基于BP神经网络的光伏发电短期出力预测方法技术

本发明专利技术公开了一种基于BP神经网络的光伏发电短期出力预测方法，采用BP神经网络预测光伏发电系统出力，通过统计分析天气因素对光伏发电系统出力的影响，首先将天气类型映射为日类型指数作为BP神经网络的输入数据，将预测日当天各个时间段的发电功率作为输出数据；然后根据输入、输出单元数，经公式推算和多次试凑，确定隐含层节点数；接着对输入数据进行归一化处理，对输出数据进行反归一化处理，并采用处理后的运行数据对BP神经网络进行训练；最后利用训练后的模型对预测日的发电功率进行预测，得出预测结果。本发明专利技术的数据处理方法和预测模型可以有效预测多种天气类型下的光伏发电短期出力。

【技术实现步骤摘要】

本专利技术涉及光伏发电系统，尤其涉及一种光伏发电短期出力预测方法。
技术介绍
当前，全球化石能源资源日益短缺、气候变化等环境压力日渐增大。太阳能作为一种清洁、安全、可再生的绿色能源，在缓解世界能源供应紧张，优化能源结构，保护环境等方面有着独特的优势。太阳能发电不需要消耗常规能源，是绿色无污染的清洁能源，被世界各国重视。作为太阳能发电利用的主要形式，光伏发电在近年来得到了飞速的发展。大规模光伏并网发电是充分利用太阳能的一种有效方法，也是光伏发电系统的主流趋势，目前大规模的光伏并网系统已得到应用。由于光伏并网的出力具有随机性,光伏并网系统相对于大电网是一个不可控电源，其出力的不稳定性对大电网的安全稳定运行有影响。因此，大规模光伏发电的渗透接入必定给电网带来一系列的影响，光伏发电是间歇性能源，受太阳辐射强度、环境温度等影响，输出功率具有不确定性，其并入电网后使得大电网的短期负荷预测准确性降低，光伏出力大幅度的变化也必然引起整个系统的电压、频率波动，电力系统存在频率和电压稳定问题，增加了传统发电、控制和运行计划的难度，不利于电网调度人员安排常规电源与其协调调度。所以，为了安全有效地利用光伏发电，准确预测光伏发电的出力具有重要的意义。一方面可以有效地降低光伏并网对电力系统造成的负面影响，提高电力系统运行的可靠性和稳定性，另一方面可以降低电力系统的旋转备用容量，充分利用太阳能资源，获得更大的经济效益、社会效益和环境效益。同时，光伏出力预测是设计并网光伏电站所需要的基础数据。光伏发电出力的预测结果，为光伏电源的接入位置、接入方式和运行方式提供理论依据，为电力系统优化调度和储能装置的合理配置提供可靠的依据。目前，光伏出力预测的方法主要分为两种:(I)直接预测，是指通过对输出功率、天气等的历史数据进行统计分析，直接建立出力预测模型，不需要对气象温度等外部环境进行预测。( 2 )间接预测，是指对天气情况或日照强度进行预测，建立天气变化与日照强度模型，通过这些参数与光伏发电量的关系，计算得出预测值。国外对于光伏出力预测的研究起步较早，主要集中于短期出力预测和超短期出力预测。在短期出力预测的研究中，根据气象预报获得未来1-2天内的气象信息，利用历史数据预测得到地面太阳辐射强度，再根据光伏阵列效率转化公式预测光伏发电的出力。其中，超短期出力预测是根据卫星云图的变化预测未来几个小时内云层的运动情况，对云层指数进行预测，建立云层指数与地面太阳能辐射强度之间的映射关系，得到太阳辐射的预测值，再通过光伏阵列的效率转化公式计算出光伏电站的出力。短期和超短期出力预测实时性强，但电网的调度需要一定的反应时间，因此对电网的应变能力提出了更高的要求。我国的光伏发电预测研究尚处于起步阶段，针对光伏出力的研究还不是很丰富。国内对光伏出力直接、间接预测模型的研究主要有基于数学统计预测方法和基于人工智能预测方法。基于数学统计预测的方法有时间序列法等，把光伏电站出力数据看作随时间周期性变化的一个随机时间序列，具有预测速度快、预测过程简单、外推性好等优点，但是该方法没有考虑影响光伏发电的环境因素。基于人工智能的预测方法有神经网络法，利用神经网络的联想、学习、记忆功能对光伏出力进行预测，由于光伏电站输出受环境影响较大，复杂的环境变化使得神经网络在训练和预测时产生较大的误差，甚至失效，因此在建立预测模型时进行了子模块划分，避免不同日类型对预测结果的影响，子模块的划分使得预测前需要对光伏电站的数据进行大量处理，限制了模型的通用性。
技术实现思路
本专利技术所要解决的技术问题是针对上述现有技术中存在的问题，提出一种基于BP神经网络的光伏发电短期出力预测方法，该方法可以有效预测不同天气类型的光伏短期出力。本专利技术为解决上述技术问题采用以下技术方案:一种基于BP神经网络的光伏发电短期出力预测方法，包括如下步骤:步骤101，根据光伏电站历史发电数据分析一天中的出力时间段，确定预测日需要预测的出力时间段；步骤102，统计光伏电站一段时期内每天在各个出力时间段的发电功率数据，以此作为BP神经网络训练的第一组输入数据；步骤103，统计各类天气类型下的发电功率数据，计算不同天气类型在步骤102所述的一段时间内的发电功率平均值；步骤104，根据不同天气类型的发电功率平均值，计算不同天气类型的发电功率平均值之间的倍率关系，将此 倍率关系映射为日类型指数，然后将日类型指数作为BP神经网络训练的第二组输入数据；步骤105，根据输入、输出单元数，经公式推算和试凑调整确定BP神经网络的隐含层节点数，建立BP神经网络训练模型；步骤106，在利用BP神经网络训练前，对发电功率数据和日类型指数进行归一化处理；步骤107，利用步骤106归一化后的数据，对BP神经网络进行训练；步骤108，利用训练后的BP神经网络进行预测日的发电功率预测，得出预测结果。作为本专利技术的一种基于BP神经网络的光伏发电短期出力预测方法的进一步优化方案，所述BP神经网络包括输入层、输出层和隐含层；其中隐含层和输出层节点的输入是前一层节点输出的加权和，每一节点的激励程度由其激励函数决定；其中:输出层第k个节点的输入为:本文档来自技高网...

【技术保护点】
一种基于BP神经网络的光伏发电短期出力预测方法，其特征在于，包括如下步骤：步骤101，根据光伏电站历史发电数据分析一天中的出力时间段，确定预测日需要预测的出力时间段；步骤102，统计光伏电站一段时期内每天在各个出力时间段的发电功率数据，以此作为BP神经网络训练的第一组输入数据；步骤103，统计各类天气类型下的发电功率数据，计算不同天气类型在步骤102所述的一段时间内的发电功率平均值；步骤104，根据不同天气类型的发电功率平均值，计算不同天气类型的发电功率平均值之间的倍率关系，将此倍率关系映射为日类型指数，然后将日类型指数作为BP神经网络训练的第二组输入数据；步骤105，根据输入、输出单元数，经公式推算和试凑调整确定BP神经网络的隐含层节点数，建立BP神经网络训练模型；步骤106，在利用BP神经网络训练前，对发电功率数据和日类型指数进行归一化处理；步骤107，利用步骤106归一化后的数据，对BP神经网络进行训练；步骤108，利用训练后的BP神经网络进行预测日的发电功率预测，得出预测结果。

【技术特征摘要】
1.一种基于BP神经网络的光伏发电短期出力预测方法，其特征在于，包括如下步骤: 步骤101，根据光伏电站历史发电数据分析一天中的出力时间段，确定预测日需要预测的出力时间段； 步骤102，统计光伏电站一段时期内每天在各个出力时间段的发电功率数据，以此作为BP神经网络训练的第一组输入数据； 步骤103，统计各类天气类型下的发电功率数据，计算不同天气类型在步骤102所述的一段时间内的发电功率平均值； 步骤104，根据不同天气类型的发电功率平均值，计算不同天气类型的发电功率平均值之间的倍率关系，将此倍率关系映射为日类型指数，然后将日类型指数作为BP神经网络训练的第二组输入数据； 步骤105，根据输入、输出单元数，经公式推算和试凑调整确定BP神经网络的隐含层节点数，建立BP神经网络训练模型； 步骤106，在利用BP神经网络训练前，对发电功率数据和日类型指数进行归一化处理； 步骤107，利用步骤106归一化后的数据，对BP神经网络进行训练； 步骤108，利用训练后的BP神经网络进行预测日的发电功率预测，得出预测结果。2.根据权利要求1所述的一种基于BP神经网络的光伏发电短期出力预测方法，其特征在于，所述BP神经网络包括输入层、输出...

【专利技术属性】
技术研发人员：袁晓玲，施俊华，
申请(专利权)人：河海大学，
类型：发明
国别省市：