基于多维环境数据的光伏功率预测方法技术

本发明专利技术提供一种基于多维环境数据的光伏功率预测方法，包括如下步骤：获取环境数据；利用主成分分析法对环境数据进行降维处理，得到综合指标；构建BP神经网络预测模型预测光伏功率，BP神经网络预测模型包括输入层、隐含层和输出层，综合指标为输入层，输出层为功率分析结果。本发明专利技术有益效果是利用光纤力热复合测试仪可同时测得多维数据并保证测得的数据精度更高。面对采集到的关于气象信息的大数据，利用主成分分析法将数据降维处理，在最大限度地保留气象信息的基础上提高收敛速度。利用BP神经网络算法对光伏功率进行预测，可提高预测精度。本发明专利技术得到国家科技部重大仪器专项——光纤力热复合测试仪在电力新能源监测控制应用方法研究支持，编号2013YQ03091510。

Prediction method of photovoltaic power based on multi-dimensional environmental data

【技术实现步骤摘要】
基于多维环境数据的光伏功率预测方法
本专利技术涉及一种功率预测方法，尤其是涉及一种基于多维环境数据的光伏功率预测方法。
技术介绍
随着全球资源问题愈演愈烈，合理利用清洁能源解决能源问题的有效手段。光伏发电是利用太阳能转换为电能，光伏发电作为分布式电源，是集中供电方式的一种有益补充。大力发展并网型光电，是我国缓解能源供需矛盾，减轻环境污染，调节能源结构，转变经济增长方式的重要战略举措。但是光电具有间歇性和随机性的固有缺点，随着大量光伏发电接入电网，势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻的挑战。因此光伏发电输出功率预测成为解决这一问题的有效途径之一。由于气象条件多样，一方面面对大量的环境数据需要进行分析，一般说来，虽然每个变量都提供了一定的信息，但其重要性有所不同，而且在很多情况下，变量之间有一定的相关性，从而使得这些变量提供的信息在一定程度上有所重叠，因此希望用较少的变量反应绝大部分的信息，并且基于这些信息对光伏发电出力做出预测，为配电网的优化运行提供信息。但是，目前的预测误差控制在20％左右，根据该预测结果进行电网调度，仍旧存在很大的电力浪费。并且现有的预测方法预测精度差、速度慢。
技术实现思路
本专利技术的目的在于克服现有技术的缺点，提供一种基于多维环境数据的光伏功率预测方法，能够提高预测精度和速度。为解决上述技术问题，本专利技术采用的技术方案是：一种基于多维环境数据的光伏功率预测方法，包括如下步骤：采集环境数据；利用主成分分析法对所述环境数据进行降维处理，得到综合指标；构建BP神经网络预测模型预测光伏功率。进一步的，所述利用主成分分析法对所述环境数据进行降维处理，得到综合指标的具体步骤为：获取原始样本矩阵X＝(Xij)A*B，i＝1,2,3,…,Aj＝1,2,3,…,B，式中A表示研究区域个数，B表示选择指标个数；主成分Ti＝Xej，式中ej表示正规化特征向量；计算贡献率研究各地区生态安全综合得分w＝bX1+cX2+…+xXx，式中X表示特征值的特征向量；b、c、x则是所述环境数据的标准化数据。进一步的，所述BP神经网络预测模型包括输入层、隐含层和输出层，所述综合指标为所述输入层，所述输出层为功率分析结果。进一步的，所述输出层和所述隐含层的转移函数为单极性S型函数。进一步的，所述环境数据包括瞬时风速、两分钟内平均风速、风向、辐射日累计值、辐射瞬时值、光照强度、环境湿度、环境温度、透光率日累计值、透光率瞬时值、平均露点、日最高温度和日最低温度。进一步的，所述综合指标包括：光照强度、天气情况和大气温度。进一步的，所述采集环境数据采用光纤力热复合测试仪。与现有技术相比，本专利技术具有的优点和积极效果是：由于采用上述技术方案，通过利用光纤力热复合测试仪可以同时测得多维数据并且保证测得的数据精度更高。面对采集到的关于气象信息的大数据，利用主成分分析法将数据降维处理，在最大限度地保留气象信息的基础上提高收敛速度。利用BP神经网络算法对光伏功率进行预测，可以提高预测精度。附图说明图1是本专利技术的BP神经网络函数关系图；图2是本专利技术光伏阵列随光照强度的波动变化图；图3是本专利技术不同天气情况下不同光伏出力的柱状图；图4是本专利技术两种网络模型比较图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合附图和具体实施方式对本专利技术作进一步的详细说明。显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下获得的所有其他实施例，都属于本专利技术保护的范围。应当注意，为了清楚的目的，附图和说明中省略了与本专利技术无关的、本领域普通技术人员已知的部件和处理的表示和描述。在本专利技术的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。如图1至图4所示，本实施例提供一种基于多维环境数据的光伏功率预测方法，其特征在于：包括如下步骤：1、采集环境数据；采集环境数据采用光纤力热复合测试仪。2、利用主成分分析法对环境数据进行降维处理，得到综合指标；利用主成分分析法对环境数据进行降维处理，得到综合指标的具体步骤为：(1)获取原始样本矩阵X＝(Xij)A*B，i＝1,2,3,…,Aj＝1,2,3,…,B，式中A表示研究区域个数，B表示选择指标个数；(2)计算各个指标之间的相关系数矩阵Rb*b，它的特征值∧1≥∧b≥0以及正规化特征向量ej，由此得到主成分Ti主成分Ti＝Xej，式中ej表示正规化特征向量；(3)计算贡献率第j个主成分方差贡献率在85％～95％时，取前q个主成分T1，T2，…，Tq，那么这个主成分q就可以用来反映原来B个指标的信息。贡献率公式如下：(4)研究各地区生态安全综合得分w＝bX1+cX2+…+xXx，式中X表示特征值的特征向量；b、c、x则是环境数据的标准化数据。得到综合指标：根据对影响光伏出力的环境数据评价指标选取的科学性、可操作性、简洁性等原则，将瞬时风速、两分钟内平均风速、风向、辐射日累计值、辐射瞬时值、光照强度、环境湿度、环境温度、透光率日累计值、透光率瞬时值、平均露点、日最高温度、日最低温度共计13维历史数据，通过主成分分析选取了3项影响光伏出力的的指标：(1)光照强度如图2所示，光伏板接收到的太阳辐射不是一个恒量，而是一个随着时间在不停变化的变量。在进行光伏发电时候，光照强度对光伏板出力有很大的影响，贡献率为55.996％。(2)天气情况如图3所示，根据风速和温度等气象信息情况，通常将天气情况分为四类，如下图2所示，其中风素和温度信息由安装在光伏板上的光纤力热复合测试仪探头收集测量得到。贡献率为35.933％由于监测时间段内大部分为晴天，少部分为阴天，给出了不同天气情况下光伏出力的不同。(3)大气温度光伏出力与光伏板转换效率有关，在本模型中为了简化运算，将光伏板转化效率设定为定值。此外光伏出力还与大气温度有关,大气温度的变化会改变光伏阵列的输出性能。贡献率为22.746％温度升高，功率会有所下降.单位面积的光伏阵列输出功率可以表示为：PS＝ηSI[1-0.005(t0+25)]式中：η为光伏阵列转换效率；S为阵列面积；I为光照强度；t0为大气温度。3、构建BP神经网络预测模型预测光伏功率。BP神经网络预测模型包括输入层、隐含层和输出层，综合指标为输入层，输出层为功率分析结果。输出层和隐含层的转移函数为单极性S型函数。光伏输出功率预测中，对于输出层有ok＝f(nk),k＝1,2,.....,n对于隐含层有yi＝f(nj),j＝1,2,.....,n设输出层和隐含层的转移函数为单极性S型函数当网络输出与实际输出功率不等时，存在输出误差E，定义如下将以上误差定义展开至隐含层有进一步展开至输入层有网络输入误差是各层权值wjk、vij的函数，因此调整权值可改变误差E。显然，调整权值的原则是使误差不断的减小。因此在本文所建立的预测模型中将采用一个常用而又有效的方法——快速梯度下降法，使权值的调本文档来自技高网...

【技术保护点】
1.一种基于多维环境数据的光伏功率预测方法，其特征在于：包括如下步骤：采集环境数据；利用主成分分析法对所述环境数据进行降维处理，得到综合指标；构建BP神经网络预测模型预测光伏功率。

【技术特征摘要】
1.一种基于多维环境数据的光伏功率预测方法，其特征在于：包括如下步骤：采集环境数据；利用主成分分析法对所述环境数据进行降维处理，得到综合指标；构建BP神经网络预测模型预测光伏功率。2.根据权利要求1所述的基于多维环境数据的光伏功率预测方法，其特征在于：所述利用主成分分析法对所述环境数据进行降维处理，得到综合指标的具体步骤为：获取原始样本矩阵X＝(Xij)A*B，i＝1,2,3,…,Aj＝1,2,3,…,B，式中A表示研究区域个数，B表示选择指标个数；主成分Ti＝Xej，式中ej表示正规化特征向量；计算贡献率研究各地区生态安全综合得分w＝bX1+cX2+…+xXx，式中X表示特征值的特征向量；b、c、x则是所述环境数据的标准化数据。3.根据权利要求1所述的基于多维环境数据的光伏功率预测方法，其特征...

【专利技术属性】
技术研发人员：刘中胜，刘梦怡，穆晓东，
申请(专利权)人：天津天大求实电力新技术股份有限公司，
类型：发明
国别省市：天津,12