基于神经网络、小波分解光伏电站功率预测方法、系统的制作方法
【技术领域】
[0001] 本发明设及能源领域，特别是指一种基于神经网络、小波分解光伏电站功率预测 方法、系统。
【背景技术】
[0002] 太阳能光伏发电是利用太阳能电池的光伏效应将太阳福射能直接转换为电能的 一种发电形式。目前，化石能源短缺、环境污染严重和全球气候变化等问题日益突出，世界 能源发展呈现出清洁化、低碳化、高效化的新趋势。我国太阳能资源与美国相近，比欧洲、日 本优越得多，具有的开发潜力极其广阔，近年来更是进入高速发展时期，成为了新的增长 点。太阳能的开发利用符合我国能源发展战略、实现电力可持续发展、电力结构调整和环境 保护的需要。我国未来将有大量分布式清洁能源发电及其他形式发电接入电网，要求电网 具有清洁能源接纳能力。
[0003] 随着太阳能发电行业的发展，太阳能并网规模越来越大，但太阳能发电具有随机 性大、间歇性、反调峰等特点，大规模太阳能发电的接入对电网的消纳、调峰调频需求、稳定 性等问题会产生重大影响，为了减小运些影响，同时保证电力系统安全稳定的运行，使电力 调度部口能够根据光伏发电量变化及时进行调度，降低备用容量和运行成本，需要对光伏 电站的发电量进行准确预测。
[0004] 而传统的基于常规神经网络的光伏电站输出功率预测方法，只是简单把影响光伏 电站输出功率的因素考虑进去，作为模型的输入信号，它能有效预测光伏电站输出功率，但 光伏电站输出功率的周期性和非平稳特征会使传统神经网络算法容易陷入不收敛，另外利 用现有数值天气预报无法建模的高频分量没有剔除掉，建立的模型不够精准，而且其收敛 性不好，计算复杂度较高。
【发明内容】
[0005] 有鉴于此，为了解决现有光伏电站功率预测的不足，本发明的目的在于提出一种 光伏电站输出功率预测方法，提高光伏功率预测精度。
[0006] 基于上述目的本发明提供的基于神经网络、小波分解光伏电站功率预测方法，包 括步骤：
[0007] 获取一时间段内光伏电站所在位置的历史记录;其中，所述的历史记录包括光照 强度C、输出功率P、溫度T、湿度H、风速WS;
[000引将所述光照强度C、输出功率P、溫度T、湿度H、风速WS分别进行小波分解;根据所述 小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；
[0009] 获取光伏电站所在位置未来预测时间段的天气预报值;其中，所述的天气预报值 包括溫度T、湿度H、风速WS;
[0010] 将所述未来预测时间段的溫度T、湿度H、风速WS的预报值分别经小波分解;根据所 述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得 到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向 量，得到细节信号层的预报结果；
[0011] 对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。
[0012] 在一些实施例中，所述将获取的光照强度C、输出功率P、溫度T、湿度H、风速WS分别 进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、溫度T、湿度H、风速WS各 自在细节信号层01、02、03、04、05的信息^及逼近信号层45的信息；同时，得到输出功率?在 5层小波分解后每层的小波分解系数。
[0013] 在一些实施例中，所述根据所述小波分解后的信息，建立逼近信号层神经网络模 型包括：
[0014] 将光照强度C、溫度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5 Tas Has WSas]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[0 0 0 Pa5] 作为输出向量，建立A5逼近信号层神经网络模型；
[0015] 另外，所述建立细节信号层神经网络模型包括：
[0016] 将溫度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[Td日曲日WS化] 作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[0 0时5]作为输出向量， 建立D5细节信号层神经网络模型；
[0017]将溫度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[Td4曲4 WSD4] 作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[0 0时4]作为输出向量， 建立D4细节信号层神经网络模型。
[0018] 在一些实施例中，所述将所述未来预测时间段的溫度T、湿度H、风速WS的预报值分 别经小波分解，采用5层小波分解，分别得到溫度T、湿度H、风速WS各自在细节信号层Dl、D2、 D3、D4、D5的信息W及逼近信号层A5的信息；
[0019] 另外，所述将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到 逼近信号层的预报结果包括:将预测的光照强度C、溫度T、湿度H、风速WS分别经过小波分解 后的A5逼近信号层信息[C日A日T日A日曲A日WS日A日]作为输入向量，根据A5逼近信号层神经网络模 型，得到光伏电站输出功率的A5逼近信号层的预报结果[0 0 0 Poas];
[0020] 还有，将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节 信号层的预报结果包括:将预测的溫度T、湿度H、风速WS分别经过小波分解后的D5细节信号 层信息[To化化D日WSod日]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输 出功率的D5细节信号层的预报结果[0 0 Pods];
[0021] 将预测的溫度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[Tod4 化D4 WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细 节信号层的预报结果[0 0 P日D4]。
[0022] 在一些实施例中，所述对逼近信号层的预报结果和细节信号层的预报结果进行重 构，包括:将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘WP〇D4、P〇D日、Poa日，最后 将相乘的结果相加获得预测功率值Po。
[0023] 另外本发明还提供了一种基于神经网络、小波分解光伏电站功率预测系统，包括：
[0024] 历史数据获取单元，用于获取一时间段内光伏电站所在位置的历史记录;其中，所 述的历史记录包括光照强度C、输出功率P、溫度T、湿度H、风速WS;
[0025] 预测模型建立单元，用于将所述光照强度C、输出功率P、溫度T、湿度H、风速WS分别 进行小波分解;根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层 神经网络模型；
[0026] 预测数据获取单元，用于获取光伏电站所在位置未来预测时间段的天气预报值； 其中，所述的天气预报值包括溫度T、湿度H、风速WS;
[0027] 功率预测单元，用于将所述未来预测时间段的溫度T、湿度H、风速WS的预报值分别 经小波分解;根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络 模型的输入向量，得到逼近信号层的预报结果;将细节信号层的信息作为细节信号层神经 网络模型的输入向量，得到细节信号层的预报结果；
[0028] 预测功率重构单元，用于对逼近信号层的预报结果和细节信号层的预报结果进行 重构，得到预测功率值。
[0029] 在一些实施例中，所述预测模型建立单元将获取的光照强度C、输出功率P、溫度T、 湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、溫度 T、湿度H、风速WS各自在细节信号层01、02、03、04、05的信息^及逼近信号层45的信息；同 时，得到输出功率P在5层小波分解后每层的小波分解系数。
[0030] 在一些实施例中，所述预测模型建立单元根据所述小波分解后的信息，建立逼近 信号层神经网络模型包括：
[0031] 将光照强度C、溫度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5 Tas Has WSas]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[0 0 0 Pa5] 作为输出向量，建立A5逼近信号层神经网络模型；
[0032] 另外，所述建立细节信号层神经网络模型包括：
[00削将溫度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[Td日曲日WS化] 作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[0 0时5]作为输出向量， 建立D5细节信号层神经网络模型；
[0034] 将溫度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[Td4化4 WSD4] 作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[0 0时4]作为输出