一种光伏出力日前预测方法技术

本发明专利技术适用于光伏出力预测技术领域，尤其涉及一种光伏出力日前预测方法，所述光伏出力日前预测方法包括以下步骤：天气状态判断：根据气象采集装置采集的实时气象信息对预测当日的天气状况进行研判；模型选择：根据天气状态判断模块给出的天气状况结果进行模型选择，如果为晴天，则选用晴空预测模型，否则选用人工神经网络模型；光伏出力预测：结合实时采集的系统参数信息，通过选用的预测模型对光伏出力进行预测。本发明专利技术结合了晴空模型和人工神经网络模型在不同天气状况下的预测精度，通过分析云量指数与光伏预测模型的精度关系，构建了一种混合光伏预测方法，实现光伏出力预测精度的最大化，在各类天气情况下均能取得优化效果。果。果。

【技术实现步骤摘要】
一种光伏出力日前预测方法


[0001]本专利技术属于光伏出力预测
，尤其涉及一种光伏出力日前预测方法。

技术介绍

[0002]近年来，随着全球能源需求的增加，对替代性可再生能源的研究受到了全世界的关注。在所有可再生能源中，光伏(PV)发电厂因其可用性、低维护和运营成本、长寿命和环境优势而备受关注。因此，全球太阳能产量从3.7吉瓦增加到402吉瓦。为了将光伏电站并入现有电网，必须解决其不确定性。管理太阳能不确定性的最简单方法是使用准确的预测。
[0003]多年来，已经开发了许多光伏功率预测技术。可以根据解决问题的方法进行大致分类。例如，间接方法尝试首先预测太阳辐照度，然后预测PV产量，而直接方法直接预测PV输出。在直接方法中，最常见的分类是物理模型、统计方法和混合方法，它们融合了物理和统计技术。物理方法依赖于这样一个事实，即光伏发电主要受两个物理变量的影响：到达面板的辐照量和光伏模块温度。物理模型的主要优点是它们不需要实施任何类型的历史数据。将这两种模型与混合技术进行比较。结果证明混合模型优于两种物理模型。统计方法在短期预测领域非常流行。它们包括利用历史数据来训练任何类型的数据驱动方法：时间序列、回归模型、机器学习、深度学习方法等。统计模型比物理模型更通用，并且更容易设置。最常用的统计方法是人工神经网络(ANN)。这种流行源于它们的有效性，而后者又源于光伏与其相关变量之间关系的高度非线性。经典的统计模型也可以产生较好的结果，可能与集成技术相结合。任何一种物理和统计方法的混合都是一种混合方法。如果使用统计技术来纠正其系统误差，物理方法可能会变得混合。另一方面，利用物理方法来设计输入变量的统计方法可以被认为是一种混合方法。
[0004]事实上，现有的方法均没有考虑气象信息对于预测结果的精度影响。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种光伏出力日前预测方法，旨在解决
技术介绍
第三部分中提出的问题。
[0006]本专利技术实施例是这样实现的，一种光伏出力日前预测方法，所述光伏出力日前预测方法包括以下步骤：
[0007]天气状态判断：根据气象采集装置采集的实时气象信息对预测当日的天气状况进行研判；
[0008]模型选择：根据天气状态判断模块给出的天气状况结果进行模型选择，如果为晴天，则选用晴空预测模型，否则选用人工神经网络模型；
[0009]光伏出力预测：结合实时采集的系统参数信息，通过选用的预测模型对光伏出力进行预测。
[0010]优选的，所述实时气象信息至少包括光照信息、降水量信息和风速信息。
[0011]优选的，在进行模型选择时，通过平均预测准确率和天气信息的关联性，形成日前
云量指数，将其作为选用晴空预测模型和人工神经网络模型的依据，所述云量指数为云量占据天空的比例。
[0012]优选的，所述的模型选择将对比当前的云量指数和阈值的云量指数，当小于此阈值时，选取晴空模型，反之则选择神经网络模型。
[0013]优选的，当选取晴空模型时，其输入数据为光伏机组辐射强度、面板转换效率、逆变器效率和实时温度，输出数据为光伏预测出力值。
[0014]优选的，当选取神经网络模型时，其输入数据为预测时刻的时间、环境温度、相对湿度和风速，输出数据为光伏预测出力值。
[0015]优选的，所述预测时刻的时间包括时间和天数。
[0016]与现有技术相比，本专利技术提供了一种光伏出力日前预测方法，具备以下有益效果：
[0017]该基于天气预报的日前光伏预测混合方法，解决了现有技术中在进行光伏预测时，未考虑气象信息对预测模型产生干扰的技术问题。本专利技术结合了晴空模型和人工神经网络模型在不同天气状况下的预测精度，通过分析云量指数与光伏预测模型的精度关系，构建了一种混合光伏预测方法。该方法可以根据天气状况智能选择最优的预测模型，实现光伏出力预测精度的最大化。在各类天气情况下均能取得优化效果。
附图说明
[0018]图1为本专利技术提出的一种光伏出力日前预测方法的流程示意图；
[0019]图2为本专利技术提出的一种晴空模型和人工神经网络的光伏出力日前预测方法的神经网络结构示意图；
[0020]图3为本专利技术的实际验证效果及与对比方法的比较图。
[0021]图4为本专利技术的具体实施流程图。
具体实施方式
[0022]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0023]以下结合具体实施例对本专利技术的具体实现进行详细描述。
[0024]请参阅图1和图2，一种光伏出力日前预测方法，该方法包括以下步骤：
[0025]天气状态判断：根据气象部门提供的天气预测参考数据。包括温度、湿度、风向、风力、太阳照射强度等相关数据，对当前的天气状态进行研判，并计算相应的云量指数；
[0026]模型选择：通过对包含晴天及其他天气状况的光伏真实出力进行统计分析，通过神经网络和晴空模型计算各个样本的光伏出力预测值，分析不同云量指数下两种模型的预测精度，设定为两种模型的选取阈值，在本专利技术中，云量指数阈值为6，当大于此数值时，采用神经网络模型，否则选择晴空模型；
[0027]光伏出力预测：当需要对当前日的光伏出力进行预测时，结合当前的云量指数选取合适的预测模型，结合信息采集系统提供的各项参数：晴空模型(输入数据为光伏机组辐射强度、面板转换效率、逆变器效率、实时温度)、神经网络(输入数据为预测时刻的时间(包括时刻、天数)，环境温度、相对湿度、风速)，通过选取的模型预测当前光伏的出力情况。
[0028]所述云量指数通过云量在整个天空的比例计算，即将整个天空划分为10等份，碧空无云或被云遮蔽不到0.5份时，云量为“0”；云遮盖天空一半时，云量为“5”。云量多时，应估计露出的青天，再推算出云量。云量少时，则直接估计云所遮蔽天空的份数，如云块占全部天空的1/10时，云量为“1”；云块占天空2/10时，云量为“2”，其余类推。
[0029]图2中，x为输入值，y为输出值。
[0030]本专利技术实施例提供了一种光伏出力日前预测方法的晴空模型运算公式，
[0031][0032]式中，P为预测功率，E
g,pv
为辐射强度，P
peak
为光伏峰值功率，η
pan
为太阳能板转化效率，η
inv
为逆变器效率，E
STD
为标准辐射度。
[0033]图3展示了光伏真实出力、本专利技术所提出的混合预测方法与仅采用神经网络方法预测的效果对比，所有预测均为日前一天预测结果。可以看出，本混合算法要明显优于只采用神经网络的预测方法，在大多数情况下预测值与真实出力接近。
[0034]图4为本专利技术的具体实施流程图。
[0035]综上所述，基于天气预报的日前光伏预测混合方法，解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏出力日前预测方法，其特征在于，所述光伏出力日前预测方法包括以下步骤：天气状态判断：根据气象采集装置采集的实时气象信息对预测当日的天气状况进行研判；模型选择：根据天气状态判断模块给出的天气状况结果进行模型选择，如果为晴天，则选用晴空预测模型，否则选用人工神经网络模型；光伏出力预测：结合实时采集的系统参数信息，通过选用的预测模型对光伏出力进行预测。2.根据权利要求1所述的光伏出力日前预测方法，其特征在于，所述实时气象信息至少包括光照信息、降水量信息和风速信息。3.根据权利要求1所述的光伏出力日前预测方法，其特征在于，在进行模型选择时，通过平均预测准确率和天气信息的关联性，形成日前云量指数，将其作为选用晴空预测模型和人工神经网络...

【专利技术属性】
技术研发人员：孙国强，刘扬志，王长征，王新居，项航，刘建伟，马腾飞，李鲁陶，王照阳，朱锋，朱辰泽，刘川，刘思君，王腾，
申请(专利权)人：南京华盾电力信息安全测评有限公司，
类型：发明
国别省市：