基于相似日的Grey-Ma...oost的短期光伏功率预测_杨锡运.pdf
《基于相似日的Grey-Ma...oost的短期光伏功率预测_杨锡运.pdf》由会员分享,可在线阅读,更多相关《基于相似日的Grey-Ma...oost的短期光伏功率预测_杨锡运.pdf(5页珍藏版)》请在咨信网上搜索。
1、2023.6Vol.47No.6研 究 与 设 计收稿日期:2022-11-13基 金 项 目:国 网 浙 江 省 电 力 有 限 公 司 科 技 项 目(5211DS220009)作者简介:杨锡运(1973),女,内蒙古自治区人,教授,博士,主要研究方向为新能源发电控制。通信作者:王诗晨基于相似日的Grey-Markov与BP_Adaboost的短期光伏功率预测杨锡运1,王诗晨1,张艳峰1,彭琰2,马骏超2(1.华北电力大学 控制与计算机工程学院,北京 102206;2.国网浙江省电力有限公司电力科学研究院,浙江 杭州 310014)摘要:针对相似日对光伏功率预测精度的影响,提出基于相似日的
2、 Grey-Markov与 BP_Adaboost的光伏功率预测方法。为获取不同相似日,分别以辐照度和温度为相似变量,通过二维欧氏距离选取两组相似日;基于两组相似日数据,用灰色GM(1,1)模型预测光伏功率的总体趋势,用马尔科夫链对灰色模型的预测结果进行修正,得到两组预测结果;用BP_Adaboost对两组预测结果进行集成,以获得更高的预测精度。仿真结果表明,该方法提高了结果的预测精度与鲁棒性,可为光伏电站并网提供重要参考信息。关键词:光伏功率预测;相似日;灰色模型;马尔科夫链;BP_Adaboost中图分类号:TM 615文献标识码:A文章编号:1002-087 X(2023)06-0790
3、-05DOI:10.3969/j.issn.1002-087X.2023.06.022Short-term PV power prediction based on Grey-Markov andBP_Adaboost by similar daysYANG Xiyun1,WANG Shichen1,ZHANG Yanfeng1,PENG Yan2,MA Junchao2(1.Department of Control and Computer Engineering,North China Electric Power University,Beijing 102206,China;2.El
4、ectric Power Research Institute,State Grid Zhejiang Electric Power Supply Co.,Ltd.,Hangzhou Zhejiang 310014,China)Abstract:For the influence of similar days on PV power prediction accuracy,the PV power prediction based on Grey-Markov and BP_Adaboost by similar days was proposed.In order to get diffe
5、rent similar days,taking irradiance andtemperature as similar variables,the two-dimensional Euclidean distance was used to select two groups of similardays.Based on two groups of similar days,the general trend of photovoltaic output power was predicted by the greyGM(1,1)model,and the results predict
6、ed by grey model were modified by Markov chain to obtain two groups offorecast results.The two groups of prediction results were integrated with BP_Adaboost to get better predictionresults.The simulation results show that the method improves the prediction accuracy and robustness of the results,and
7、it can provide important reference information for the grid connection of photovoltaic power stations.Key words:photovoltaic power forecast;similar days;grey model;Markov chain;BP_Adaboost传统能源的短缺促进了太阳能等新能源的飞速发展,光伏发电已成为继风力发电之后可再生能源的又一关键技术1。光伏发电受环境等因素的影响较大,发电具有间歇性、随机性和强波动性,准确预测光伏输出功率可为电网调度提供参考。光伏功率短期预
8、测(48 h)在电网调度方面有重要应用2,文献3通过交叉组合和挖掘统计特征构造辐照度辐照度等组合特征,文献4用灰色关联度筛选影响光伏功率的因素,用马氏距离选取与目标日距离最近的日期为相似日。文献5-6用灰色关联度选取关联度最大的几个作为相似日,文献7通过加权欧氏距离与加权灰色关联度确定相似日。上述研究表明,选择相关度高的历史数据训练的预测模型精度更高,但上述研究多数最终只用辐照度选取相似日,或者虽考虑多种因素但最终只选择与目标日最相似的(不能保证包含每种影响因素选出的相似日)。本文所提出的模型综合考虑辐照度与温度两种对光伏功率影响最大的因素,并分别选取相似日作为 Grey-Markov模型的输
9、入,其预测结果用BP_Adaboost集成。本文模型的优势在于多种不同相似日的集成确保历史数据含有更广泛的信息,为 BP_Adaboost集成学习器提供更多综合信息,从而使其具备更好的预测性能。1 二维欧氏距离选取相似日基本思想1.1 输入变量的确定光伏电站的输出功率受到众多因素影响,因为辐照度和温度对光伏功率的影响最大,故以此两种因素为相似变量选取相似日。考虑到光伏电站可能存在功率输出的时间段,以7902023.6Vol.47No.6研 究 与 设 计每天5:0019:00为研究时段。由于未使用风速、空气湿度等影响因素变量,会带来一定的预测误差。1.2 基于二维欧氏距离的相似日选取方法以二维
10、数据辐照度和温度作为相似变量,利用数值天气预报(NWP)数据和历史日实测气象数据选取相似日。计算历史日实测辐照度与目标日NWP辐照度的欧氏距离d1,同理得温度的欧氏距离 d2,每个目标日选两组相似日。使用每天5:0019:00间隔 15分钟的辐照度与温度数据,共 57个数据点,按以下步骤选取相似日:(1)提取目标日的 NWP 辐照度和 NWP 温度数据组成目标日辐照度向量x0与目标日温度向量y0:(2)提取历史日辐照度数据和温度数据分别组成历史日辐照度向量xm和历史日温度向量ym:(3)计算辐照度距离d1与温度距离d2:(1)(2)(4)根据欧氏距离 di(i=1,2)由小到大对历史日排序,选
11、前q个日期为相似日并将其功率作为预测模型的输入,q的取值会影响模型精度,可依据实际情况选择,实验验证q取 8预测效果较好。2 基于相似日的Grey-Markov模型2.1 灰色模型灰色理论可有效解决不确定性问题8,其核心方法灰色模型GM(1,1)是用一阶微分方程对1个变量建模的方法。假设原始数据序列为:原始数据序列X(0)累加生成序列X(1):求灰色模型的微分方程 dX(1)/dt+aX(1)=b,其中发展系数 a和灰作用量b由最小二乘法确定:(3)式(3)中B和Y为:解上述微分方程,并预测:(4)累减还原,得预测数据原始序列X1(0):(5)X1(0)分为灰色模型历史日的拟合值和目标日的预测
12、值两部分。灰色模型最终预测所用的是经过累加累减等变换后生成的拟合值序列。2.2 马尔科夫链马尔科夫链具有马尔科夫性,是随机过程中的一个重要概念9,也称为“无记忆性”。马尔科夫链通过状态的转移进行预测,适用于随机性与波动性数据,可以弥补灰色模型对波动性数据预测精度不高的局限性,对灰色模型的预测误差进行修正。若条件概率满足,其则称Xn为马尔科夫链,简称为马氏链。其中,P表示概率,Xn1表示 tn1时刻的状态,in1表示编号为n1的状态,I是Xn的状态空间。转移概率矩阵P(k)=pij(k)为Xn的k步转移概率矩阵:式中:pnn表示由状态n转移到状态n的概率。状态转移频数矩阵内第 i行第j列元素 f
13、ij除以第 i行元素总和,所得商即为转移概率:(6)已知状态转移概率矩阵 P(k)与初始状态(0),便可求得马尔科夫链预测状态分布:(7)2.3 马尔科夫链修正基于相似日的灰色模型相似日的拟合值功率数据与目标日的预测值功率数据都是灰色模型的生成序列,可以认为它们具有相似的规律,因此将欧氏距离最小的相似日的灰色模型生成的拟合功率数据作为马尔科夫链的输入,依据此数据序列进行状态区间Ei的划分:Ei=Qi1,Qi2,i=1,2,n,其中Qi1,Qi2为状态区间的上下限。依据2.2中方法计算状态转移概率矩阵P(k)。判断灰色模型预测值的状态区间,求目标日的初始状态分布(0)。目标日的预测值Qf如式(8
14、)所示:(8)3 BP_Adaboost集成3.1 基于BP神经网络的自适应提升算法Adaboost是一种迭代算法,其思想是合并多个弱学习器的输出,获得强学习器。BP_Adaboost的弱学习器为BP神经网络,对其进行反复训练可以获得预测样本的输出。假设数据集 D=(x1,y1),(x2,y2),(xn,yn),其中 xiRd(每一个样本数据有d个特征),yi为样本xi的目标值,集成算法如下所示:0000(1),(2),()57xxxxnn=0000(1),(2),()57yyyynn=(1),(2),()57mmmmxxxxnn=(1),(2),()57mmmmyyyynn=2101()()
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 相似 Grey Ma oost 短期 功率 预测 杨锡运
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。