一种应用于光伏发电系统的短期发电功率预测方法技术方案

本发明专利技术涉及一种应用于光伏发电系统的短期发电功率预测方法，其特征在于它包括两个阶段：1、将原始发电功率信号进行经验模态分解；2、为每个分解分量构建基于遗传算法的BP神经网络预测模型。本发明专利技术的好处主要表现在：提前进行准确的光伏发电功率预测，可以确定传统电网与光伏发电微网的电流流动方向，制定电力系统的调度方案并降低电力系统运行成本；同时，还能提前制定能源储备规划，减少光伏发电的不可控性和间歇性对大电网造成不利影响，增强光伏发电的市场竞争优势。同时，本系统也是将人工神经网络、遗传算法等计算机技术运用于光伏发电功率预测的一个先例，具有很大的新颖性和实用性。

【技术实现步骤摘要】

本专利技术涉及，具体的说，涉及一种基于经验模态分解(Empirical Mode Decomposition,简称EMD)和遗传算法-BP神经网络(Genetic Algorithm-Back Propagation NeuralNetwork,简称 GA-BPNN)的短期光伏发电预测方法。
技术介绍
由于化石燃料的日益枯竭及其所带来的环境污染问题，世界各国都在不遗余力地发展利用可再生能源。而地球所接受到的太阳能，虽只占太阳表面发出的全部能量的二十亿分之一左右，但是这些能量相当于全球所需总能量的3-4万倍，可谓取之不尽，用之不竭。太阳能和石油、煤炭等矿物燃料不同，不会导致“温室效应”和全球性气候变化，也不会造成环境污染。太阳能已经成为世界各国缓解化石燃料资源不足，改善环境的重要战略之一，已经被列为21世纪的重要替代能源。而将太阳光直接转化为电能，即光伏发电是运用最广泛，最有发展前途的太阳能利用技术。随着技术的不断进步和光伏组件成本的逐步降低，光伏发电与传统能源发电方式相比具有愈来愈显著的社会效益和经济效益。我国拥有丰富的太阳能资源，在光伏发电领域也取得了很大的进展，并且实施了《可再本文档来自技高网...

【技术保护点】
一种应用于光伏发电系统的短期发电功率预测方法，其特征在于它包括两个阶段：①将原始发电功率信号进行经验模态分解；②为每个分解分量构建基于遗传算法的BP神经网络预测模型；1）原始发电功率信号进行经验模态分解：首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集，将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号；2）构建BP神经网络预测模型：针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点，分别为其构建基于遗传算法的BP神经网络预测模型，并聚合各个分量的预测值得到最终的发电功率预测结果。

【技术特征摘要】
1.一种应用于光伏发电系统的短期发电功率预测方法，其特征在于它包括两个阶段①将原始发电功率信号进行经验模态分解；②为每个分解分量构建基于遗传算法的BP神经网络预测模型； 1)原始发电功率信号进行经验模态分解首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集，将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号； 2)构建BP神经网络预测模型针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点，分别为其构建基于遗传算法的BP神经网络预测模型，并聚合各个分量的预测值得到最终的发电功率预测结果。2.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法，其特征在于给的一个原始信号s (t)，经验模态分解过程如下 O找出s(t)的所有极值点，并用三次样条插值函数拟合形成原数据的上包络线smax(t);同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线smin (t)； 2)计算上包络线和下包络线的平均值πι」α)=(8_α)+^ηα))/2，提取剩余部分hj (t) =Sj (t) -nij (t)； 3)检查hj(t)是否是一个本征模函数，如果是，则C1=Iij (t)，就提取出了一个本征模分量c1;如果不是，则用h(t)代替s(t)，重复(I) (2)两步直到它是一个本征模函数或者达到设定的分解阈值； 4)将r=S(t)-h(t)作为一个新的信号r(t)，对r(t)重复上述步骤直到获取所有的本征模函数MFs Cl(t)，..，Cn(t)或使r(t)变为一个单极函数； 经过上述的分解步骤，则原始信号s (t)可以表示为 s (t) =Ef=I Ci+ r(t) 其中，η是分解得到的本征模函数数量，Ci (i=l，2...

【专利技术属性】
技术研发人员：郑增威，陈垣毅，霍梅梅，
申请(专利权)人：浙江大学城市学院，
类型：发明
国别省市：