计及雾霾影响的光伏功率短期预测方法技术

本发明专利技术涉及一种计及雾霾影响的光伏功率预测方法；选取空气质量指数（AQI）作为衡量雾霾轻重的指标，将其与“天气状况”一同列入光伏功率预测的历史数据源；基于光伏输出功率受诸多因素影响的复杂非线性特征，建立了考虑雾霾影响的光伏功率预测模型，并利用BP神经网络算法求解；为保证光伏功率预测的准确性，提出基于“相似时”的训练样本选取方法。算例分析验证了光伏功率预测中计及雾霾的必要性和所提方法的有效性。

Short term prediction method of photovoltaic power considering the influence of haze

【技术实现步骤摘要】
计及雾霾影响的光伏功率短期预测方法
本专利技术属于电力系统
，涉及一种光伏功率预测方法，尤其涉及一种计及雾霾影响的光伏功率短期预测方法。
技术介绍
依靠煤、石油等不可再生能源发电已面临资源枯竭和环境污染双重压力，寻找、开发新的发电能源成为世界性问题。太阳能对人类来说是永不枯竭的能源，地球每年可接收到的太阳能约为1.8×1018kWh，是全人类每年能源消耗量的数万倍，利用太阳能发电是太阳能利用的重要方式。受气象因素和光伏发电系统自身特性的影响，使光伏功率具有随机性、波动性和间歇性特点，光伏发电的并网会对大电网产生冲击。近年来，国内多次出现长时间、大范围雾霾天气，冬季和春季尤为严重，光伏发电因雾霾频袭而遭受严峻考验。精确的光伏功率预测模型能促进电网安全稳定运行，提高电能质量，还能为电网提供调度依据，提前针对功率波动做出应对措施。目前学术界关于光伏功率预测问题的研究较多，但考虑了雾霾因素对光伏功率产生影响的几乎没有。
技术实现思路
本专利技术针对上述现有技术中存在的问题，提供一种计及雾霾影响的光伏功率预测方法，解决了现有技术中光伏发电短期功率预测未考虑雾霾的问题。本专利技术的技术方案包括如下步骤：步骤1，选取空气质量指数(AQI)作为衡量雾霾轻重的指标，将其与“天气状况”一同列入光伏功率预测的历史数据源；步骤2，数据预处理，取光伏电站所记录的1月～6月的数据，环境记录仪每5min采集一次数据，包括光伏功率(kW)、太阳辐照度(W/m2)、光伏板温度(℃)、环境温度(℃)；步骤3，模糊变量的量化，将模糊性天气状况映射为(0,1)区间上的具体数值；步骤4，异常数据剔除，即剔除一段时间内，在太阳辐照度明显不为0时，光伏功率为0或接近于0的数据；步骤5，归一化处理：为避免不同数据的量纲和大小范围可导致预测结果存在误差的问题，用“极差法”对各量进行归一化处理，方法如式(1)所示。式(1)中，X为归一化处理后的数据；x为归一化处理前的数据；xmin为变量的最小值；xmax为变量的最大值；步骤6，构造以太阳辐照度、光伏板温度和天气状况为相似因子的时气象特征向量，计算相似度并排序，选取相似度高的若干相似时数据作为后续BP神经网络法预测模型的训练样本集；步骤7，将基于相似时计及雾霾影响的BP神经网络预测模型与传统BP神经网络预测模型和基于相似时未考虑雾霾的BP神经网络预测模型的预测结果进行分析比较；步骤8，建立光伏功率预测模型；由太阳辐照度(X1)、光伏板温度(X2)、环境温度(X3)、AQI(X4)和天气状况(X5)数据可以得到一个光伏功率(Y)值；得出模型下光伏输出功率的预测值与实际光伏功率(Y)值间的关系。本专利技术的优点效果如下：本专利技术的方法基本保证了历史时的太阳辐照度、光伏板温度和天气状况与预测时的相近，有效地提高了光伏功率的预测精度。附图说明图1为一实施例中光伏功率短期预测的流程图；图2为另一实施例中BP神经网络示意图的流程图；图3为一实施例中光伏输出功率对比图；图4为一实施例中误差性能的对比表。具体实施方式实施例参考图1，实施例中的计及雾霾影响的光伏功率短期预测方法，包括如下步骤。S110：采用AQI量化雾霾天气的雾霾程度，将模糊性天气状况(晴、多云、阴等)映射为(0,1)区间上的具体数值。数据预处理，取光伏电站所记录的1月～6月的数据，环境记录仪每5min采集一次数据，包括光伏功率(kW)、太阳辐照度(W/m2)、光伏板温度(℃)、环境温度(℃)。异常数据剔除，即剔除一段时间内，在太阳辐照度明显不为0时，光伏功率为0或接近于0的数据。S120：为避免不同数据的量纲和大小范围可导致预测结果存在误差的问题，用“极差法”对各量(如光伏功率、太阳辐照度、光伏板温度、环境温度、AQI等)进行归一化处理；方法如式(1)所示。式(1)中，X为归一化处理后的数据；x为归一化处理前的数据；xmin为变量的最小值；xmax为变量的最大值。温度对光伏功率的影响从两个方面进行研究，其一是光伏板的表面温度，其二是光伏电站所处位置的环境温度。当光伏板温度过高时，会影响发电性能，即光伏板的光电转换效率与光伏板温度有关，温度高于标准测试温度时，光电转换效率将下降，光伏输出功率减少。通过SPSS软件分别对光伏板温度、环境温度与光伏功率进行相关性分析，可得到Pearson相关系数分别为0.485、0.379。为进一步分析雾霾与光伏功率的关系，利用SPSS软件分析雾霾数据与光伏功率数据间的相关性，得到Pearson相关系数为-0.202，其负值表明两者存在负相关，即雾霾越严重则光伏功率越小。显著性指标Lsig＝0，其值小于0.05，表明两者间存在极显著的相关，具有较强的统计意义。S130：“晴”、“阵雨”、“多云”、“阴”等天气指标是基于云层的位置、厚度、面积、移动速度等确定的。在各种天气状况或指标下，云层对太阳光的遮挡程度不同，地球接收到的太阳辐射量也不同，最终使光伏输出功率不同。利用SPSS软件分析光伏输出功率与天气状况数据间的相关性，得到Pearson相关系数为0.324。本方法充分考虑时特征相似度，提出基于相似时的训练样本确定方法，即构造以太阳辐照度、光伏板温度和天气状况为相似因子的时气象特征向量，计算相似度并排序，选取相似度高的若干相似时(相似度在0.6以上)数据作为后续BP神经网络法预测模型的训练样本集。S140：根据上述对光伏功率与影响因素的相关性分析，选取对光伏功率影响更加显著的太阳辐照度、光伏板温度和天气状况作为影响光伏功率的气象因素，构造时气象特征向量如式(1)所示。X＝[ETmt](1)预测时和第i个历史光伏数据的特征向量x0、xi分别为式(2)、(3)所示。x0＝[x0(1),x0(2),x0(3)](2)xi＝[xi(1),xi(2),xi(3)](3)选择预测时的相似时的具体步骤如下：(1)从历史数据中，逐时计算第i时与预测时的相似度Fi；(2)按相似度从大到小的顺序排序，选取相似度Fi≥0.6的数据作为预测时的相似时。利用这组相似时的公开气象数据和光伏电站实际发电数据构成预测模型的训练样本集。由前面分析可知，光伏功率受多种因素影响，且各因素之间相互耦合，很难通过建立精确的数学模型来模拟光伏输出功率。BP神经网络算法拥有很好的泛化、非线性映射能力，其特性非常适用于受外界环境影响较大的光伏功率预测。本方法基于BP神经网络算法进行计及雾霾、太阳辐照度、光伏板温度、环境温度和天气状况的光伏功率预测。统一有效的预测精度评估指标有利于不同研究结果之间的比较。假设X为实测值、X′为预测值、N为预测样本数据量。①平均绝对百分比误差平均绝对百分比误差分析整体的预测能力。②平均绝对本文档来自技高网...

【技术保护点】
1.一种计及雾霾影响的光伏功率预测方法，其特征在于包括如下步骤：/n步骤1，选取空气质量指数(AQI)作为衡量雾霾轻重的指标，将其与“天气状况”一同列入光伏功率预测的历史数据源；/n步骤2，数据预处理，取光伏电站所记录的1月～6月的数据，环境记录仪每5min采集一次数据，包括光伏功率(kW)、太阳辐照度(W/m

【技术特征摘要】
1.一种计及雾霾影响的光伏功率预测方法，其特征在于包括如下步骤：
步骤1，选取空气质量指数(AQI)作为衡量雾霾轻重的指标，将其与“天气状况”一同列入光伏功率预测的历史数据源；
步骤2，数据预处理，取光伏电站所记录的1月～6月的数据，环境记录仪每5min采集一次数据，包括光伏功率(kW)、太阳辐照度(W/m2)、光伏板温度(℃)、环境温度(℃)；
步骤3，模糊变量的量化，将模糊性天气状况映射为(0,1)区间上的具体数值；
步骤4，异常数据剔除，即剔除一段时间内，在太阳辐照度明显不为0时，光伏功率为0或接近于0的数据；
步骤5，归一化处理：为避免不同数据的量纲和大小范围可导致预测结果存在误差的问题，用“极差法”对各量进行归一化处理，方法如式(1)所示：



式(1)中，X为归一化处理后的数据；x为归一化处理前的数据；xmin为变量的最小值；
xmax为变量的最大值；
步骤6，构造以太阳辐照度、光伏板温度和天气状况为相似因子的时气象特征向量，计算相似度并排序，选取相似度高的若干相似时数据作为后续BP神经网络法预测模型的训练样本集；
步骤7，将基于相似时计及雾霾影响的BP神经网络预测模型与传统BP神经网络预测模型和基于相似时未考虑雾霾的BP神经网络预测模型的预测结果进行分析...

【专利技术属性】
技术研发人员：朱浩祎，于泳，王俊，王慧，杨思霄，袁港，曹云飞，徐铭远，鞠丹阳，齐伟夫，刘树森，翁月莹，王硕，徐萍，李金圣，王宇，郐凤彬，石砺瑄，常美琦，王冕，
申请(专利权)人：国网辽宁省电力有限公司盘锦供电公司，国家电网有限公司，沈阳农业大学，
类型：发明
国别省市：辽宁;21