基于神經網絡、小波分解光伏電站功率預測方法、系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明設及能源領域，特別是指一種基于神經網絡、小波分解光伏電站功率預測 方法、系統(tǒng)。
【背景技術】
[0002] 太陽能光伏發(fā)電是利用太陽能電池的光伏效應將太陽福射能直接轉換為電能的 一種發(fā)電形式。目前，化石能源短缺、環(huán)境污染嚴重和全球氣候變化等問題日益突出，世界 能源發(fā)展呈現(xiàn)出清潔化、低碳化、高效化的新趨勢。我國太陽能資源與美國相近，比歐洲、日 本優(yōu)越得多，具有的開發(fā)潛力極其廣闊，近年來更是進入高速發(fā)展時期，成為了新的增長 點。太陽能的開發(fā)利用符合我國能源發(fā)展戰(zhàn)略、實現(xiàn)電力可持續(xù)發(fā)展、電力結構調整和環(huán)境 保護的需要。我國未來將有大量分布式清潔能源發(fā)電及其他形式發(fā)電接入電網，要求電網 具有清潔能源接納能力。
[0003] 隨著太陽能發(fā)電行業(yè)的發(fā)展，太陽能并網規(guī)模越來越大，但太陽能發(fā)電具有隨機 性大、間歇性、反調峰等特點，大規(guī)模太陽能發(fā)電的接入對電網的消納、調峰調頻需求、穩(wěn)定 性等問題會產生重大影響，為了減小運些影響，同時保證電力系統(tǒng)安全穩(wěn)定的運行，使電力 調度部口能夠根據光伏發(fā)電量變化及時進行調度，降低備用容量和運行成本，需要對光伏 電站的發(fā)電量進行準確預測。
[0004] 而傳統(tǒng)的基于常規(guī)神經網絡的光伏電站輸出功率預測方法，只是簡單把影響光伏 電站輸出功率的因素考慮進去，作為模型的輸入信號，它能有效預測光伏電站輸出功率，但 光伏電站輸出功率的周期性和非平穩(wěn)特征會使傳統(tǒng)神經網絡算法容易陷入不收斂，另外利 用現(xiàn)有數值天氣預報無法建模的高頻分量沒有剔除掉，建立的模型不夠精準，而且其收斂 性不好，計算復雜度較高。

【發(fā)明內容】

[0005] 有鑒于此，為了解決現(xiàn)有光伏電站功率預測的不足，本發(fā)明的目的在于提出一種 光伏電站輸出功率預測方法，提高光伏功率預測精度。
[0006] 基于上述目的本發(fā)明提供的基于神經網絡、小波分解光伏電站功率預測方法，包 括步驟：
[0007] 獲取一時間段內光伏電站所在位置的歷史記錄;其中，所述的歷史記錄包括光照 強度C、輸出功率P、溫度T、濕度H、風速WS;
[000引將所述光照強度C、輸出功率P、溫度T、濕度H、風速WS分別進行小波分解;根據所述 小波分解后的信息，建立逼近信號層神經網絡模型和細節(jié)信號層神經網絡模型；
[0009] 獲取光伏電站所在位置未來預測時間段的天氣預報值;其中，所述的天氣預報值 包括溫度T、濕度H、風速WS;
[0010] 將所述未來預測時間段的溫度T、濕度H、風速WS的預報值分別經小波分解;根據所 述小波分解后的信息，將逼近信號層的信息作為逼近信號層神經網絡模型的輸入向量，得 到逼近信號層的預報結果；將細節(jié)信號層的信息作為細節(jié)信號層神經網絡模型的輸入向 量，得到細節(jié)信號層的預報結果；
[0011] 對逼近信號層的預報結果和細節(jié)信號層的預報結果進行重構，得到預測功率值。
[0012] 在一些實施例中，所述將獲取的光照強度C、輸出功率P、溫度T、濕度H、風速WS分別 進行小波分解，采用5層小波分解，分別得到光照強度C、輸出功率P、溫度T、濕度H、風速WS各 自在細節(jié)信號層01、02、03、04、05的信息^及逼近信號層45的信息；同時，得到輸出功率?在 5層小波分解后每層的小波分解系數。
[0013] 在一些實施例中，所述根據所述小波分解后的信息，建立逼近信號層神經網絡模 型包括：
[0014] 將光照強度C、溫度T、濕度H、風速WS分別經過小波分解后的A5逼近信號層信息[CA5 Tas Has WSas]作為輸入向量，將輸出功率P經過小波分解后的A5逼近信號層信息[0 0 0 Pa5] 作為輸出向量，建立A5逼近信號層神經網絡模型；
[0015] 另外，所述建立細節(jié)信號層神經網絡模型包括：
[0016] 將溫度T、濕度H、風速WS分別經過小波分解后的D5細節(jié)信號層信息[Td日曲日WS化] 作為輸入向量，將輸出功率P經過小波分解后的D5細節(jié)信號層信息[0 0時5]作為輸出向量， 建立D5細節(jié)信號層神經網絡模型；
[0017]將溫度T、濕度H、風速WS分別經過小波分解后的D4細節(jié)信號層信息[Td4曲4 WSD4] 作為輸入向量，將輸出功率P經過小波分解后的D4細節(jié)信號層信息[0 0時4]作為輸出向量， 建立D4細節(jié)信號層神經網絡模型。
[0018] 在一些實施例中，所述將所述未來預測時間段的溫度T、濕度H、風速WS的預報值分 別經小波分解，采用5層小波分解，分別得到溫度T、濕度H、風速WS各自在細節(jié)信號層Dl、D2、 D3、D4、D5的信息W及逼近信號層A5的信息；
[0019] 另外，所述將逼近信號層的信息作為逼近信號層神經網絡模型的輸入向量，得到 逼近信號層的預報結果包括:將預測的光照強度C、溫度T、濕度H、風速WS分別經過小波分解 后的A5逼近信號層信息[C日A日T日A日曲A日WS日A日]作為輸入向量，根據A5逼近信號層神經網絡模 型，得到光伏電站輸出功率的A5逼近信號層的預報結果[0 0 0 Poas];
[0020] 還有，將細節(jié)信號層的信息作為細節(jié)信號層神經網絡模型的輸入向量，得到細節(jié) 信號層的預報結果包括:將預測的溫度T、濕度H、風速WS分別經過小波分解后的D5細節(jié)信號 層信息[To化化D日WSod日]作為輸入向量，根據D5細節(jié)信號層神經網絡模型，得到光伏電站輸 出功率的D5細節(jié)信號層的預報結果[0 0 Pods];
[0021] 將預測的溫度T、濕度H、風速WS分別經過小波分解后的D4細節(jié)信號層信息[Tod4 化D4 WS0D4]作為輸入向量，根據D4細節(jié)信號層神經網絡模型，得到光伏電站輸出功率的D4細 節(jié)信號層的預報結果[0 0 P日D4]。
[0022] 在一些實施例中，所述對逼近信號層的預報結果和細節(jié)信號層的預報結果進行重 構，包括:將得到的輸出功率P在D4、D5、A5層的小波分解系數，分別乘WP〇D4、P〇D日、Poa日，最后 將相乘的結果相加獲得預測功率值Po。
[0023] 另外本發(fā)明還提供了一種基于神經網絡、小波分解光伏電站功率預測系統(tǒng)，包括：
[0024] 歷史數據獲取單元，用于獲取一時間段內光伏電站所在位置的歷史記錄;其中，所 述的歷史記錄包括光照強度C、輸出功率P、溫度T、濕度H、風速WS;
[0025] 預測模型建立單元，用于將所述光照強度C、輸出功率P、溫度T、濕度H、風速WS分別 進行小波分解;根據所述小波分解后的信息，建立逼近信號層神經網絡模型和細節(jié)信號層 神經網絡模型；
[0026] 預測數據獲取單元，用于獲取光伏電站所在位置未來預測時間段的天氣預報值； 其中，所述的天氣預報值包括溫度T、濕度H、風速WS;
[0027] 功率預測單元，用于將所述未來預測時間段的溫度T、濕度H、風速WS的預報值分別 經小波分解;根據所述小波分解后的信息，將逼近信號層的信息作為逼近信號層神經網絡 模型的輸入向量，得到逼近信號層的預報結果;將細節(jié)信號層的信息作為細節(jié)信號層神經 網絡模型的輸入向量，得到細節(jié)信號層的預報結果；
[0028] 預測功率重構單元，用于對逼近信號層的預報結果和細節(jié)信號層的預報結果進行 重構，得到預測功率值。
[0029] 在一些實施例中，所述預測模型建立單元將獲取的光照強度C、輸出功率P、溫度T、 濕度H、風速WS分別進行小波分解，采用5層小波分解，分別得到光照強度C、輸出功率P、溫度 T、濕度H、風速WS各自在細節(jié)信號層01、02、03、04、05的信息^及逼近信號層45的信息；同 時，得到輸出功率P在5層小波分解后每層的小波分解系數。
[0030] 在一些實施例中，所述預測模型建立單元根據所述小波分解后的信息，建立逼近 信號層神經網絡模型包括：
[0031] 將光照強度C、溫度T、濕度H、風速WS分別經過小波分解后的A5逼近信號層信息[CA5 Tas Has WSas]作為輸入向量，將輸出功率P經過小波分解后的A5逼近信號層信息[0 0 0 Pa5] 作為輸出向量，建立A5逼近信號層神經網絡模型；
[0032] 另外，所述建立細節(jié)信號層神經網絡模型包括：
[00削將溫度T、濕度H、風速WS分別經過小波分解后的D5細節(jié)信號層信息[Td日曲日WS化] 作為輸入向量，將輸出功率P經過小波分解后的D5細節(jié)信號層信息[0 0時5]作為輸出向量， 建立D5細節(jié)信號層神經網絡模型；
[0034] 將溫度T、濕度H、風速WS分別經過小波分解后的D4細節(jié)信號層信息[Td4化4 WSD4] 作為輸入向量，將輸出功率P經過小波分解后的D4細節(jié)信號層信息[0 0時4]作為輸出