一種光伏系統(tǒng)輸出功率預測方法
【技術領域】
[0001] 本發(fā)明涉及光伏發(fā)電領域，特別是涉及一種光伏系統(tǒng)輸出功率預測方法。
【背景技術】
[0002] 光伏發(fā)電是一個非線性的隨機過程，具有顯著的間歇性和隨機性，易受天氣變化、 日夜交替、季節(jié)推移等因素的影響，光伏發(fā)電一旦大規(guī)模入網(wǎng)，必將導致電網(wǎng)的運行方式、 配網(wǎng)結(jié)構(gòu)和潮流方向等發(fā)生重大變化，因此我們在研究和光伏發(fā)電的同時，如何去保證其 大規(guī)模入網(wǎng)后，電網(wǎng)依然能夠穩(wěn)定、健康的運行，將成為一項非常重要也非常值得去研究的 課題。隨著光伏發(fā)電系統(tǒng)容量的不斷擴大，光伏發(fā)電預測技術對于減輕光伏發(fā)電系統(tǒng)輸出 電能的隨機性對電力系統(tǒng)的影響具有重要意義。目前常見的光伏系統(tǒng)輸出功率預測方法有 BP神經(jīng)預測，灰色預測、粒子群優(yōu)化算法和遺傳算法組合預測等，這類方法雖然避免了預測 模型的復雜建模，但依賴于輸出功率的歷史數(shù)據(jù)，對原始數(shù)據(jù)樣本的選擇具有更高的要求。
[0003] 高斯過程（Gaussianprocess，GP)是近年來基于統(tǒng)計學理論發(fā)展而來的一種全新 學習機，它對處理高維數(shù)、小樣本、非線性等復雜分類和回歸問題具有很好的適應性，且泛 化能力強，在不犧牲性能的條件下，與人工神經(jīng)網(wǎng)絡和支持向量機相比有著容易實現(xiàn)的特 點；同時，其超參數(shù)可通過求取訓練樣本的對數(shù)似然函數(shù)的極大值自適應獲取，有著靈活的 非參數(shù)推斷和預測輸出的概率解釋，是一個具有概率意義的核學習機。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術上存在的不足，本發(fā)明的目的是基于高斯過程對光伏系統(tǒng)的輸出功 率進行合理的預測，公開一種光伏系統(tǒng)輸出功率預測方法。
[0005] 為了實現(xiàn)上述目的，本發(fā)明是通過如下的技術方案來實現(xiàn)：
[0006] -種光伏系統(tǒng)輸出功率預測方法，該方法包括如下步驟：
[0007] (1)、選預測日前一天的輸出功率歷史數(shù)據(jù)、全天的平均溫度、平均輻照度、預測日 的平均溫度和輻照度組成原始的訓練樣本集&，
[0008] (2)、構(gòu)建&的滿足高斯分布隨機過程的函數(shù)t，預測日相應的實測數(shù)據(jù)作為測試 樣本I，預測日滿足高斯分布隨機過程的函數(shù)的實測數(shù)據(jù)作為I；，利用貝葉斯推理算法，建 立t和I；的分布函數(shù)關系，
[0009] (3)、選擇組合核函數(shù)作為高斯方法中的協(xié)方差函數(shù)，通過對訓練樣本的對數(shù)似然 函數(shù)的極大化獲得協(xié)方差函數(shù)的最優(yōu)超參數(shù)，進一步可確定預測函數(shù)的均值和方差，求得 輸出功率的預測函數(shù)，實現(xiàn)光伏系統(tǒng)發(fā)電量的預測。
[0010] 上述步驟（2)中建立t和T*的分布函數(shù)關系的步驟如下：
[0011] 將預測日前一天的輸出功率歷史數(shù)據(jù)、全天的平均溫度、平均輻照度、預測日的平 均溫度和輻照度，記尤=，…，，％；，xei ,&，_%j，設共獲得N個訓練樣本，即該數(shù)據(jù) 集為
[0012]D={XoUXj|i= 1，2,…，N} (1)
[0013] 將輸出功率、溫度等數(shù)據(jù)X通過高斯函數(shù)映射為t，假設
[0014] tx=f(X,)+￡,,! =l,2,-,n (2)
[0015] 其中，X為N維輸入矢量，q為輸出標量，f(X)服從高斯分布的隨機過程，即：
[0016] f(X)~GP(y(X)，C(X，X'）） (3)
[0017] y(X)為高斯過程的均值，變量X'GX為N維輸入矢量，C(X，X'）為對稱正定協(xié)方 差矩陣，其第i行，第j列的元素記為Clj，表示輸出功率訓練樣本X和X'之間的相關性，其 值通過正定核函數(shù)k(X，X'）計算獲得，e為獨立的隨機變量，符合高斯分布， 〇 "為方差；
[0018] 在貝葉斯線性回歸f(X)=巾⑴Tw框架下，采用參數(shù)向量w的隨機分布w~ N(0,A)，再由公式（3)得公式（2)對應的輸出功率數(shù)據(jù)集t滿足如下分布：
[0019]
(4；)
[0020]記預測日實測數(shù)據(jù)為待測試數(shù)據(jù)為f由公式（4)推出訓練樣本t和測試樣本T$， 所形成的聯(lián)合高斯先驗分布為
[0021]
[0022] C(X，X)為nXn階對稱正定的協(xié)方差矩陣，C(X，X，為測試f與訓練的所有點輸入 點X的nX1階協(xié)方差矩陣，CU' 測試點f自身的協(xié)方差，I為單位矩陣。
[0023] 上述步驟（3)中輸出功率的預測函數(shù)如下：
[0024] 在給定測試點訓練集D的條件下，貝葉斯概率預測的目標是計算概率 IA/)，預測日的輸出功率f滿足如下分布：
[0025]
C6)
[0026]f的期望和方差分別為：
[0029] 確定了f的期望和方差，就得到預測日的輸出功率，T為矩陣的轉(zhuǎn)置，C(x'X)為 測試x#與訓練的所有點輸入點X的協(xié)方差矩陣。
[0030] 上述步驟（3)中選擇組合核函數(shù)作為高斯方法中的協(xié)方差函數(shù)，通過對訓練樣本 的對數(shù)似然函數(shù)的極大化獲得協(xié)方差函數(shù)的最優(yōu)超參數(shù)的計算方法如下：
[0031] 由于高斯方法中協(xié)方差函數(shù)在有限輸入點集上要求是正定的，且是一個滿足 Mercer條件的對稱函數(shù)，故協(xié)方差函數(shù)等價于核函數(shù)，公式（7)改寫成如下形式：
[0032]
(9)：
[0033] 預測值的均值是核函數(shù)C的線性組合，將非線性關系的數(shù)據(jù)映射到特征空間后轉(zhuǎn) 換為線性關系，從而使復雜非線性問題轉(zhuǎn)化為容易處理的線性問題；
[0034] 高斯過程選擇不同的協(xié)方差函數(shù)，3種單一協(xié)方差函數(shù)：
[0035]平方指數(shù)協(xié)方差函數(shù)
[0041 ] 令0=G/V/丨，〇_丨，〇:.:0為包含所有超參數(shù)的向量；_ =diagd2)為超參數(shù)的對稱矩 陣；h參數(shù)為核函數(shù)的信號方差，用來控制局部相關性的程度；s克洛內(nèi)克爾符號，其值 越大，表示輸入與輸出相關性越??；a為核函數(shù)的形狀參數(shù)；〇n為方差，通過對訓練樣本 的對數(shù)似然函數(shù)的極大化獲得最優(yōu)超參數(shù)9。
[0042] 上述對數(shù)似然函數(shù)的極大化獲得最優(yōu)超參數(shù)0的計算方法如下：
[0043]
[0045] 其中，％麵為對數(shù)似然函數(shù)"為矩陣的轉(zhuǎn)置。
[0046] 上述步驟（3)中的組合核函數(shù)考慮到當f\(X)，fJX)，…，fN⑴都是相互獨立的高 斯隨機過程時，隨機過程
也為一個高斯過程，故采用公式（15)的核函數(shù)建 立高斯過程回歸模型：
[0049] 式中：K為組合核函數(shù)；a=QH，Q(X，X'）為X和X'的協(xié)方差矩陣；
[0050] 組合核函數(shù)，由公式（11)和公式（12)組合而成，即：
[0051]CdXj) =CRQ+CM〇
[0052] 本發(fā)明的實施過程簡明，利用輸出功率的歷史數(shù)據(jù)對光伏系統(tǒng)的輸出功率進行預 測，避免創(chuàng)建復雜的預測模型，降低了預測的難度，有助于電網(wǎng)電量的調(diào)度。
【附圖說明】
[0053] 下面結(jié)合附圖和【具體實施方式】來詳細說明本發(fā)明；
[0054] 圖1是一種光伏系統(tǒng)輸出功率預測方法流程圖。
【具體實施方式】
[0055] 為使本發(fā)明實現(xiàn)的技術手段、創(chuàng)作特征、達成目的與功效易于明白了解，下面結(jié)合
【具體實施方式】，進一步闡述本發(fā)明。
[0056] 如圖1所示，一種光伏系統(tǒng)輸出功率預測方法，包括如下步驟：
[0057](1)、選擇預測日前一天的輸出功率歷史數(shù)據(jù)、全天的平均溫度、平均輻照度、預測 日的平均溫度和輻照度組成原始的訓練樣本集&，
[0058] (2)、構(gòu)建&的滿足高斯分布隨機過程的函數(shù)t，預測日滿足高斯分布隨機過程的 函數(shù)的實測數(shù)據(jù)作為!；，利用貝葉斯推理算法，建立t和I；的分布函數(shù)關系；
[0059] 將預測日前一天的輸出功率歷史數(shù)據(jù)、全天的平均溫度、平均輻照度、預測日的平 均溫度和輻照度，記^，％2，? ，設共獲得N個訓練樣本，即該數(shù)據(jù)集 為
[0060] D= ?"$)|i= 1，2,…，N} (1)
[0061] 將輸出功率、溫度等數(shù)據(jù)X通過高斯函數(shù)映射為t，假設
[0062] tx=f(X,)+￡,,! =l,2,-,n (2)
[0063] 其中，X為N維輸入矢量，q為輸出標量，f(X)服從高斯分布的隨機過程，即： f(X)~GP(y(X)，C(X，X'）） (3)
[0064] y(X)為高斯過程的均值，變量X'GX為N維輸入矢量，C(X，X'）為對稱正定協(xié)方 差矩陣，其第i行，第j列的元素記為Clj，表示輸出功率訓練樣本X和X'之間的相關性，其 值通過正定核函數(shù)k(X，X'）計算獲得。e為獨立的隨機變量，符合高斯分布，g~/V(0.大）， 〇 "為方差。
[0065] 在貝葉斯線性回歸f(X)=<HX)Tw框架下，采用參數(shù)向量w的隨機分布w~ N(0,A)，再由公式（3)得公式（2)對應的輸出功率數(shù)據(jù)集t滿足如下分布：
[0066]
(4)
[