一种光伏电站发电量预测的方法
一种光伏电站发电量预测的方法
【技术领域】
[0001] 本发明涉及一种光伏电站发电量预测的方法，属于光伏电站发电技术领域。
【背景技术】
[0002] 光伏电站的日输出功率具有随机波动特点，在发电过程中由于天气和光照强度的 突变，会造成短时间输出功率急剧变化的现象。因此，逆变器在进行并网时，会给电网稳定、 可靠运行带来影响，而且给电网调度增加困难，影响传统开机方式和调度方式。
[0003] 有鉴于此，有必要提供一种光伏电站发电量预测的方法，以满足实际应用需要。
【发明内容】
[0004] 本发明的目的是:为克服现有技术的不足，本发明提供一种光伏电站发电量预测 的方法，通过光伏电站所在区域的环境监测数据和运行数据，应用多元回归技术拟合回归 模型，得到预测样本数据，并不断与历史数据和历史预测结果进行对比与改进，实现发电量 的较小误差预测。
[0005] 本发明所采用的技术方案是:一种光伏电站发电量预测的方法，其特征在于，通过 以下几个步骤反复拟合、筛选、对比和改进来完成： (1) 把采集到的环境监测数据通过交互不可测变量方法来量化天气变量，由于天气变 量具有季节性变化，因此在量化天气时，需要考虑季节性;首先将天气变量进行虚拟化，然 后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数，并拟合变量得到量化后 的观测，然后合并数据集得到一个新的样本数据； (2) 划分样本数据集，分为训练数据集和验证数据集;训练数据集用来创建模型的子数 据集;验证数据集用来验证模型的子数据集； (3 )计算SPEARMAN秩相关系数，并对其进行检验，此时原假设H0:两个变量不相关，在原 假设成立的情况下，对于大样本情形，检验统计量近似服从自由度为(n-2)的t分布，根据样 本观测值计算出检验统计量的P值，并与显著性水平α比较，可得出检验结论:如果P值小于 α，则拒绝原假设，即认为两变量是相关的；如果Ρ值大于α，则不能拒绝原假设，即认为两个 变量不相关。则初步筛选出变量； (4)用新训练数据集拟合回归模型得到初步模型，设y为因变量，Xi，Χ2，…，Xk为k个自变 量，则回归模型可以写为:y=0〇+0iXi+02X2+ · · · +&Xk+e，其中，β〇是常数项，β」（j=l，2，…， k)是y对Xj的回归系数，ε是随机误差项； (5 )用逐步回归法筛选变量得到数学模型，逐步回归是首先加入一个变量，如果加入的 变量对模型的影响显著，则保留此变量，然后再对当前模型中所有变量进行检验，剔除那些 不显著的变量，依次进行下去，直到没有显著的变量要加入且模型中已有的变量都显著为 止； (6)把验证数据集代入数学模型得到一个预测样本，并对预测样本结果进行对比与改 进，实现发电量的较小误差预测，通过后验概率验证模型的准确率，即1_(预测需求值与预 测值差的绝对值/预测需求值），若准确率大于80%，则得到最终模型：y^o+hXi+f^Xs + ·· ·+βιΑ，否则回到⑶重新拟合模型，筛选变量，直到预测准确率达到80%以上为止。
[0006] 本发明的有益效果是:本发明提供的光伏电站发电量预测的方法，通过光伏电站 所在区域的环境监测数据和运行数据，应用多元回归技术拟合回归模型，得到预测样本数 据，并不断与历史数据和历史预测结果进行对比与改进，实现发电量的较小误差预测。完成 对光伏电站发电量的预测，可以提前预知发电量，提高电网运行稳定性的能力;还可以校验 数据的准确性，提高数据质量。
【附图说明】
[0007] 图1为本发明的光伏电站发电量预测的方法流程示意图。
【具体实施方式】
[0008] 为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的 内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些 等价形式同样在本申请所列权利要求书限定范围之内。
[0009] 如图1所示，本发明实施例提供的光伏电站发电量预测的方法，通过以下几个步骤 反复拟合、筛选、对比和改进来完成，如图1。
[0010] (1)把采集到的环境监测数据通过交互不可测变量方法来量化天气变量，由于天 气变量具有季节性变化，因此在量化天气时，需要考虑季节性。首先将天气变量进行虚拟 化，然后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数，并拟合变量得到 量化后的观测。然后合并数据集得到一个新的样本数据。
[0011] (2)划分样本数据集，分为训练数据集和验证数据集;训练数据集用来创建模型的 子数据集;验证数据集是用来验证模型的子数据集。由于天气具有季节性变化，在量化划分 数据集时，需要考虑季节性。因此，把新样本数据集根据年份划分为训练数据样本(2014年 数据)和验证数据样本(2015年数据）。
[0012] (3)计算SPEARMAN秩相关系数，并对其进行检验。此时原假设Η0:两个变量不相关。 在原假设成立的情况下，对于大样本情形，检验统计量近似服从自由度为(n-2)的t分布。根 据样本观测值计算出检验统计量的P值，并与显著性水平α比较，可得出检验结论:如果P值 小于α，则拒绝原假设，即认为两变量是相关的；如果Ρ值大于α，则不能拒绝原假设，即认为 两个变量不相关。则初步筛选出变量。
[0013] ⑷用新训练数据集拟合回归模型得至I」初步模型。设y为因变量，Xi，χ2，…，Xk为k个 自变量，则回归模型可以写为:Υ=β〇+βιΧι+β2Χ 2+ · · · +&Xk+e，其中，β〇是常数项，f3j(j=l， 2，…，k)是y对Xj的回归系数，ε是随机误差项。
[0014] (5)用逐步回归法筛选变量得到数学模型。逐步回归是首先加入一个变量，如果加 入的变量对模型的影响显著，则保留此变量，然后再对当前模型中所有变量进行检验，剔除 那些不显著的变量。依次进行下去，直到没有显著的变量要加入且模型中已有的变量都显 著为止。
[0015] (6)把验证数据集代入数学模型得到一个预测样本，并对预测样本结果进行对比 与改进，实现发电量的较小误差预测。通过后验概率验证模型的准确率（即1-(预测需求值 与预测值差的绝对值/预测需求值）），若准确率大于80%，则得到最终模型:yio+hXi+feXs + ·· ·+βιΑ，否则回到⑶重新拟合模型，筛选变量，直到预测准确率达到80%以上为止。
[0016] 下面以青海某光伏电站为例，详细描述本发明的实施方案。
[0017] (1)利用环境监测数据，通过计算机对天气变量进行虚拟化，然后选择与天气变量 有强相关性的发电量变量进行交互式分析并拟合，得到量化后的变量WEATHER_PR_AVG。且 合并数据集，得到一个新样本数据(环境监测、运行数据）。
[0018] (2)划分样本数据集，分为训练数据集和验证数据集;训练数据集用来创建模型的 子数据集;验证数据集是用来验证模型的子数据集。由于天气具有季节性变化，在划分数据 集时，需要考虑季节性。因此，把新样本数据集根据年份划分为训练数据样本(2014年数据） 和验证数据样本(2015年数据）。
[0019] (3)计算SPEARMAN秩相关系数，并对其进行检验。
[0020] 对训练数据样本进行相关性分析，剔除与有功功率没有相关性的变量，如表1，由 表1可知，量化后的天气变量（WEATHER_PR_AVG)、辐照度（IRRADIANCE)和温度 (TEMPERATURE)与有功功率(ACT I VE_P0WER)有较强的相关性，风速(WI ND_SPEED)与有功功 率(ACTIVE_P0WER)有弱相关性，所以，从相关性来看，不能剔除任何变量，但是，在预测变量 时，辐照度是未知变量，因此，本方法需要剔除辐照度，即得到新训练数据集。
[0021] 表1有功功率与其它变量之间的Spearman相关系数
(4)用新训练数据集拟合回归模型，如表2可知，风速变量的T值为2.09，所对应的P值是 0.0665,大于α(若α=0.05)，接受原假设，没有通过参数检验。因此，需要进行变量筛选。根据 参数估计值，即可得到初步模型： ACTIVE_P0ffER=3767.595+23.33983*ffEATHER_PR_AVG-228.949*TEMPERATURE+ 87.87631*ffIND_SPEED〇
[0022] 表2全变量回归参数估计
(5) 用逐步回归筛选变量，并设引入自变量的显著性水平为0.5,剔除自变量的显著性 水平为0.1。得出数学模型，如表3，由表3可知，变量的T值所对应的P值都小于0.01，则全部 通过参数检验。根据参数估计值，得到数学模型： ACTIVE_POWER=3795.723+16.23482*WEATHER_PR_AVG-228.159*TEMPERATURE。
[0023] 表3逐步回归后的参数估计
(6) 把新验证数据代入模型，得到预测样本，并利用后验概率验证模型的准确率（SP1-(预测需求值与预测值差的绝对值/预测需求值）），得出准确率为83.2%，大于80%。即得出最 终模型为： ACTIVE_P0WER=3795.723+16.23482*WEATHER_PR_AVG-228.159*TEMPERATURE。
[0024] 以上仅为本发明的实施例而已，并不用于限制本发明，因此，凡在本发明的精神和 原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
【主权项】
1. 一种光伏电站发电量预测的方法，其特征在于，通过以下几个步骤反复拟合、筛选、 对比和改进来完成： (1) 把采集到的环境监测数据通过交互不可测变量方法来量化天气变量，由于天气变 量具有季节性变化，因此在量化天气时，需要考虑季节性;首先将天气变量进行虚拟化，然 后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数，并拟合变量得到量化后 的观测，然后合并数据集得到一个新的样本数据； (2) 划分样本数据集，分为训练数据集和验证数据集;训练数据集用来创建模型的子数 据集;验证数据集用来验证模型的子数据集； (3 )计算SPEARMAN秩相关系数，并对其进行检验，此时原假设H0:两个变量不相关，在原 假设成立的情况下，对于大样本情形，检验统计量近似服从自由度为(n-2)的t分布，根据样 本观测值计算出检验统计量的P值，并与显著性水平α比较，可得出检验结论:如果P值小于 α，则拒绝原假设，即认为两变量是相关的；如果Ρ值大于α，则不能拒绝原假设，即认为两个 变量不相关，则初步筛选出变量； (4) 用新训练数据集拟合回归模型得到初步模型，设y为因变量，Xi，Χ2，…，Xk为k个自变 量，则回归t旲型可以与为:y=0o+0iXi+&X2+ · · · +0kXk+e，其中，β〇是常数项，β」（j=l，2，…， k)是y对Xj的回归系数，ε是随机误差项； (5) 用逐步回归法筛选变量得到数学模型，逐步回归是首先加入一个变量，如果加入的 变量对模型的影响显著，则保留此变量，然后再对当前模型中所有变量进行检验，剔除那些 不显著的变量，依次进行下去，直到没有显著的变量要加入且模型中已有的变量都显著为 止； (6) 把验证数据集代入数学模型得到一个预测样本，并对预测样本结果进行对比与改 进，实现发电量的较小误差预测，通过后验概率验证模型的准确率，即1_(预测需求值与预 测值差的绝对值/预测需求值），若准确率大于80%，则得到最终模型： + ·· ·+βιΑ，否则回到⑶重新拟合模型，筛选变量，直到预测准确率达到80%以上为止。
【专利摘要】本发明提供一种光伏电站发电量预测的方法，通过光伏电站所在区域的环境监测数据和运行数据，应用多元回归技术拟合回归模型，得到预测样本数据，并不断与历史数据和历史预测结果进行对比与改进，实现发电量的较小误差预测。完成对光伏电站发电量的预测，可以提前预知发电量，提高电网运行稳定性的能力；还可以校验数据的准确性，提高数据质量。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105488592
【申请号】CN201510869813
【发明人】王东方, 杜贵兰, 张节潭, 杨晟, 李正曦, 赵争鸣, 杨军, 赵越, 孟可风, 李春来, 杨立滨
【申请人】国家电网公司, 国网青海省电力公司, 国网青海省电力公司电力科学研究院, 清华大学
【公开日】2016年4月13日
【申请日】2015年12月2日
【技术领域】
[0001] 本发明涉及一种光伏电站发电量预测的方法，属于光伏电站发电技术领域。
【背景技术】
[0002] 光伏电站的日输出功率具有随机波动特点，在发电过程中由于天气和光照强度的 突变，会造成短时间输出功率急剧变化的现象。因此，逆变器在进行并网时，会给电网稳定、 可靠运行带来影响，而且给电网调度增加困难，影响传统开机方式和调度方式。
[0003] 有鉴于此，有必要提供一种光伏电站发电量预测的方法，以满足实际应用需要。
【发明内容】
[0004] 本发明的目的是:为克服现有技术的不足，本发明提供一种光伏电站发电量预测 的方法，通过光伏电站所在区域的环境监测数据和运行数据，应用多元回归技术拟合回归 模型，得到预测样本数据，并不断与历史数据和历史预测结果进行对比与改进，实现发电量 的较小误差预测。
[0005] 本发明所采用的技术方案是:一种光伏电站发电量预测的方法，其特征在于，通过 以下几个步骤反复拟合、筛选、对比和改进来完成： (1) 把采集到的环境监测数据通过交互不可测变量方法来量化天气变量，由于天气变 量具有季节性变化，因此在量化天气时，需要考虑季节性;首先将天气变量进行虚拟化，然 后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数，并拟合变量得到量化后 的观测，然后合并数据集得到一个新的样本数据； (2) 划分样本数据集，分为训练数据集和验证数据集;训练数据集用来创建模型的子数 据集;验证数据集用来验证模型的子数据集； (3 )计算SPEARMAN秩相关系数，并对其进行检验，此时原假设H0:两个变量不相关，在原 假设成立的情况下，对于大样本情形，检验统计量近似服从自由度为(n-2)的t分布，根据样 本观测值计算出检验统计量的P值，并与显著性水平α比较，可得出检验结论:如果P值小于 α，则拒绝原假设，即认为两变量是相关的；如果Ρ值大于α，则不能拒绝原假设，即认为两个 变量不相关。则初步筛选出变量； (4)用新训练数据集拟合回归模型得到初步模型，设y为因变量，Xi，Χ2，…，Xk为k个自变 量，则回归模型可以写为:y=0〇+0iXi+02X2+ · · · +&Xk+e，其中，β〇是常数项，β」（j=l，2，…， k)是y对Xj的回归系数，ε是随机误差项； (5 )用逐步回归法筛选变量得到数学模型，逐步回归是首先加入一个变量，如果加入的 变量对模型的影响显著，则保留此变量，然后再对当前模型中所有变量进行检验，剔除那些 不显著的变量，依次进行下去，直到没有显著的变量要加入且模型中已有的变量都显著为 止； (6)把验证数据集代入数学模型得到一个预测样本，并对预测样本结果进行对比与改 进，实现发电量的较小误差预测，通过后验概率验证模型的准确率，即1_(预测需求值与预 测值差的绝对值/预测需求值），若准确率大于80%，则得到最终模型：y^o+hXi+f^Xs + ·· ·+βιΑ，否则回到⑶重新拟合模型，筛选变量，直到预测准确率达到80%以上为止。
[0006] 本发明的有益效果是:本发明提供的光伏电站发电量预测的方法，通过光伏电站 所在区域的环境监测数据和运行数据，应用多元回归技术拟合回归模型，得到预测样本数 据，并不断与历史数据和历史预测结果进行对比与改进，实现发电量的较小误差预测。完成 对光伏电站发电量的预测，可以提前预知发电量，提高电网运行稳定性的能力;还可以校验 数据的准确性，提高数据质量。
【附图说明】
[0007] 图1为本发明的光伏电站发电量预测的方法流程示意图。
【具体实施方式】
[0008] 为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的 内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些 等价形式同样在本申请所列权利要求书限定范围之内。
[0009] 如图1所示，本发明实施例提供的光伏电站发电量预测的方法，通过以下几个步骤 反复拟合、筛选、对比和改进来完成，如图1。
[0010] (1)把采集到的环境监测数据通过交互不可测变量方法来量化天气变量，由于天 气变量具有季节性变化，因此在量化天气时，需要考虑季节性。首先将天气变量进行虚拟 化，然后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数，并拟合变量得到 量化后的观测。然后合并数据集得到一个新的样本数据。
[0011] (2)划分样本数据集，分为训练数据集和验证数据集;训练数据集用来创建模型的 子数据集;验证数据集是用来验证模型的子数据集。由于天气具有季节性变化，在量化划分 数据集时，需要考虑季节性。因此，把新样本数据集根据年份划分为训练数据样本(2014年 数据)和验证数据样本(2015年数据）。
[0012] (3)计算SPEARMAN秩相关系数，并对其进行检验。此时原假设Η0:两个变量不相关。 在原假设成立的情况下，对于大样本情形，检验统计量近似服从自由度为(n-2)的t分布。根 据样本观测值计算出检验统计量的P值，并与显著性水平α比较，可得出检验结论:如果P值 小于α，则拒绝原假设，即认为两变量是相关的；如果Ρ值大于α，则不能拒绝原假设，即认为 两个变量不相关。则初步筛选出变量。
[0013] ⑷用新训练数据集拟合回归模型得至I」初步模型。设y为因变量，Xi，χ2，…，Xk为k个 自变量，则回归模型可以写为:Υ=β〇+βιΧι+β2Χ 2+ · · · +&Xk+e，其中，β〇是常数项，f3j(j=l， 2，…，k)是y对Xj的回归系数，ε是随机误差项。
[0014] (5)用逐步回归法筛选变量得到数学模型。逐步回归是首先加入一个变量，如果加 入的变量对模型的影响显著，则保留此变量，然后再对当前模型中所有变量进行检验，剔除 那些不显著的变量。依次进行下去，直到没有显著的变量要加入且模型中已有的变量都显 著为止。
[0015] (6)把验证数据集代入数学模型得到一个预测样本，并对预测样本结果进行对比 与改进，实现发电量的较小误差预测。通过后验概率验证模型的准确率（即1-(预测需求值 与预测值差的绝对值/预测需求值）），若准确率大于80%，则得到最终模型:yio+hXi+feXs + ·· ·+βιΑ，否则回到⑶重新拟合模型，筛选变量，直到预测准确率达到80%以上为止。
[0016] 下面以青海某光伏电站为例，详细描述本发明的实施方案。
[0017] (1)利用环境监测数据，通过计算机对天气变量进行虚拟化，然后选择与天气变量 有强相关性的发电量变量进行交互式分析并拟合，得到量化后的变量WEATHER_PR_AVG。且 合并数据集，得到一个新样本数据(环境监测、运行数据）。
[0018] (2)划分样本数据集，分为训练数据集和验证数据集;训练数据集用来创建模型的 子数据集;验证数据集是用来验证模型的子数据集。由于天气具有季节性变化，在划分数据 集时，需要考虑季节性。因此，把新样本数据集根据年份划分为训练数据样本(2014年数据） 和验证数据样本(2015年数据）。
[0019] (3)计算SPEARMAN秩相关系数，并对其进行检验。
[0020] 对训练数据样本进行相关性分析，剔除与有功功率没有相关性的变量，如表1，由 表1可知，量化后的天气变量（WEATHER_PR_AVG)、辐照度（IRRADIANCE)和温度 (TEMPERATURE)与有功功率(ACT I VE_P0WER)有较强的相关性，风速(WI ND_SPEED)与有功功 率(ACTIVE_P0WER)有弱相关性，所以，从相关性来看，不能剔除任何变量，但是，在预测变量 时，辐照度是未知变量，因此，本方法需要剔除辐照度，即得到新训练数据集。
[0021] 表1有功功率与其它变量之间的Spearman相关系数
(4)用新训练数据集拟合回归模型，如表2可知，风速变量的T值为2.09，所对应的P值是 0.0665,大于α(若α=0.05)，接受原假设，没有通过参数检验。因此，需要进行变量筛选。根据 参数估计值，即可得到初步模型： ACTIVE_P0ffER=3767.595+23.33983*ffEATHER_PR_AVG-228.949*TEMPERATURE+ 87.87631*ffIND_SPEED〇
[0022] 表2全变量回归参数估计
(5) 用逐步回归筛选变量，并设引入自变量的显著性水平为0.5,剔除自变量的显著性 水平为0.1。得出数学模型，如表3，由表3可知，变量的T值所对应的P值都小于0.01，则全部 通过参数检验。根据参数估计值，得到数学模型： ACTIVE_POWER=3795.723+16.23482*WEATHER_PR_AVG-228.159*TEMPERATURE。
[0023] 表3逐步回归后的参数估计
(6) 把新验证数据代入模型，得到预测样本，并利用后验概率验证模型的准确率（SP1-(预测需求值与预测值差的绝对值/预测需求值）），得出准确率为83.2%，大于80%。即得出最 终模型为： ACTIVE_P0WER=3795.723+16.23482*WEATHER_PR_AVG-228.159*TEMPERATURE。
[0024] 以上仅为本发明的实施例而已，并不用于限制本发明，因此，凡在本发明的精神和 原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
【主权项】
1. 一种光伏电站发电量预测的方法，其特征在于，通过以下几个步骤反复拟合、筛选、 对比和改进来完成： (1) 把采集到的环境监测数据通过交互不可测变量方法来量化天气变量，由于天气变 量具有季节性变化，因此在量化天气时，需要考虑季节性;首先将天气变量进行虚拟化，然 后选择与虚拟化变量有强相关性的变量进行交互式分析得出系数，并拟合变量得到量化后 的观测，然后合并数据集得到一个新的样本数据； (2) 划分样本数据集，分为训练数据集和验证数据集;训练数据集用来创建模型的子数 据集;验证数据集用来验证模型的子数据集； (3 )计算SPEARMAN秩相关系数，并对其进行检验，此时原假设H0:两个变量不相关，在原 假设成立的情况下，对于大样本情形，检验统计量近似服从自由度为(n-2)的t分布，根据样 本观测值计算出检验统计量的P值，并与显著性水平α比较，可得出检验结论:如果P值小于 α，则拒绝原假设，即认为两变量是相关的；如果Ρ值大于α，则不能拒绝原假设，即认为两个 变量不相关，则初步筛选出变量； (4) 用新训练数据集拟合回归模型得到初步模型，设y为因变量，Xi，Χ2，…，Xk为k个自变 量，则回归t旲型可以与为:y=0o+0iXi+&X2+ · · · +0kXk+e，其中，β〇是常数项，β」（j=l，2，…， k)是y对Xj的回归系数，ε是随机误差项； (5) 用逐步回归法筛选变量得到数学模型，逐步回归是首先加入一个变量，如果加入的 变量对模型的影响显著，则保留此变量，然后再对当前模型中所有变量进行检验，剔除那些 不显著的变量，依次进行下去，直到没有显著的变量要加入且模型中已有的变量都显著为 止； (6) 把验证数据集代入数学模型得到一个预测样本，并对预测样本结果进行对比与改 进，实现发电量的较小误差预测，通过后验概率验证模型的准确率，即1_(预测需求值与预 测值差的绝对值/预测需求值），若准确率大于80%，则得到最终模型： + ·· ·+βιΑ，否则回到⑶重新拟合模型，筛选变量，直到预测准确率达到80%以上为止。
【专利摘要】本发明提供一种光伏电站发电量预测的方法，通过光伏电站所在区域的环境监测数据和运行数据，应用多元回归技术拟合回归模型，得到预测样本数据，并不断与历史数据和历史预测结果进行对比与改进，实现发电量的较小误差预测。完成对光伏电站发电量的预测，可以提前预知发电量，提高电网运行稳定性的能力；还可以校验数据的准确性，提高数据质量。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105488592
【申请号】CN201510869813
【发明人】王东方, 杜贵兰, 张节潭, 杨晟, 李正曦, 赵争鸣, 杨军, 赵越, 孟可风, 李春来, 杨立滨
【申请人】国家电网公司, 国网青海省电力公司, 国网青海省电力公司电力科学研究院, 清华大学
【公开日】2016年4月13日
【申请日】2015年12月2日
最新回复(0)