[發明專利]基于BP神經網絡的光伏發電短期出力預測方法

無效

• 申請號: 201310103288.0
• 申請日: 2013-03-27
• 公開（公告）號: CN103218673A
• 公開（公告）日: 2013-07-24
• 發明（設計）人: 袁曉玲;施俊華
• 申請（專利權）人: 河海大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/02
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 朱小兵

技術領域

本發明涉及光伏發電系統，尤其涉及一種光伏發電短期出力預測方法。

背景技術

當前，全球化石能源資源日益短缺、氣候變化等環境壓力日漸增大。太陽能作為一種清潔、安全、可再生的綠色能源，在緩解世界能源供應緊張，優化能源結構，保護環境等方面有著獨特的優勢。太陽能發電不需要消耗常規能源，是綠色無污染的清潔能源，被世界各國重視。作為太陽能發電利用的主要形式，光伏發電在近年來得到了飛速的發展。大規模光伏并網發電是充分利用太陽能的一種有效方法，也是光伏發電系統的主流趨勢，目前大規模的光伏并網系統已得到應用。

由于光伏并網的出力具有隨機性，光伏并網系統相對于大電網是一個不可控電源，其出力的不穩定性對大電網的安全穩定運行有影響。因此，大規模光伏發電的滲透接入必定給電網帶來一系列的影響，光伏發電是間歇性能源，受太陽輻射強度、環境溫度等影響，輸出功率具有不確定性，其并入電網后使得大電網的短期負荷預測準確性降低，光伏出力大幅度的變化也必然引起整個系統的電壓、頻率波動，電力系統存在頻率和電壓穩定問題，增加了傳統發電、控制和運行計劃的難度，不利于電網調度人員安排常規電源與其協調調度。

所以，為了安全有效地利用光伏發電，準確預測光伏發電的出力具有重要的意義。一方面可以有效地降低光伏并網對電力系統造成的負面影響，提高電力系統運行的可靠性和穩定性，另一方面可以降低電力系統的旋轉備用容量，充分利用太陽能資源，獲得更大的經濟效益、社會效益和環境效益。同時，光伏出力預測是設計并網光伏電站所需要的基礎數據。光伏發電出力的預測結果，為光伏電源的接入位置、接入方式和運行方式提供理論依據，為電力系統優化調度和儲能裝置的合理配置提供可靠的依據。

目前，光伏出力預測的方法主要分為兩種：

（1）直接預測，是指通過對輸出功率、天氣等的歷史數據進行統計分析，直接建立出力預測模型，不需要對氣象溫度等外部環境進行預測。

（2）間接預測，是指對天氣情況或日照強度進行預測，建立天氣變化與日照強度模型，通過這些參數與光伏發電量的關系，計算得出預測值。

國外對于光伏出力預測的研究起步較早，主要集中于短期出力預測和超短期出力預測。在短期出力預測的研究中，根據氣象預報獲得未來1-2天內的氣象信息，利用歷史數據預測得到地面太陽輻射強度，再根據光伏陣列效率轉化公式預測光伏發電的出力。其中，超短期出力預測是根據衛星云圖的變化預測未來幾個小時內云層的運動情況，對云層指數進行預測，建立云層指數與地面太陽能輻射強度之間的映射關系，得到太陽輻射的預測值，再通過光伏陣列的效率轉化公式計算出光伏電站的出力。短期和超短期出力預測實時性強，但電網的調度需要一定的反應時間，因此對電網的應變能力提出了更高的要求。

我國的光伏發電預測研究尚處于起步階段，針對光伏出力的研究還不是很豐富。國內對光伏出力直接、間接預測模型的研究主要有基于數學統計預測方法和基于人工智能預測方法。基于數學統計預測的方法有時間序列法等，把光伏電站出力數據看作隨時間周期性變化的一個隨機時間序列，具有預測速度快、預測過程簡單、外推性好等優點，但是該方法沒有考慮影響光伏發電的環境因素。基于人工智能的預測方法有神經網絡法，利用神經網絡的聯想、學習、記憶功能對光伏出力進行預測，由于光伏電站輸出受環境影響較大，復雜的環境變化使得神經網絡在訓練和預測時產生較大的誤差，甚至失效，因此在建立預測模型時進行了子模塊劃分，避免不同日類型對預測結果的影響，子模塊的劃分使得預測前需要對光伏電站的數據進行大量處理，限制了模型的通用性。

發明內容

本發明所要解決的技術問題是針對上述現有技術中存在的問題，提出一種基于BP神經網絡的光伏發電短期出力預測方法，該方法可以有效預測不同天氣類型的光伏短期出力。

本發明為解決上述技術問題采用以下技術方案：

一種基于BP神經網絡的光伏發電短期出力預測方法，包括如下步驟：

步驟101，根據光伏電站歷史發電數據分析一天中的出力時間段，確定預測日需要預測的出力時間段；

步驟102，統計光伏電站一段時期內每天在各個出力時間段的發電功率數據，以此作為BP神經網絡訓練的第一組輸入數據；

步驟103，統計各類天氣類型下的發電功率數據，計算不同天氣類型在步驟102所述的一段時間內的發電功率平均值；

步驟104，根據不同天氣類型的發電功率平均值，計算不同天氣類型的發電功率平均值之間的倍率關系，將此倍率關系映射為日類型指數，然后將日類型指數作為BP神經網絡訓練的第二組輸入數據；