光伏系統(tǒng)發(fā)電功率預(yù)測(cè)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(yù)測(cè)方法。
【背景技術(shù)】
[0002]光伏發(fā)電系統(tǒng)受光照強(qiáng)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(jī)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(yù)測(cè)方法，減少光伏發(fā)電隨機(jī)性對(duì)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(yù)測(cè)方法，解決光伏系統(tǒng)中因缺乏對(duì)發(fā)電功率的預(yù)測(cè)，導(dǎo)致影響電力系統(tǒng)性能的問(wèn)題。
[0004]本發(fā)明通過(guò)以下技術(shù)方案解決上述問(wèn)題:
[0005]光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，根據(jù)光伏系統(tǒng)的輸出功率具有的波動(dòng)性、間歇性和周期性的特點(diǎn)，按季節(jié)建立4個(gè)預(yù)測(cè)子模型;在每個(gè)預(yù)測(cè)子模型中，輸入端均設(shè)置14個(gè)變量，輸出端均設(shè)置12個(gè)節(jié)點(diǎn)；確定隱含層節(jié)點(diǎn)，進(jìn)行神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)以及樣本預(yù)處理;建立預(yù)測(cè)模型。
[0006]上述方案中，所述運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的方式建立預(yù)測(cè)模型的步驟為:
[0007]I)給定輸入向量和目標(biāo)輸出；
[0008]2)求出隱含層、輸出層各節(jié)點(diǎn)數(shù)輸出；
[0009]3)求目標(biāo)值和實(shí)際輸出的偏差；
[0010]4)計(jì)算出反向誤差；
[0011]5)權(quán)值閾值學(xué)習(xí)；
[0012]6)若本次學(xué)習(xí)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(yùn)用反饋型神經(jīng)網(wǎng)絡(luò)的方式建立預(yù)測(cè)模型的步驟為:
[0014]I)給走輸入向莖和目標(biāo)輸出；
[0015]2)求隱含層各節(jié)點(diǎn)數(shù)輸出；
[0016]3)求成階層各節(jié)點(diǎn)數(shù)輸出，執(zhí)行步驟2)，或求目標(biāo)值和實(shí)際輸出偏差；
[0017]4)計(jì)算反向誤差；
[0018]5)權(quán)值閾值學(xué)習(xí)；
[0019]6)若本次學(xué)習(xí)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(yùn)用混沌自適應(yīng)粒子群算法與反饋型神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式建立預(yù)測(cè)模型的步驟為:
[0021]I)設(shè)定反饋型神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)，將RNN中各個(gè)神經(jīng)元之間的權(quán)值和閾值編碼成實(shí)數(shù)串表示的個(gè)體；
[0022]2)設(shè)置混沌自適應(yīng)粒子群算法的初始化參數(shù)和終止條件。利用混沌自適應(yīng)粒子群算法尋找全局尋最優(yōu)的反饋型神經(jīng)網(wǎng)絡(luò)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(jì)算各個(gè)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(jì)算各粒子的適應(yīng)度值，若每個(gè)粒子的當(dāng)前適應(yīng)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(jì)算粒子的平均粒距，如果D(t)小于預(yù)設(shè)閾值，則說(shuō)明粒子陷入早熟;在原解空間對(duì)每一個(gè)可行解計(jì)算其適應(yīng)值并選出每個(gè)粒子最優(yōu)解，使得粒子跳出局部最優(yōu)的同時(shí)增加了種群多樣性；
[0027]7)用每個(gè)粒子最優(yōu)解取代當(dāng)前群體中最差粒子的位置，若每個(gè)粒子最優(yōu)解中存在適應(yīng)值由于全部極值的粒子，則替代全局極值點(diǎn)；
[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(yīng)值；
[0030]10)利用優(yōu)化結(jié)果構(gòu)建反饋型神經(jīng)網(wǎng)絡(luò)，借助其無(wú)窮逼近能力和強(qiáng)大局部搜索能力，得到最優(yōu)預(yù)測(cè)模型。
[0031]上述方案中，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)、混沌自適應(yīng)粒子群算法與反饋型神經(jīng)網(wǎng)絡(luò)相結(jié)合的三種方式之一建立預(yù)測(cè)模型。
[0032]本發(fā)明的優(yōu)點(diǎn)與效果是:
[0033]充分考慮引發(fā)光伏系統(tǒng)輸出功率波動(dòng)性和間歇性的因素，給BP神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)、混沌自適應(yīng)粒子群算法與反饋型神經(jīng)網(wǎng)絡(luò)相結(jié)合的三種方式建立預(yù)測(cè)模型，并給出最優(yōu)選的實(shí)現(xiàn)方式，實(shí)現(xiàn)收斂速度更快、穩(wěn)定性更好、預(yù)測(cè)結(jié)果更精確，從而將對(duì)電力系統(tǒng)性能的負(fù)面影響降到最小。
【具體實(shí)施方式】
[0034]以下結(jié)合實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明，但本發(fā)明并不局限于這些實(shí)施例。
[0035]光伏系統(tǒng)的輸出功率具有波動(dòng)性和間歇性與太陽(yáng)光照強(qiáng)度、光伏陣列的安裝角度、太陽(yáng)入射角度、轉(zhuǎn)換效率、溫度、大氣壓強(qiáng)以及其它一些隨機(jī)因素有關(guān)。光伏系統(tǒng)發(fā)電功率的時(shí)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(shí)間序列中，所有光伏發(fā)電輸出功率歷史數(shù)據(jù)均來(lái)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(shí)間等對(duì)轉(zhuǎn)換效率的影響。因此，采用歷史發(fā)電功率數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，進(jìn)而直接預(yù)測(cè)未來(lái)的光伏輸出功率的預(yù)測(cè)方法，比光伏發(fā)電的間接預(yù)測(cè)法更加準(zhǔn)確。
[0036]光伏系統(tǒng)發(fā)電功率曲線與光照強(qiáng)度曲線的變化規(guī)律具有相似性，其變化趨勢(shì)總體上映射了光照強(qiáng)度的變化，即光照強(qiáng)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(yù)測(cè)模型的輸入量，能得到更準(zhǔn)確的預(yù)測(cè)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(huì)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(diǎn)分類為晴天、陰天、多云和雨天，有助于提高預(yù)測(cè)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(xì)微變化。預(yù)測(cè)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(shí)，日均輸出功率也較大。同時(shí)，季節(jié)因素對(duì)光伏系統(tǒng)發(fā)電功率的影響也很大，這主要是由于太陽(yáng)入射角度、光照強(qiáng)度和氣候環(huán)境的差異引起。
[0039]按季節(jié)建立四個(gè)子模型，各子模型按照日類型進(jìn)行分類;子模型的輸入量為14個(gè)，分別為預(yù)測(cè)日的前一日7:00-18:00的12個(gè)時(shí)刻的發(fā)電功率，再加上前一日和預(yù)測(cè)日的平均溫度。模型預(yù)測(cè)的是次日7:00-18:00的12個(gè)發(fā)電時(shí)間序列的輸出功率；
[0040]運(yùn)用經(jīng)驗(yàn)公式確定隱含節(jié)點(diǎn)的數(shù)量，再通過(guò)不斷地調(diào)試不同的網(wǎng)絡(luò)模型結(jié)構(gòu)，進(jìn)而得到隱含層節(jié)點(diǎn)個(gè)數(shù)；訓(xùn)練中預(yù)先設(shè)置初始化的隱含層節(jié)點(diǎn)個(gè)數(shù)，然后以一定數(shù)量的歷史數(shù)據(jù)作為訓(xùn)練集，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;另一部分作為測(cè)試集，對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試。測(cè)試的目的主要是檢測(cè)網(wǎng)絡(luò)的泛化能力；利用線性回歸法對(duì)不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分析比較，網(wǎng)絡(luò)輸出與目標(biāo)輸出的相關(guān)系數(shù)越接近I，網(wǎng)絡(luò)性能越好；
[0041]本發(fā)明運(yùn)用到的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法為自適應(yīng)學(xué)習(xí)速率動(dòng)量法，自適應(yīng)學(xué)習(xí)速率動(dòng)量法是將附加動(dòng)量法和自適應(yīng)學(xué)習(xí)速率法相結(jié)合，在訓(xùn)練過(guò)程中使學(xué)習(xí)速率根據(jù)局部誤差曲面不斷做出調(diào)整，以得到比定學(xué)習(xí)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(dòng)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(yù)測(cè)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(yù)測(cè)精度，需要對(duì)輸入的歷史發(fā)電功率數(shù)據(jù)和溫度數(shù)據(jù)進(jìn)行篩選，剔除奇異數(shù)據(jù)。同時(shí)，為了避免神經(jīng)元出現(xiàn)飽和現(xiàn)象，對(duì)網(wǎng)絡(luò)訓(xùn)練的輸入、輸出發(fā)電功率數(shù)據(jù)進(jìn)行歸一化處理。用隸屬度函數(shù)對(duì)溫度進(jìn)行模糊化處理，轉(zhuǎn)化為模糊量，進(jìn)而提高預(yù)測(cè)精度。
[0043]建立預(yù)測(cè)模型的方式為:BP神經(jīng)網(wǎng)絡(luò)、反饋型神經(jīng)網(wǎng)絡(luò)、混沌自適應(yīng)粒子群算法與反饋型神經(jīng)網(wǎng)絡(luò)相結(jié)合。本發(fā)明中，優(yōu)選的預(yù)測(cè)方法為將混沌自適應(yīng)粒子群算法與反饋型神經(jīng)網(wǎng)絡(luò)相結(jié)合。
[0044]基于BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)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(luò)，主要包括網(wǎng)絡(luò)學(xué)習(xí)的正向傳播和誤差的反向傳播。BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的非線性映射能力，通過(guò)訓(xùn)練樣本使網(wǎng)絡(luò)學(xué)習(xí)和儲(chǔ)存大量的輸入、輸出映射關(guān)系；同時(shí)該網(wǎng)絡(luò)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(jī)性大的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)是14個(gè)，輸出層節(jié)點(diǎn)12個(gè)，各層網(wǎng)絡(luò)的訓(xùn)練函數(shù)自適應(yīng)學(xué)習(xí)速率動(dòng)量法。隱含層節(jié)點(diǎn)個(gè)數(shù)通過(guò)網(wǎng)絡(luò)結(jié)構(gòu)的綜合評(píng)價(jià)指標(biāo)決定，具有良好的網(wǎng)絡(luò)泛化能力，回歸分析相關(guān)系數(shù)