一种光伏电站短期功率预测方法和系统
技术领域
本发明涉及计算机领域,特别是指一种光伏电站短期功率预测方法和系统。
背景技术
太阳能光伏发电是利用太阳能电池的光伏效应将太阳辐射能直接转换为电能的一种发电形式。目前,化石能源短缺、环境污染严重和全球气候变化等问题日益突出,世界能源发展呈现出清洁化、低碳化、高效化的新趋势。我国太阳能资源与美国相近,比欧洲、日本优越得多,具有的开发潜力极其广阔,近年来更是进入高速发展时期,成为了新的增长点。太阳能的开发利用符合我国能源发展战略、实现电力可持续发展、电力结构调整和环境保护的需要。我国未来将有大量分布式清洁能源发电及其他形式发电接入电网,要求电网具有清洁能源接纳能力。
随着太阳能发电行业的发展,太阳能并网规模越来越大,但太阳能发电具有随机性大、间歇性、反调峰等特点,大规模太阳能发电的接入对电网的消纳、调峰调频需求、稳定性等问题会产生重大影响,为了减小这些影响,同时保证电力系统安全稳定的运行,使电力调度部门能够根据光伏发电量变化及时进行调度,降低备用容量和运行成本,需要对光伏电站的发电量进行准确预测。
而现有的光伏电站功率预测主要分为两类,一类是通过物理模型预测,用气象数据输入,由功率输出曲线得出模型,该方法工作量大,成本高。另一类方法通过对历史数据进行建模,信息量小,如时间序列方法等,但该方法不能模拟多变功率信号,过于简单。
发明内容
有鉴于此,为了解决现有光伏电站功率预测的不足,本发明的目的在于提出一种光伏电站功率预测修正方法,提高光伏功率预测精度。
基于上述目的本发明提供的光伏电站短期功率预测方法,包括步骤:
获取一时间段内光伏电站所在位置记录的历史气象数据,建立光照强度和组件背板温度的预测模型;
将历史数据中的功率值与光照强度的比值作为修正系数,并构建以背板温度作为自变量的修正系数函数式;
获取所述光伏电站所在位置未来时间段的天气预报值,将该天气预报值分别代入光照强度和组件背板温度的预测模型得到光照强度预测值和背板温度预测值;
根据所述的修正系数函数式,通过背板温度预测值获得修正系数预测值;再根据所述的功率值与光照强度的比值作为修正系数,计算功率预测值。
在一些实施例中,所述获取一时间段内光伏电站所在位置记录的历史数据,建立光照强度和组件背板温度的预测模型包括:
获得一时间段内光伏电站所在位置的气象数据的历史记录,其中气象数据包括环境温度T、湿度H、光照强度C、风速WS;以及每一历史记录相对的实际功率值P与组件背板温度Tb;
将获取的气象数据进行采样,得到训练数据样本[Tx,Hx,WSx];
将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[0,0,Cy]作为神经网络输出向量,建立光照强度Cy的预测模型;将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[Tby,0,0]作为神经网络输出向量,建立背板温度Tb预测模型。
在一些实施例中,所述建立光照强度Cy的预测模型和背板温度Tb预测模型之后包括:
将获取的气象数据进行采样,验证数据样本[Tz,Hz,WSz];
将验证数据样本[Tz,Hz,WSz]输入光照强度Cy的预测模型中,预测光照强度Cy,并把预测结果Cy与历史记录的实际光照强度C进行对比,用误差评价方法验证所述光照强度Cy的预测模型的合理性;
将验证数据样本[Tz,Hz,WSz]输入背板温度Tb预测模型中,预测背板温度Tby,并把预测结果Tby与历史记录的实际背板温度Tb进行对比,用误差评价方法验证所述背板温度Tb预测模型的合理性。
在一些实施例中,所述构建以背板温度作为自变量的修正系数函数式是:
通过高次拟合得到功率值和光照强度的比值与背板温度,获得:f(Tb)=2.004×10-9x4-3.104×10-7x3+1.599×10-5x2-3.374×10-4x+6.428×10-3。
在一些实施例中,所述构建以背板温度作为自变量的修正系数函数式之后,还包括:
获取所述光伏电站所在位置未来时间段的天气预报值,其中所述的天气预报值包括环境温度T、湿度H、风速WS;
将获取的未来时间段的天气预报值进行采样,得到预报数据样本[Ty,Hy,WSy];
把预报数据样本[Ty,Hy,WSy]分别作为光照强度和组件背板温度预测模型的输入值进行运算,得到光照强度预测值Cy,和背板温度预测值Tby;
将获得的背板温度预测值Tby代入修正系数函数式中,得到修正系数预测值f(Tby);再根据获得的光照强度预测值Cy和功率值与光照强度的比值作为修正系数,得到功率预测值。
另外本发明还提供了一种光伏电站功率预测系统,包括:
历史数据获取单元,用于获取一时间段内光伏电站所在位置记录的历史气象数据;
预测模型建立单元,用于建立光照强度和组件背板温度的预测模型;将历史数据中的功率值与光照强度的比值作为修正系数,并构建以背板温度作为自变量的修正系数函数式;
预测数据获取单元,用于获取所述光伏电站所在位置未来时间段的天气预报值,将该天气预报值分别代入光照强度和组件背板温度的预测模型得到光照强度预测值和背板温度预测值;
功率预测单元,用于根据所述的修正系数函数式,通过背板温度预测值获得修正系数预测值;再根据所述的功率值与光照强度的比值作为修正系数,计算功率预测值。
在一些实施例中,所述历史数据获取单元获得一时间段内光伏电站所在位置的气象数据的历史记录,其中气象数据包括环境温度T、湿度H、光照强度C、风速WS;以及每一历史记录相对的实际功率值P与组件背板温度Tb。
在一些实施例中,所述预测模型建立单元将获取的气象数据进行采样,得到训练数据样本[Tx,Hx,WSx];
将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[0,0,Cy]作为神经网络输出向量,建立光照强度Cy的预测模型;将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[Tby,0,0]作为神经网络输出向量,建立背板温度Tb预测模型;
在一些实施例中,所述预测模型建立单元的构建以背板温度作为自变量的修正系数函数式是:
通过高次拟合功率值和光照强度的比值与背板温度,获得:f(Tb)=2.004×10-9x4-3.104×10-7x3+1.599×10-5x2-3.374×10-4x+6.428×10-3。
在一些实施例中,所述预测数据获取单元获取所述光伏电站所在位置未来时间段的天气预报值,其中所述的天气预报值包括环境温度T、湿度H、风速WS;
将获取的未来时间段的天气预报值进行采样,得到预报数据样本[Ty,Hy,WSy];把预报数据样本[Ty,Hy,WSy]分别作为光照强度和组件背板温度预测模型的输入值进行运算,得到光照强度预测值Cy,和背板温度预测值Tby;
并且所述功率预测单元将获得的背板温度预测值Tby代入修正系数函数式中,得到修正系数预测值f(Tby);再根据获得的光照强度预测值Cy和功率值与光照强度的比值作为修正系数,得到功率预测值。
从上面所述可以看出,本发明提供的光伏电站短期功率预测方法和系统,实现了一套简便易行,同时能够考虑光伏电站组件结温对预报结果进行修正,还组建了各影响因子与输出功率的映射关系,从而实现高预测准确度。
附图说明
图1为本发明实施例中光伏电站短期功率预测方法的流程示意图;
图2为本发明可参考实施例中光伏电站短期功率预测方法的流程示意图;
图3为本发明实施例中光伏电站短期功率预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
作为本发明的一个实施例,参阅图1所示,所述的光伏电站功率预测方法包括:
步骤101,获取一时间段内光伏电站所在位置记录的历史气象数据。
其中,气象数据包括环境温度T、湿度H、光照强度C、风速WS;以及每一历史记录相对的实际功率值P与组件背板温度Tb。
步骤102,建立光照强度和组件背板温度的预测模型。将历史数据中的功率值与光照强度的比值作为修正系数,并构建以背板温度作为自变量的修正系数函数式。
在实施例中,将获取的气象数据进行采样,得到训练数据样本[Tx,Hx,WSx]。然后,将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[0,0,Cy]作为神经网络输出向量,建立光照强度Cy的预测模型。并且,将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[Tby,0,0]作为神经网络输出向量,建立背板温度Tb预测模型。
较佳地,将获取的气象数据进行采样,验证数据样本[Tz,Hz,WSz]。然后,将验证数据样本[Tz,Hz,WSz]输入光照强度Cy的预测模型中,预测光照强度Cy,并把预测结果Cy与历史记录的实际光照强度C进行对比,用误差评价方法验证所述光照强度Cy的预测模型的合理性。并且,将验证数据样本[Tz,Hz,WSz]输入背板温度Tb预测模型中,预测背板温度Tby,并把预测结果Tby与历史记录的实际背板温度Tb进行对比,用误差评价方法验证所述背板温度Tb预测模型的合理性。
另外,作为实施例,构建以背板温度作为自变量的修正系数函数式是:通过高次拟合功率值和光照强度的比值与背板温度,获得:f(Tb)=2.004×10-9x4-3.104×10-7x3+1.599×10-5x2-3.374×10-4x+6.428×10-3。
步骤103,获取所述光伏电站所在位置未来时间段的天气预报值,将该天气预报值分别代入光照强度和组件背板温度的预测模型得到光照强度预测值和背板温度预测值。
其中,所述的天气预报值包括环境温度T、湿度H、风速WS。将获取的未来时间段的天气预报值进行采样,得到预报数据样本[Ty,Hy,WSy]。然后把预报数据样本[Ty,Hy,WSy]分别作为光照强度和组件背板温度预测模型的输入值进行运算,得到光照强度预测值Cy和背板温度预测值Tby。
步骤104,根据所述的修正系数函数式,通过背板温度预测值获得修正系数预测值;再根据所述的功率值与光照强度的比值作为修正系数,计算功率预测值。
作为一个实施例,将获得的背板温度预测值Tby代入修正系数函数式中,得到修正系数预测值f(Tby),再根据获得的光照强度预测值Cy和功率值与光照强度的比值作为修正系数,得到功率预测值。
作为本发明另一可参考的实施例,参阅图2所示,所述的光伏电站功率预测方法可以是如下过程:
步骤201,获得某一时间段内光伏电站所在位置的气象数据的历史记录,其中气象数据包括环境温度T、湿度H、光照强度C、风速WS;
以及每一历史记录相对的实际功率值P与组件背板温度Tb。
步骤202,将获取的气象数据进行采样,得到训练数据样本[Tx,Hx,WSx]以及验证数据样本[Tz,Hz,WSz]。
步骤203,将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[0,0,Cy]作为神经网络输出向量,建立光照强度Cy的预测模型,即模型一。
将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[Tby,0,0]作为神经网络输出向量,建立背板温度Tb预测模型,即模型二。
步骤204,将验证数据样本[Tz,Hz,WSz]输入光照强度Cy的预测模型中,预测光照强度Cy,并把预测结果Cy与历史记录的实际光照强度C进行对比,用误差评价方法验证所述模型一的合理性,并不断优化模型一。
将验证数据样本[Tz,Hz,WSz]输入背板温度Tb预测模型中,预测背板温度Tby,并把预测结果Tby与历史记录的实际背板温度Tb进行对比,用误差评价方法验证所述模型二的合理性,并不断优化模型二。
其中,需要说明的是所述用误差评价方法验证所述模型二并进行优化,是指由于在建立预测模型时,训练数据选取的太少或者太多,都会使得模型不合理,在做预测时会出现比较大的偏差。例如:训练数据选取的太少学习不足,训练数据选取的太多存在过学习问题。所以,采用误差评价方法如果结果偏差大就会更改训练样本的个数,最后确定一个比较合理的训练样本数据个数,从而优化了模型一和二。
步骤205,根据获取的不同时间点t记录的实际功率值Pt与实际光照强度Ct,计算修正系数Yt=Pt/Ct。
步骤206,根据修正系数Yt=Pt/Ct,以Tb作为垂直坐标系的横轴,Yt作为垂直坐标系的纵轴,得到Tb与Yt的数值对应关系。并且,构建以背板温度Tb作为自变量的修正系数函数式。较佳地,得到拟合阶次为4,功率值和光照强度的比值与背板温度的修正系数函数式用多项式拟合结果为:f(Tb)=2.004×10-9x4-3.104×10-7x3+1.599×10-5x2-3.374×10-4x+6.428×10-3。
步骤207,获取所述光伏电站所在位置未来预测时间段的天气预报值,所述天气预报值包括:环境温度T、湿度H、风速WS。
步骤208,将获取的未来预测时间段的天气预报值进行采样,得到预报数据样本[Ty,Hy,WSy]。
步骤209,把预报数据样本[Ty,Hy,WSy]分别作为模型一和模型二的输入值进行运算,经过模型一运算得到的光照强度预测值Cy,经过模型二运算得到光伏组件的背板温度预测值Tby。
步骤210,将步骤209中获得的光伏组件的背板温度预测值Tby,代入基于背板温度为自变量的修正系数函数式f(Tb)=2.004×10-9x4-3.104×10-7x3+1.599×10-5x2-3.374×10-4x+6.428×10-3中,得到修正系数预测值f(Tby)。再根据步骤209中获得的光照强度预测值Cy,得到功率预测值Py=f(Tby)*Cy。
值得说明的是,步骤202、步骤203和步骤204可以与步骤205和步骤206同时进行,也可以先进行步骤205和步骤206再执行步骤202、203和步骤204,当然也可以是在先进行步骤202、203和步骤204再执行步骤205和步骤206。
在本发明的另一方面,提供了一种光伏电站短期功率预测系统,参阅图3所示,所述的光伏电站短期功率预测系统依次包括历史数据获取单元301、预测模型建立单元302、预测数据获取单元303和功率预测单元304。其中,历史数据获取单元301用于获取一时间段内光伏电站所在位置记录的历史气象数据。预测模型建立单元302用于建立光照强度和组件背板温度的预测模型;将历史数据中的功率值与光照强度的比值作为修正系数,并构建以背板温度作为自变量的修正系数函数式。预测数据获取单元303用于获取所述光伏电站所在位置未来时间段的天气预报值,将该天气预报值分别代入光照强度和组件背板温度的预测模型得到光照强度预测值和背板温度预测值。功率预测单元304,用于根据所述的修正系数函数式,通过背板温度预测值获得修正系数预测值;再根据所述的功率值与光照强度的比值作为修正系数,计算功率预测值。
其中,历史数据获取单元301获取的气象数据包括环境温度T、湿度H、光照强度C、风速WS;以及每一历史记录相对的实际功率值P与组件背板温度Tb。
较佳地,预测模型建立单元302将获取的气象数据进行采样,得到训练数据样本[Tx,Hx,WSx]。然后,将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[0,0,Cy]作为神经网络输出向量,建立光照强度Cy的预测模型。并且,将训练数据样本[Tx,Hx,WSx]作为神经网络输入向量,将[Tby,0,0]作为神经网络输出向量,建立背板温度Tb预测模型。
优选地,将获取的气象数据进行采样,验证数据样本[Tz,Hz,WSz]。然后,将验证数据样本[Tz,Hz,WSz]输入光照强度Cy的预测模型中,预测光照强度Cy,并把预测结果Cy与历史记录的实际光照强度C进行对比,用误差评价方法验证所述光照强度Cy的预测模型的合理性。并且,将验证数据样本[Tz,Hz,WSz]输入背板温度Tb预测模型中,预测背板温度Tby,并把预测结果Tby与历史记录的实际背板温度Tb进行对比,用误差评价方法验证所述背板温度Tb预测模型的合理性。
作为另一个优选地实施例,构建以背板温度作为自变量的修正系数函数式是:高次拟合功率值和光照强度的比值与背板温度,获得:f(Tb)=2.004×10-9x4-3.104×10-7x3+1.599×10-5x2-3.374×10-4x+6.428×10-3。
在本发明的另一个实施例中,预测数据获取单元303获取所述光伏电站所在位置未来时间段的天气预报值包括环境温度T、湿度H、风速WS。较佳地,预测数据获取单元303将获取的未来时间段的天气预报值进行采样,得到预报数据样本[Ty,Hy,WSy]。然后把预报数据样本[Ty,Hy,WSy]分别作为光照强度和组件背板温度预测模型的输入值进行运算,得到光照强度预测值Cy和背板温度预测值Tby。
优选地,功率预测单元304将获得的背板温度预测值Tby代入修正系数函数式中,得到修正系数预测值f(Tby),再根据获得的光照强度预测值Cy和功率值与光照强度的比值作为修正系数,得到功率预测值。
需要说明的是,在本发明所述的光伏电站短期功率预测系统的具体实施内容,在上面所述的光伏电站短期功率预测方法中已经详细说明了,故在此重复内容不再说明。
综上所述,本发明创新性的提出了光伏电站短期功率预测方法和系统,建立了光伏组件背板温度、辐照度与输出功率之间的关系,实现对光伏电站输出功率的精确预测;也就是说,本发明的创新性的提出了温度影响功率预测值的观点;最后,所述的光伏电站短期功率预测方法和系统简洁、思路清晰、易于实现。
所属领域的普通技术人员应当理解:以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。