CN105574619B - 一种太阳能光伏发电出力预测方法 - Google Patents
一种太阳能光伏发电出力预测方法 Download PDFInfo
- Publication number
- CN105574619B CN105574619B CN201610002536.6A CN201610002536A CN105574619B CN 105574619 B CN105574619 B CN 105574619B CN 201610002536 A CN201610002536 A CN 201610002536A CN 105574619 B CN105574619 B CN 105574619B
- Authority
- CN
- China
- Prior art keywords
- formula
- moment
- value
- intensity
- attribute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000005855 radiation Effects 0.000 claims description 85
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000010248 power generation Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 claims description 5
- 239000000835 fiber Substances 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 2
- 239000010931 gold Substances 0.000 claims description 2
- 229910052737 gold Inorganic materials 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013083 solar photovoltaic technology Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种太阳能光伏发电出力预测系统及预测方法，系统其包括2个以上的信息采集及处理单元和工控机；预测方法包括将信息采集及处理单元分别设置于对应的监测点；采集信息；信息采集子单元获取信息，生成IEC61850报文；工控机接收报文，并得到预测值；其有益效果是：本发明可对太阳能电厂发电功率进行预测，降低成本，极大提高气象数据的可靠性，同时增加了气象信息的来源，有效的提高光伏出力的预测精度，有较好的实用价值。
Description
技术领域
本发明属于太阳能光伏发电技术领域，涉及一种太阳能光伏发电出力预测方法。
背景技术
太阳能资源充足、分布广泛、安全、清洁，其转换技术已日趋成熟，在近几十年中的应用也越来越广泛。光伏发电是目前利用太阳能的主要方式之一。随着国内光伏产业规模逐步扩大、技术逐步提升，光伏发电成本逐步下降，未来国内光伏容量将大幅增加。相比传统发电方式，光伏发电具有随机性、间断性和不稳定性等特点。当光伏发电在电网中所占比例很小时，这些特点不会对电网带来明显的不良影响。但是随着光伏发电装机容量不断扩大，其在电网中所占的比例也逐年增加，接入电网的光伏电站会对电力系统的安全、稳定运行以及电能质量带来严重的影响，而光伏出力预测是开展这些研究的基础，因此，有必要对光伏出力预测进行深入研究。
目前，对光伏出力预测进行研究的方法较多，长期预测的实现较为容易，短期预测受气象因素影响较大，精确预测较为困难。由于短期预测对于电力系统安全与稳定运行至关重要，因此研究出一种超短期的光伏出力预测方法，为光伏出力超短期预测提供一种新思路。
发明内容
本发明所要解决的技术问题是提供一种能够有效提高光伏出力的预测精度的太阳能光伏发电出力预测方法。
为解决上述技术问题所采用的技术方案是：一种太阳能光伏发电出力预测方法，包括如下步骤：，(1)建立太阳能光伏发电出力预测系统，它包括2个以上的信息采集及处理单元和工控机；所述信息采集及处理单元包括温度传感器、太阳辐射传感器、湿度传感器、位置传感器、信息采集子单元和合并子单元；
所述温度传感器、太阳辐射传感器、湿度传感器和位置传感器的输出端分别通过光缆接所述信息采集子单元的相应输入端；所述信息采集子单元的输出端接所述合并子单元的相应输入端；所述合并子单元的输出端通过光纤网络与所述工控机的相应端口相连接。
信息采集子单元的型号为S7-200 CPU224；所述合并子单元的型号为UDM-502-G；所述工控机的型号为PCX-9540。
所述太阳辐射传感器的型号为PH-TBQ；所述湿度传感器的型号为SD-05；所述位置传感器的型号为WYDC；所述温度传感器的型号为T-100。
(2)将所述2个以上的信息采集及处理单元分别设置于对应的监测点u；其中，u＝1,2，…，n，n为大于等于2的整数；
(3)所述温度传感器、太阳辐射传感器、湿度传感器和位置传感器分别采集大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息；
(4)所述信息采集子单元获取所述大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息，并按IEC61850规约将所述大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息生成IEC61850报文；
(5)所述合并子单元将各监测点的IEC61850报文按IEC61850规约生成IEC61850总体报文；
(6)所述工控机基于CAN协议通过外设接口接收所述IEC61850总体报文，并利用克里格-卡尔曼-BP神经网络算法得到太阳能光伏发电出力超短期预测值。
所述克里格-卡尔曼-BP神经网络算法具体步骤如下：
(6-1)设定预测点，进行预测点属性估计值计算；
所述工控机的下位机将所述IEC61850总体报文进行解析，利用克里格插值法计算预测点的环境温度属性估计值T0、太阳辐射强度属性估计值I0和大气湿度属性估计值H0，具体步骤如下：
a.计算预测点的环境温度属性估计值T0，其表达式为
在(式1)中，Tu为监测点u的环境温度；Wu为监测点u相对于预测点的空间关联系数，其求解表达式为
在(式2)中，γ(huv)为监测点u和监测点v之间的半变异值，huv为监测点u和监测点v之间的距离，γ(hu0)为监测点u与预测点之间的半变异值，λ为拉格朗日系数，引入的目的是使得估算误差变小；
半变异值γ(huv)采用高斯模型计算，计算公式如下：
在(式3)中，C0为块金值，C0+C为基台值，a为变程，hu0为监测点u与预测点之间的距离；
计算huv的表达式为：
(式4)中，(xu,yu)(xv,yv)为上述位置传感器采集的监测点u和监测点v的位置坐标；
b.计算预测点太阳辐射强度属性估计值I0，其表达式为
在(式5)中，Iu为监测点u观测到的太阳辐射强度；
c.计算预测点大气湿度属性估计值H0，其表达式为
在(式6)中，Hu为监测点u观测到的大气湿度；
(6-2)预测点属性值预测
利用卡尔曼方法计算预测点大气温度属性预测值T0'、太阳辐射强度属性预测值I0'和大气湿度属性预测值H0'；
a.计算预测点大气温度属性预测值T0'：
①采用下述公式计算大气温度属性预测值：
T0(k+1)/k＝FkT0k+qk (式7)
在(式7)中，T0(k+1)/k为k+1时刻大气温度属性预测值，T0k为k时刻大气温度属性估计值，Fk为状态转移系数，qk为过程噪声，qk为预先选定的服从高斯分布的序列；
②采用下述公式计算大气温度属性预测误差协方差：
Pk+1/k＝Pk+Qk (式8)
在(式8)中，Pk+1/k为k+1时刻向前推算的大气温度属性预测误差协方差，Pk为k时刻大气温度属性误差协方差，Qk为过程噪声的方差；
③采用下述公式计算卡尔曼增益：
Kk+1＝Pk+1/k(Pk+1+Rk+1)-1 (式9)
在(式9)中，Kk+1为卡尔曼增益，Pk+1/k为k+1时刻向前推算的大气温度属性预测误差协方差，Pk+1为k+1时刻大气温度属性误差协方差，Rk+1为k+1时刻测量噪声的方差；
④采用下述公式更新大气温度属性值估计：
T0k+1＝T0(k+1)/k+Kk+1(Tk+1-T0k+1/k-rk) (式10)
在(式10)中，T0k+1为k+1时刻大气温度属性估计值，T0(k+1)/k为k+1时刻大气温度属性预测值，Kk+1为卡尔曼增益，Tk+1为k+1时刻预测点大气温度测量值，rk为k时刻的大气温度测量噪声，所述大气温度测量噪声为预先选定的服从高斯分布的噪声序列；
⑤采用下述公式计算更新大气温度属性预测误差协方差：
在(式11)中，为k+1时刻大气温度属性误差协方差估计值，Kk+1为卡尔曼增益，Pk+1/k为k+1时刻向前推算的大气温度属性预测误差协方差；
每个时刻输入该时刻的大气温度属性的测量值和估计值，并采用上一时刻的信息依次进行(式7)～(式11)的计算，就可以得到下一时刻的大气温度属性预测值，记作T0'；
b.预测点太阳辐射强度属性预测值I0'：
①采用下述公式计算太阳辐射强度属性预测值：
I0(k+1)/k＝F'kI0k+q'k (式12)
(式12)中，I0(k+1)/k为k+1时刻太阳辐射强度属性预测值，I0k为k时刻太阳辐射强度属性估计值，F'k为状态转移系数，q'k为用于太阳辐射强度属性预测场景的过程噪声，即是为进行太阳辐射强度属性预测而预先选定的服从高斯分布的序列；
②采用下述公式计算太阳辐射强度属性预测误差协方差：
P'k+1/k＝P'k+Q'k (式13)
(式13)中，P'k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差，P'k为k时刻太阳辐射强度属性误差协方差，Q'k为过程噪声的方差；
③采用下述公式计算卡尔曼增益：
K'k+1＝P'k+1/k(P'k+1+R'k+1)-1 (式14)
(式14)中，K'k+1为卡尔曼增益，P'k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差，P'k+1为k+1时刻太阳辐射强度属性误差协方差，R'k+1为k+1时刻测量噪声的方差；
④采用下述公式更新太阳辐射强度属性值估计：
I0k+1＝I0(k+1)/k+K'k+1(Ik+1-I0k+1/k-r'k) (式15)
(式15)中，I0k+1为k+1时刻太阳辐射强度属性估计值，I0(k+1)/k为k+1时刻太阳辐射强度属性预测值，K'k+1为卡尔曼增益，Ik+1为k+1时刻预测点太阳辐射强度测量值，r'k为k时刻的太阳辐射强度属性值测量噪声，所述太阳辐射强度属性值测量噪声为预先选定的服从高斯分布的噪声序列；
⑤采用下述公式计算更新太阳辐射强度属性预测误差协方差：
(式16)中，为k+1时刻太阳辐射强度属性误差协方差估计值，K'k+1为卡尔曼增益，P'k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差；
根据前一时刻的信息依次进行(式12)～(式16)的计算，就可以得到下一时刻的太阳辐射强度属性预测值，记作I0'；
c.根据下述方法计算预测点大气湿度属性预测值H0'：
①采用下述公式计算大气湿度属性预测值：
H0(k+1)/k＝F”kH0k+q”k (式17)
(式17)中，H0(k+1)/k为k+1时刻大气湿度属性预测值，H0k为k时刻大气湿度属性估计值，F”k为状态转移系数，q”k为用于大气湿度属性预测场景的过程噪声，即是为进行大气湿度属性预测而预先选定的服从高斯分布的序列；
②采用下述公式计算大气湿度属性预测误差协方差：
P”k+1/k＝P”k+Q”k (式18)
(式18)中，P”k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差，P”k为k时刻大气湿度属性误差协方差，Q”k为过程噪声的方差；
③采用下述公式计算卡尔曼增益：
K”k+1＝P”k+1/k(P”k+1+R”k+1)-1 (式19)
(式19)中，K”k+1为卡尔曼增益，P”k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差，P”k+1为k+1时刻大气湿度属性误差协方差，R”k+1为k+1时刻测量噪声的方差；
④采用下述公式更新大气湿度属性值估计：
H0k+1＝H0(k+1)/k+K”k+1(Hk+1-H0k+1/k-r”k) (式20)
(式20)中，H0k+1为k+1时刻大气湿度属性估计值，H0(k+1)/k为k+1时刻大气湿度属性预测值，K”k+1为卡尔曼增益，Hk+1为k+1时刻预测点大气湿度测量值，r”k为k时刻的测量噪声，为预先选定的服从高斯分布的序列；
⑤采用下述公式计算更新大气湿度属性预测误差协方差：
式中，为k+1时刻大气湿度属性误差协方差估计值，K”k+1为卡尔曼增益，P”k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差；
根据前一时刻的信息依次进行(式17)～(式21)的计算，就可以得到下一时刻的大气湿度属性预测值，记作H0'；
(6-3)太阳能光伏发电出力预测
采用单隐层BP神经网络方法进行太阳能光伏发电出力超短期预测，将上述计算得到的预测点环境温度属性预测值T0'、太阳辐射强度属性预测值I0'、大气湿度属性预测值H0'作为输入层变量，并利用太阳能电厂历史发电数据进行训练，得到太阳能光伏发电厂出力预测值。
所述利用太阳能电厂历史发电数据进行训练，得到太阳能光伏发电厂出力预测值步骤如下:
①该BP神经网络方法用于光伏出力短期预测，由于处于夜间的12个时间点光伏阵列出力为0，取白天12个小时的太阳辐射强度值，预测下一天白天对应的12个小时的出力值。输入神经元包括环境温度、太阳辐射强度、大气湿度，即本模型采用16个输入变量，分别为前一天和预测日的环境温度和大气湿度4个变量，以及前一日12个时刻对应的太阳辐射强度。输出神经元包括12个实际光伏出力值的预测。
②预测数学模型如下
a.隐含层神经元输出采用如下公式：
式中a1i表示隐含层中第i个神经元的输出，f1表示隐含层激活函数，x1表示隐含层神经网络中第i个神经元的输入，本模型采用对数S型激活函数，w1ij表示输入层到隐含层的权值，pj为第j个神经元对应的输入量，r表示输入层神经网络的神经元个数。
b.输出层神经元输出采用如下公式：
式中a2d表示输出层中第d个神经元的输出，f2表示输出层采用线性激活函数，x2表示输出层神经网络中第d个神经元的输入，w2di表示隐含层到输出层的权值，s1表示隐含层神经网络的神经元个数。
c.隐含层和输出层的权值变化采用如下公式。
对于输出层权值，有：
(式24)中，E为平方误差函数，td为第d个神经元对应的实际光伏出力值，f2'为输出层激活函数的导数，η为学习率，可取为常数，一般在0.01～0.7之间取值。
对于隐含层权值，有：
式中f1'为隐含层激活函数的导数，s2表示神经元个数；
③利用所述预测数学模型(式22)～(式25)，选取预测日前7天的数据，包括相应日的环境温度、太阳辐射强度、大气湿度以及光伏发电量，将前6天的数据按照①中输入层神经元和输出层神经元的选择原则输入神经网络进行训练，在网络完成训练后，将第7天的环境温度、太阳辐射强度、大气湿度以及预测日环境温度和大气湿度输入到训练好的网络，即可获得预测日光伏出力值。
本发明的有益效果是：本发明可对太阳能电厂发电功率进行预测，方便及时调整调度计划；本发明降低光伏发电出力不稳定对电网造成的不利影响，保证电网的电能质量；本发明节约太阳能电厂蓄电池的安装容量，降低成本；本发明通过提取不同测量点的大气温度、大气湿度和太阳辐射强度，利用克里格插值法综合求取光伏发电处相应气象数值信息，再通过卡尔曼滤波对气象信息估计值进行修正；利用修正后的气象信息作为BP神经网络的输入量对光伏系统出力进行预测；本发明综合利用多个测量点的气象信息，并利用卡尔曼滤波进行修正，极大提高气象数据的可靠性，同时增加了气象信息的来源，有效的提高光伏出力的预测精度，有较好的实用价值。
附图说明
图1为太阳能光伏发电出力预测系统原理框图。
图2为为基于克里格-卡尔曼-BP神经网络方法的太阳能光伏发电出力超短期预测过程图。
具体实施方式
下面结合附图1-2和实施例对本发明进行进一步说明：
太阳能光伏发电出力预测系统原理框图如图1所示；其包括2个以上的信息采集及处理单元和工控机；所述信息采集及处理单元包括温度传感器、太阳辐射传感器、湿度传感器、位置传感器、信息采集子单元和合并子单元；
所述温度传感器、太阳辐射传感器、湿度传感器和位置传感器的输出端分别通过光缆接所述信息采集子单元的相应输入端；所述信息采集子单元的输出端接所述合并子单元的相应输入端；所述合并子单元的输出端通过光纤网络与所述工控机的相应端口相连接。
信息采集子单元的型号为S7-200 CPU224；所述合并子单元的型号为UDM-502-G；所述工控机的型号为PCX-9540。
所述太阳辐射传感器的型号为PH-TBQ；所述湿度传感器的型号为SD-05；所述位置传感器的型号为WYDC；所述温度传感器的型号为T-100。
以某地区一太阳能电厂为例，详细说明太阳能光伏出力超短期预测方法，本实施例中包含太阳能电厂及其附近多个观测点。
(一)信息采集及处理：
利用各传感器采集变电回路中的大气温度、太阳辐射强度、大气湿度等环境信息，通过光缆传送到信息采集子单元，信息采集子单元按IEC61850规约生成报文传送给合并子单元。
合并子单元整合信息采集子单元中传送的IEC61850规约生成总体报文，并按IEC61850规约生成报文通过光纤网络传回后工控机。
(二)信息计算和输出：
将所述信息采集子单元和合并子单元采集的信息的IEC61850报文导入到所述太阳能光伏出力预测系统工控机机，并结合所述信息采集子单元和合并子单元采集的信息，利用所述协同克里格-卡尔曼-BP神经网络方法预测太阳能光伏发电出力超短期预测值，为调度提供数据参考。
(1)、读取由合并单元传递过来的各采样点太阳辐射强度、大气温度、大气湿度、采样点位置数据信息；
(2)、由所述太阳能光伏出力超短期预测系统，利用预测点附近各观点采集的大气温度、太阳辐射强度、大气湿度，并利用观测点位置信息，根据公式(1)—(6)，采用克里格插值法确定预测点属性估计值，包括大气温度属性估计值T0、太阳辐射强度属性估计值I0、大气湿度属性估计值H0。
(3)、由上述计算得到的预测点大气温度属性估计值T0、太阳辐射强度属性估计值I0、大气湿度属性估计值H0，根据(式7)-(式21)，采用卡尔曼方法预测得到预测点大气温度属性预测值T0'、太阳辐射强度属性预测值I0'、大气湿度属性预测值H0'。
(4)、采用单隐层BP神经网络方法进行太阳能光伏发电出力超短期预测，将上述计算得到的预测点环境温度属性预测值T0'、太阳辐射强度属性预测值I0'、大气湿度属性预测值H0'作为输入层变量，并利用太阳能电厂历史发电数据进行训练，得到太阳能光伏发电厂出力预测值。
以上所述实施方式仅为本发明的优选实施例，而并非本发明可行实施例的穷举。对于本领域一般技术人员而言，在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动，都应当被认为包含在本发明的权利要求保护范围之内。
Claims (2)
1.一种太阳能光伏发电出力预测方法，其特征在于包括如下步骤：
(1)建立太阳能光伏发电出力预测系统，它包括2个以上的信息采集及处理单元和工控机；所述信息采集及处理单元包括温度传感器、太阳辐射传感器、湿度传感器、位置传感器、信息采集子单元和合并子单元；
所述温度传感器、太阳辐射传感器、湿度传感器和位置传感器的输出端分别通过光缆接所述信息采集子单元的相应输入端；所述信息采集子单元的输出端接所述合并子单元的相应输入端；所述合并子单元的输出端通过光纤网络与所述工控机的相应端口相连接；
信息采集子单元的型号为S7-200CPU224；所述合并子单元的型号为UDM-502-G；所述工控机的型号为PCX-9540；
所述太阳辐射传感器的型号为PH-TBQ；所述湿度传感器的型号为SD-05；所述位置传感器的型号为WYDC；所述温度传感器的型号为T-100；
(2)将所述2个以上的信息采集及处理单元分别设置于对应的监测点u；其中u＝1,2，…，n，n为大于等于2的整数；
(3)所述温度传感器、太阳辐射传感器、湿度传感器和位置传感器分别采集大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息；
(4)所述信息采集子单元获取所述大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息，并按IEC61850规约将所述大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息生成IEC61850报文；
(5)所述合并子单元将各监测点的IEC61850报文按IEC61850规约生成IEC61850总体报文；
(6)所述工控机基于CAN协议通过外设接口接收所述IEC61850总体报文，并利用克里格-卡尔曼-BP神经网络算法得到太阳能光伏发电出力超短期预测值；
所述克里格-卡尔曼-BP神经网络算法具体步骤如下：
(6-1)设定预测点，进行预测点属性估计值计算；
所述工控机的下位机将所述IEC61850总体报文进行解析，利用克里格插值法计算预测点的环境温度属性估计值T0、太阳辐射强度属性估计值I0和大气湿度属性估计值H0，具体步骤如下：
a.计算预测点的环境温度属性估计值T0，其表达式为
在(式1)中，Tu为监测点u的环境温度；Wu为监测点u相对于预测点的空间关联系数，其求解表达式为
在(式2)中，γ(huv)为监测点u和监测点v之间的半变异值，huv为监测点u和监测点v之间的距离，γ(hu0)为监测点u与预测点之间的半变异值，λ为拉格朗日系数，引入的目的是使得估算误差变小；
半变异值γ(huv)采用高斯模型计算，计算公式如下：
在(式3)中，C0为块金值，C0+C为基台值，a为变程，hu0为监测点u与预测点之间的距离；
计算huv的表达式为：
(式4)中，(xu,yu)(xv,yv)为上述位置传感器采集的监测点u和监测点v的位置坐标；
b.计算预测点太阳辐射强度属性估计值I0，其表达式为
在(式5)中，Iu为监测点u观测到的太阳辐射强度；
c.计算预测点大气湿度属性估计值H0，其表达式为
在(式6)中，Hu为监测点u观测到的大气湿度；
(6-2)预测点属性值预测
利用卡尔曼方法计算预测点大气温度属性预测值T0′、太阳辐射强度属性预测值I0′和大气湿度属性预测值H0′；
a.计算预测点大气温度属性预测值T0′：
①采用下述公式计算大气温度属性预测值：
T0(k+1)/k＝FkT0k+qk (式7)
在(式7)中，T0(k+1)/k为k+1时刻大气温度属性预测值，T0k为k时刻大气温度属性估计值，Fk为状态转移系数，qk为过程噪声，qk为预先选定的服从高斯分布的序列；
②采用下述公式计算大气温度属性预测误差协方差：
Pk+1/k＝Pk+Qk (式8)
在(式8)中，Pk+1/k为k+1时刻向前推算的大气温度属性预测误差协方差，Pk为k时刻大气温度属性误差协方差，Qk为过程噪声的方差；
③采用下述公式计算卡尔曼增益：
Kk+1＝Pk+1/k(Pk+1+Rk+1)-1 (式9)
在(式9)中，Kk+1为卡尔曼增益，Pk+1/k为k+1时刻向前推算的大气温度属性预测误差协方差，Pk+1为k+1时刻大气温度属性误差协方差，Rk+1为k+1时刻测量噪声的方差；
④采用下述公式更新大气温度属性值估计：
T0k+1＝T0(k+1)/k+Kk+1(Tk+1-T0(k+1)/k-rk) (式10)
在(式10)中，T0k+1为k+1时刻大气温度属性估计值，T0(k+1)/k为k+1时刻大气温度属性预测值，Kk+1为卡尔曼增益，Tk+1为k+1时刻预测点大气温度测量值，rk为k时刻的大气温度测量噪声，所述大气温度测量噪声为预先选定的服从高斯分布的噪声序列；
⑤采用下述公式计算更新大气温度属性预测误差协方差：
在(式11)中，为k+1时刻大气温度属性误差协方差估计值，Kk+1为卡尔曼增益，Pk+1/k为k+1时刻向前推算的大气温度属性预测误差协方差；
每个时刻输入该时刻的大气温度属性的测量值和大气温度属性的估计值，并采用上一时刻的信息依次进行(式7)～(式11)的计算，就可以得到下一时刻的大气温度属性预测值，记作T0′；
b.预测点太阳辐射强度属性预测值I0′：
①采用下述公式计算太阳辐射强度属性预测值：
I0(k+1)/k＝F′kI0k+q′k (式12)
(式12)中，I0(k+1)/k为k+1时刻太阳辐射强度属性预测值，I0k为k时刻太阳辐射强度属性估计值，F′k为状态转移系数，q′k为用于太阳辐射强度属性预测场景的过程噪声，即是为进行太阳辐射强度属性预测而预先选定的服从高斯分布的序列；
②采用下述公式计算太阳辐射强度属性预测误差协方差：
P′k+1/k＝P′k+Q′k (式13)
(式13)中，P′k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差，P′k为k时刻太阳辐射强度属性误差协方差，Q′k为过程噪声的方差；
③采用下述公式计算卡尔曼增益：
K′k+1＝P′k+1/k(P′k+1+R′k+1)-1 (式14)
(式14)中，K′k+1为卡尔曼增益，P′k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差，P′k+1为k+1时刻太阳辐射强度属性误差协方差，R′k+1为k+1时刻测量噪声的方差；
④采用下述公式更新太阳辐射强度属性值估计：
I0k+1＝I0(k+1)/k+K′k+1(Ik+1-I0(k+1)/k-r′k) (式15)
(式15)中，I0k+1为k+1时刻太阳辐射强度属性估计值，I0(k+1)/k为k+1时刻太阳辐射强度属性预测值，K′k+1为卡尔曼增益，Ik+1为k+1时刻预测点太阳辐射强度测量值，r′k为k时刻的太阳辐射强度属性值测量噪声；所述太阳辐射强度属性值测量噪声为预先选定的服从高斯分布的噪声序列；
⑤采用下述公式计算更新太阳辐射强度属性预测误差协方差：
(式16)中，为k+1时刻太阳辐射强度属性误差协方差估计值，K′k+1为卡尔曼增益，P′k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差；
根据前一时刻的信息依次进行(式12)～(式16)的计算，就可以得到下一时刻的太阳辐射强度属性预测值，记作I0′；
c.根据下述方法计算预测点大气湿度属性预测值H0′：
①采用下述公式计算大气湿度属性预测值：
H0(k+1)/k＝F″kH0k+q″k (式17)
(式17)中，H0(k+1)/k为k+1时刻大气湿度属性预测值，H0k为k时刻大气湿度属性估计值，F″k为状态转移系数，q″k为用于大气湿度属性预测场景的过程噪声，即是为进行大气湿度属性预测而预先选定的服从高斯分布的序列；
②采用下述公式计算大气湿度属性预测误差协方差：
P″k+1/k＝P″k+Q″k (式18)
(式18)中，P″k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差，P″k为k时刻大气湿度属性误差协方差，Q″k为过程噪声的方差；
③采用下述公式计算卡尔曼增益：
K″k+1＝P″k+1/k(P″k+1+R″k+1)-1 (式19)
(式19)中，K″k+1为卡尔曼增益，P″k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差，P″k+1为k+1时刻大气湿度属性误差协方差，R″k+1为k+1时刻测量噪声的方差；
④采用下述公式更新大气湿度属性值估计：
H0k+1＝H0(k+1)/k+K″k+1(Hk+1-H0(k+1)/k-r″k) (式20)
(式20)中，H0k+1为k+1时刻大气湿度属性估计值，H0(k+1)/k为k+1时刻大气湿度属性预测值，K″k+1为卡尔曼增益，Hk+1为k+1时刻预测点大气湿度测量值，r″k为k时刻的测量噪声，为预先选定的服从高斯分布的序列；
⑤采用下述公式计算更新大气湿度属性预测误差协方差：
(式21)中，为k+1时刻大气湿度属性误差协方差估计值，K″k+1为卡尔曼增益，P″k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差；
根据前一时刻的信息依次进行(式17)～(式21)的计算，就可以得到下一时刻的大气湿度属性预测值，记作H0′；
(6-3)太阳能光伏发电出力预测
采用单隐层BP神经网络方法进行太阳能光伏发电出力超短期预测，将上述计算得到的预测点环境温度属性预测值T0′、太阳辐射强度属性预测值I0′、大气湿度属性预测值H0′作为输入层变量，并利用太阳能电厂历史发电数据进行训练，得到太阳能光伏发电厂出力预测值。
2.根据权利要求1所述的太阳能光伏发电出力预测方法，其特征在于：步骤如下：
①该BP神经网络方法用于光伏出力短期预测，由于处于夜间的12个时间点光伏阵列出力为0，取白天12个小时的太阳辐射强度值，预测下一天白天对应的12个小时的出力值；
输入神经元包括环境温度、太阳辐射强度、大气湿度，即本模型采用16个输入变量，分别为前一天和预测日的环境温度和大气湿度4个变量，以及前一日12个时刻对应的太阳辐射强度；
输出神经元包括12个实际光伏出力值的预测；
②预测数学模型如下
a.隐含层神经元输出采用如下公式：
(式22)中a1i表示隐含层中第i个神经元的输出，f1表示隐含层激活函数，x1表示隐含层神经网络中第i个神经元的输入，本模型采用对数S型激活函数，wij表示输入层到隐含层的权值，Pj为第j个神经元对应的输入量，r表示输入层神经网络的神经元个数；
b.输出层神经元输出采用如下公式：
(式23)中a2d表示输出层中第d个神经元的输出，f2表示输出层采用线性激活函数，x2表示输出层神经网络中第d个神经元的输入，w2di表示隐含层到输出层的权值，s1表示隐含层神经网络的神经元个数；
c.隐含层和输出层的权值变化采用如下公式；
对于输出层权值，有：
(式24)中，E为平方误差函数，td为第d个神经元对应的实际光伏出力值，f′2为输出层激活函数的导数，η为学习率，可取为常数，一般在0.01～0.7之间取值；
对于隐含层权值，有：
(式25)中为隐含层激活函数的导数，s2表示神经元个数；
③利用所述预测数学模型(式22)～(式25)，选取预测日前7天的数据，包括相应日的环境温度、太阳辐射强度、大气湿度以及光伏发电量，将前6天的数据按照①中输入层神经元和输出层神经元的选择原则输入神经网络进行训练，在网络完成训练后，将第7天的环境温度、太阳辐射强度、大气湿度以及预测日环境温度和大气湿度输入到训练好的网络，即可获得预测日光伏出力值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610002536.6A CN105574619B (zh) | 2016-01-06 | 2016-01-06 | 一种太阳能光伏发电出力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610002536.6A CN105574619B (zh) | 2016-01-06 | 2016-01-06 | 一种太阳能光伏发电出力预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105574619A CN105574619A (zh) | 2016-05-11 |
| CN105574619B true CN105574619B (zh) | 2019-11-22 |
Family
ID=55884723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610002536.6A Active CN105574619B (zh) | 2016-01-06 | 2016-01-06 | 一种太阳能光伏发电出力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105574619B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109060618A (zh) * | 2018-08-20 | 2018-12-21 | 国网冀北电力有限公司张家口供电公司 | 一种光伏发电功率预测装置及方法 |
| CN109713699B (zh) * | 2018-12-28 | 2022-05-31 | 北京天势新能源技术有限公司 | 一种能源管理方法及智能光储装置 |
| CN110006571A (zh) * | 2019-04-24 | 2019-07-12 | 国电荥阳煤电一体化有限公司 | 一种粉料磨制工艺设备的出力检测系统和检测方法 |
| CN114172256B (zh) * | 2021-12-20 | 2022-09-27 | 武汉美格科技股份有限公司 | 一种太阳能发电智能控制装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769788A (zh) * | 2009-12-29 | 2010-07-07 | 青海国泰节能技术研究院 | 一种光伏电站光功率预测及发电量预测的方法 |
| CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
-
2016
- 2016-01-06 CN CN201610002536.6A patent/CN105574619B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101769788A (zh) * | 2009-12-29 | 2010-07-07 | 青海国泰节能技术研究院 | 一种光伏电站光功率预测及发电量预测的方法 |
| CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于BP神经网络-马尔科夫链的光伏发电预测;吴雪莲等;《电工电气》;20140331(第3期);第22-27页 * |
| 基于Kalman滤波和BP神经网络的光伏超短期功率预测模型;王雨等;《电气技术》;20140131(第1期);第42-46页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105574619A (zh) | 2016-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105574619B (zh) | 一种太阳能光伏发电出力预测方法 | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| Remesan et al. | Model data selection using gamma test for daily solar radiation estimation | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| CN111222674A (zh) | 基于长短期记忆神经网络的短期光伏发电量预测方法 | |
| CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN103954300A (zh) | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN106096246B (zh) | 基于pm2.5和pm10的气溶胶光学厚度估计方法 | |
| CN107909042A (zh) | 一种连续手势切分识别方法 | |
| CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
| Dokur | Swarm decomposition technique based hybrid model for very short-term solar PV power generation forecast | |
| CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
| CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
| KR20210149623A (ko) | Vr 기반의 실감형 스마트팜 연구 시스템 | |
| Liu et al. | A BP neural network-based communication blind signal detection method with cyber-physical-social systems | |
| Widjaja et al. | Solar power forecasting with model selection analysis | |
| CN106529095A (zh) | 一种基于Matlab的光伏发电预测研究系统 | |
| CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
| CN116470486A (zh) | 一种超短期光伏发电功率的预测方法、装置和存储介质 | |
| CN110795890A (zh) | 一种基于lm-bpnn的iwf计算方法 | |
| CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
| CN103675012B (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
| CN115374998A (zh) | 基于注意力机制和CNN-BiGRU的负荷预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |