光伏发电功率预测方法和系统的制作方法
【专利摘要】一种光伏发电功率预测方法和系统，采用相关性分析方法对历史数据进行分析，确定辐射强度预测相关时刻和发电功率预测相关时刻。采用BP神经网络对太阳辐射强度预测样本和光伏发电功率预测样本进行训练，得到太阳辐射强度预测模型和光伏发电功率预测模型。利用太阳辐射强度预测模型计算预测日预测时刻的太阳辐射强度，利用光伏发电功率预测模型计算预测日预测时刻的光伏发电功率。利用灰色关联度分析方法去除历史数据中关联度较低的辐射强度预测相关时刻的太阳辐射强度，提高了太阳辐射强度预测精度。采用BP神经网络良好的非线性函数逼近能力，对太阳辐射强度预测样本和光伏发电功率预测样本进行训练建立预测模型，提高了预测模型的预测精度。
【专利说明】光伏发电功率预测方法和系统
【技术领域】
[0001]本发明涉及电力系统【技术领域】，特别是涉及一种光伏发电功率预测方法和系统。【背景技术】
[0002]光伏发电是利用太阳能的一种有效方式，但光伏发电系统的输出功率具有不连续性和不确定性的特点。光伏发电系统并网运行以后会对电网产生周期性的冲击，光伏系统输出功率的扰动将有可能影响电网的稳定。因此，对光伏电站的输出功率进行预测有助于统筹安排常规电源和光伏发电的协调配置，适时及时的调整调度计划，合理安排电网运行方式。
[0003]光伏发电功率预测一般采用人工智能方法，主要包括神经网络、模糊预测、数据挖掘、支持向量机等。无论采用哪一种方法，都存在因数据采集准确度低，而导致光伏发电功率预测精度低的缺点。
【发明内容】
[0004]基于此，有必要提供一种预测精度高的光伏发电功率预测方法和系统。
[0005]一种光伏发电功率预测方法，包括以下步骤:根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻，所述历史数据包括太阳辐射强度、温度和光伏发电功率，所述辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，所述发电功率预测相关时刻指太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻；提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本；采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型；将预测日所述辐射强度预测相关时刻的太阳辐射强度作为所述太阳辐射强度预测模型的输入，计算预测日所述预测时刻的太阳辐射强度；提取所述历史数据中预测日之前所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本；采用BP神经网络对所述光伏发电功率预测样本进行训练，得到光伏发电功率预测模型；将预测日所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的太阳辐射强度和温度作为所述光伏发电功率预测模型的输入，计算预测日所述预测时刻的光伏发电功率。
[0006]在其中一个实施例中，所述根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻的步骤，包括以下步骤:
[0007]提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前设定时间段内的太阳辐射强度；
[0008]根据
【权利要求】
1.一种光伏发电功率预测方法，其特征在于，包括以下步骤: 根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻，所述历史数据包括太阳辐射强度、温度和光伏发电功率，所述辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，所述发电功率预测相关时刻指太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数闻于功率相关阈值的时刻； 提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本； 采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型； 将预测日所述辐射强度预测相关时刻的太阳辐射强度作为所述太阳辐射强度预测模型的输入，计算预测日所述预测时刻的太阳辐射强度； 提取所述历史数据中预测日之前所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本； 采用BP神经网络对所述光伏发电功率预测样本进行训练，得到光伏发电功率预测模型； 将预测日所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的太阳辐射强度和温度作为所述光伏发电功率预测模型的输入，计算预测日所述预测时刻的光伏发电功率。
2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻的步骤，包括以下步骤: 提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前设定时间段内的太阳辐射强度；
根据
3.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述根据历史数据，采 用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻的步骤，包括以下 步骤：提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前若干个等间隔时刻 点的太阳辐射强度；
4.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述提取所述历史数 据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射 强度预测样本的步骤，包括以下步骤：获取预测日所述辐射强度预测相关时刻的太阳辐射强度，得到参考序列；获取预测日之前所述辐射强度预测相关时刻的太阳辐射强度，并对同一日的太阳辐射 强度建立序列，得到多个比较序列；根据v 0 = '对所述参考序列和比较序列进行无量纲化处理，得到无 量纲化参考序列和无量纲化比较序列，其表示序列中的最大值，且i =O时Xtl(k)为参考序列，i不为O时XiGO为比较序列，XiGO表示序列XiGO对应的无量纲化序列； 根据
5.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型的步骤，包括以下步骤: 根据
6.一种光伏发电功率预测系统，其特征在于，包括: 相关时刻计算模块，用于根据历史数据，采用相关性分析方法获取辐射强度预测相关时刻和发电功率预测相关时刻，所述历史数据包括太阳辐射强度、温度和光伏发电功率，所述辐射强度预测相关时刻指太阳辐射强度与预测时刻的太阳辐射强度相关系数高于辐射相关阈值的时刻，所述发电功率预测相关时刻指太阳辐射强度和光伏发电功率与所述预测时刻的光伏发电功率相关系数高于功率相关阈值的时刻； 辐射强度预测样本建立模块，用于提取所述历史数据中所述辐射强度预测相关时刻的太阳辐射强度，并进行灰色关联度分析，得到太阳辐射强度预测样本； 辐射强度预测模型建立模块，用于采用BP神经网络对所述太阳辐射强度预测样本进行训练，得到太阳辐射强度预测模型； 预测时刻辐射强度计算模块，用于将预测日所述辐射强度预测相关时刻的太阳辐射强度作为所述太阳辐射强度预测模型的输入，计算预测日所述预测时刻的太阳辐射强度；发电功率预测样本建立模块，用于提取所述历史数据中预测日之前所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的温度和太阳辐射强度，得到光伏发电功率预测样本； 发电功率预测模型建立模块，用于采用BP神经网络对所述光伏发电功率预测样本进行训练，得到光伏发电功率预测模型； 预测时刻发电功率计算模块，用于将预测日所述发电功率预测相关时刻的太阳辐射强度和光伏发电功率，以及所述预测时刻的太阳辐射强度和温度作为所述光伏发电功率预测模型的输入，计算预测日所述预测时刻的光伏发电功率。
7.根据权利要求6所述的光伏发电功率预测系统，其特征在于，所述相关时刻计算模块包括: 第一提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前设定时间段内的太阳辐射强度； 第一计算单元，用于根据
8.根据权利要求6所述的光伏发电功率预测系统，其特征在于，所述相关时刻计算模块包括: 第一提取单元，用于提取所述历史数据中所述预测日之前，所述预测时刻及预测时刻前若干个等间隔时刻点的太阳辐射强度；
第一计算单元，用于根据Pxy
9.根据权利要求6所述的光伏发电功率预测系统，其特征在于，所述辐射强度预测样本建立模块包括: 参考序列建立单元，用于获取预测日所述辐射强度预测相关时刻的太阳辐射强度，得到参考序列； 比较序列建立单元，用于获取预测日之前所述辐射强度预测相关时刻的太阳辐射强度，并对同一日的太阳辐射强度建立序列，得到多个比较序列； 无量纲化处理单元，用于根据4 (A) = mf?(k))对所述参考序列和比较序列进行无量纲化处理，得到无量纲化参考序列和无量纲化比较序列，其中mfx('(k))表示序列XiGO中的最大值，且i = O时X。(k)为参考序列，i不为O时XiGO为比较序列，XiGO表示序列XiGO对应的无量纲化序列；灰色关联系数计算单元，用于根据
10.根据权利要求6所述的光伏发电功率预测系统，其特征在于，所述辐射强度预测模型建立模块包括: 隐含层节点计算单元，用于根据
【文档编号】G06N3/02GK103500365SQ201310430694
【公开日】2014年1月8日 申请日期:2013年9月18日 优先权日:2013年9月18日
【发明者】陆国俊, 王勇, 王劲, 许中, 崔晓飞, 马智远, 陈国炎, 马素霞, 黄慧红, 杜堉榕, 王军 申请人:广州供电局有限公司, 华北电力大学