应用于高倍聚光光伏发电系统的短期发电量预测方法
【专利摘要】本发明公开了一种应用于高倍聚光光伏发电系统的短期发电量预测方法，包括：收集所述高倍聚光光伏发电系统的历史数据，根据相关系数分析法，确定用于所述短期发电量预测的BP神经网络的输入；根据各输入的历史数据，训练初始化后的所述BP神经网络；以及根据各输入的历史数据及训练后的所述BP神经网络，获得预测的短期发电量。本发明提供的应用于高倍聚光光伏发电系统的短期发电量预测方法，可以进行短时预测、日预测，并保证预测结果和实际结果的短时平均误差不超过10％，大大的提升了预测的精度。
【专利说明】应用于高倍聚光光伏发电系统的短期发电量预测方法
【技术领域】
[0001] 本发明涉及电力系统【技术领域】，尤其涉及一种应用于高倍聚光光伏发电系统的短 期发电量预测方法。
【背景技术】
[0002] 光伏发电技术是根据光生伏特效应原理，利用太阳电池将太阳光能直接转化为电 能。光伏发电技术可分为第一代采用晶硅电池的光伏发电技术、第二代采用薄膜电池的光 伏发电技术与第三代采用高倍聚光的光伏发电技术。与第一代采用晶硅电池的光伏发电技 术和第二代采用薄膜电池的光伏发电技术不同，高倍聚光指通过透镜或反射镜等光学元件 将一定面积的太阳光汇聚在一个狭小的区域（焦斑），进而进行发电的技术，其优势在于发 电效率高、占地面积小、输出功率稳定、易回收等。但是由于其受太阳辐射强度、电池组件温 度、天气、云层和一些随机因素的影响，系统运行过程是一个非平衡的随机过程，其发电量 和输出电功率随机性强、波动大、不可控制，例如在多云天气情况下，云层的遮挡使太阳光 无法聚集，会造成发电功率的急剧下降。这种发电方式的波动特点会对国家电网造成一定 冲击，进而制约其大规模的发展；同时发电量预测系统也是光伏发电站重要的配套技术，因 此短期内的发电量预测，对于电站及时调整发电设备，稳定输出电量，避免资源浪费等方面 具有非常好的实际应用价值。
[0003] 目前对于发电量的主要预测方法可分为如下三类：一是基于太阳总辐射预报和光 伏特性曲线仿真模型的仿真预报法；二是基于太阳总辐射预报和光电转换效率模型的原理 预报法；三是基于历史气象资料（天气情况或太阳总辐射资料）和同期光伏发电量资料，采 用统计学方法（如多元回归、神经网络、支持向量机等相关算法）进行分析建模的动力统计 预报法。其中，第一种方法和第二种方法对转换模型的建立非常困难，所以很难取得理想的 预测效果。采用基于统计学的预测方法主要有时间序列法为代表的传统统计方法和人工神 经网络为代表的人工智能方法两大类。建立光伏发电量预测模型将主要考虑神经网络法、 支持向量机方法等人工智能方法。但无论上述哪种预测方法，在应用于高倍聚光光伏发电 系统中时，由于高倍聚光光伏发电系统受太阳辐射强度、电池组件温度、天气、云层和一些 随机因素的影响，都存在预测精度低的缺点。
【发明内容】
[0004] 有鉴于此，本发明提供了一种预测精度高的应用于高倍聚光光伏发电系统的短期 发电量预测方法。
[0005] 本发明的额外方面和优点将部分地在下面的描述中阐述，并且部分地将从描述中 变得显然，或者可以通过本发明的实践而习得。
[0006] 本发明提供了一种应用于高倍聚光光伏发电系统的短期发电量预测方法，其特征 在于，包括：收集所述高倍聚光光伏发电系统的历史数据，根据相关系数分析法，确定用于 所述短期发电量预测的BP神经网络的输入；根据各输入的历史数据，训练所述BP神经网 络；以及根据各输入的历史数据及训练后的所述BP神经网络，获得预测的短期发电量。
[0007] 于一实施例中，根据相关系数分析法，确定用于所述短期发电量预测的BP神经网 络的输入包括：根据所述相关系数分析法，确定所述BP神经网络的所述输入为初始的输 入；根据所述初始的输入，确定P个输入成分；采用主成分分析法，根据所述P个输入成分， 获得m个主成分以作为所述BP神经网络最终的输入；其中p，m均为正整数，且p>m。
[0008] 于另一实施例中，在根据各输入的历史数据，训练所述BP神经网络之前，还包括： 初始化所述BP神经网络，并采用遗传算法优化所述BP神经网络的初始权值和阈值，并将获 得的最优值作为所述BP神经网络的最终的初始权值和阈值。
[0009] 于再一实施例中，所述历史数据包括：发电功率历史数据及其对应的天气因素历 史数据；所述发电功率包括：每分钟发电功率或者日发电功率；所述天气因素包括：辐照 星、温度、湿度、风速及气压。
[0010] 于再一实施例中，收集所述高倍聚光光伏发电系统的历史数据之后，还包括：使用 类似天气的发电功率替换所述发电功率历史数据中的噪音。
[0011] 于再一实施例中，所述相关系数分析法包括：采用SPSS工具的双变量person算 法，或者使用MATLAB程序中的corrcoefO函数直接计算。
[0012] 于再一实施例中，根据各输入的历史数据，训练初始化后的所述BP神经网络包 括：以各输入的历史数据作为样本训练初始化后的所述BP神经网络。
[0013] 于再一实施例中，根据各输入的历史数据，训练初始化后的所述BP神经网络包 括：根据各最终的输入的历史数据，通过下述公式，计算得到各最终的输入的替代值，并将 各最终的输入的替代值作为样本训练初始化后的所述BP神经网络；
[0014] Zm = l^Xi+l^x^. . . +lmpxp
[0015] 其中，Zm为第m个主成分的替代值，lmi为第m个主成分对应的特征向量中第i个 值，Xi为第i个输入成分的历史数据值。
[0016] 于再一实施例中，根据各输入的历史数据及训练后的所述BP神经网络，获得预测 的所述短期发电量包括：将各输入的历史数据作为训练后的所述BP神经网络的输入，获得 预测的所述短期发电量。
[0017] 于再一实施例中，根据各输入的历史数据及训练后的所述BP神经网络，获得预测 的所述短期发电量包括：将各最终的输入的替代值作为训练后的所述BP神经网络的输入， 获得预测的所述短期发电量。
[0018] 本发明提供的应用于高倍聚光光伏发电系统的短期发电量预测方法，可以进行短 时预测、日预测，并保证预测结果和实际结果的短时平均误差不超过10%，大大的提升了预 测的精度，使国家电网调度可以根据预测合理安排一定周期内光伏电站和常规电站的开机 方式和运行方式，并使国家电网能够稳定运行，为规模化、大容量的光伏电站的建立提供了 技术依据和理论指导，同时确保光伏电站安全高效地运行，促进了国家新能源战略的顺利 实施。
【专利附图】
【附图说明】
[0019] 通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得 更加明显。
[0020] 图1为本发明实施例一的应用于高倍聚光光伏发电系统的短期发电量预测方法 的流程图。
[0021] 图2为本发明实施例二的应用于高倍聚光光伏发电系统的短期发电量预测方法 的流程图。
[0022] 图3为采用本发明实施例二的应用于高倍聚光光伏发电系统的短期发电量预测 方法的预测结果与实际结果的误差示意图。
[0023] 图4为本发明实施例三的应用于高倍聚光光伏发电系统的短期发电量预测方法 的流程图。
[0024] 图5为采用本发明实施例三的应用于高倍聚光光伏发电系统的短期发电量预测 方法的预测结果与实际结果的误差示意图。
【具体实施方式】
[0025] 现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形 式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将 全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附 图标记表示相同或类似的结构，因而将省略对它们的重复描述。
[0026] 所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式 中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而， 本领域技术人员应意识到，没有所述特定细节中的一个或更多，或者采用其它的方法、组元 等，也可以实践本发明的技术方案。在其它情况下，不详细示出或描述公知结构或者操作以 避免模糊本发明。
[0027] 实施例一
[0028] 图1为本发明实施例一的应用于高倍聚光光伏发电系统的短期发电量预测方法 的流程图。如图1所示，该方法包括：
[0029] 步骤S101，收集高倍聚光光伏发电系统的历史数据，根据相关系数分析法，确定用 于短期发电量预测的神经网络的输入；
[0030] 步骤S102,根据各输入的历史数据，训练神经网络；
[0031] 步骤S103,根据各输入的历史数据及该训练后的神经网络，获得预测的短期发电 量。
[0032] 实施例二
[0033] 本发明实施例二提供了一种应用于高倍聚光光伏发电系统的5分钟后发电量的 预测方法。图2为本发明实施例二的应用于高倍聚光光伏发电系统的短期发电量预测方法 的流程图。如图2所示，该方法包括：
[0034] 步骤S201，收集高倍聚光光伏发电系统的历史数据，根据相关系数分析法，确定用 于短期发电量预测的神经网络的输入。
[0035] 在本实施例中，该神经网络例如为BP神经网络，在本实施例的下述说明中也均基 于BP神经网络进行说明，但本发明不以此为限。
[0036] 例如，对某地的高倍聚光光伏发电系统在某月的3、4、5、6日四天的每分钟发电功 率以及对应的天气因素（例如辐照量、温度、湿度、风速及气压）的历史数据进行采集，并基 于相关系数分析法对采集到的数据进行分析，以确定该神经网络的输入。
[0037] 在一些实施例中，采用相关系数分析法例如包括：使用SPSS工具的双变量person 算法分别分析各天气因素与发电功率的相关性，但本发明不限于此，分析结果例如为表1 所示。
[0038]表1
【权利要求】
1. 一种应用于高倍聚光光伏发电系统的短期发电量预测方法，其特征在于，包括： 收集所述高倍聚光光伏发电系统的历史数据，根据相关系数分析法，确定用于所述短 期发电量预测的BP神经网络的输入； 根据各输入的历史数据，训练所述BP神经网络；W及 根据各输入的历史数据及训练后的所述BP神经网络，获得预测的短期发电量。
2. 根据权利要求1所述的方法，其中根据相关系数分析法，确定用于所述短期发电量 预测的BP神经网络的输入包括：根据所述相关系数分析法，确定所述BP神经网络的所述输 入为初始的输入；根据所述初始的输入，确定P个输入成分；采用主成分分析法，根据所述P 个输入成分，获得m个主成分W作为所述BP神经网络最终的输入；其中p，m均为正整数，且 p〉m。
3. 根据权利要求1所述的方法，其中在根据各输入的历史数据，训练所述BP神经网络 之前，还包括；初始化所述BP神经网络，并采用遗传算法优化所述BP神经网络的初始权值 和阔值，并将获得的最优值作为所述BP神经网络的最终的初始权值和阔值。
4. 根据权利要求1或2所述的方法，其中所述历史数据包括；发电功率历史数据及其 对应的天气因素历史数据；所述发电功率包括；每分钟发电功率或者日发电功率；所述天 气因素包括；福照量、温度、湿度、风速及气压。
5. 根据权利要求4所述的方法，其中收集所述高倍聚光光伏发电系统的历史数据之 后，还包括：使用类似天气的发电功率替换所述发电功率历史数据中的噪音。
6. 根据权利要求1或2所述的方法，其中所述相关系数分析法包括；采用SPSS工具的 双变量person算法，或者使用MTLAB程序中的corrcoef 0函数直接计算。
7. 根据权利要求1所述的方法，其中根据各输入的历史数据，训练初始化后的所述BP 神经网络包括；W各输入的历史数据作为样本训练初始化后的所述BP神经网络。
8. 根据权利要求2所述的方法，其中根据各输入的历史数据，训练初始化后的所述BP 神经网络包括：根据各最终的输入的历史数据，通过下述公式，计算得到各最终的输入的替 代值，并将各最终的输入的替代值作为样本训练初始化后的所述BP神经网络； Zm - lmlXl + lni2X2+. ? ? +1 哑Xp 其中，Zm为第m个主成分的替代值，Imi为第m个主成分对应的特征向量中第i个值，Xi 为第i个输入成分的历史数据值。
9. 根据权利要求1所述的方法，其中根据各输入的历史数据及训练后的所述BP神经网 络，获得预测的所述短期发电量包括：将各输入的历史数据作为训练后的所述BP神经网络 的输入，获得预测的所述短期发电量。
10. 根据权利要求8所述的方法，其中根据各输入的历史数据及训练后的所述BP神经 网络，获得预测的所述短期发电量包括：将各最终的输入的替代值作为训练后的所述BP神 经网络的输入，获得预测的所述短期发电量。
【文档编号】G06Q10/04GK104346659SQ201410689718
【公开日】2015年2月11日 申请日期:2014年11月26日 优先权日:2014年11月26日
【发明者】修佳鹏, 杨正球, 刘辰, 曹亚培, 朱琛琛, 厉仄平, 严成, 贺群 申请人:北京邮电大学