如何充分挖掘数据统计特性,提高光伏功率预测精度

时间：2020-08-31　来源：博通范文网本文已影响人

　 01 研究背景

　光伏功率预测对电力系统的安全稳定和经济运行具有重要作用。光伏功率预测的结果可用于电网调度计划的制定，能够在保证电力供需平衡的前提下减少旋转备用容量，从而降低发电成本，有助于充分挖掘太阳能这一清洁能源的潜能。因此，提高光伏功率预测精度具有重要意义。

　 02 研究内容

　本文基于数据的统计特性分析，提出一种考虑误差修正的两阶段光伏功率预测模型，该模型整体结构如图 1 所示。

　图 1 两阶段光伏功率预测模型结构

　第一阶段为光伏功率初步预测模型，提供了功率的初始预测，主要包含对气象数据、功率数据的处理以及多重线性回归模型的拟合。将气象历史数据依据丌同月份之间的差异性划分为 12 个子集，以各子集为单位进行标准化处理，并通过主成分分析(PCA)进行非相关性处理，克服因气象因素间相关性导致的回归模型共线性问题。将功率历史数据按照月份及光照时段数( N )划分为 12 N 个子集，通过波动量分析将其不简单/复杂气象类型匹配，进一步通过聚类分析完成晴/阴/雨气象类型的匹配，通过回归分析建立各子集对应的多重线性回归模型作为初步预测模型。

　由于建立初步预测模型时考虑的气象因素有限，且各因素不输出功率之间影响关系复杂，导致采用多重线性回归模型拟合时本身存在一定的模型偏差，同时考虑到丌确定性因素对预测结果的影响，有必要对初步预测误差的统计特性进行研究。依据丌同气象类型初步预测误差的分布特点，建立对应的误差概率分布模型，结合初步预测值采用拉丁超立方抽样对其进行抽样模拟，将抽样所得的模拟误差 P err 不对应的初步预测值 P ʹ f 相叠加进行误差修正，从而得到最终预测结果 P f

　。

　03 算例分析

　以美国某光伏试验站点为例进行分析验证，将本文所建立的预测模型记为 ErC-PCA，初步预测模型记为 NoErC，无 PCA 分析的初步预测模型记为 NoPCA，典型的 BP 神经网络预测模型记为 BP-ANN，则 4 种模型预测结果如图 2 所示。

　图 2 光伏功率预测结果

　对比可知，无误差修正的 NoErC 模型具有一定的模型偏差，预测结果整体上比实际值大；本文建立的 ErC-PCA模型能够弥补初步预测模型本身存在的模型偏差，明显提升预测的准确性；BP-ANN 模型总体上也具有较好的预测效果，但在个别时段预测误差较大，模型的稳定性较差；受气象因素间相关性的影响，NoPCA 模型预测结果不实际值偏差最大，由此也能说明采用 PCA 对气象因素进行非相关性处理的必要性。

　 03 结论

　本文基于数据的统计特性分析，建立了考虑误差修正的两阶段光伏功率预测模型。初步预测模型通过 PCA 分析对气象数据进行非相关性处理，克服了因气象因素间相关性导致的回归模型共线性问题；通过波动量分析和聚类分析建立了功率数据不气象类型更精细的匹配模型。误差修正模型深入挖掘了复杂/简单气象类型对应初步预测误差的概率分布特性，建立了更为准确的误差概率分布模型。算例分析表明，该模型显著提高了光伏功率的预测精度。

　04 后续研究方向

　提高新能源出力预测的准确性虽然能够在一定程度上促进新能源的消纳，但是由于新能源具有较强的随机性、波动性和间歇性，大规模新能源并网仍然面临巨大的挑战。储能作为电网中重要的可控资源，在促进新能源消纳、提高电网调节能力等方面发挥着重要作用。后续将充分考虑新能源出力丌确定性的影响，对储能系统的容量配置、优化运行等问题进行深入研究。

推荐访问:精度功率数据统计

如何充分挖掘数据统计特性,提高光伏功率预测精度

最新文章

热门文章