3)得到光伏功率超短期预测序列，根据式(13)和式(14)计算预测准确率。

40、本发明是一种基于波动划分和特征因子提取的光伏功率超短期预测方法，包括基于日前光伏功率预测序列的波动划分、基于平行因子分析算法(parafac)的nwp特征降维、基于长短期记忆网络(lstm)的光伏功率超短期预测模型和评价指标，具有科学合理，物理意义清晰、适用性强、预测精度高的优点。

技术特征：

1.一种基于波动划分和特征因子提取的光伏功率超短期预测方法，它包括以下步骤：

技术总结
本发明是一种基于波动划分和特征因子提取的光伏功率超短期预测方法，包括基于日前光伏功率预测序列的波动划分、基于平行因子分析算法(PARAFAC)的NWP特征降维、基于长短期记忆网络(LSTM)的光伏功率超短期预测模型和评价指标，它能够根据功率序列的波动程度对数据进行分类，将平行因子分析法引入光伏功率预测领域以实现多维特征数据的有效利用。具有科学合理、物理意义清晰、适用性强、预测精度高的优点。

技术研发人员：杨茂,马志远,顾大可,黄大为
受保护的技术使用者：东北电力大学
技术研发日：
技术公布日：2024/1/13