基于神经网络、小波分解光伏电站功率预测方法、系统技术方案

本发明专利技术公开了一种基于神经网络、小波分解光伏电站功率预测方法、系统，获取历史记录光照强度C、输出功率P、温度T、湿度H、风速WS，分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；获取未来预测时间段温度T、湿度H、风速WS，分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。因此，本发明专利技术能够保证预测过程的收敛性，减小复杂度，提高预测的准确度。

【技术实现步骤摘要】

本专利技术涉及能源领域，特别是指一种基于神经网络、小波分解光伏电站功率预测方法、系统。
技术介绍
太阳能光伏发电是利用太阳能电池的光伏效应将太阳辐射能直接转换为电能的一种发电形式。目前，化石能源短缺、环境污染严重和全球气候变化等问题日益突出，世界能源发展呈现出清洁化、低碳化、高效化的新趋势。我国太阳能资源与美国相近，比欧洲、日本优越得多，具有的开发潜力极其广阔，近年来更是进入高速发展时期，成为了新的增长点。太阳能的开发利用符合我国能源发展战略、实现电力可持续发展、电力结构调整和环境保护的需要。我国未来将有大量分布式清洁能源发电及其他形式发电接入电网，要求电网具有清洁能源接纳能力。随着太阳能发电行业的发展，太阳能并网规模越来越大，但太阳能发电具有随机性大、间歇性、反调峰等特点，大规模太阳能发电的接入对电网的消纳、调峰调频需求、稳定性等问题会产生重大影响，为了减小这些影响，同时保证电力系统安全稳定的运行，使电力调度部门能够根据光伏发电量变化及时进行调度，降低备用容量和运行成本，需要对光伏电站的发电量进行准确预测。而传统的基于常规神经网络的光伏电站输出功率预测方法，只是简单把影响光伏电站输出功率的因素考虑进去，作为模型的输入信号，它能有效预测光伏电站输出功率，但光伏电站输出功率的周期性和非平稳特征会使传统神经网络算法容易陷入不收敛，另外利用现有数值天气预报无法建模的高频分量没有剔除掉，建立的模型不够精准，而且其收敛性不好，计算复杂度较高。
技术实现思路
有鉴于此，为了解决现有光伏电站功率预测的不足，本专利技术的目的在于提出一种光伏电站输出功率预测方法，提高光伏功率预测精度。基于上述目的本专利技术提供的基于神经网络、小波分解光伏电站功率预测方法，包括步骤：获取一时间段内光伏电站所在位置的历史记录；其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS；将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；获取光伏电站所在位置未来预测时间段的天气预报值；其中，所述的天气预报值包括温度T、湿度H、风速WS；将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。在一些实施例中，所述将获取的光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；同时，得到输出功率P在5层小波分解后每层的小波分解系数。在一些实施例中，所述根据所述小波分解后的信息，建立逼近信号层神经网络模型包括：将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网络模型；另外，所述建立细节信号层神经网络模型包括：将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型；将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。在一些实施例中，所述将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解，采用5层小波分解，分别得到温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；另外，所述将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果包括：将预测的光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]作为输入向量，根据A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[000P0A5]；还有，将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果包括：将预测的温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结果[00P0D5]；将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[T0D4H0D4WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。在一些实施例中，所述对逼近信号层的预报结果和细节信号层的预报结果进行重构，包括：将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘以P0D4、P0D5、P0A5，最后将相乘的结果相加获得预测功率值P0。另外本专利技术还提供了一种基于神经网络、小波分解光伏电站功率预测系统，包括：历史数据获取单元，用于获取一时间段内光伏电站所在位置的历史记录；其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS；预测模型建立单元，用于将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；预测数据获取单元，用于获取光伏电站所在位置未来预测时间段的天气预报值；其中，所述的天气预报值包括温度T、湿度H、风速WS；功率预测单元，用于将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量本文档来自技高网...

【技术保护点】
一种基于神经网络、小波分解光伏电站功率预测方法，其特征在于，包括步骤：获取一时间段内光伏电站所在位置的历史记录；其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS；将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；获取光伏电站所在位置未来预测时间段的天气预报值；其中，所述的天气预报值包括温度T、湿度H、风速WS；将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。

【技术特征摘要】
1.一种基于神经网络、小波分解光伏电站功率预测方法，其特征在
于，包括步骤：
获取一时间段内光伏电站所在位置的历史记录；其中，所述的历史记录
包括光照强度C、输出功率P、温度T、湿度H、风速WS；
将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小
波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节
信号层神经网络模型；
获取光伏电站所在位置未来预测时间段的天气预报值；其中，所述的天
气预报值包括温度T、湿度H、风速WS；
将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小
波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层
神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信
息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；
对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测
功率值。
2.根据权利要求1所述的方法，其特征在于，所述将获取的光照强度
C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小
波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自
在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；同
时，得到输出功率P在5层小波分解后每层的小波分解系数。
3.根据权利要求2所述的方法，其特征在于：所述根据所述小波分解后
的信息，建立逼近信号层神经网络模型包括：
将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5
逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解
后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网
络模型；
另外，所述建立细节信号层神经网络模型包括：
将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息
[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层

\t信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型；
将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息
[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层
信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。
4.根据权利要求3所述的方法，其特征在于：所述将所述未来预测时间
段的温度T、湿度H、风速WS的预报值分别经小波分解，采用5层小波分
解，分别得到温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、
D4、D5的信息以及逼近信号层A5的信息；
另外，所述将逼近信号层的信息作为逼近信号层神经网络模型的输入向
量，得到逼近信号层的预报结果包括：将预测的光照强度C、温度T、湿度
H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]
作为输入向量，根据A5逼近信号层神经网络模型，得到光伏电站输出功率的
A5逼近信号层的预报结果[000P0A5]；
还有，将细节信号层的信息作为细节信号层神经网络模型的输入向量，
得到细节信号层的预报结果包括：将预测的温度T、湿度H、风速WS分别
经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据D5
细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结
果[00P0D5]；
将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号
层信息[T0D4H0D4WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得
到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。
5.根据权利要求4所述的方法，其特征在于：所述对逼近信号层的预报
结果和细节信号层的预报结果进行重构，包括：将得到的输出功率P在D4、
D5、A5层的小波分解系数，分别乘以P0D4、P0D5、P0A5，最后将相乘的结果相
加获得预测功率值P0。
6.一种基于神经网络、小波分解光伏电站功率预测系统，其特征在
于，包括：
历史数...

【专利技术属性】
技术研发人员：孙乔，聂玲，崔伟，付兰梅，
申请(专利权)人：北京国电通网络技术有限公司，北京中电飞华通信股份有限公司，
类型：发明
国别省市：北京;11