功率预测方法和系统的制作方法
【专利摘要】本发明涉及一种功率预测方法和系统，所述方法包括：定期获取太阳能采集装置输出的功率数据，并将功率数据和功率数据对应的天气类型信息以二元组表示；根据天气类型信息，将二元组存储在的不同的缓存队列中，生成功率历史数据，其中，功率历史数据为相同天气类型时的功率数据的集合；判断缓存队列中是否存在预测时刻的功率历史数据，如果缓存队列中存在预测时刻的功率历史数据，提取功率历史数据，根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。
【专利说明】功率预测方法和系统
【技术领域】
[0001]本发明涉及光伏发电领域，尤其涉及一种太阳能采集装置输出功率预测的方法和系统。
【背景技术】
[0002]近年来，由于化石能源的不断减少，人们越来越迫切地寻找其他能够代替石油、煤等传统能源的新能源，而太阳能作为一种清洁可再生能源，它的开发和利用日益受到各国的重视。受天气和环境等因素的影响，光伏系统输出功率存在高度的间歇性、波动性和随机性。当大规模光伏发电接入电网后，将给电力系统的功率平衡、安全稳定与经济运行带来巨大挑战。在不具备良好间歇性电源消纳技术的条件下，从电网调度管理、优化运行和光伏发电产业可持续发展等多个角度出发，如何在满足电网安全稳定和经济运行的前提下，最大限度的开发利用可再生能源，已经成为当前可再生能源电力系统领域的研究热点。
[0003]高精度的光伏发电功率预测技术是提高电网接纳间歇性可再生能源的关键技术之一。针对输出功率随机波动的光伏系统，开展高精度发电功率预测研究已成为当务之急。目前，常用的光伏发电功率预测方法有，统计预测模型、卡尔曼滤波及时间序列法等。然而，上述方法预测效果往往并不理想，主要表现在，无法适应长期预测要求、参数推导困难以及预测精度不高等问题。近年来，人工智能技术快速发展，为进一步提高光伏发电预测精度提供了一个很好地解决途径。但是光伏发电功率具有复杂性、非线性和非平稳性等特点，基于单一机制的预测方案难以进一步提高预测精度。
【发明内容】
[0004]本发明的目的是提供一种功率预测方法和系统，以解决太阳能采集装置输出功率预测精度不高的问题。
[0005]第一方面，本发明提供了一种功率预测方法，所述方法包括:
[0006]定期获取太阳能采集装置输出的功率数据，并将所述功率数据和所述功率数据对应的天气类型信息以二元组表示；
[0007]根据所述天气类型信息，将所述二元组存储在的不同的缓存队列中，生成功率历史数据，其中，所述功率历史数据为相同天气类型时的功率数据的集合；
[0008]判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据，并将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据所述非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。
[0009]结合第一方面，在第一方面的第一种可能的实现方式中，所述根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果具体包括:[0010]利用
【权利要求】
1.一种功率预测方法，其特征在于，所述方法包括: 定期获取太阳能采集装置输出的功率数据，并将所述功率数据和所述功率数据对应的天气类型信息以二元组表示； 根据所述天气类型信息，将所述二元组存储在的不同的缓存队列中，生成功率历史数据，其中，所述功率历史数据为相同天气类型时的功率数据的集合； 判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据，并将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据所述趋势项训练序列建立自回归移动平均ARMA趋势项预测模型，获取趋势项预测结果，根据所述非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。
2.如权利要求1所述的方法，其特征在于，所述根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果具体包括: 利用
3.如权利要求2所述的方法，其特征在于，计算趋势项训练序列{Τη}具体包括:
4.如权利要求3所述的方法，其特征在于，所述利用趋势项训练序列{Tn}，建立ARMA趋势项预测模型具体包括: 利用1-奶Z-P2Z2-…-判断趋势项训练序列{TJ是否为平稳序列，其中，扔，灼,...，％为自回归系数；当所述趋势项训练序列ITJ为平稳序列时，利用赤池信息准则AIC定阶的方法选择AIC(p, q)最小的(p，q)设定为ARMA趋势项预测模型中(p，q)的值；
利用、
5.如权利要求1所述的方法，其特征在于，所述根据所述非趋势项训练序列建立非趋势项预测模型并获取非趋势项预测结果具体包括: 利用Cfh确定前件网络输入层的节点数，其中，输入层的输入向量为非趋势项训练序列N=[N1； N2,...，Nh]T, h为T-S模糊神经网络的输入向量维数； 利用
6.一种功率预测系统，其特征在于，所述系统包括:太阳能采集装置，检测装置，数据存储装置，预测模型建立装置； 所述检测装置，定期获取太阳能采集装置输出的功率数据，并将所述功率数据和所述功率数据对应的天气类型信息以二元组表示； 所述数据存储装置，根据所述天气类型信息，将所述二元组存储在的不同的缓存队列中，生成功率历史数据，其中，所述功率历史数据为相同天气类型时的功率数据的集合；所述预测模型建立装置，判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据，并将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据所述非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。
7.如权利要求6所述的系统，其特征在于，所述预测模型建立装置具体包括:趋势项预测模块； 所述趋势项预测模块，用于利用
8.如权利要求7所述的系统，其特征在于，所述趋势项预测模块具体用于: = 利用
9.如权利要求8所述的系统，其特征在于，所述趋势项预测模块具体用于: 利用1
10.如权利要求6所述的系统，其特征在于，所述预测模型建立装置还包括:非趋势项预测模块； 所述非趋势项预测模块，用于利用Cfh确定前件网络输入层的节点数，其中，输入层的输入向量为非趋势项训练序列N= [N1, N2,…，Nh]T，h为所述T-S模糊神经网络的输入向量的维数； 利用
【文档编号】G06F19/00GK103886223SQ201410148961
【公开日】2014年6月25日 申请日期:2014年4月14日 优先权日:2014年4月14日
【发明者】李宏佳, 叶灵宝, 王泽珏, 陈鑫, 霍冬冬, 杨畅, 慈松, 赵志军, 谭红艳 申请人:中国科学院声学研究所