1.一种光伏发电出力预测的数据分析方法,其特征在于,包括:
获取某地区光伏系统的发电出力历史数据与相应的影响因素数据;
利用小波变换把历史出力曲线分解成一个历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3;
对历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3利用PSO-RBF神经网络分别建立四个子预测模型;
分别计算待测日的主体出力曲线和三个细节出力曲线
对待测日的主体出力曲线和三个细节出力曲线利用小波重构得到待测日的出力曲线的预测值。
2.根据权利要求1所述的方法,其特征在于,所述的发电出力历史数据与相应的影响因素数据包括:
发电出力历史数据用于反应光伏系统的转换效率,包括光伏系统在某段时间内日光伏出力曲线;
相应的影响因素数据用于反应太阳辐射量的变化,包括光伏系统所在的区域对应的历史某时间段每天的最高温度、最大风速和最大湿度,以及待测日的最高温度、最大风速和最大湿度。
3.根据权利要求1所述的方法,其特征在于,所述的历史出力曲线是光伏出力历史数据按照时间先后顺序排列形成的一条曲线。
4.根据权利要求2所述的方法,其特征在于,所述日光伏出力曲线是从每日的零点开始采集每15min-1h的光伏出力值,这样就能得到每天的采集的光伏出力值,连在一起构成日光伏出力曲线。
5.根据权利要求1所述的方法,其特征在于,所述的利用小波变换把历史出力曲线分解成一个历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3包括:
将历史的出力曲线先做第一次小波变换得到第一层历史主体出力曲线A1和第一层历史细节出力曲线D1;
将第一层历史主体出力曲线A1做第二次小波变换得到第二层历史主体出力曲线A2和第二层历史细节出力曲线D2;
将第二层历史主体出力曲线A2做第三次小波变换得到第三层历史主体出力曲线A3和三层历史细节出力曲线D3。
6.根据权利要求1所述的方法,其特征在于,所述的利用PSO-RBF神经网络分别建立四个子预测模型为:
其中,I1是待测日前一天的天气类型指数,I2是待测日的天气类型指数,Q1,Q2分别是待测日前一天和待测日当天的影响因素数据;
主体子预测模型f1(A3,I1,I2,Q1,Q2)的输入是待测日前一天的主体出力曲线、天气类型指数以及影响因素数据,待测日的天气类型指数和影响因素数据,输出是待测日的主体出力曲线
细节子预测模型f2(D1,I1,I2,Q1,Q2)、f3(D2,I1,I2,Q1,Q2)及f4(D3,I1,I2,Q1,Q2)的输入分别对应于待测日前一天的细节出力曲线、天气类型指数以及影响因素数据,待测日的天气类型指数、影响因素数据,输出分别对应待测日的细节出力曲线和
7.根据权利要求6所述的方法,其特征在于,所述天气类型指数包括:
按天气类型将发电出力进行划分;
计算每种天气类型逐点的平均发电出力曲线;
计算每种天气类型下平均出力曲线的平均出力;
将每种天气类型的平均出力之间的倍率关系转换为天气类型指数。
8.根据权利要求6的所述的方法,其特征在于,所述PSO-RBF神经网络方法是采取PSO算法进行PSO-RBF神经网络训练,得到神经网络的权值。
9.根据权利要求1的所述的方法,其特征在于,所述分别计算待测日的主体出力曲线和三个细节出力曲线包括:
获取待测日前一天的光伏出力数据、影响因数以及待测日当天的影响因素;
将待测日前一天的出力曲线利用小波变换得到一个主体出力曲线和三个细节出力曲线;
分别将主体出力曲线和三个细节出力曲线以及对应的影响因素数据输入到四个子预测模型中,得到待测日的主体出力曲线和细节出力曲线。
10.根据权利要求1的所述的方法,其特征在于,所述的对待测日的主体出力曲线和三个细节出力曲线利用小波重构得到待测日的出力曲线的预测值,包括:
取出待测日的主体出力曲线,即取出待测日一天所有采集的主体出力数据;
分别取出待测日的三个细节出力曲线,即分别取出待测日一天所有采集的三个细节出力数据;
将待测日一天所有采集的主体出力数据和三个细节出力曲线逐点相加之和为待测日出力曲线的预测值,即得到待测日一天所有采集出力预测值。