光伏发电功率预测方法及预测系统技术方案

本发明专利技术公开了一种光伏发电功率预测方法，包括获取光伏发电系统的历史运行数据并进行分类；将分类后的历史运行数据进行处理并建立光伏发电功率预测模型；获取需要预测的光伏发电系统的预测数据信息；将获取的预测数据信息与历史运行数据信息进行对比并将预测数据信息归入分类；采用分类对应的光伏发电功率预测模型对光伏发电系统进行功率预测。本发明专利技术还公开了实现所述光伏发电功率预测方法的预测系统。本发明专利技术通过历史数据建立多类型光伏发电功率预测模型，并根据现实数据选取特定的预测模型进行光伏发电功率的预测，因此能够对用于微电网的光伏发电功率进行精准预测，从而为电网的运行提供有效的数据支撑；此外，本发明专利技术简单可靠，科学性好。

Forecasting and forecasting system of photovoltaic power

The present invention discloses a method for predicting the power of photovoltaic power generation, including obtaining the historical data of the photovoltaic power generation system and classifying it, processing the historical running data after the classification and establishing the forecasting model of the photovoltaic power generation power, obtaining the predicted data information of the photovoltaic power generation system that needs to be predicted; the forecast number will be obtained. According to the comparison of the information and historical data, the forecast data information is classified into classification, and the PV power forecasting model is used to predict the power of the photovoltaic power generation system. The invention also discloses a prediction system for realizing the prediction method of the photovoltaic power generation. This invention establishes a multi type photovoltaic power forecasting model through historical data, and selects a specific prediction model according to the actual data to predict the power of photovoltaic power generation. Therefore, it can accurately predict the power of the photovoltaic power generation used in the microgrid, thus providing effective data support for the operation of the power grid; in addition, The invention is simple and reliable, and the scientific nature is good.

【技术实现步骤摘要】
光伏发电功率预测方法及预测系统
本专利技术具体涉及一种光伏发电功率预测方法及预测系统。
技术介绍
随着国家经济技术的发展和人们生活水平的提高，电能已经成为了人们日常生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。同时，随着环境问题的日益严重，清洁电能的发展也越来越快。随着并网光伏系统规模的日渐增加，光伏系统具有的间歇性和不确定性等特征对公共电网所产生的不利影响逐渐显现。如果能够准确预测光伏系统的发电功率变化情况，就能够实现电网的合理调度和电力负荷的平衡配置，从而保障公共电网系统的安全性和稳定性。对于光伏系统输出功率的预测大致有两种方法：间接预测方法和直接预测方法。间接方法的关键是对光伏安装地的太阳辐照强度进行预测，得到某一时刻的太阳辐照强度预测值后将其代入相应的出力模型即可得到光伏系统的输出功率预测值。直接预测方法则无需太阳辐照度的数据，只需要采用光伏系统的历史数据和公众天气信息即可预测未来一小段时间内的光伏发电系统功率输出情况。有研究表明，气象因素对光伏并网系统输出功率的影响是非常明显的，如果两个时间段的气象条件相似，其功率输出曲线就会有很大的相似度。因此，可以通过选取相似日进行光伏并网系统输出功率预测。以上各种光伏功率预测方法都有其各自特点，但在应用时也都存在一定的局限性。目前，采用单一模型预测方法所得到的光伏功率预测误差较大，原因在于光伏系统的输出功率受气象因素影响较大，存在间歇性和不确定性，另外预测方法本身的局限性也是造成误差较大的关键因素。因此，现有的光伏发电功率预测方法均存在预测精度不高，适用性不好的缺点。
技术实现思路
本专利技术的目的之一在于提供一种预测精度高，适用性广的光伏发电功率预测方法。本专利技术的目的之二在于提供一种实现所述光伏发电功率预测方法的预测系统。本专利技术提供的这种光伏发电功率预测方法，包括如下步骤：S1.获取光伏发电系统的历史运行数据；S2.将步骤S1获取的历史运行数据进行分类；S3.将步骤S2分类后的历史运行数据进行处理；S4.将根据步骤S3得到的处理数据，以及步骤S2的分类结果，针对每一类运行数据分别建立光伏发电功率预测模型；S5.获取需要预测的光伏发电系统的预测数据信息；S6.将步骤S5获取的预测数据信息与历史运行数据信息进行对比，从而将预测数据信息归入步骤S2的分类；S7.采用步骤S6得到的分类所对应的光伏发电功率预测模型对光伏发电系统进行功率预测。步骤S1所述的历史运行数据包括光伏发电功率、太阳辐照度、环境温度、相对湿度、总云量和水平能见度，且所述太阳辐照度、环境温度、相对湿度、总云量和水平能见度合称为天气数据。步骤S2所述的分类，具体为根据天气数据，采用期望最大化算法进行分类。步骤S3所述的处理，具体为将所有的历史运行数据均进行归一化处理。步骤S4所述的建立光伏发电功率预测模型，具体为建立RBF神经网络模型。所述的RBF神经网络模型，具体为采用如下步骤建立模型：A.采用如下算式建立RBF神经网络模型：式中为光伏发电功率的归一化值，wj为连接权重，其为RBF神经网络模型的参数，X＝[x1x2x3x4x5]T,Zj＝[zj,1zj,2zj,3zj,4zj,5]T，x1为太阳辐照度归一化值，x2为环境温度归一化值，x3为相对湿度归一化值，x4为总云量归一化值，x5为水平能见度归一化值；m为RBF神经网络的隐含层节点数；Zj为RBF神经网络隐含层节点的中心；σj为神经网络对应的方差，且wj、σj和Zj均为RBF神经网络模型的具体参数；B.采用非线性参数辨识方法对步骤A中的参数wj、σj和Zj进行辨识，从而得到参数wj、σj和Zj的取值。所述的非线性参数辨识方法包括Levenberg-Marquardt算法、高斯-牛顿法和置信域算法。本专利技术还提供了实现所述光伏发电功率预测方法的预测系统，包括太阳辐射仪、温度传感器、湿度仪、数字功率表、全天空成像仪、能见度测量仪和上位机；太阳辐射仪、温度传感器、湿度仪、数字功率表、全天空成像仪和能见度测量仪均与上位机连接；太阳辐射仪用于获取太阳辐照度并上传上位机，温度传感器用于获取温度信息并上传上位机，湿度仪用于获取湿度信息并上传上位机，数字功率表用于获取光伏发电功率并上传上位机，全天空成像仪用于获取总云量信息并上传上位机，能见度测量仪用于获取能见度信息并上传上位机，上位机用于根据上传的检测信息并对光伏发电功率进行预测。本专利技术提供的这种光伏发电功率预测方法及预测系统，通过历史数据建立多类型的光伏发电功率预测模型，并根据现实数据的分类选取特定的预测模型进行光伏发电功率的预测，因此本专利技术能够对用于微电网的光伏发电功率进行精准预测，从而为电网的运行提供有效的数据支撑；此外，本专利技术简单可靠，科学性好。附图说明图1为本专利技术方法的方法流程图。图2为本专利技术系统的功能模块图。具体实施方式如图1所示为本专利技术方法的方法流程图：本专利技术提供的这种光伏发电功率预测方法，包括如下步骤：S1.获取光伏发电系统的历史运行数据；历史运行数据包括光伏发电功率、太阳辐照度、环境温度、相对湿度、总云量和水平能见度，且所述太阳辐照度、环境温度、相对湿度、总云量和水平能见度合称为天气数据；S2.将步骤S1获取的历史运行数据，根据天气数据采用期望最大化算法(期望最大化算法在斯普林格出版社2006年出版的Bishop.C.M模式识别和机器学习中进行了详细解释)进行分类；S3.将步骤S2分类后的历史运行数据进行归一化处理；S4.将根据步骤S3得到的处理数据，以及步骤S2的分类结果，针对每一类运行数据分别建立光伏发电功率预测模型；具体为建立RBF神经网络模型：A.采用如下算式建立RBF神经网络模型：式中为光伏发电功率的归一化值，wj为连接权重，其为RBF神经网络模型的参数，X＝[x1x2x3x4x5]T，Zj＝[zj,1zj,2zj,3zj,4zj,5]T，x1为太阳辐照度归一化值，x2为环境温度归一化值，x3为相对湿度归一化值，x4为总云量归一化值，x5为水平能见度归一化值；m为RBF神经网络的隐含层节点数；Zj为RBF神经网络隐含层节点的中心；σj为神经网络对应的方差，且wj、σj和Zj均为RBF神经网络模型的具体参数；B.采用非线性参数辨识方法(包括Levenberg-Marquardt算法、高斯-牛顿法和置信域算法等)对步骤A中的参数wj、σj和Zj进行辨识，从而得到参数wj、σj和Zj的取值；S5.获取需要预测的光伏发电系统的预测数据信息，同样包括太阳辐照度、环境温度、相对湿度、总云量和水平能见度；S6.将步骤S5获取的预测数据信息与历史运行数据信息进行对比，从而将预测数据信息归入步骤S2的分类；S7.采用步骤S6得到的分类所对应的光伏发电功率预测模型对光伏发电系统进行功率预测。如图2所示为本专利技术系统的功能模块图：本专利技术提供的实现所述光伏发电功率预测方法的预测系统，包括太阳辐射仪、温度传感器、湿度仪、数字功率表、全天空成像仪、能见度测量仪和上位机；太阳辐射仪、温度传感器、湿度仪、数字功率表、全天空成像仪和能见度测量仪均与上位机连接；太阳辐射仪用于获取太阳辐照度并上传上位机，温度传感器用于获取温度信息并上传上位机，湿度仪用于获取湿度信息并上传上位机，数字功率表用本文档来自技高网...

【技术保护点】
1.一种光伏发电功率预测方法，包括如下步骤：S1.获取光伏发电系统的历史运行数据；S2.将步骤S1获取的历史运行数据进行分类；S3.将步骤S2分类后的历史运行数据进行处理；S4.将根据步骤S3得到的处理数据，以及步骤S2的分类结果，针对每一类运行数据分别建立光伏发电功率预测模型；S5.获取需要预测的光伏发电系统的预测数据信息；S6.将步骤S5获取的预测数据信息与历史运行数据信息进行对比，从而将预测数据信息归入步骤S2的分类；S7.采用步骤S6得到的分类所对应的光伏发电功率预测模型对光伏发电系统进行功率预测。

【技术特征摘要】
1.一种光伏发电功率预测方法，包括如下步骤：S1.获取光伏发电系统的历史运行数据；S2.将步骤S1获取的历史运行数据进行分类；S3.将步骤S2分类后的历史运行数据进行处理；S4.将根据步骤S3得到的处理数据，以及步骤S2的分类结果，针对每一类运行数据分别建立光伏发电功率预测模型；S5.获取需要预测的光伏发电系统的预测数据信息；S6.将步骤S5获取的预测数据信息与历史运行数据信息进行对比，从而将预测数据信息归入步骤S2的分类；S7.采用步骤S6得到的分类所对应的光伏发电功率预测模型对光伏发电系统进行功率预测。2.根据权利要求1所述的光伏发电功率预测方法，其特征在于步骤S1所述的历史运行数据包括光伏发电功率、太阳辐照度、环境温度、相对湿度、总云量和水平能见度，且所述太阳辐照度、环境温度、相对湿度、总云量和水平能见度合称为天气数据。3.根据权利要求2所述的光伏发电功率预测方法，其特征在于步骤S2所述的分类，具体为根据天气数据，采用期望最大化算法进行分类。4.根据权利要求3所述的光伏发电功率预测方法，其特征在于步骤S3所述的处理，具体为将所有的历史运行数据均进行归一化处理。5.根据权利要求4所述的光伏发电功率预测方法，其特征在于步骤S4所述的建立光伏发电功率预测模型，具体为建立RBF神经网络模型。6.根据权利要求5所述的光伏发电功率预测方法，其特征在于所述的RBF神经网络模型，具体为采用如下步骤建立模型：A.采用如下算式建立RBF神经网络...

【专利技术属性】
技术研发人员：魏吉敏，杨鸿波，
申请(专利权)人：长沙有色冶金设计研究院有限公司，
类型：发明
国别省市：湖南,43