光伏系統(tǒng)發(fā)電功率預測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及光伏領(lǐng)域，具體涉及光伏系統(tǒng)發(fā)電功率預測方法。
【背景技術(shù)】
[0002]光伏發(fā)電系統(tǒng)受光照強度和環(huán)境溫度等因素的影響，其輸出功率的變化具有不確定性和隨機性，不利于電網(wǎng)調(diào)度部門安排常規(guī)電源和光伏發(fā)電的協(xié)調(diào)配合。因此，需提出光伏系統(tǒng)發(fā)電功率預測方法，減少光伏發(fā)電隨機性對電力系統(tǒng)的影響，提高系統(tǒng)安全性和穩(wěn)定性。

【發(fā)明內(nèi)容】

[0003]本發(fā)明提供光伏系統(tǒng)發(fā)電功率預測方法，解決光伏系統(tǒng)中因缺乏對發(fā)電功率的預測，導致影響電力系統(tǒng)性能的問題。
[0004]本發(fā)明通過以下技術(shù)方案解決上述問題:
[0005]光伏系統(tǒng)發(fā)電功率預測方法，根據(jù)光伏系統(tǒng)的輸出功率具有的波動性、間歇性和周期性的特點，按季節(jié)建立4個預測子模型;在每個預測子模型中，輸入端均設置14個變量，輸出端均設置12個節(jié)點；確定隱含層節(jié)點，進行神經(jīng)網(wǎng)絡學習以及樣本預處理;建立預測模型。
[0006]上述方案中，所述運用BP神經(jīng)網(wǎng)絡的方式建立預測模型的步驟為:
[0007]I)給定輸入向量和目標輸出；
[0008]2)求出隱含層、輸出層各節(jié)點數(shù)輸出；
[0009]3)求目標值和實際輸出的偏差；
[0010]4)計算出反向誤差；
[0011]5)權(quán)值閾值學習；
[0012]6)若本次學習結(jié)束，則本算法結(jié)束，否則，執(zhí)行步驟2)。
[0013]上述方案中，所述運用反饋型神經(jīng)網(wǎng)絡的方式建立預測模型的步驟為:
[0014]I)給走輸入向莖和目標輸出；
[0015]2)求隱含層各節(jié)點數(shù)輸出；
[0016]3)求成階層各節(jié)點數(shù)輸出，執(zhí)行步驟2)，或求目標值和實際輸出偏差；
[0017]4)計算反向誤差；
[0018]5)權(quán)值閾值學習；
[0019]6)若本次學習結(jié)束，則本算法結(jié)束，否則，執(zhí)行步驟2)。
[0020]上述方案中，所述運用混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合的方式建立預測模型的步驟為:
[0021]I)設定反饋型神經(jīng)網(wǎng)絡的輸入層、隱含層、輸出層的神經(jīng)元個數(shù)，將RNN中各個神經(jīng)元之間的權(quán)值和閾值編碼成實數(shù)串表示的個體；
[0022]2)設置混沌自適應粒子群算法的初始化參數(shù)和終止條件。利用混沌自適應粒子群算法尋找全局尋最優(yōu)的反饋型神經(jīng)網(wǎng)絡的權(quán)值和閾值；
[0023]3)采用混沌優(yōu)化算法初始化粒子群中各粒子的位置和速度；
[0024]4)計算各個粒子的慣性權(quán)重系數(shù)，更新各粒子的速度和位置；
[0025]5)計算各粒子的適應度值，若每個粒子的當前適應值優(yōu)于局部最優(yōu)值，則更新局部最優(yōu)值，若優(yōu)于全局最優(yōu)值，則更新全局最優(yōu)值；
[0026]6)計算粒子的平均粒距，如果D(t)小于預設閾值，則說明粒子陷入早熟;在原解空間對每一個可行解計算其適應值并選出每個粒子最優(yōu)解，使得粒子跳出局部最優(yōu)的同時增加了種群多樣性；
[0027]7)用每個粒子最優(yōu)解取代當前群體中最差粒子的位置，若每個粒子最優(yōu)解中存在適應值由于全部極值的粒子，則替代全局極值點；
[0028]8)若終止條件，執(zhí)行步驟9)，否則執(zhí)行步驟4);
[0029]9)輸出全局最優(yōu)解及其適應值；
[0030]10)利用優(yōu)化結(jié)果構(gòu)建反饋型神經(jīng)網(wǎng)絡，借助其無窮逼近能力和強大局部搜索能力，得到最優(yōu)預測模型。
[0031]上述方案中，運用BP神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)絡、混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合的三種方式之一建立預測模型。
[0032]本發(fā)明的優(yōu)點與效果是:
[0033]充分考慮引發(fā)光伏系統(tǒng)輸出功率波動性和間歇性的因素，給BP神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)絡、混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合的三種方式建立預測模型，并給出最優(yōu)選的實現(xiàn)方式，實現(xiàn)收斂速度更快、穩(wěn)定性更好、預測結(jié)果更精確，從而將對電力系統(tǒng)性能的負面影響降到最小。
【具體實施方式】
[0034]以下結(jié)合實施例對本發(fā)明作進一步說明，但本發(fā)明并不局限于這些實施例。
[0035]光伏系統(tǒng)的輸出功率具有波動性和間歇性與太陽光照強度、光伏陣列的安裝角度、太陽入射角度、轉(zhuǎn)換效率、溫度、大氣壓強以及其它一些隨機因素有關(guān)。光伏系統(tǒng)發(fā)電功率的時間序列本身具有高度自相關(guān)性，在光伏發(fā)電系統(tǒng)的歷史發(fā)電功率時間序列中，所有光伏發(fā)電輸出功率歷史數(shù)據(jù)均來自于同一套光伏發(fā)電系統(tǒng)，這些數(shù)據(jù)自身包含了光伏陣列的信息，解決了光伏陣列的安裝位置、安裝角度和光伏陣列的使用時間等對轉(zhuǎn)換效率的影響。因此，采用歷史發(fā)電功率數(shù)據(jù)訓練神經(jīng)網(wǎng)絡預測模型，進而直接預測未來的光伏輸出功率的預測方法，比光伏發(fā)電的間接預測法更加準確。
[0036]光伏系統(tǒng)發(fā)電功率曲線與光照強度曲線的變化規(guī)律具有相似性，其變化趨勢總體上映射了光照強度的變化，即光照強度的影響可在發(fā)電功率中得到體現(xiàn)。以光伏系統(tǒng)發(fā)電功率的力數(shù)數(shù)據(jù)作為預測模型的輸入量，能得到更準確的預測結(jié)果。
[0037]光伏系統(tǒng)輸出功率除了具有不確定性外，還具有周期性。一般光伏系統(tǒng)主要工作在7:00-18:00。同樣是晴天，日發(fā)電功率會略有不同，但是發(fā)電功率曲線的變化規(guī)律相似；陰天和雨天的發(fā)電功率，日類型不同，光伏系統(tǒng)的發(fā)電功率差距很大。將光伏系統(tǒng)的歷史數(shù)據(jù)根據(jù)日類型的特點分類為晴天、陰天、多云和雨天，有助于提高預測精度。
[0038]光伏歷史發(fā)電數(shù)據(jù)映射出的發(fā)電功率曲線的形狀與日類型相關(guān)，而相同日類型情況下的氣溫變化將映射曲線高度的細微變化。預測模型的輸入變量中需要考慮大氣溫度，減少輸入的不確定性影響。在相同日類型的情況下，日平均溫度較高時，日均輸出功率也較大。同時，季節(jié)因素對光伏系統(tǒng)發(fā)電功率的影響也很大，這主要是由于太陽入射角度、光照強度和氣候環(huán)境的差異引起。
[0039]按季節(jié)建立四個子模型，各子模型按照日類型進行分類;子模型的輸入量為14個，分別為預測日的前一日7:00-18:00的12個時刻的發(fā)電功率，再加上前一日和預測日的平均溫度。模型預測的是次日7:00-18:00的12個發(fā)電時間序列的輸出功率；
[0040]運用經(jīng)驗公式確定隱含節(jié)點的數(shù)量，再通過不斷地調(diào)試不同的網(wǎng)絡模型結(jié)構(gòu)，進而得到隱含層節(jié)點個數(shù)；訓練中預先設置初始化的隱含層節(jié)點個數(shù)，然后以一定數(shù)量的歷史數(shù)據(jù)作為訓練集，對網(wǎng)絡進行訓練;另一部分作為測試集，對訓練好的網(wǎng)絡進行測試。測試的目的主要是檢測網(wǎng)絡的泛化能力；利用線性回歸法對不同的網(wǎng)絡結(jié)構(gòu)進行分析比較，網(wǎng)絡輸出與目標輸出的相關(guān)系數(shù)越接近I，網(wǎng)絡性能越好；
[0041]本發(fā)明運用到的神經(jīng)網(wǎng)絡學習算法為自適應學習速率動量法，自適應學習速率動量法是將附加動量法和自適應學習速率法相結(jié)合，在訓練過程中使學習速率根據(jù)局部誤差曲面不斷做出調(diào)整，以得到比定學習速率更好的收斂特性，在原梯度下降算法的基礎(chǔ)上引入動量系數(shù)，使同一梯度方向上的權(quán)值修正量增加，加速修正速度。
[0042]影響光伏系統(tǒng)發(fā)電功率預測的因素主要是歷史發(fā)電功率數(shù)據(jù)和天氣數(shù)據(jù)。為提高預測精度，需要對輸入的歷史發(fā)電功率數(shù)據(jù)和溫度數(shù)據(jù)進行篩選，剔除奇異數(shù)據(jù)。同時，為了避免神經(jīng)元出現(xiàn)飽和現(xiàn)象，對網(wǎng)絡訓練的輸入、輸出發(fā)電功率數(shù)據(jù)進行歸一化處理。用隸屬度函數(shù)對溫度進行模糊化處理，轉(zhuǎn)化為模糊量，進而提高預測精度。
[0043]建立預測模型的方式為:BP神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)絡、混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合。本發(fā)明中，優(yōu)選的預測方法為將混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合。
[0044]基于BP神經(jīng)網(wǎng)絡建立預測模型，是指基于誤差反向傳播算法的多層前饋神經(jīng)網(wǎng)絡，主要包括網(wǎng)絡學習的正向傳播和誤差的反向傳播。BP神經(jīng)網(wǎng)絡具有強大的非線性映射能力，通過訓練樣本使網(wǎng)絡學習和儲存大量的輸入、輸出映射關(guān)系；同時該網(wǎng)絡還具有較好的泛化能力。這兩種特性正好適用于受自然環(huán)境影響大、隨機性大的光伏系統(tǒng)發(fā)電功率預測。BP神經(jīng)網(wǎng)絡的輸入層節(jié)點是14個，輸出層節(jié)點12個，各層網(wǎng)絡的訓練函數(shù)自適應學習速率動量法。隱含層節(jié)點個數(shù)通過網(wǎng)絡結(jié)構(gòu)的綜合評價指標決定，具有良好的網(wǎng)絡泛化能力，回歸分析相關(guān)系數(shù)