[發明專利]一種基于時間段聚類的光伏電站功率預測系統

無效

• 申請號: 201310279475.4
• 申請日: 2013-07-04
• 公開（公告）號: CN103390197A
• 公開（公告）日: 2013-11-13
• 發明（設計）人: 馮乾;張嵐;亢楠;施輝偉;梁俊霞;葉毅;劉斌;申云;李思亮;張翼龍
• 申請（專利權）人: 云南電網公司北京能源新技術研究發展中心
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 楊立

技術領域

本發明涉及一種光伏電站功率預測系統，特別涉及一種基于時間段聚類的光伏電站功率預測系統。

背景技術

進入新世紀以來，化石能源短缺、環境污染嚴重和全球氣候變化等問題日益突出，世界能源發展呈現出了清潔化、低碳化、高效化的新趨勢。我國電力工業也面臨著新的形勢，能源發展格局、電力供需狀況、電力發展方式正在發生著深刻的變化。未來將有大量的分布式清潔能源發電及其他形式發電接入電網，要求電網具有清潔能源接納能力。

我國太陽能資源開發利用的潛力非常廣闊。中國大多數地區年平均輻射量在每平方米4千瓦是以上，年日照時數大于2000小時，與同緯度的其他國家相比，與美國近似，比歐洲、日本優越得多，因而具有絕大的開發潛力。近年來，太陽能在我國進入了前所未有的高速發展時期，取得了舉世矚目的成就。過去10年，太陽能發電裝機增長了21倍，成為新的增長點。從長遠來看，太陽能的開發利用符合我國能源發展戰略、實現電力可持續發展、電力結構調整和環境保護的需要。

隨著光伏電站裝機容量的不斷增加，光伏電站的并網面臨著新的問題。與風資源類似，光資源也具有波動性和間歇性的特點。開展光伏功率預測的研究對光伏發電優化調度、降低運行成本、提高光伏發電利用時數、提高電網安全水平具有重要的意義。因此，開展光伏發電功率預測方法研究，實現光伏發電功率的預測是十分必要的。

現有的光伏電站功率預測方法一般使用的方法有：物理法、統計法、物理-統計相結合的方法。其中統計法包括：神經網絡、支持向量機、時間序列分析等。這些方法都是通用的預測算法和模型，也同樣應用于其他行業的預測預報中。本專利考慮太陽輻射本身的間歇性和周期特性提出一種新的基于歷史數據的時間段聚類的自相關方法。

發明內容

本發明所要解決的技術問題是提供一種結合時間段聚類及組合預測的的光伏電站功率預測方法及系統。

本發明解決上述技術問題的技術方案如下：一種基于時間段聚類的光伏電站功率預測方法，包括以下步驟：

步驟1：根據預測緯度計算預報時間段內的預測天文輻射量；

步驟2：根據與預報時間段相同日期相同時間段的歷史時間段及預測緯度，計算該歷史時間段的歷史天文輻射量；

步驟3：獲取歷史實測輻射量，根據歷史實測輻射量和歷史天文輻射量，計算該歷史時間段中的歷史輻射比，并根據緯度計算與歷史時間段臨近的預定數量的臨近輻射比；

步驟4：將與歷史時間段臨近的多個時間段分別記為多個時間向量，并根據緯度分別計算與預報時間段不同日期且相同時間段的多個歷史輻射比；

步驟5：根據時間向量、歷史輻射比、預訂數量的臨近輻射比和多個歷史輻射比建立多個功率預測模型；

步驟6：將多個功率預測模型的誤差平方和分別與預設的模型容許誤差限比較，如果有至少兩個的功率預測模型的誤差平方和低于模型容許誤差限，利用低于模型容許誤差限的功率預測模型建立組合預測模型，將低于模型容許誤差限的功率預測模型對應的歷史輻射比作為預測輻射比，與預測天文輻射量一同代入組合預測模型，得到太陽輻射預測功率；如果有小于兩個的功率預測模型的誤差平方和低于模型容許誤差限，將功率預測模型對應的歷史輻射比作為預測輻射比代入誤差平方和最小的功率預測模型，得到太陽輻射預測功率；

步驟7：將太陽輻射預報數據輸入到光電轉換模型中，得到光伏面板的發電功率，將光伏面板的發電功率輸入到電能逆變模型，得到光伏電站的物理功率預測數據。

本發明的有益效果是：在考慮了太陽輻射本身的周期性，對其進行合理抽象和假設。僅需要輸入歷史輻射數據，對數據的要求不高；其次是提高了預測預報的速度并能夠滿足業界實時預報的準確度要求。

在上述技術方案的基礎上，本發明還可以做如下改進。

進一步，所述歷史輻射比為歷史實測輻射量與歷史天文輻射量的商，預測的太陽輻射量為預測天文輻射量乘以預測輻射比。

采用上述進一步方案的有益效果是將云層和其他氣象條件對天文輻射的遮擋簡化為輻射比，以此作為預測實際輻射量的主要依據。

進一步，步驟5進一步為，根據時間向量、預訂數量的臨近輻射比和多個歷史輻射比，利用線性回歸或者三次樣條差值的方法建立功率預測模型。

采用上述進一步方案的有益效果是綜合考慮了預測時間段太陽輻射比的波動性，以及這種波動的是有一定的周期性的基礎上，建立預測模型。

進一步，所述步驟6中利用低于模型容許誤差限的功率預測模型建立組合預測模型進一步為，根據低于模型容許誤差限的功率預測模型采用熵值法建立組合預測模型。