CN103904682A - 一种基于风光混合模型的功率预测方法 - Google Patents

Abstract

本发明涉及一种基于风光混合模型的功率预测方法，将现有技术中分两次预测的风电功率与光伏功率采用同一个BP神经网络预测模型，能够同时实现整个区域风电场及光伏电站的输出功率预测，在简化预测方法的同时提高预测准确度，从而具有更广泛的工程应用价值。

Description

一种基于风光混合模型的功率预测方法

技术领域

本发明属于新能源控制技术领域，涉及一种发电功率预测方法，特别是涉及一种风力发电和光伏发电的混合功率预测方法。

背景技术

近年来，在各国政府的大力支持下，分布式发电技术得到了快速的发展，尤其是具有清洁环保、无污染、分布广泛、可再生等优点的风力发电和光伏发电。然而，随着风电、光伏发电大规模的接入电网，风电、光伏出力的随机性、间歇性和波动性给电网的稳定运行带来了前所未有的压力，不但影响电能质量，加剧电网的调峰运行负担，而且也得电网的调度工作带来很大的困难。

为了应对大规模风电及光伏发电接入对电网稳定性的影响，我国各高校及电力企业相继开展了对风电、光伏发电功率预测的研究工作，目前已有风电、光伏功率预测系统正在运行中。风电、光伏功率预测系统对于减小风电和光伏发电功率波动性对电网稳定运行和经济调度的影响，具有重要的现实意义。然而，目前国内现有的功率预测系统大部分都是独立的风电功率预测系统或是独立的光伏发电功率预测系统，随着风光混合供电系统的广泛应用，研究风光混合功率预测方法，开发出风光混合的功率预测系统是非常必要的。

如《宁夏电网风光一体化功率预测系统》（宁夏电力）提供了一种方案，风电功率采用BP神经网络的学习算法进行预测，光伏发电功率采用物理方法进行预测。如《基于改进BP神经网络的光伏发电系统输出功率短期预测模型》（电力系统保护与控制）披露了一种采用BP神经网络算法进行光伏发电功率预测的方案。

以上方案中，风电功率预测和光伏功率预测都是分别独立进行的，虽然两次预测都可以采用BP神经网络学习算法，但预测的准确性仍有待提高。

发明内容

本发明的目的是提供一种基于风光混合模型的功率预测方法，用以解决现有预测方法准确率低的问题。

为实现上述目的，本发明的方案包括：

一种基于风光混合模型的功率预测方法，采用一个BP神经网络预测模型同时预测风力发电功率和光伏发电功率。

所述预测模型包括输入层、隐含层和输出层。

所述输入层至少包括：风向、风速、环境温度、湿度、云量、气压、法向直射辐照度、散射辐照度、总辐照度；风电机组类型、风电机组的容量、轮毂高度、叶轮直径、功率曲线、风机位置、海拔高度、风速测量的高度、风向测量的高度、经度、纬度、光伏电站容量、组串的开路电压和短路电流、最大功率点电压及电流。

所述输出层包括风电场的功率预测结果和光伏电站的功率预测结果。

所述BP神经网络预测模型建立的步骤为：首先选取设定时间的实际测得的历史气象数据、风电场及光伏电站的输出功率作为用于网络训练的数据，并对其进行预处理，然后确定BP神经网络结构，将预处理过的数据输入到网络中进行训练，并对预测模型进行验证及修正，当误差达到要求时即形成训练完成的BP神经网络预测模型。

本发明的特点在于，将现有技术中分两次预测的风电功率与光伏功率采用同一个BP神经网络预测模型，能够同时实现整个区域风电场及光伏电站的输出功率预测，在简化预测方法的同时提高预测准确度，从而具有更广泛的工程应用价值。

之所以能够提高预测准确度，是由于BP神经网络算法本身是一种机器学习方法，能够根据不能解耦的、大量的输入参数进行自适应的学习，得到输出结果。而现有技术中，都是将光伏发电与风力发电作为独立的过程去看待，人为的、按照它们是否与光伏发电或者风力发电相关而将它们分割开来，分别利用学习算法去求解。风力涉及的参数条件与光伏涉及的参数条件虽然看似能够区分开，但实际上由于地球物理环境的复杂性，它们之间仍然是有着一定的耦合关系的，这时候便能够发挥BP神经网络学习算法的优越性，将这些参数全部作为输入，直接输出光伏发电功率预测值和风力发电功率预测值，起到提高预测准确度的作用，而且一次完成两项预测，简化了预测方法。

附图说明

图1是用于风光混合功率预测的BP神经网络模型示意图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

首先建立准确的风光混合功率预测的BP神经网络模型，本实施例以三层前馈网络为例进行说明，如图1所示。选取一个月以上的实测历史气象数据、风电场及光伏电站的输出功率作为用于网络训练的数据，并对其进行预处理（比如对所选数据的合理性和完整性进行检验，对缺测和异常数据进行补充和修正，并进行归一化处理），建立用于训练BP网络模型的数据库，然后将数据库中的数据输入到建立的BP神经网络结构中进行训练，并进行预测模型的验证及修正，最后得到训练完成的BP神经网络模型。

然后综合考虑各类对风电场和光伏电站输出功率的影响因素，并对从中国气象局获取的数值天气预报数据、风电场及光伏电站实际测得的数据以及历史运行数据、风电场及光伏电站的特性数据进行预处理，建立用于功率预测的预测库。

最后，从预测库中获取用于预测未来0～72小时功率的预测数据即图1中输入层所包含的数据，输入到训练好的BP神经网络预测模型中进行功率预测，并分别输出风电场及光伏电站次日零时起72小时内的某一个时间点的功率预测结果，通过多次预测即可获得风电场及光伏电站次日零时起72小时内的功率预测曲线（时间分辨率为15分钟）。

本实施例所采用的预测方法是按照每个输出点来进行预测，而非按日进行预测的，这样每次预测输出的只是某一个时间点的输出功率，通过减少模型单次输出的功率点数可以提高预测精度；所采用的图1所示的BP神经网络模型可以不断自学习进行修正，提高预测精度，能够对采集数据进行合理性和完整性检验，同时考虑风机故障、逆变器故障、停机、限电等各种情况，并对风电场及光伏电站周边的物理信息进行准确估计和详细考虑，使得风电和光伏的预测结果得到大幅度提高，即使存在缺测数据，对预测结果也不会产生影响；另外，预测模型的输入层所包含的预测数据，综合考虑了影响风电和光伏出力的共同气象因素和不同的影响因素，因此，只需要建立一个预测模型，即可同时实现整个区域的风光混合功率预测，并可分别输出风电场和光伏电站的功率预测结果，简化了以往对风电场和光伏电站建立独立的预测模型的步骤及工作量，有助于风光混合供电系统的调度人员提前做好发电计划，做好发供平衡，提高电网运行的安全性和经济性，具有重要的现实意义。

风光混合功率预测模型，为经过足够训练的BP神经网络，其训练数据为至少一个月以上的实际测得的历史气象数据和风电场及光伏电站的输出功率，其拓扑结构至少包括一个输入层、一个隐含层和一个输出层。输入层包含：数值天气预报数据（如1～15层的风速、1～3层的风向、环境温度、湿度、云量、气压、法向直射辐照度、散射辐照度及总辐照度）、风电场及光伏电站的物理模型（风电机组类型、各类风电机组的容量、轮毂高度、叶轮直径、功率曲线、风机位置、海拔高度、1～15层风速测量的高度、1～3层风向测量的高度、经度、纬度、光伏电站容量、组串的开路电压和短路电流、最大功率点电压及电流等）输出层包含次日零时起72小时内的某一个时间点的风电场的功率预测结果和光伏电站的功率预测结果。

关于BP神经网络算法设计的训练、计算等均属于现有技术，在此不再赘述。

以上给出了一种具体的实施方式，如一个月的数据、72小时、15分钟等，但这些具体参数可以人为选定，本发明不局限于所描述的实施方式。本发明的基本思路在于上述方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变型仍落入本发明的保护范围内。

Claims (5)

1.一种基于风光混合模型的功率预测方法，其特征在于，采用一个BP神经网络预测模型同时预测风力发电功率和光伏发电功率。

2.根据权利要求1所述的一种基于风光混合模型的功率预测方法，其特征在于，所述预测模型包括输入层、隐含层和输出层。

3.根据权利要求2所述的一种基于风光混合模型的功率预测方法，其特征在于，所述输入层至少包括：风向、风速、环境温度、湿度、云量、气压、法向直射辐照度、散射辐照度、总辐照度；风电机组类型、风电机组的容量、轮毂高度、叶轮直径、功率曲线、风机位置、海拔高度、风速测量的高度、风向测量的高度、经度、纬度、光伏电站容量、组串的开路电压和短路电流、最大功率点电压及电流。

4.根据权利要求3所述的一种基于风光混合模型的功率预测方法，其特征在于，所述输出层包括风电场的功率预测结果和光伏电站的功率预测结果。

5.根据权利要求4所述的一种基于风光混合模型的功率预测方法，其特征在于，所述BP神经网络预测模型建立的步骤为：首先选取设定时间的实际测得的历史气象数据、风电场及光伏电站的输出功率作为用于网络训练的数据，并对其进行预处理，然后确定BP神经网络结构，将预处理过的数据输入到网络中进行训练，并对预测模型进行验证及修正，当误差达到要求时即形成训练完成的BP神经网络预测模型。

Images