基于改进RBF神经网络的光伏电站群区域功率预测方法技术

一种基于改进RBF神经网络的光伏电站群区域功率预测方法，其特征在于：它依次包括以下步骤：步骤1：将整个区域划分为若干子区域，并进行数据质量控制，剔除明显不合实际的数据点；步骤2：计算各子区域内光伏电站实测功率与子区域总实测功率间的相关性系数，为每一个子区域选择若干基准光伏电站；步骤3：利用物理和统计相结合的方法实现基准光伏电站的短期输出功率预测；步骤4：建立基于遗传操作算子的粒子群算法优化的RBF神经网络模型，预测各子区域的短期输出功率；步骤5：将各子区域功率预测结果累加得到区域光伏电站群的预测输出总功率。

【技术实现步骤摘要】
【专利摘要】本专利技术公开一种基于改进RBF神经网络的光伏电站群区域功率预测方法，包括以下步骤：划分整个区域为若干子区域，进行数据质量控制，剔除明显不合实际的数据点；计算各子区域内光伏电站实测功率与子区域总实测功率间的相关性系数，为每一个子区域选择若干基准光伏电站；利用物理和统计相结合的方法实现基准光伏电站的短期功率预测；建立基于遗传操作算子的粒子群算法优化的RBF神经网络模型，预测各子区域的短期功率；将各子区域功率预测结果累加得到区域光伏电站群的预测总功率。本专利技术旨在为电力调度部门依据区域功率预测结果制定次日发电计划，优化实时调度调整，减少电力系统旋转备用容量，降低系统运行成本，进一步提高系统光伏接纳能力。【专利说明】基于改进RBF神经网络的光伏电站群区域功率预测方法
本专利技术属于光伏发电功率预测领域，具体涉及一种基于改进RBF神经网络的光伏电站群区域功率预测方法。
技术介绍
太阳能是一种取之不尽用之不竭的可再生能源，具有清洁、安全、分布广泛、蕴藏丰富等特点。光伏发电是根据光生伏打效应原理，利用太阳能电池将太阳辐射能直接转化为电能的一种发电形式。在当今全球能源紧缺、环境恶化等压力下，光伏发电逐渐受到各国青睐，得到快速发展。然而，由于光伏发电具有间歇性、波动性、周期性等特点，大规模光伏发电并网势必会对电网全网的安全稳定经济运行造成巨大影响；加之我国光伏发电的迅猛发展，单一光伏电站输出功率的预测已无法满足调度应用的需求，因此，开展光伏电站群区域功率预测方法的研究至关重要。一方面有助于电力调度部门依据区域功率预测结果统筹安排常规能源和光伏发电的协调配合，合理安排电网运行方式，优化实时调度调整，尽可能多地接纳光伏发电；另一方面有助于电力系统减少旋转备用容量，降低系统运行成本，以充分利用太阳能资源，获得更大的社会和经济效益。从理论上讲，光伏电站群区域功率预测是指对于一个区域，利用有限个光伏电站的已有历史数据直接预测整个区域内光伏电站群的光伏发电总功率的方法。目前主要有两种实现方式:一种是将并入电网的所有光伏电站在相同时刻接入电网的功率预测结果值累加；另一种是采用统计升尺度技术基于代表光伏电站的功率预测结果实现区域光伏电站群的光伏发电功率预测。事实上，第一种功率预测实现方式可信性差，这是因为:I)有些光伏电站为了减少投资以节省成本，并未安装光伏发电功率预测系统或从数值天气预报服务提供商处购买天气预报数据；2)由于数据条件的不完备，光伏电站难以建立准确的功率预测模型，致使其功率预测结果良莠不齐，直接累加有可能使误差放大，以致无法预测整个区域内光伏电站群的光伏发电总功率。
技术实现思路
本专利技术的目的在于提供一种基于改进RBF神经网络的光伏电站群区域功率预测方法，以解决整个区域的光伏发电功率预测问题，尤其是当单一光伏电站的功率无法预测时的光伏电站群区域功率预测问题。本专利技术旨在为电力调度部门依据光伏电站群区域功率预测结果确定次日发电量，优化电网调度方式，减少电力系统旋转备用容量，降低电力系统运行成本，进一步提高光伏发电接入电力系统的能力。为了实现上述目的，本专利技术采用如下技术方案:一种基于改进RBF神经网络的光伏电站群区域功率预测方法，其特征在于:它依次包括以下步骤:步骤1:将整个区域划分为若干子区域，并进行数据质量控制，剔除明显不合实际的数据点；步骤2:计算各子区域内光伏电站实测功率与子区域总实测功率间的相关性系数，为每一个子区域选择若干基准光伏电站；步骤3:利用物理和统计相结合的方法实现基准光伏电站的短期输出功率预测；步骤4:建立基于遗传操作算子的粒子群算法优化的RBF神经网络模型，预测各子区域的短期输出功率；步骤5:将各子区域功率预测结果累加得到区域光伏电站群的预测输出总功率。具体步骤如下:所述步骤I包括以下步骤:步骤1.1:综合考虑分析区域内各光伏电站的地理分布和光伏电站接入电力系统的位置，将整个区域划分为若干子区域；步骤1.2:对各光伏电站历史输出功率和对应时间段子区域总输出功率资料进行分析和数据质量控制，剔除明显不合实际的数据点。所述步骤2包括以下步骤:步骤2.1:计算各子区域内光伏电站实测功率与子区域总实测功率间的相关性系数；步骤2.2:对于每一个子区域，首先对计算后的相关性系数进行降序排列，然后选择相关性系数较大的光伏电站作为基准光伏电站，并满足各基准光伏电站的额定功率之和达到该子区域额定功率的70%以上。 所述相关性系数用Ris表示【权利要求】1.一种基于改进RBF神经网络的光伏电站群区域功率预测方法，其特征在于:它依次包括以下步骤: 步骤1:将整个区域划分为若干子区域，并进行数据质量控制，剔除明显不合实际的数据点； 步骤2:计算各子区域内光伏电站实测功率与子区域总实测功率间的相关性系数，为每一个子区域选择若干基准光伏电站； 步骤3:利用物理和统计相结合的方法实现基准光伏电站的短期输出功率预测； 步骤4:建立基于遗传操作算子的粒子群算法优化的RBF神经网络模型，预测各子区域的短期输出功率； 步骤5:将各子区域功率预测结果累加得到区域光伏电站群的预测输出总功率。2.根据权利要求1所述的基于改进RBF神经网络的光伏电站群区域功率预测方法，其特征在于:所述步骤I包括以下步骤: 步骤1.1:综合考虑分析区域内各光伏电站的地理分布和光伏电站接入电力系统的位置，将整个区域划分为若干子区域； 步骤1.2:对各光伏电站历史输出功率和对应时间段子区域总输出功率资料进行分析和数据质量控制，剔除明显不合实际的数据点。3.根据权利要求1所述的基于改进RBF神经网络的光伏电站群区域功率预测方法，其特征在于:所述步骤2包括以`下步骤: 步骤2.1:计算各子区域内光伏电站实测功率与子区域总实测功率间的相关 性系数； 步骤2.2:对于每一个子区域，首先对计算后的相关性系数进行降序排列，然后选择相关性系数较大的光伏电站作为基准光伏电站，并满足各基准光伏电站的额定功率之和达到该子区域额定功率的70%以上。4.根据权利要求1或3所述的基于改进RBF神经网络的光伏电站群区域功率预测方法，其特征在于: η___ Σ叱-再Η&-巧)】 所述相关性系数用Ris表示，1S = 拉.....Psf I i~i1-1 式⑴中，Ris为第i个光伏电站实测功率与子区域S总实测功率的相关性系数；t为时间为数据个数；Pit为第i个光伏电站在t时刻的实测功率；Pst为子区域S内所有光伏电站在t时刻的实测功率总和；写为时间段内第i个光伏电站的所有实测功率的平均值；6为时间段内子区域S中所有光伏电站的实测功率总和的平均值。5.根据权利要求3所述的基于改进RBF神经网络的光伏电站群区域功率预测方法，其特征在于: 所述基准光伏电站选取方法:对子区域S计算后的相关性系数进行降序排列，选取相关性系数较大的前m个光伏电站(i e )，若满足mXPEi>70%XPs(2) i=l m-1XPEi<70%XPs(3) i=l 则称这m个光伏电站为代表子区域S的基准光伏电站； 式⑵和(3)中，PEi为第i个光伏电站的额定功率；PS为子区域S所含光伏电站的额定功率总和。6.根据权利要求1所述的基于改进RBF神经本文档来自技高网...

【技术保护点】
一种基于改进RBF神经网络的光伏电站群区域功率预测方法，其特征在于：它依次包括以下步骤：步骤1：将整个区域划分为若干子区域，并进行数据质量控制，剔除明显不合实际的数据点；步骤2：计算各子区域内光伏电站实测功率与子区域总实测功率间的相关性系数，为每一个子区域选择若干基准光伏电站；步骤3：利用物理和统计相结合的方法实现基准光伏电站的短期输出功率预测；步骤4：建立基于遗传操作算子的粒子群算法优化的RBF神经网络模型，预测各子区域的短期输出功率；步骤5：将各子区域功率预测结果累加得到区域光伏电站群的预测输出总功率。

【技术特征摘要】

【专利技术属性】
技术研发人员：周永华，陆源，李科，张国建，郭彦飞，李岩，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：