一种光伏功率预测方法
【专利摘要】本发明涉及一种光伏发电设备的输出功率预测方法，其采用物理模型预测、环境因素的神经网络预测和滚动神经网络预测分别进行预测，以物理模型预测为P0、环境因素的神经网络预测为P1、滚动神经网络预测为P2、最终功率预测输出值为P，则：若P1>P0且P2>P0，则P=P0；若P1>P0>P2，则P=P2；若P2>P0>P1，则P=P1；若P1<P0且P2<P0，则P=(P1+P2)/2。本发明的方法相对复杂的数学关系转化为简单合理的数学关系，有利于实际工程的应用，提高了预测的速度、降低了预测的难度；并且可以显著提高光伏组件输出功率预测值的准确性，控制误差范围，消除离群值。
【专利说明】一种光伏功率预测方法
【技术领域】
[0001]本发明涉及一种光伏发电设备的输出功率预测方法。
【背景技术】
[0002]太阳能光伏发电作为一种重要的分布式电源正逐渐从独立系统向大规模并网方向逐渐被人们所利用。但是由于光伏发电受太阳辐射强度、电池组件、温度、天气云层和一些随机的因素的影响，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、波动大且不易控制，在天气突变时表现得尤为突出。这种发电方式在接入电网后必会对电网的安全和管理带来一系列的问题。所以能较为准确的提前对光伏系统的发电效率做出预测显得尤为重要，同时也为电网的调度及安全运行提供了依据。
[0003]目前对太阳能发电具有随机性的预测技术研究并不多，现有的预测模型包括神经网络模型、径向基函数模型和多层感知模型等。神经网络模型算法进行短期负荷预测，常用的是简单的三层ANN模型，主要思路为将历史数据及对电力负荷影响最大的几种因素作为输入量人工神经网络，经过输入层、隐含层和输出层中各种神经元的作用最后生成输出量，再以误差为目标函数对网络权值进行不断地修正直至误差达到要求，经训练后的网络就可以进行预测光伏组件的输出功率。其可以较好的解决天气和温度等因素与负荷的对应关系，因此是目前较为常见的一种预测方法。
[0004]但是，目前的神经网络模型只能将预测误差控制在20%左右，根据该预测结果进行电网调度，仍旧存在很大的电力浪费。并且在一个预测周期内，通过神经网络模型预测时不可避免的会出现数个离群值，极大的偏离实际值，这就给电网安全带来了安全隐患。
[0005]鉴于此，需要一种能够减小误差，提高预测准确度并且可以消除离群值的光伏组件输出功率的预测方法。
【发明内容】
[0006]本发明的目的在于提高一种可以显著提高光伏组件输出功率预测值的准确性，控制误差范围，并消除离群值的预测方法。
[0007]为了实现上述目的，本发明所采用的技术方案为:
本发明采用物理模型预测、环境因素的神经网络预测和滚动神经网络预测分别进行预测，以物理模型预测的功率值为PO、环境因素的神经网络预测的功率值为P1、滚动神经网络预测的功率值为P2、最终预测的功率输出值为P，则:
若 P1>P0 且 P2>P0,则 P=PO ；
若 P1>P0>P2，则 P=P2 ；
若 P2>P0>P1，则 P=Pl ；
若 P1〈P0 且 P2〈P0，则 P= (Pl+P2)/20
[0008]进一步的，本发明所述的物理模型预测中根据光伏组件性能参数及监测变量，采用如下公式计算预测的电流值(I):
【权利要求】
1.一种光伏功率预测方法，其特征在于其采用物理模型预测、环境因素的神经网络预测和滚动神经网络预测分别进行预测，以物理模型预测的功率值为PO、环境因素的神经网络预测的功率值为P1、滚动神经网络预测的功率值为P2、最终预测的功率输出值为P，则:
若 P1>P0 且 P2>P0,则 P=PO ；
若 P1>P0>P2，则 P=P2 ；
若 P2>P0>P1，则 P=Pl ；
若 PKPO 且 P2〈P0，则 P= (P1+P2) /2。
2.根据权利要求1所述的光伏功率预测方法，其特征在于所述的物理模型预测中根据光伏组件性能参数及监测变量，采用如下公式计算预测的电流值(I):
其中f为光伏电池温度，单位为K ； Ttait为检测的环境温度，单位为K ； I为光照强度变化时光伏电池温度系数； Ttl为天气状况指数； Z为空气质量指数； Tref为参考温度,单位为V ； S为光照强度指数，单位为;
为标准状况下光照强度，为1000 Wm1 ; A为温度补偿系数； B为光照强度补偿系数； C为温度补偿系数； d f，Cl^, d/*, --Τ分别为为温度、光照强度、电流、电压的修正量； Isc为短路电流，单位为A ； Uoc为开路电压，单位为V ； Zm为最大功率点输出电流，单位为A ； Ua最大功率点的输出电压，单位为V ； I,r, I:*, "oc**，U:*,分别为修正后的电流、电压； I为预测的光伏电池输出电流，单位为A ； q，G为中间参数； 所述的监测变量选自环境温度、光照强度、天气状况和空气质量。
3.根据权利要求1所述的光伏功率预测方法，其特征在于所述的环境因素的神经网络预测包括下述步骤: 步骤一:数据采集:确定监测天数，确定每天的监测时间段，确定每天的监测时间间隔，选择适合的条件因素作为监测变量并采集数据；采集每天的光伏组件实际输出功率； 所述监测天数为f 10个星期，所述的监测时间段为早5点I点至晚16点~20点，所述的监测时间间隔为广3小时，所述的条件因素选自天气、温度、污染指数、光照强度或光伏组件清洁程度中的一种或一种以上； 步骤二:数据的归一化处理:剔除上述采集的数据中的明显离群值后，采用下述公式对数据进行归一化处理:
其中I为归一化处理后的数据， Z为归一化处理前的数据，Xmin为变量Z的最小值， Zmax为变量Z最大值； 步骤三:输入层节点的选择:以步骤一中每天监测的时间间隔下的光伏输出功率为输入层节点； 步骤四:输出层节点的选择:以步骤二中归一化后的数据作为输出层节点； 步骤五:隐层及隐节点数的选择:根据下述公式选择: m = -s/n7(2_2) 其中《为隐层节点数， η为输入层节点数， I为输出节点数， 步骤六:采用步骤三~五中的数据训练神经网络模型，训练完成后用于预测光伏功率值。
4.根据权利要求3所述的光伏功率预测方法，其特征在于所述的训练神经网络模型的训练方法为trainlm训练方法。
5.根据权利要求1所述的光伏功率预测方法，其特征在于所述的滚动神经网络预测包括下述步骤: 步骤一:数据采集:确定监测天数，确定每天的监测时间段，确定每天的监测时间间隔，选择适合的条件因素作为监测变量并采集数据；采集每天的光伏组件实际输出功率；所述的监测天数为20-50天，所述的监测时间段为早5点I点至晚16点~20点；所述的监测时间间隔为广3小时，所述的条件因素选自天气、温度、污染指数、光照强度或光伏组件清洁程度中的一种或一种以上； 步骤二:数据分类:剔除上述采集的数据中的明显离群值后，选择一种监测变量作为考察变量Α，根据考察变量A对步骤一所得数据进行分类； 所述的考察变量A选自天气、温度、污染指数或光照强度或光伏组件清洁程度中的一种； 步骤三:数据的归一化处理: 采用下述公式对数据进行归一化处理:
其中?为归一化处理后的数据， Z为归一化处理前的数据， Xmin为变量Z的最小值， Xmax为变量Z的最大值； 步骤四:采用预测日之前三天在同样考察变量A条件下的光伏输出功率预测预测日的光伏输出功率，直至完成对整个训练集的预测； 步骤五:输入层节点:以预测日前三日每个时间间隔下的除考察变量A之外的监测变量为输入层节点； 步骤六:输出层节点:以预测日预测的每个时间间隔下的光伏输出功率为输出层节占.^ \\\ ? 步骤七:隐层及隐节点数:根据下述公式选择:
其中《为隐层节点数， η为输入层节点数， I为输出节点数， 步骤八:采用步骤五~七中的数据训练神经网络模型，训练完成后用于预测光伏功率值。
6.根据权利要求5所述的光伏功率预测方法，其特征在于所述的训练神经网络模型的训练方法为trainlm训练方法。
【文档编号】G06Q10/04GK104200274SQ201410118453
【公开日】2014年12月10日 申请日期:2014年3月27日 优先权日:2014年3月27日
【发明者】高志强, 褚华宇, 孙中记, 孟良, 景皓, 梁宾, 杨潇 申请人:国家电网公司, 国网河北省电力公司电力科学研究院, 河北省电力建设调整试验所