一种基于小波变换和径向基神经网络的光伏功率预测方法技术

本发明专利技术提供一种基于小波变换和径向基神经网络的光伏功率预测方法，获得光伏输出功率和气象数据的历史数据，对气象数据进行相关性分析，得到多天气气象特征，对光伏输出功率数据进行小波变换，分解为时域和频域信息，与多天气气象特征共同输入到神经网络中进行训练，得到不同天气类型下的光伏功率预测模型，获取实时气象数据和实时光伏输出功率，实时光伏输出功率进行小波变换后和实时气象数据作为输入特征使用光伏功率模型进行预测，得到各子特征的预测结果再进行小波重构，输出光伏功率预测结果

【技术实现步骤摘要】
一种基于小波变换和径向基神经网络的光伏功率预测方法


[0001]本专利技术属于光伏发电
，具体涉及一种基于小波变换和径向基神经网络的光伏功率预测方法
。

技术介绍

[0002]光伏发电是利用半导体材料的光伏效应将光能直接转换为电能的技术
。
随着化石能源利用对环境的污染日益加重，太阳能
、
风能等可再生能源得到了广泛地开发和利用，且前景广阔；作为全球范围内公认的替代能源，清洁能源的使用可以缓解全球能源紧张的局面，促进能源结构的转型
。
[0003]近几年我国的光伏发电市场由独立发电系统逐渐转向并网发电系统
。
光伏发电具有较强的间歇性和波动性，因此若能够对光伏功率进行准确地预测，能够有效防止电网过载，从而提高电网运行的安全性和经济性
。
[0004]目前对光伏功率的预测主要可分为统计学方法和智能预测方法
。
统计学方法包括时间序列分析
、
多元线性回归等
。
智能预测方法为近几年的研究热点，包括聚类...

【技术保护点】

【技术特征摘要】
1.
一种基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，包括步骤：
(1)
通过数据存储接口从数据采集存储单元中获得历史数据，所述历史数据包括光伏输出功率和气象数据；
(2)
对气象数据进行相关性分析，筛选出与光伏输出功率相关性最高的多个气象特征，剔除冗余气象数据，将气象特征依据天气类型进行分类，得到多天气气象特征；
(3)
对光伏输出功率数据进行小波变换，将其分解为时域和频域信息，将多天气气象特征与分解后的功率数据共同输入到神经网络中进行训练，得到不同天气类型下的光伏功率预测模型；
(4)
获取实时气象数据和实时光伏输出功率，将所述实时光伏输出功率进行小波变换后，和依据不同天气类型划分的实时气象数据作为输入特征使用光伏功率模型进行预测，得到各子特征的预测结果，进行小波重构，输出光伏功率预测结果
。2.
根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，使用皮尔森相关系数进行步骤
(2)
所述相关性分析：将光伏输出功率作为目标向量，可能影响光伏发电的气象因素作为特征向量，使用皮尔森相关系数对特征向量进行相关性分析，通过公式获得与光伏输出功率相关性程度最高的多个气象特征，其中，
r
为皮尔森相关系数，
N
为样本数量，
X
i
为目标向量
(
即光伏输出功率
)
的样本值，
X
为目标向量的均值，
Y
i
为特征向量
(
即某一气象因素
)
的样本值，
Y
为特征向量的均值
。3.
根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，对光伏输出功率数据进行离散小波变换，并将数据分解为低频部分的近似系数和高频部分的细节系数，具体公式为：频部分的细节系数，具体公式为：其中，
x(t)
是待变换的光伏输出功率数据，
ψ
()
是母小波，将母小波进行缩放和平移得到
ψ
a,b
(t)
，缩放因子为
a
，平移因子为
b
，在离散小波变换中，缩放和平移参数是整数变量
m
和
n
的函数，
a
＝2m
且
b
＝
n
·2m
。4.
根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，所述不同天气类型包括晴天
、
多云和雨天
。5.
根据权利要求4所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，以云的面积占据天空的百分比和降水量作为天气类型的判断依据，云量在0‑
30
％为晴天，大于
30
％为多云，有降水量则...

【专利技术属性】
技术研发人员：郭玥萌，傅春明，李军，张栋，李磊，刘振雷，王永军，张智勇，冀宵玉，姜玉凯，王俪璇，
申请(专利权)人：山东电工电气集团有限公司，
类型：发明
国别省市：