基于SARIMAX模型的光伏中长期发电量预报方法及装置

技术领域

本发明属于电力领域，特别是涉及到一种基于SARIMAX模型的光伏中长期发电量预报方法及装置。

背景技术

近年来太阳能开发利用规模快速扩大，技术进步和产业升级加快，成本显著降低，已成为全球能源转型的重要领域。随着我国电力交易市场的开放和发展，中长期发电量预测的需求越来越凸显。在跨区域电力交易中，主要采取以年度合同为主，月度临时交易为辅的交易模式。在签订长期交易合同的过程中，必然涉及到的问题是，未来一年或若干个月电站有多少电量需要送出；在执行光伏长期交易时，分解发电量至月度发电计划过程亦需要发电量的数值。为此，有必要研究中长期光伏发电量预测问题。预测结果不仅可为光伏发电长期交易制定提供参考，也可为交易的计划分解提供参考，以最大限度地发挥电场发电能力与输电通道的输送能力。

目前，国内外的新能源预测研究的时间尺度多为小时，最长为7*24小时预测。我国对于新能源发电量预测的研究主要亦集中于超短期和短期的时间尺度内。其中，超短期预测可以用于电力系统实时调度，短期预测可用于安排机组组合和制定发电计划。中长期时间尺度的新能源预测因受到可用数据少、新增装机对发电量影响大等原因研究的相对较少。

因此，国内外对光伏发电量的长期预测研究很少，主要采用统计学方法及智能学习的方法。有学者基于聚类的方法统计不同季节、不同气候下的光伏电量统计概率，采用概率抽样方式生成光伏的电量周预测值。

但是，一个地区辐照量的变化受到诸多因素的影响，既有长期趋势、季节效应，又具有随机扰动效应。这些方法在预测值上会出现趋于平均值结果，对极值尤其是气候转折期的预测效果欠佳。

发明内容

本发明提出一种基于SARIMAX模型的光伏中长期发电量预报方法及装置，利用太阳辐射序列的自身变化来寻找序列中蕴含的发展规律，提供较准确的预测结果。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于SARIMAX模型的光伏中长期发电量预报方法，包括：

S1、历史辐照度数据处理，得到历史辐射数据中每日的辐射量；

S2、将历史辐射数据中每日的辐射量转化为倾斜面上的太阳辐射量；

S3、利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量；

S4、建立辐射总量-电量模型的回归模型；

S5、将S3得出的倾斜面预测辐射总量带入步骤S4得到的回归模型，得到未来n个月预测发电量。

进一步的，步骤S1所述历史辐照度数据处理的具体方法包括：

S101：利用双线性插值算法，对一定数量的历史年份的30km*30km空间分辨率、1小时时间分辨率的ERA5辐照度数据进行降尺度，插值到预测电场坐标位置；

S102：对辐照度数据按天进行积分，得到该数量年份每日的辐射量。

进一步的，步骤S2所述倾斜面上的太阳辐射量转化方法包括：

S201：输入光伏电场的经纬度，光伏阵列的安装倾角和方位角；

S202：计算太阳赤纬δ；

式中n为1年中的日期序号，如1月1日为n＝1,1月2日为n＝2,…,取值范围为1～365；

S203：计算倾斜面上的直接辐射分量；

式中，Φ——光伏电站纬度；

β——光伏阵列倾角；

δ——太阳赤纬；

w

w

H

其中水平面上日落时角w

w

倾斜面上日落时角w

w

S204：计算倾斜面上的散射辐射分量；

式中H

射量；

S205：计算倾斜面上的总辐射量；

H＝H

进一步的，步骤S3所述预测倾斜面预测辐射总量的具体方法包括：

S301、建立SARIMAX模型，确认模型参数趋势差分阶数d、季节性差分阶数D、单个季节期间的时间步数m；

S302、其余模型参数包括趋势自回归阶数p、趋势移动平均阶数q、季节性自回归阶数P、季节性移动平均阶数Q，各自建立序列，组成笛卡尔积的元祖，构成多组参数；

S303、将步骤S2得到的每日的倾斜面上太阳辐射量数据分离为训练集与测试集；

S304、将S302的多组参数分别与S301的d、D、m作为SARIMAX的参数代入模型中，使用训练集进行训练；

S305、每一次模型的预测结果与测试集真实结果进行计算，得出均方误差MSE；MSE作为损失函数，比较多组参数的MSE,将MSE值最小的模型参数保留下来，作为最终模型参数；

S306、模型评估，通过残差白噪声检验和参数显著性检验对拟合模型进行检验，若残差白噪声检验P值大于显著性检验水平0.05，则说明该模型对辐射量数据序列建模成功；

S307、输入要预测的时间段到模型中，得出n个月的辐射量预测结果。

进一步的，步骤S4所述辐射总量-电量模型的回归模型的建立方法包括：

S401：电场历史数据处理，根据光伏组件运行状态剔除非正常运行期间的发电数据，数据长度为历史一年以上；

S402：利用处理后的辐照度和发电功率，建立光伏电场的理论发电功率曲线；

S403：将非正常运行期间的发电数据代入理论发电功率曲线，还原为正常发电数据，计算出电场的每个月理论发电量；

S404:将电场的月总辐射量作为自变量，月理论发电量作为因变量进行线性回归，得到回归系数。

本发明还提供了一种基于SARIMAX模型的光伏中长期发电量预报装置，包括：

历史数据处理模块：用于历史辐照度数据处理，得到历史辐射数据中每日的辐射量；

转化模块：用于将历史辐射数据中每日的辐射量转化为倾斜面上的太阳辐射量；

倾斜面预测辐射总量模块：利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量；

辐射总量-电量模型模块：用于建立辐射总量-电量模型的回归模型；

发电量预测模块：用于将倾斜面预测辐射总量模块得出的倾斜面预测辐射总量带入辐射总量-电量模型模块得到的回归模型，得到未来n个月预测发电量。

进一步的，所述历史数据处理模块包括：

插值单元：利用双线性插值算法，对一定数量的历史年份的30km*30km空间分辨率、1小时时间分辨率的ERA5辐照度数据进行降尺度，插值到预测电场坐标位置；

积分单元：对辐照度数据按天进行积分，得到该数量年份每日的辐射量。

进一步的，所述转化模块包括：

输入单元：输入光伏电场的经纬度，光伏阵列的安装倾角和方位角；

太阳赤纬计算单元：计算太阳赤纬δ；

式中n为1年中的日期序号，如1月1日为n＝1,1月2日为n＝2,…,取值范围为1～365；

直接辐射分量计算单元：计算倾斜面上的直接辐射分量；

式中，Φ——光伏电站纬度；

β——光伏阵列倾角；

δ——太阳赤纬；

w

w

H

其中水平面上日落时角w

w

倾斜面上日落时角w

w

散射辐射分量计算单元：计算倾斜面上的散射辐射分量；

式中H

总辐射量计算单元：计算倾斜面上的总辐射量；

H＝H

进一步的，所述倾斜面预测辐射总量模块包括：

建立单元：用于建立SARIMAX模型，确认模型参数趋势差分阶数d、季节性差分阶数D、单个季节期间的时间步数m；

多组参数单元：用于其余模型参数包括趋势自回归阶数p、趋势移动平均阶数q、季节性自回归阶数P、季节性移动平均阶数Q，各自建立序列，组成笛卡尔积的元祖，构成多组参数；

数据分离单元：将转化模块得到的每日的倾斜面上太阳辐射量数据分离为训练集与测试集；

训练单元：将多组参数单元的多组参数分别与建立单元的d、D、m作为SARIMAX的参数代入模型中，使用训练集进行训练；

最终参数单元：用于每一次模型的预测结果与测试集真实结果进行计算，得出均方误差MSE；MSE作为损失函数，比较多组参数的MSE,将MSE值最小的模型参数保留下来，作为最终模型参数；

模型评估单元：通过残差白噪声检验和参数显著性检验对拟合模型进行检验，若残差白噪声检验P值大于显著性检验水平0.05，则说明该模型对辐射量数据序列建模成功；

辐射量预测单元：输入要预测的时间段到模型中，得出n个月的辐射量预测结果。

进一步的，所述辐射总量-电量模型模块包括：

电场历史数据处理单元：根据光伏组件运行状态剔除非正常运行期间的发电数据，数据长度为历史一年以上；

理论发电功率曲线单元：利用处理后的辐照度和发电功率，建立光伏电场的理论发电功率曲线；

还原单元：将非正常运行期间的发电数据代入理论发电功率曲线，还原为正常发电数据，计算出电场的每个月理论发电量；

回归模型单元:将电场的月总辐射量作为自变量，月理论发电量作为因变量进行线性回归，得到回归系数。

与现有技术相比，本发明具有如下的有益效果：

(1)本发明利用历史时间序列数据寻找其演变规律，根据自身变化预测未来的趋势；

(2)本发明把SARIMAX模型应用到辐射量长期预测中，该模型特征符合辐射量变化规律，具有较高预测准确性；

(3)本发明能在较小的计算资源条件下，实现了较高准确度的预测方法，为光伏电站长期规划和参加电力交易提供支撑。

附图说明

图1是本发明实施例中的运行流程示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明专利实施例的目的。

需要说明的是，SARIMAX是在差分移动自回归模型(ARIMA)的基础上加上季节(S,Seasonal)和外部因素(X,eXogenous)。也就是说以ARIMA基础加上周期性和季节性，适用于时间序列中带有明显周期性和季节性特征的数据。ARIMA模型的全称叫做自回归移动平均模型，全称是(Autoregressive Integrated Moving Average Model)。也记作ARIMA(p,d,q)，是统计模型(statistic model)中最常见的一种用来进行时间序列预测的模型。。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数(阶数)。

如图1所示，本发明是采用以下技术方案实现的

a.历史辐照度数据处理

a.1：利用双线性插值算法，对历史40年30km*30km空间分辨率、1小时时间分辨率的ERA5辐照度数据进行降尺度，插值到预测电场坐标位置；

a.2：对辐照度数据按天进行积分，得到历史40年每日的辐射量。

b.利用下式b.1至b.5步骤，将40年每日的辐射量转化为倾斜面上的太阳辐射量；

b.1：输入光伏电场的经纬度，光伏阵列的安装倾角和方位角。

b.2:计算太阳赤纬δ

式中n为1年中的日期序号，如1月1日为n＝1,1月2日为n＝2,…,取值范围为1～365

b.3:计算倾斜面上的直接辐射分量

式中，Φ——光伏电站纬度；

β——光伏阵列倾角；

δ——太阳赤纬；

w

w

H

其中水平面上日落时角w

w

倾斜面上日落时角w

w

b.4:计算倾斜面上的散射辐射分量

b.5:计算倾斜面上的总辐射量

H＝H

式中H

c.利用SARIMAX模型预测未来n个月的倾斜面预测辐射总量自回归单整移动平均季节模型(SARIMAX模型)源自回归单整移动平均模型(ARIMA模型)。SARIMAX模型的具体表达形式为SARIMAX(p,d,q)(P,D,Q,m)。主要参数分为趋势参数(p,d,q)和季节性参数(P,D,Q,m)。其中p为趋势自回归阶数；d为趋势差分阶数；q为趋势移动平均阶数；P为季节性自回归阶数；D为季节性差分阶数；Q为季节性移动平均阶数；m为单个季节期间的时间步数。

c.1：模型建立：本方法运用python程序包statsmodels.tsa.statespace.sarimax来建模；

c.2：训练数据的平稳化处理：对40*12个月的数据序列做一次差分和一次季节差分，用自相关函数(ACF)、偏自相关函数(PACF)和扩充迪基-富勒(ADF)的平稳性单位根来检验其趋势性和季节性规律。测试了10个不同地方的算例后发现数据经过差分和季节性差分后能通过ADF检验，能实现时间序列的平稳化。因此本方法中将趋势差分阶数d和季节性差分阶数D都确定为1；

c.3:确定单个季节期间的时间步数m：由于本方法中的数据为月份数据，所以周期频率定为12；

c.4:寻找模型参数p、q、P、Q；

i.建立4个数据列表p＝0,1,2；q＝0,1,2；P＝0,1,2；Q＝0,1,2；

ii.利用这4个序列中的元素组成笛卡尔积的元祖，即依次取出每个list中的每一个元素，组成一个新的列表para＝(para[0],para[1],para[2],para[3]),一共3*3*3*3＝81组参数；

iii.分离训练集和测试集：将历史40年的数据分离为训练集与测试集，其中历史40年至历史10年的数据作为训练集，历史近10年的数据作为测试集；

iv.将81组参数与c2、c3步骤确定的参数d,D,m作为SARIMAX的参数代入模型中进行训练，即model＝statsmodels.tsa.statespace.sarimax(训练数据,order＝(para[0],d,para[1]),seasonal_order＝(parameters[2],D,parameters[3],m)).fit()；

v.对iv步骤中每一次模型的预测结果与测试集真实结果进行计算，得出均方误差MSE；

vi.得出每一次的测试集数据的均方误差MSE作为损失函数；

其中yi为真实值，yi^为模拟值；

vii.比较这81次模型的MSE,将MSE值最小的模型参数保留下来，作为最终模型参数；

c.5:模型评估：通过残差白噪声检验和参数显著性检验对拟合模型进行检验，若残差白噪声检验P值大于显著性检验水平0.05，则说明该模型对辐射量数据序列建模成功；

c.6:预测：输入要预测的时间段到模型中，得出n个月的辐射量预测结果。

另外，需要说明的是，除了上述内容，利用动力学数值预报方法也可以实现未来长期的太阳辐射量预测。

d.建立辐射总量-电量模型

d.1：电场历史数据处理，根据光伏组件运行状态剔除非正常运行期间的发电数据，数据长度为历史一年以上；

d.2：利用处理后的辐照度和发电功率，建立光伏电场的理论发电功率曲线；

d.3：将非正常运行期间的发电数据代入理论发电功率曲线，还原为正常发电数据，计算出电场的每个月理论发电量；

d.4:将电场的月总辐射量作为自变量，月理论发电量作为因变量进行线性回归，得到回归系数；

e.将c步骤得出的预测辐射量代入d步骤得到的回归方程式，得出未来n个月的预测发电量。

使用本发明所述方法对甘肃地区2019年多个光伏电站的月发电量进行了预测，结果显示，该方法提供了较准确的预测结果，可用于未来12～16个月时间长度的预测。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。