一種光伏出力預測方法
【專利摘要】本發明公開了一種光伏出力預測方法，涉及光伏發配電【技術領域】，所述方法包括以下步驟：（1）建立輻照量物理模型，計算光伏組件的出力值；（2）計算衰減系數，構建不同天氣類型的遺傳神經網絡預測模型；（3）通過遺傳神經網絡預測模型預測衰減系數，得到預測值。本發明通過物理模型計算傾斜面上的光伏陣列出力并與實際光伏出力值進行比對，得到由于天氣等因素的影響使得出力衰減的系數，利用歷史的天氣情況和出力衰減系數通過遺傳神經網絡構造一個衰減系數的預測模型，將預測出的衰減系數與物理模型得到的出力值相乘獲取最終的預測結果，本方法提高了預測精度，可進行時、日的短時預測，滿足了實際應用中的需要。
【專利說明】一種光伏出力預測方法
【技術領域】
[0001]本發明涉及光伏發配電【技術領域】，特別涉及一種光伏出力預測方法，可進行時、日的短時預測。
【背景技術】
[0002]大規模光伏發電系統的應用，有助于緩解傳統能源枯竭而引起的能源危機，但是其輸出功率的不確定性會對電力系統經濟、安全和可靠運行產生很大的負面影響，因此迫切需要對光伏出力進行準確的預測，進而采取相應的技術措施抑制或補償光伏發電功率波動。電力調度部門能夠根據光伏預測功率信息合理進行規劃、及時調整調度計劃、減少系統的備用容量，降低電力系統運行成本，盡量減少光伏對電網的影響。
[0003]光伏出力與輻照量相關度最高，多數預測方法都會采用預報輻照量作為預測模型的輸入向量，但是當前國內太陽輻射站點較為稀少并且預報能力不高，因此這類預測方法的預測精度不高。
【發明內容】
[0004]本發明提供了一種光伏出力預測方法，本發明提高了預測精度，該方法運用簡單、方便、有一定的物理意義，能夠有效的對光伏出力進行預測，詳見下文描述:
[0005]一種光伏出力預測方法，所述方法包括以下步驟:
[0006](I)建立輻照量物理模型，計算光伏組件的出力值；
[0007](2)計算衰減系數，構建不同天氣類型的遺傳神經網絡預測模型；
[0008](3)通過遺傳神經網絡預測模型預測衰減系數，得到預測值。
[0009]所述建立輻照量物理模型，計算光伏組件的出力值的步驟具體為:
[0010]輻照量物理模型:
[0011]G0=G0nCOS Θ
[0012]其中，Gm為大氣頂層的光照度；Θ太陽光入射角；
[0013]光伏陣列出力值為:
[0014]Ps= η SG。[1-0.005 (T-25)]
[0015]其中，η為電池組件轉換效率；S為光伏陣列面積；T為當前溫度。
[0016]所述計算衰減系數，構建不同天氣類型的遺傳神經網絡預測模型的步驟具體為:
[0017]stepl:構建由天氣和光伏出力組成的數據庫，對數據庫中的天氣類型進行分類，刪除由于設備故障造成的不良記錄；
[0018]step2:選擇與預測時刻相同天氣類型的數據庫，將計算出的光伏陣列出力值與光伏出力的同時刻歷史數據進行比對，得出由于天氣等因素的影響使得出力衰減的系數，并存入數據庫中；
[0019]step3:從數據庫中選擇輸入樣本和輸出樣本，將數據進行歸一化處理；即把樣本數據轉化為0-1之間的數據；[0020]step4:確定遺傳優化的神經網絡拓撲結構；
[0021]step5:將輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值、輸出層閾值進行編碼，利用遺傳算法獲取最優權值閾值；
[0022]Step6:通過最優權值閾值計算各層輸出。
[0023]所述通過遺傳神經網絡預測模型預測衰減系數，得到預測值的步驟具體為:
[0024]stepl:選取與預測時刻相同天氣類型的遺傳神經網絡預測模型，預測衰減系數；
[0025]step2:將預測衰減系數與步驟I中物理模型計算的同時刻光伏出力值相乘，得到最終預測值。
[0026]本發明提供的技術方案的有益效果是:本發明通過物理模型計算傾斜面上的光伏陣列出力并與實際光伏出力值進行比對，得到由于天氣等因素的影響使得出力衰減的系數，利用歷史的天氣情況和出力衰減系數通過遺傳神經網絡構造一個衰減系數的預測模型，將預測出的衰減系數與物理模型得到的出力值相乘獲取最終的預測結果，本方法提高了預測精度，可進行時、日的短時預測，滿足了實際應用中的需要。
【專利附圖】
【附圖說明】
[0027]圖1為預測算法結構圖；
[0028]圖2為基于物理模型的光伏組件出力仿真流程圖；
[0029]圖3為遺傳神經網絡預測模型構建流程圖；
[0030]圖4為神經網絡的體系結構；
【具體實施方式】
[0031]為使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明實施方式作進一步地詳細描述。
[0032]我國氣象預報的能力較輻照度預報的能力稍高，并且在傾斜面上的光伏陣列出力可以通過物理模型計算得到，通過實際光伏出力與物理模型計算得到的出力值進行比對，就可以得到由于天氣等因素的影響使得出力衰減的系數，利用歷史的天氣情況和出力衰減系數就能構造一個預測衰減系數的模型，將預測出的衰減系數與物理模型得到的出力值相乘就是最終的預測結果，這種預測方法有很強的物理意義，可以預測時、日為尺度的光伏出力，具有一定的實用性、推廣性。此外，構造預測模型時采用的是遺傳神經網絡算法，遺傳算法優化神經網絡是用遺傳算法來優化神經網絡的初始權值和閾值，減少了神經網絡的訓練次數，并盡量避免神經網絡陷入局部最優值，運行時間短。
[0033]參見圖1，本發明具體實施過程由三個環節構成:I)利用物理模型計算光伏組件的出力值；2)計算衰減系數，與天氣情況構建不同天氣類型的遺傳神經網絡預測模型。3)預測衰減系數，得到預測值。
[0034]101:建立輻照量物理模型，計算光伏組件的出力值，如圖2所示。
[0035]stepl:計算光伏斜面上的輻照量；
[0036]計算太陽光入射角
【權利要求】
1.一種光伏出力預測方法，其特征在于，所述方法包括以下步驟: (1)建立輻照量物理模型，計算光伏組件的出力值； (2)計算衰減系數，構建不同天氣類型的遺傳神經網絡預測模型； (3)通過遺傳神經網絡預測模型預測衰減系數，得到預測值。
2.根據權利要求1所述的一種光伏出力預測方法，其特征在于，所述建立輻照量物理模型，計算光伏組件的出力值的步驟具體為: 輻照量物理模型:
G0=G0nCos Θ 其中，Gm為大氣頂層的光照度；Θ太陽光入射角； 光伏陣列出力值為:
Ps= n SG0 [1-0.005(Τ-25)] 其中，Η為電池組件轉換效率；S為光伏陣列面積；T為當前溫度。
3.根據權利要求1所述的一種光伏出力預測方法，其特征在于，所述計算衰減系數，構建不同天氣類型的遺傳神經網絡預測模型的步驟具體為: stepl:構建由天氣和光伏出力組成的數據庫，對數據庫中的天氣類型進行分類，刪除由于設備故障造成的不良記錄； step2:選擇與預測時刻相同天氣類型的數據庫，將計算出的光伏陣列出力值與光伏出力的同時刻歷史數據進行比對，得出由于天氣等因素的影響使得出力衰減的系數，并存入數據庫中； step3:從數據庫中選擇輸入樣本和輸出樣本，將數據進行歸一化處理；即把樣本數據轉化為0-1之間的數據； step4:確定遺傳優化的神經網絡拓撲結構； step5:將輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值、輸出層閾值進行編碼，利用遺傳算法獲取最優權值閾值； Step6:通過最優權值閾值計算各層輸出。
4.根據權利要求1所述的一種光伏出力預測方法，其特征在于，所述通過遺傳神經網絡預測模型預測衰減系數，得到預測值的步驟具體為: stepl:選取與預測時刻相同天氣類型的遺傳神經網絡預測模型，預測衰減系數；step2:將預測衰減系數與步驟I中物理模型計算的同時刻光伏出力值相乘，得到最終預測值。
【文檔編號】G06Q10/04GK103810534SQ201310686357
【公開日】2014年5月21日 申請日期:2013年12月11日 優先權日:2013年12月11日
【發明者】王凱, 曾博, 孔祥玉, 郭力, 張娜 申請人:廣西電網公司電力科學研究所, 天津大學