小波分析组合预测方法在光伏发电量预测中的应用.docVIP

ARIMA—小波分析组合预测方法在光伏发电量预测中的应用 摘要：光伏发电受外部环境因素的影响，具有波动性和间歇性，因此，加强光伏阵列发电预测的研究对于电网安全经济调度有重要意义。为了提高光伏发电量预测的精度，以尽可能达到工程应用的要求，本文提出一种以小波分析的消噪原理对ARIMA (Autoregressive Integrated Moving Average Model)模型进行优化修正的组合预测方法，最后运用该模型对武汉新城国际博览中心光伏电站采集的数据进行实验，实验误差结果表明，该模型简单，计算量小，具有较好的可行性，而且用该模型预测能够达到工程应用上的要求。 关键词： 光伏发电量预测；时间序列；自回归移动平均模型；小波分析 Application Research On Photovoltaic Power Generation Prediction Based On ARIMA-Wavelet Analysis combined forecasting method ABSTRACT: KEY WORDS: photovoltaic power generation prediction; time series; Autoregressive Integrated Moving Average Model; Wavelet Analysis 1 引言 随着全球范围内能源紧缺和环保问题的日益突出，可再生能源的利用引起广泛的重视。光伏发电作为一种重要的可再生能源形式，它是目前可再生能源技术中最具规模化开发条件和商业化发展前景的发电方式之一，越来越受到人们的关注。目前大规模的光伏发电系统已经在国内外大量建成，但是由于光伏发电系统的发电量变化是一个非平稳的随机过程，光伏发电系统相对于大电网将是一个不可控源，其发电随机性会对大电网造成冲击。通过日发电量预测，可以优化新能源与传统能源之间的配合，提高电网运行经济性。合理安排发电容量，充分利用太阳能资源，获得更多的经济效益与社会效益。光伏发电大规模应用是预测的难点之一，因此，加强光伏阵列发电预测的研究对于电网安全经济调度有重要意义[1]。 光伏电站出力波动性较大，而且目前并网型大规模光伏电站运行时间较短，历史资料和数据都较为有限，因此光伏预测工作具有一定的难度。文献[2]~[6]在光伏预测上做了一些相关的研究，通常运用的算法都比较复杂，其中包括解决复杂的差分方程问题，这些算法的程序一般需要大量的计算和时间来得到准确的预测结果[7]。 关于发电量预测的研究方法较多，比较常见的有人工神经网络模型[8]、马尔可夫模型[9]、支持向量机[10]和遗传算法[11]等，这些模型各有优缺点。人工神经网络模型具有很强的容错和容差能力，而很难精确分析神经网络的各项性能指标；马尔可夫模型对过程状态的预测较好，不过不太适合系统长期预测；支持向量机大大简化了常规的分类和回归问题，却对大规模的训练样本难以实施；遗传算法的搜索从群体出发，具有潜在的并行性，而进行多个个体同时比较，但是，该算法对初始种群的选择有一定的依赖性，能够结合一些启发算法进行改进。近些年，不同的组合预测模型被陆续提出，如BP神经网络与马尔可夫的结合[10]、小波理论与卡尔曼滤波的结合[12]等。组合模型利用了各类模型的优点，预测结果更为理想。 本文提出小波理论消噪对自回归移动平均（ARIMA）时间序列模型的一阶差分结果进行修正的方法对武汉国博光伏电站发电量进行预测，契合光伏发电特点，首先考虑如果对原始数据进行消噪处理，反而会丢失一些关键的信息。在ARIMA模型中差分次数过多容易造成过差分现象，损失样本，变成伪回归，使得预测失去了意义。所以本文决定在ARIMA模型进行一阶差分后得到的残差项进行小波去噪，小波去噪的作用为使数据更为平滑，从而避免了多次差分的不良影响，同时还能修正残差项得到更为准确的预测结论。 2 ARIMA—小波分析光伏发电量组合预测模型 ARIMA模型是将预测对象随时间推移而形成的序列看作一个随机序列，然后近似的描述这个序列，模型一旦被识别之后就可以从时间序列的过去值及现在值预测未来值。 1) ARIMA模型 ARIMA模型全称为差分自回归移动平均模型(Auto-regressive Integrated Moving Average Model,简记ARIMA)。其中ARIMA(p,d,q)称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。ARIMA模型建模的基本条件是要求待预测的数列满足平稳的条件，即个体值要围绕序列均值上下波动，不能有明显的上升或下降趋势，如果出现