一种基于时间序列分析与日统计的辐照预测方法

摘要

本发明提供一种基于时间序列分析与日统计的辐照预测方法，包括：步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据；步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型；步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型；步骤S4：基于自回归模型和日统计模型，对辐照进行预测。本发明的基于时间序列分析与日统计的辐照预测方法，综合自回归模型和日统计模型，对辐照进行准确预测，为稳定电网的策略制定提供数据基础。

说明书

技术领域

本发明涉及光伏预测技术领域，特别涉及一种基于时间序列分析与日统计的辐照预测方法。

背景技术

目前，太阳能作为可再生能源，应用越来越广泛；分布式太阳能发电系统(光伏发电)为太阳能的应用的一种重要的形式，但是由于太阳能的间歇性和随机性，光伏发电可能在短时间内产生快速波动，会导致其产生的电能的不稳定，随着越来越多的光伏发电系统接入电网，光伏发电系统的不稳定的能量对电网稳定性的影响也越来越大。只有确定了光伏发电系统对电网的影响，才能针对性地采取相应的策略，以保证电网的稳定性，因此对于光伏发电系统的发电的预测是势在必行地，而光伏发电系统是将光能转换为电能，因此，对光伏发电系统的发电的预测即对太阳的辐照的预测。

发明内容

本发明目的之一在于提供了一种基于时间序列分析与日统计的辐照预测方法，综合自回归模型和日统计模型，对辐照进行准确预测，为稳定电网的策略制定提供数据基础。

本发明实施例提供的一种基于时间序列分析与日统计的辐照预测方法，包括：

步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据；

步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型；

步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型；

步骤S4：基于自回归模型和日统计模型，对辐照进行预测。

优选的，步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型，包括：

步骤S21：对辐照数据进行分析，确定辐照数据的周期分量；

步骤S22：基于周期分量，对辐照数据进行处理，获取去季节数据；

步骤S23：基于去季节数据，构建自回归模型。

优选的，步骤S21：对辐照数据进行分析，确定辐照数据的周期分量，包括：

计算辐照数据的平均值；

将辐照数据的平均值代入傅里叶公式，确定辐照数据的周期分量；

其中，傅里叶公式如下：

其中，S

优选的，步骤S22：基于周期分量，对辐照数据进行处理，获取去季节数据，包括：

将辐照数据中各个时刻的辐照值与各个时刻的周期分量，确定各个时刻对应的余值，将余值作为去季节数据；计算公式如下：

R

其中，R

优选的，自回归模型的自回归方程如下：

R

其中，R

优选的，步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型，包括：

步骤S31：基于辐照数据，计算日辐照并确定出每月辐照最大日；

步骤S32：基于每月辐照最大日，确定基准日系数；

步骤S33：基于基准日系数，构建基准日数组；

步骤S34：基于基准日数组，构建新序列；

步骤S35：基于新序列，构建日统计模型。

优选的，步骤S32：基于每月辐照最大日，确定基准日系数，包括：

基于每月辐照最大日中每个时间步长的辐照量及辐照总量，计算基准日系数，计算公式如下：

其中，SR

优选的，步骤S33：基于基准日系数，构建基准日数组，包括：

基准日数组为每月的基准日系数乘以每月辐射量的中位数所得的值。

优选的，步骤S34：基于基准日数组，构建新序列，包括：

其中，AS

优选的，基于时间序列分析与日统计的辐照预测方法，还包括：

获取待预测的日期的前N日的实际检测数据以及对应的预测数据；

基于前N日的实际检测数据以及对应的预测数据，对待预测的日期的预测数据进行修正，修正公式如下：

式中，Q

其中，相关系数通过如下步骤确定；

获取待预测的日期的预测的气象数据；

获取前N日的每日的实测的气象数据；

基于预设的特征提取模板分别对前N日的每日的实测的气象数据、待预测的日期的预测的气象数据进行特征提取，获取多个特征值；

基于多个特征值，构建特征向量；

分别计算前N日的每日的实测的气象数据对应的特征向量与待预测的日期的预测的气象数据对应的特征向量的相似度；

对前N日的每日的实测的气象数据分别与待预测的日期的预测的气象数据的相似度进行归一化处理，将归一化值作为前N日的每日对应的相关系数。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于时间序列分析与日统计的辐照预测方法的示意图；

图2为本发明实施例中日统计模型的示意图；

图3为本发明实施例中模型预测值比对图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种基于时间序列分析与日统计的辐照预测方法，如图1所示，包括：

步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据；

步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型；

步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型；

步骤S4：基于自回归模型和日统计模型，对辐照进行预测。

上述技术方案的工作原理及有益效果为：

首先通过对历史辐照数据进行预处理，获得用于分析的辐照数据，在预处理后的辐照数据的基础上分别进行周期性分析和日统计分析，然后分别构建出日统计模型和自回归模型，将两种模型的预测结构结合确定最后的预测辐照值；结合可以采用加权平均的计算方式实现，即将两个模型的预测的辐照值进行加权平均处理后作为最终的预测值。

在一个实施例中，步骤S2：对辐照数据进行周期性分析，并根据周期性分析结果构建自回归模型，包括：

步骤S21：对辐照数据进行分析，确定辐照数据的周期分量；

步骤S22：基于周期分量，对辐照数据进行处理，获取去季节数据；

步骤S23：基于去季节数据，通过自相关与偏自相关分析，构建自回归模型。

其中，步骤S21：对辐照数据进行分析，确定辐照数据的周期分量，包括：

计算辐照数据的平均值；

将辐照数据的平均值代入傅里叶公式，确定辐照数据的周期分量；

其中，傅里叶公式如下：

其中，S

步骤S22：基于周期分量，对辐照数据进行处理，获取去季节数据，包括：

将辐照数据中各个时刻的辐照值与各个时刻的周期分量，确定各个时刻对应的余值，将余值作为去季节数据；计算公式如下：

R

其中，R

自回归模型的自回归方程如下：

R

其中，R

步骤S3：对辐照数据进行日统计分析，并根据日统计分析结构构建日统计模型，包括：

步骤S31：基于辐照数据，计算日辐照并确定出每月辐照最大日；

步骤S32：基于每月辐照最大日，确定基准日系数；

步骤S33：基于基准日系数，构建基准日数组；

步骤S34：基于基准日数组，构建新序列；

步骤S35：基于新序列，构建日统计模型。

优选的，步骤S32：基于每月辐照最大日，确定基准日系数，包括：

基于每月辐照最大日中每个时间步长的辐照量及辐照总量，计算基准日系数，计算公式如下：

其中，SR

步骤S33：基于基准日系数，构建基准日数组，包括：

基准日数组为每月的基准日系数乘以每月辐射量的中位数所得的值。

步骤S34：基于基准日数组，构建新序列，包括：

其中，AS

本发明实施对数据进行傅里叶变化，建立自回归模型，结合提出的日统计模型进行预测。最后将傅里叶+自回归模型与结合日统计模型与傅里叶模型和自回归模型所预测的结果进行比较，得出所提出的模型具有更好的预测准确度。

辐照数据的周期分量如表1所示。

表1

对去季节数据建立自回归模型，自回归模型的公式如下：

构造人工新序列，建立日统计模型，如图2所示。

对模型的预测值进行对比，如图3所示，误差分析结果，如表2所示。

表2

据表2所示，混合模型总体上是能提高预测的精度，减小预测误差，与原来的模型相比，MeAPE下降了8.98％，NRMSE下降了3.47％，NAME下降了7.88％。

在一个实施例中，基于时间序列分析与日统计的辐照预测方法，还包括：

获取待预测的日期的前N日的实际检测数据以及对应的预测数据；

基于前N日的实际检测数据以及对应的预测数据，对待预测的日期的预测数据进行修正，修正公式如下：

式中，Q

其中，相关系数通过如下步骤确定；

获取待预测的日期的预测的气象数据；

获取前N日的每日的实测的气象数据；

基于预设的特征提取模板分别对前N日的每日的实测的气象数据、待预测的日期的预测的气象数据进行特征提取，获取多个特征值；特征值包括：标示天气类型的特征值、标示云层厚度的特征值、标示云层占比的特征值，其中，标示天气类型的特征值，例如：该特征值为0时代表晴天；为1时代表多云；为2时代表小雨；为3时代表暴雨等；

基于多个特征值，构建特征向量；将特征值进行有序排列形成特征向量；

分别计算前N日的每日的实测的气象数据对应的特征向量与待预测的日期的预测的气象数据对应的特征向量的相似度；

对前N日的每日的实测的气象数据分别与待预测的日期的预测的气象数据的相似度进行归一化处理，将归一化值作为前N日的每日对应的相关系数。归一化值为相似度除以相似度总值；相似度总值为每日的实测的气象数据分别与待预测的日期的预测的气象数据的相似度的总和值。

上述技术方案的工作原理及有益效果为：

通过待预测的日期的预测数据和实际检测数据对预测结果进行修正，提高了预测的准确性；并且在修正的过程中，基于前N日的每日的实测的气象数据与待预测的日期的预测的气象数据的相似情况，确定每日的不同比重，保证修正的合理及准确性。

其中，特征向量的相似度的计算公式如下：

在一个实施例中，步骤S1：对历史辐照数据进行预处理，获取用于分析的辐照数据，包括：

确定历史辐照数据中每日的辐照值对应的气象数据；气象数据包括：是否阴天、是否雨天、是否晴天等，更进一步地可以为云层厚度、云层状态、云层占比(云层总面积与天空可见面积的比值)等；

基于气象数据构建特征向量；

获取预设的系数确定库；

将特征向量与系数确定库中各个系数对应关联的标准向量进行匹配；匹配可以采用计算相似度的方式；当相似度大于预设的阈值且为系数确定库中最大时，确定两者匹配；

获取匹配符合的标准向量所关联的系数；

将辐照值与系数的乘积作为用于分析的辐照数据。

上述技术方案的工作原理及有益效果为：

因每日辐照与气象是有直接关系的，通过系数将气象数据为阴天等天气下的辐照数据转换为相应的晴天且无云层状态下的辐照数据，便于模型的建立，保证模型建立的稳定，提高了预测结果的准确性；在预测的最后阶段，还需根据待预测的日期的预测的气象数据和预设的预测系数库，确定预测系数；根据最后的预测系数乘以两个模型的输出的加权平均值，作为最后的预测结果；使辐照预测考虑气象因素的影响，提高了预测的准确性。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。