一种光伏发电出力预测的数据分析方法技术
【技术实现步骤摘要】
本申请涉及电力行业的发电量预测，详细来说，是一种光伏发电出力预测的数据分析方法。
技术介绍
太阳能光伏发电技术是利用半导体材料的光电效应直接将太阳能转换为电能。光伏发电具有不消耗燃料、不受地域限制、规模灵活、无污染、安全可靠、维护简单等优点。并网光伏发电系统是光伏发电系统的主流趋势。大规模光伏并网发电是充分利用太阳能的一种有效方式，目前大规模的光伏并网系统已经得到大量应用。光伏发电系统并网后其功率的变化具有不确定性，大量的用户使用光伏发电系统为其提供电能，使得配电网规划人员更加难于准确预测负荷的增长情况，从而影响系统的调度和机组出力的计划。因此有必要对光伏系统的出力进行预测，以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的配合问题。有利于电力系统调度部门及时调整调度计划，有效地减轻光伏并网发电对电网的影响。光伏发电出力具有典型的波动性和非线性，传统的算法无法胜任，目前对光伏出力预测主要采用神经网络技术，其具有良好的自适应、自学习和非线性处理能力，但是传统的神经网络也有一定的局限性，如收敛速度慢和容易陷入局部极小值等问题。
技术实现思路
有鉴于此，本专利技术提出了一种融合小波变换以及PSO-RBF神经网络的光伏发电出力预测的数据分析方法，小波变换能够较好的反应光伏发电出力的非线性变化趋势，利用PSO优化的RBF神经网络能避免传统神经网络的局限性，对于光伏发电系统配合电力系统制定发电计划具有较高的使用价值。为了实现上述目的，现提出方案如下：一种光伏发电出力预测的数据分析方法，包括：获取某地区光伏系统的发电出力历史数据与相应的影响因素数...
【技术保护点】
一种光伏发电出力预测的数据分析方法，其特征在于，包括：获取某地区光伏系统的发电出力历史数据与相应的影响因素数据；利用小波变换把历史出力曲线分解成一个历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3；对历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3利用PSO‑RBF神经网络分别建立四个子预测模型；分别计算待测日的主体出力曲线和三个细节出力曲线对待测日的主体出力曲线和三个细节出力曲线利用小波重构得到待测日的出力曲线的预测值。
【技术特征摘要】
1.一种光伏发电出力预测的数据分析方法，其特征在于，包括：获取某地区光伏系统的发电出力历史数据与相应的影响因素数据；利用小波变换把历史出力曲线分解成一个历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3；对历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3利用PSO-RBF神经网络分别建立四个子预测模型；分别计算待测日的主体出力曲线和三个细节出力曲线对待测日的主体出力曲线和三个细节出力曲线利用小波重构得到待测日的出力曲线的预测值。2.根据权利要求1所述的方法，其特征在于，所述的发电出力历史数据与相应的影响因素数据包括：发电出力历史数据用于反应光伏系统的转换效率，包括光伏系统在某段时间内日光伏出力曲线；相应的影响因素数据用于反应太阳辐射量的变化，包括光伏系统所在的区域对应的历史某时间段每天的最高温度、最大风速和最大湿度，以及待测日的最高温度、最大风速和最大湿度。3.根据权利要求1所述的方法，其特征在于，所述的历史出力曲线是光伏出力历史数据按照时间先后顺序排列形成的一条曲线。4.根据权利要求2所述的方法，其特征在于，所述日光伏出力曲线是从每日的零点开始采集每15min-1h的光伏出力值，这样就能得到每天的采集的光伏出力值，连在一起构成日光伏出力曲线。5.根据权利要求1所述的方法，其特征在于，所述的利用小波变换把历史出力曲线分解成一个历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3包括：将历史的出力曲线先做第一次小波变换得到第一层历史主体出力曲线A1和第一层历史细节出力曲线D1；将第一层历史主体出力曲线A1做第二次小波变换得到第二层历史主体出力曲线A2和第二层历史细节出力曲线D2；将第二层历史主体出力曲线A2做第三次小波变换得到第三层历史主体出力曲线A3和三层历史细节出力曲线D3。6.根据权利要求1所述的方法，其特征在于，所述的利用PSO-RBF神经网络分别建立四个子预测模型为： f 1 ( A 3 , I 1 , I 2 , Q 1 , Q 2 ) = A 3 ‾ f 2 ( D 1 , I 1 , I 2 , Q 1 , Q 2 ) = D 1 ‾ ...
【专利技术属性】
技术研发人员：程宏亮，卢耀宗，强劲，李欣，黄蓉，
申请(专利权)人：西安美林数据技术股份有限公司，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。