光伏功率预测系统技术方案

本发明专利技术公开了一种光伏功率预测系统，要解决的技术问题是准确预测光伏发电站的光伏发电功率，保障电力系统的安全稳定运行。本发明专利技术的光伏功率预测系统，设有数据采集模块、天气预报模块、数据库和预测模块，预测模块预测发电功率包括以下步骤：分类、模型训练、预测结果。本发明专利技术与现有技术相比，根据实时天气数据和实时发电数据，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，准确预测光伏发电站的光伏发电功率，保障电力系统的安全、稳定、优化运行，并且光伏功率预测系统的运行维护难度小，容易操作，成本低。

【技术实现步骤摘要】

本专利技术涉及一种光伏发电站，特别是一种对光伏发电站的发电功率进行预测的系统。
技术介绍
随着能源快速消费的增长和环境不断的恶化，为了推动人类社会的可持续发展，太阳能和风能等新能源受到全世界的重视。光伏装机容量增长极为迅速，而且发展潜力巨大。光伏发电站发电功率受到太阳辐射、环境温度等影响有明显的波动性和间歇性，规模化与分布式光伏发电站大量接入电网对电力系统的规划、运行、调度和控制地来了巨大的挑战。准确预测光伏功率不仅能够为电网调度决策提供依据，降低电力运行成本，还为多种能源时空互补协调控制提供有力的技术支撑，对保障电力系统的安全稳定、促进电网的优化运行具有重要意义。
技术实现思路
本专利技术的目是提供一种光伏功率预测系统，要解决的技术问题是准确预测光伏发电站的光伏发电功率，保障电力系统的安全稳定运行。本专利技术采用以下技术方案:一种光伏功率预测系统，设有数据采集模块、天气预报模块、数据库和预测模块；所述数据采集模块从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；所述天气预报模块从天气预报供应商处获得数值天气预报数据，存入数据库；所述数据库向预测模块发送原始采样数据，接收并存储以下数据：数据采集模块发送来的实时天气数据和实时发电数据，天气预报模块发送来的数值天气预报数据，预测模块发送来的预测发电功率数据；所述预测模块从数据库提取最近15个样本日和预测日的辐照度特征，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，将预测发电功率数据存入数据库；所述辐照度特征为：晴朗系数、散射辐照度比例、辐照度变化趋势和辐照度方差；预测模块预测发电功率包括以下步骤：一、分类预测模块使用从样本日和预测日提取的辐照度特征，得到辐照度特征向量F：F＝[K1,K2,K3,V]K1为晴朗系数，K2为散射辐照度比例，K3为辐照度变化趋势，V为辐照度方差，对K1、K2、K3和V变量进行归一化计算： x * = x - x m i n x m a x - x m i n ]]>x分别为变量K1、K2、K3和V，xmin为x的最小值，xmax为x的最大值，使用欧氏距离作为特征向量相似性衡量标准，分别为对应变量的归一化值，按K均值聚类算法,将最近15个样本日和预测日分为3个聚类，与预测日在同一个聚类内的样本日为相似日；二、模型训练预测模块用相似日实时天气数据的采样值数据样本归一化计算后的值作为天气数据的样本集，以天气数据X＝[Gg,Gf,T,H,W,A]作为输入i，其中，Gg为地表总辐照度，Gf为地表散射辐照度，T为环境温度，H为相对湿度，W为平均风速，A为气压；以发电功率P作为输出k，对3层6×11×1的BP神经网络进行训练，获得各层间的权值；三、预测结果预测模块用预测日的数值天气预报数据作为预测天气数据X，以预测天气数据X＝[Gg,Gf,T,H,W,A]作为输入，采用训练好的BP神经网络模型，计算获得预测发电功率P数据,存入数据库。本专利技术的数据采集模块每3秒从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；所述天气预报模块每日2次从天气预报供应商处获得数值天气预报数据，存入数据库。本专利技术的天气数据为光伏发电站的地表总辐照度、地表散射辐照度、地表水平直接辐照度、环境温度、相对湿度、平均风速、气压；所述发电数据为光伏发电站并网线路的电压、电流和发电功率；所述并网线路是指光伏发电站接入输电网的汇集线或并网点。本专利技术的光伏功率预测系统设有数据上报模块、web服务器、管理模块、统计模块和web浏览器；所述数据上报模块从数据库中获取短期预测发电功率数据，从数据库中获取超短期预测发电功率数据，将短期和超短期预测发电功率数据上送到光伏发电站的调度主站系统，并将上送是否成功的信息存入数据库；所述web服务器从数据库中读取实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息，供与光伏功率预测系统联网的终端的web浏览器使用，并将用户在web浏览器上设置和修改的运行参数存入数据库；所述管理模块从数据库中获取运行参数，根据运行参数向预测模块、统计模块发出完成预测发电功率和统计数据的指令；所述统计模块接受管理模块的指令,从数据库中获取光伏发电站的实时发电数据、短期和超短期预测发电功率数据，计算获得统计数据和统计类型，存入数据库；所述web浏览器从web服务器获取实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息，进行展示。本专利技术的数据上报模块每日从数据库中获取短期预测发电功率数据，每15分钟从数据库中获取超短期预测发电功率数据，将光伏发电站的短期和超短期预测发电功率数据以E文件格式上送到光伏发电站的调度主站系统。本专利技术的预测模块接受管理模块的指令,从数据库中获取实时天气数据和实时发电数据，作为原始采样数据，对原始采样数据进行补全和修正，分别获得实时天气数据和实时发电数据的采样值数据样本，将采样值数据样本存入数据库。本专利技术的数据库接收web服务器发送来的光伏功率预测系统的运行参数，存储后发送给管理模块，同时为数据采集模块、天气预报模块、数据上报模块、web服务器、预测模块、管理模块、统计模块提供运行参数；所述数据库接收并存储以下数据：预测模块发送采样值数据样本，统计模块发送来的统计数据和统计类型，数据上报模块发送来的向光伏发电站的调度主站系统上送预测发电功率数据是否成功的信息；所述数据库向预测模块发送采样值数据样本，向统计模块发送实时发电数据、短期和超短期预测发电功率数据，向数据上报模块发送短期和超短期预测发电功率数据，向web服务器发送实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息。本专利技术的超短期预测时间范围为未来0-4小时，时间分辨率为15分钟的发电功率预测结果；所述短期预测时间范围为未来0-3天，时间分辨率为15分钟的发电功率预测结果。9.根据权利要求8所述的光伏功率预测系统，其特征在于：所述光伏功率预测系统的天气预报模块设置在天气预报服务器中，数据采集模块、数据库、数据上报模块、web服务器、预测模块、管理模块、统计模块和本文档来自技高网...

【技术保护点】
一种光伏功率预测系统，其特征在于：所述光伏功率预测系统设有数据采集模块、天气预报模块、数据库和预测模块；所述数据采集模块从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；所述天气预报模块从天气预报供应商处获得数值天气预报数据，存入数据库；所述数据库向预测模块发送原始采样数据，接收并存储以下数据：数据采集模块发送来的实时天气数据和实时发电数据，天气预报模块发送来的数值天气预报数据，预测模块发送来的预测发电功率数据；所述预测模块从数据库提取最近15个样本日和预测日的辐照度特征，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，将预测发电功率数据存入数据库；所述辐照度特征为：晴朗系数、散射辐照度比例、辐照度变化趋势和辐照度方差；预测模块预测发电功率包括以下步骤：一、分类预测模块使用从样本日和预测日提取的辐照度特征，得到辐照度特征向量F：F＝[K1,K2,K3,V]K1为晴朗系数，K2为散射辐照度比例，K3为辐照度变化趋势，V为辐照度方差，对K1、K2、K3和V变量进行归一化计算：x*=x-xminxmax-xmin]]>x分别为变量K1、K2、K3和V，xmin为x的最小值，xmax为x的最大值，使用欧氏距离作为特征向量相似性衡量标准，分别为对应变量的归一化值，按K均值聚类算法,将最近15个样本日和预测日分为3个聚类，与预测日在同一个聚类内的样本日为相似日；二、模型训练预测模块用相似日实时天气数据的采样值数据样本归一化计算后的值作为天气数据的样本集，以天气数据X＝[Gg,Gf,T,H,W,A]作为输入i，其中，Gg为地表总辐照度，Gf为地表散射辐照度，T为环境温度，H为相对湿度，W为平均风速，A为气压；以发电功率P作为输出k，对3层6×11×1的BP神经网络进行训练，获得各层间的权值；三、预测结果预测模块用预测日的数值天气预报数据作为预测天气数据X，以预测天气数据X＝[Gg,Gf,T,H,W,A]作为输入，采用训练好的BP神经网络模型，计算获得预测发电功率P数据,存入数据库。...

【技术特征摘要】
1.一种光伏功率预测系统，其特征在于：所述光伏功率预测系统设有数据采集模块、天气预报模块、数据库和预测模块；所述数据采集模块从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；所述天气预报模块从天气预报供应商处获得数值天气预报数据，存入数据库；所述数据库向预测模块发送原始采样数据，接收并存储以下数据：数据采集模块发送来的实时天气数据和实时发电数据，天气预报模块发送来的数值天气预报数据，预测模块发送来的预测发电功率数据；所述预测模块从数据库提取最近15个样本日和预测日的辐照度特征，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，将预测发电功率数据存入数据库；所述辐照度特征为：晴朗系数、散射辐照度比例、辐照度变化趋势和辐照度方差；预测模块预测发电功率包括以下步骤：一、分类预测模块使用从样本日和预测日提取的辐照度特征，得到辐照度特征向量F：F＝[K1,K2,K3,V]K1为晴朗系数，K2为散射辐照度比例，K3为辐照度变化趋势，V为辐照度方差，对K1、K2、K3和V变量进行归一化计算： x * = x - x m i n x m a x - x m i n ]]>x分别为变量K1、K2、K3和V，xmin为x的最小值，xmax为x的最大值，使用欧氏距离作为特征向量相似性衡量标准，分别为对应变量的归一化值，按K均值聚类算法,将最近15个样本日和预测日分为3个聚类，与预测日在同一个聚类内的样本日为相似日；二、模型训练预测模块用相似日实时天气数据的采样值数据样本归一化计算后的值作为天气数据的样本集，以天气数据X＝[Gg,Gf,T,H,W,A]作为输入i，其中，Gg为地表总辐照度，Gf为地表散射辐照度，T为环境温度，H为相对湿度，W为平均风速，A为气压；以发电功率P作为输出k，对3层6×11×1的BP神经网络进行训练，获得各层间的权值；三、预测结果预测模块用预测日的数值天气预报数据作为预测天气数据X，以预测天气数据X＝[Gg,Gf,T,H,W,A]作为输入，采用训练好的BP神经网络模型，计算获得预测发电功率P数据,存入数据库。2.根据权利要求1所述的光伏功率预测系统，其特征在于：所述数据采集模块每3秒从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；所述天气预报模块每日2次从天气预报供应商处获得数值天气预报数据，存入数据库。3.根据权利要求2所述的光伏功率预测系统，其特征在于：所述天气数据为光伏发电站的地表总辐照度、地表散射辐照度、地表水平直接辐照度、环境温度、相对湿度、平均风速、气压；所述发电数据为光伏发电站并网线路的电压、电流和发电功率；所述并网线路是指光伏发电站接入输电网的...

【专利技术属性】
技术研发人员：韩茂林，孙一民，黎强，潘夕坤，岑银，徐成斌，
申请(专利权)人：长园深瑞继保自动化有限公司，
类型：发明
国别省市：广东;44