CN106228278A - 光伏功率预测系统 - Google Patents

Abstract

本发明公开了一种光伏功率预测系统，要解决的技术问题是准确预测光伏发电站的光伏发电功率，保障电力系统的安全稳定运行。本发明的光伏功率预测系统，设有数据采集模块、天气预报模块、数据库和预测模块，预测模块预测发电功率包括以下步骤：分类、模型训练、预测结果。本发明与现有技术相比，根据实时天气数据和实时发电数据，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，准确预测光伏发电站的光伏发电功率，保障电力系统的安全、稳定、优化运行，并且光伏功率预测系统的运行维护难度小，容易操作，成本低。

Description

光伏功率预测系统

技术领域

本发明涉及一种光伏发电站，特别是一种对光伏发电站的发电功率进行预测的系统。

背景技术

随着能源快速消费的增长和环境不断的恶化，为了推动人类社会的可持续发展，太阳能和风能等新能源受到全世界的重视。光伏装机容量增长极为迅速，而且发展潜力巨大。光伏发电站发电功率受到太阳辐射、环境温度等影响有明显的波动性和间歇性，规模化与分布式光伏发电站大量接入电网对电力系统的规划、运行、调度和控制地来了巨大的挑战。准确预测光伏功率不仅能够为电网调度决策提供依据，降低电力运行成本，还为多种能源时空互补协调控制提供有力的技术支撑，对保障电力系统的安全稳定、促进电网的优化运行具有重要意义。

发明内容

本发明的目是提供一种光伏功率预测系统，要解决的技术问题是准确预测光伏发电站的光伏发电功率，保障电力系统的安全稳定运行。

本发明采用以下技术方案:一种光伏功率预测系统，设有数据采集模块、天气预报模块、数据库和预测模块；

所述数据采集模块从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；

所述天气预报模块从天气预报供应商处获得数值天气预报数据，存入数据库；

所述数据库向预测模块发送原始采样数据，接收并存储以下数据：数据采集模块发送来的实时天气数据和实时发电数据，天气预报模块发送来的数值天气预报数据，预测模块发送来的预测发电功率数据；

所述预测模块从数据库提取最近15个样本日和预测日的辐照度特征，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，将预测发电功率数据存入数据库；所述辐照度特征为：晴朗系数、散射辐照度比例、辐照度变化趋势和辐照度方差；预测模块预测发电功率包括以下步骤：

一、分类

预测模块使用从样本日和预测日提取的辐照度特征，得到辐照度特征向量F：

F＝[K₁,K₂,K₃,V]

K₁为晴朗系数，K₂为散射辐照度比例，K₃为辐照度变化趋势，V为辐照度方差，对K₁、K₂、K₃和V变量进行归一化计算：

$x^{*}=\frac{x-x_{min}}{x_{max}-x_{min}}$

x分别为变量K₁、K₂、K₃和V，x_min为x的最小值，x_max为x的最大值，使用欧氏距离作为特征向量相似性衡量标准，分别为对应变量的归一化值，按K均值聚类算法,将最近15个样本日和预测日分为3个聚类，与预测日在同一个聚类内的样本日为相似日；

二、模型训练

预测模块用相似日实时天气数据的采样值数据样本归一化计算后的值作为天气数据的样本集，以天气数据X＝[G_g,G_f,T,H,W,A]作为输入i，其中，G_g为地表总辐照度，G_f为地表散射辐照度，T为环境温度，H为相对湿度，W为平均风速，A为气压；以发电功率P作为输出k，对3层6×11×1的BP神经网络进行训练，获得各层间的权值；

三、预测结果

预测模块用预测日的数值天气预报数据作为预测天气数据X，以预测天气数据X＝[G_g,G_f,T,H,W,A]作为输入，采用训练好的BP神经网络模型，计算获得预测发电功率P数据,存入数据库。

本发明的数据采集模块每3秒从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；所述天气预报模块每日2次从天气预报供应商处获得数值天气预报数据，存入数据库。

本发明的天气数据为光伏发电站的地表总辐照度、地表散射辐照度、地表水平直接辐照度、环境温度、相对湿度、平均风速、气压；所述发电数据为光伏发电站并网线路的电压、电流和发电功率；所述并网线路是指光伏发电站接入输电网的汇集线或并网点。

本发明的光伏功率预测系统设有数据上报模块、web服务器、管理模块、统计模块和web浏览器；

所述数据上报模块从数据库中获取短期预测发电功率数据，从数据库中获取超短期预测发电功率数据，将短期和超短期预测发电功率数据上送到光伏发电站的调度主站系统，并将上送是否成功的信息存入数据库；

所述web服务器从数据库中读取实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息，供与光伏功率预测系统联网的终端的web浏览器使用，并将用户在web浏览器上设置和修改的运行参数存入数据库；

所述管理模块从数据库中获取运行参数，根据运行参数向预测模块、统计模块发出完成预测发电功率和统计数据的指令；

所述统计模块接受管理模块的指令,从数据库中获取光伏发电站的实时发电数据、短期和超短期预测发电功率数据，计算获得统计数据和统计类型，存入数据库；

所述web浏览器从web服务器获取实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息，进行展示。

本发明的数据上报模块每日从数据库中获取短期预测发电功率数据，每15分钟从数据库中获取超短期预测发电功率数据，将光伏发电站的短期和超短期预测发电功率数据以E文件格式上送到光伏发电站的调度主站系统。

本发明的预测模块接受管理模块的指令,从数据库中获取实时天气数据和实时发电数据，作为原始采样数据，对原始采样数据进行补全和修正，分别获得实时天气数据和实时发电数据的采样值数据样本，将采样值数据样本存入数据库。

本发明的数据库接收web服务器发送来的光伏功率预测系统的运行参数，存储后发送给管理模块，同时为数据采集模块、天气预报模块、数据上报模块、web服务器、预测模块、管理模块、统计模块提供运行参数；

所述数据库接收并存储以下数据：预测模块发送采样值数据样本，统计模块发送来的统计数据和统计类型，数据上报模块发送来的向光伏发电站的调度主站系统上送预测发电功率数据是否成功的信息；

所述数据库向预测模块发送采样值数据样本，向统计模块发送实时发电数据、短期和超短期预测发电功率数据，向数据上报模块发送短期和超短期预测发电功率数据，向web服务器发送实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息。

本发明的超短期预测时间范围为未来0-4小时，时间分辨率为15分钟的发电功率预测结果；所述短期预测时间范围为未来0-3天，时间分辨率为15分钟的发电功率预测结果。

9.根据权利要求8所述的光伏功率预测系统，其特征在于：所述光伏功率预测系统的天气预报模块设置在天气预报服务器中，数据采集模块、数据库、数据上报模块、web服务器、预测模块、管理模块、统计模块和Web浏览器设置在预测服务器中。

10.根据权利要求9所述的光伏功率预测系统，其特征在于：所述预测服务器经网络隔离装置连接天气预报服务器，预测服务器连接光伏发电站监控系统的服务器和光伏发电站的调度主站的服务器；所述天气预报服务器接收天气预报供应商发来的数值天气预报数据。

本发明与现有技术相比，根据实时天气数据和实时发电数据，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，准确预测光伏发电站的光伏发电功率，保障电力系统的安全、稳定、优化运行，并且光伏功率预测系统的运行维护难度小，容易操作，成本低。

附图说明

图1是本发明的光伏功率预测系统结构示意图。

图2是本发明的光伏功率预测系统在光伏发电站中的部署示意图。

图3是本发明采用的BP神经网络示意图。

图4是本发明实施例的短期功率预测和实际发电功率曲线图。

图5是本发明实施例的超短期功率预测和实际发电功率曲线图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

如图1所示，本发明的光伏功率预测系统(系统)，设有9个模块，数据采集模块、天气预报模块、数据库、数据上报模块、web服务器、预测模块、管理模块、统计模块，web浏览器。

数据库连接数据采集模块、天气预报模块、数据上报模块、web服务器、预测模块、管理模块、统计模块。管理模块连接预测模块和统计模块。web服务器连接web浏览器。

数据采集模块每3秒从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库。

天气数据为光伏发电站的地表总辐照度、地表散射辐照度、地表水平直接辐照度、环境温度、相对湿度、平均风速、气压。发电数据为光伏发电站并网线路的电压、电流和功率(发电功率)。并网线路是指光伏发电站接入输电网的汇集线或并网点。实时天气数据的存储格式按字段、字段类型和描述构成，见表1。实时发电数据的存储格式按字段、字段类型和描述构成，见表2。

表1实时天气数据存储格式

表2实时发电数据存储格式

字段	字段类型	描述
			ID	INTEGER	序号，自增
STATIONID	INTEGER	所属电场ID
			POWER	DOUBLE	实时功率：汇集线功率或并网点功率
SAMPLETIME	DATETIME	采样时间(15min间隔)
			OPENCAPACITY	DOUBLE	开机容量

天气预报模块每日2次按文件传输协议FTP从天气预报供应商处获得数值天气预报数据，存入数据库。

天气预报的存储格式按字段、字段类型和描述构成，见表3。

表3数值天气预报数据存储格式

预测模块接受管理模块的指令,从数据库中获取实时天气数据和实时发电数据，作为原始采样数据，对原始采样数据进行补全和修正，分别获得实时天气数据和实时发电数据的采样值数据样本，将采样值数据样本存入数据库。

对原始采样数据进行补全和修正的方法：根据光伏发电站辐照度和发电量能量转换理论，将地外(大气外)辐照度为0时刻的实时发电功率置0，以修正实时发电功率在对应时刻出现非0实时发电功率的误数据。漏采样点的实时天气数据和实时发电数据取相似日同时刻的对应数据采样值的平均值补全。

预测模块从数据库提取最近的15个样本日和预测日的辐照度特征，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，将预测发电功率数据存入数据库。数个通常为3种天气类型：晴天、阴天、雨天。

辐照度特征为：晴朗系数、散射辐照度比例、辐照度变化趋势和辐照度方差。

晴朗系数，光伏发电站一日之内(0-24h)的地表总辐照度之和与地外水平辐照度之和的比值K₁：

$K_1=\frac{\underset{i=0}{\overset{N}{\Σ}}{G}_{g,i}}{\underset{i=0}{\overset{N}{\Σ}}{G}_{s,i}}---\left(1\right)$

式(1)中，N为采样个数，本实施例中24h内的采样个数为96，G_g,i为地表总辐照度的采样值数据样本，G_s,i为地外水平面辐照度计算值。地外水平面辐照度G_s,i是指地球大气层上界的辐照度，它不受大气层影响，与天气状态无关，取决于地球的自转和公转，与所处地点纬度、太阳高度角、日期、时刻有关。在忽略极移、地轴进动、闰年等微小影响的条件下，地外水平辐照度以年为单位周期变化。对于某个确定地点，考虑不同日期和不同时刻的影响，其对应的地外水平辐照度G可由式(2)计算得到。

式(2)中，k为太阳常数(1367W/m²),h为太阳高度角,δ为太阳赤纬,为纬度,ω为太阳时角。

散射辐照度比例，光伏发电站一日之内(0-24h)的地表散射辐照度之和与地表水平直接辐照度之和的比值K₂：

$K_2=\frac{\underset{i=0}{\overset{N}{\Σ}}{G}_{f,i}}{\underset{i=0}{\overset{N}{\Σ}}{G}_{h,i}}---\left(3\right)$

式(3)中，G_f,i为地表散射辐照度的采样值数据样本，G_h,i为地表水平直接辐照度的采样值数据样本。

辐照度变化趋势K₃用以衡量地表和地外辐照度变化规律的差异,K₃的表达式为：

$K_3=\underset{i=1}{\overset{N}{\Σ}}f\left(i\right)---\left(4\right)$

式(4)中，f(i)为第i个采样时段的变化趋势指标，f(i)的计算式为：

$f\left(i\right)=\left\{\begin{array}{c}1,(G_{g,i}-G_{g,i-1})(G_{s,i}-G_{s,i-1})<0\\ 0,(G_{g,i}-G_{g,i-1})(G_{s,i}-G_{s,i-1})\&GreaterEqual;0\end{array}\right.---\left(5\right)$

辐照度方差，光伏发电站一日之内(0-24h)地表总辐照度的方差V的计算式为：

$V=\frac{1}{N}\underset{i=0}{\overset{N}{\&Sigma;}}{\&lsqb;(G_{g,i}-G_{s,i})-\frac{1}{N}\underset{i=0}{\overset{N}{\&Sigma;}}(G_{g,i}-G_{s,i})\&rsqb;}^2---\left(6\right)$

式(1)至式(6)的计算采样间隔均为15分钟，采用采样值数据样本。

预测模块进行超短期预测和短期预测。

超短期预测时间范围为未来0-4小时，超短期预测结果是指未来0-4小时，时间分辨率为15分钟的发电功率预测结果。超短期预测每天进行滚动预测，滚动时间间隔为15分钟。

短期预测时间范围为未来0-3天，短期预测结果是指从次日0点起未来72小时，时间分辨率为15分钟的发电功率预测结果。短期预测每天进行两次预测发电功率。

实时发电功率与预测发电功率都为单位发电功率：发电功率/光伏发电站的装机容量MW。

预测模块预测发电功率，包括以下步骤：

一、分类

预测模块使用从样本日和预测日提取的辐照度特征，得到辐照度特征向量F：

F＝[K₁,K₂,K₃,V] (7)

式(7)中，K₁为晴朗系数，K₂为散射辐照度比例，K₃为辐照度变化趋势，V为辐照度方差。对K₁、K₂、K₃和V变量进行归一化计算：

$x^{*}=\frac{x-x_{min}}{x_{max}-x_{min}}---\left(8\right)$

式(8)中，x分别为变量K₁、K₂、K₃和V，x_min为x的最小值，x_max为x的最大值。使用欧氏距离作为特征向量相似性衡量标准，分别为对应变量的归一化值，按K均值聚类算法,将最近15个样本日和预测日分为3个聚类，与预测日在同一个聚类内的样本日为相似日。K均值聚类算法，为给定一个数据集合和需要的聚类数目K，K由用户指定，K均值算法根据某个距离函数反复把数据分入K个聚类中，本实施例中K为3，也即是将历史数据聚类为广义的3种天气类型(晴天、阴天、雨天),属于无监督聚类。

二、模型训练

预测模块用相似日实时天气数据的采样值数据样本归一化计算后的值作为天气数据的样本集，如图3所示，以天气数据X＝[G_g,G_f,T,H,W,A]作为输入i，其中，G_g为地表总辐照度，G_f为地表散射辐照度，T为环境温度，H为相对湿度，W为平均风速，A为气压；以发电功率P作为输出k，对3层6×11×1的BP神经网络进行训练，获得各层间的权值。

三、预测结果

预测模块用预测日的数值天气预报数据作为预测天气数据X，以预测天气数据X＝[G_g,G_f,T,H,W,A]作为输入，采用训练好的BP神经网络模型，计算获得预测发电功率P数据,存入数据库。预测发电功率数据存储格式由字段、字段类型和描述构成，见表4。

表4预测发电功率存储格式。

统计模块接受管理模块的指令,从数据库中获取光伏发电站的实时发电数据、短期和超短期预测发电功率数据，计算获得统计数据和统计类型，存入数据库。

统计数据为实时发电功率与预测发电功率的误差和、误差均值、平均绝对误差和误差方差。统计类型为日统计、月统计和年统计。

误差x_i：x_i＝x_f,i-x_c,i (9)

式(9)中，x_f,i为预测发电功率，x_c,i为实时发电功率。

误差和x_s：

误差均值

平均绝对误差MAE：

式(12)中,Cap_i为装机容量

均方根误差RMSE：

相关性系数r：

式(14)中,

最大预测误差：满足

对任意1≤i≤N，有

当N＝96时为日统计；N＝96×d_m时为月统计，d_m为当月天数；N＝96×d_y，d_y为当年天数。统计数据存储格式由字段、字段类型和描述构成，见表5。

表5统计数据存储格式

管理模块从数据库中获取运行参数，根据运行参数向预测模块、统计模块发出在指定时刻完成预测发电功率和统计数据的指令。

运行参数为短期或超短期预测发电功率的预测时刻、计算获得统计数据的时刻、统计类型和上报时刻。

数据库接收web服务器发送来的光伏功率预测系统的运行参数，存储后发送给管理模块，同时为数据采集模块、天气预报模块、数据上报模块、web服务器、预测模块、管理模块、统计模块提供运行参数。

数据库接收并存储以下数据：数据采集模块发送来的实时天气数据和实时发电数据，天气预报模块发送来的数值天气预报数据，预测模块发送来的采样值数据样本和预测发电功率数据，统计模块发送来的统计数据和统计类型，数据上报模块发送来的向光伏发电站的调度主站系统上送预测发电功率数据是否成功的信息。数据库采用mysql关系型数据库管理系统。

数据库向预测模块发送原始采样数据和采样值数据样本，向统计模块发送实时发电数据、短期和超短期预测发电功率数据，向数据上报模块发送短期和超短期预测发电功率数据，向web服务器发送实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息。

数据上报模块每日从数据库中获取短期预测发电功率数据，每15分钟从数据库中获取超短期预测发电功率数据，在指定时刻将光伏发电站的短期和超短期预测发电功率数据以E文件格式上送到光伏发电站的调度主站系统，并将上送是否成功的信息存入数据库。上送是否成功的信息采用数据上报记录表的格式，设有字段、字段类型和描述，见表6。

表6数据上报记录表

web服务器从数据库中读取实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息，供与本发明的光伏功率预测系统联网的终端如电脑、手机的web浏览器使用，并将用户在web浏览器上设置和修改的运行参数存入数据库，运行参数由字段、字段类型和描述构成，见表7。

表7运行参数存储格式

字段	字段类型	描述
			CFGID	BIGINT	配置号
CONFNAME	VARchar(50)	配置项中文名
			CONFCODE	VARchar(50)	配置编码
CONFVALUETYPE	INT	配置值类型(数字、时间、字符串)
			CONFVALUE	LONGTEXT	配置值
STATIONID	BIGINT	所属电场ID，取自STATIONINFO
			CREATETIME	DATETIME	生成时间

web浏览器作为用户使用功率预测系统的人机接口，从web服务器获取实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息，其中，实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型以表格、柱状图、曲线的形式展示在浏览器页面中。用户通过web浏览器设置和修改的运行参数信息经由web服务器存入数据库中。

本发明的系统的天气预报模块设置在天气预报服务器中，数据采集模块、数据库、数据上报模块、web服务器、预测模块、管理模块、统计模块和Web浏览器设置在预测服务器中。

如图2所示，预测服务器经网络隔离装置连接天气预报服务器，预测服务器连接光伏发电站(电站)监控系统的服务器和光伏发电站的调度主站的服务器。天气预报服务器接收天气预报供应商发来的数值天气预报数据。天气预报服务器与天气预报供应商处的网络发送设备间采用文件传输协议ftp通信，用于获取数值天气预报数据；预测服务器采用电力102通信协议与光伏发电站的调度主站通信，用于上报短期和超短期预测发电功率数据；预测服务器采用电力104通信协议与电站监控系统进行通信，用于采集实时天气数据和实时发电数据。

本实施例中，用本发明的系统对新疆恒灿光伏能源有限公司的光伏电站进行实际功率预测，天气预报服务器采用商用工作站,CPU:单路4核,内存不小于8G,硬盘不小于500G，预测服务器采用商用工作站,CPU:单路4核,内存不小于8G,硬盘不小于500G，系统采用C++程序语言实现。

将最近15个样本日和预测日分为3个聚类的指令：PVPowerFC--sample。

以X＝[G_g,G_f,T,H,W,A]作为输入，以发电功率P作为输出，对3层6×11×1的BP神经网络进行训练的指令：PVPowerFC--train。

采用训练好的BP神经网络模型，计算获得预测发电功率数据的指令：PVPowerFC--predict。

本发明的系统对所述光伏电站进行实际功率预测，以2016年4月30号至5月2号的预测结果为例进行对比，短期功率预测和超短期功率预测统计分析结果如表8和表9。

表8短期功率预测统计分析

表9超短期功率预测统计分析

表8和表9中,处理方式中的修正是一种针对原始预测功率进行人工修改的方法。光伏电站运维人员发现因为天气数据异常导致某些预测时刻点的原始预测功率(表4预测发电功率存储格式中的ORIPOWER字段)与实际情况明显不匹配时，人工对预测功率进行修改(修改值存在表4预测发电功率存储格式中的FORCASTPOWER字段)，修改后的数据作为上报调度系统的依据。均方根按公式(13)计算,平均绝对误差按公式(12)计算,相关性系数按公式(14)计算,最大预测误差按公式(15)计算。

从表8和表9可看出，三天的短期预测均方根误差小于8％，平均绝对误差小于7％，预测误差均小于国标《GBT 19964-2012光伏发电站接入电力系统技术规定》规定的短期预测误差要求，预测准确度高；同样超短期预测的均方根误差和平均绝对误差也均小于国标《GBT 19964-2012光伏发电站接入电力系统技术规定》规定的超短期预测误差要求，预测准确度高。

将短期功率预测和超短期功率预测结果与实际发电功率，以时间为横轴，功率为纵轴绘制成曲线，如图4和图5所示。比较这三天预测功率曲线和实际功率曲线的吻合程度，可以看出，预测和实际功率曲线基本重合，说明本发明的系统预测的光伏功率相对误差较小，具有准确性、实用性和有效性。

通过对实施例分析可得，基于辐照度特征聚类算法的BP神经网络功率预测，可以进一步提炼样本规律性、降低训练样本维度，且对气象因素波动模式和幅度更加敏感，从而使映射关系的准确度进一步提高，能够有效解决光伏功率预测中样本筛选困难问题，且能克服BP人工神经网络训练速度较慢、过学习、维数灾难、局部极值和泛化能力差的问题。从总体误差分析结果看，本发明的光伏功率预测系统取得了良好的预测指标。

本发明的系统实现了对光伏发电站的预测发电功率和数据上报，通过松耦合的模块化体系使得整个系统能够灵活的部署，易于按照用户需求增添功能，系统安装部署的工作量少，运行维护难度小，成本低。通过web服务器，用户可以在任何装有浏览器的终端上操作和查看系统运行参数和运行状况，直接获取实时天气数据、实时发电数据和预测发电功率数据，分析光伏发电站的发电特性，影响光伏发电的因素。

本发明的系统建立基于BP神经网络模型的光伏发电功率预测模型，采用三层BP神经网络结构，利用非线性映射和泛化能力，按相似日特征建立预测子模型，子模型中将相似日的天气情况和光伏发电功率的历史数据一同作为样本，对模型进行训练，并结合数值天气预报对发电功率进行准确预测。

本发明中，在光伏发电功率的历史数据时间序列中，所有光伏发电输出功率历史数据来自于同一光伏发电站，数据自身就包含了光伏阵列的信息，对光伏阵列的安装位置、安装角度和光伏阵列的使用时间对转换效率的影响具有指导意义。本发明采用历史发电功率数据训练BP神经网络模型预测模型，经过天气类型聚类，进而预测未来光伏发电功率的预测方法，显著提高了预测精度，为解决光伏系统发电功率预测提供了一种切实可行的方法。

Claims (10)

1.一种光伏功率预测系统，其特征在于：所述光伏功率预测系统设有数据采集模块、天气预报模块、数据库和预测模块；

所述数据采集模块从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；

所述天气预报模块从天气预报供应商处获得数值天气预报数据，存入数据库；

所述数据库向预测模块发送原始采样数据，接收并存储以下数据：数据采集模块发送来的实时天气数据和实时发电数据，天气预报模块发送来的数值天气预报数据，预测模块发送来的预测发电功率数据；

所述预测模块从数据库提取最近15个样本日和预测日的辐照度特征，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，将预测发电功率数据存入数据库；所述辐照度特征为：晴朗系数、散射辐照度比例、辐照度变化趋势和辐照度方差；预测模块预测发电功率包括以下步骤：

一、分类

预测模块使用从样本日和预测日提取的辐照度特征，得到辐照度特征向量F：

F＝[K₁,K₂,K₃,V]

K₁为晴朗系数，K₂为散射辐照度比例，K₃为辐照度变化趋势，V为辐照度方差，对K₁、K₂、K₃和V变量进行归一化计算：

$x^{*}=\frac{x-x_{min}}{x_{max}-x_{min}}$

x分别为变量K₁、K₂、K₃和V，x_min为x的最小值，x_max为x的最大值，使用欧氏距离作为特征向量相似性衡量标准，分别为对应变量的归一化值，按K均值聚类算法,将最近15个样本日和预测日分为3个聚类，与预测日在同一个聚类内的样本日为相似日；

二、模型训练

预测模块用相似日实时天气数据的采样值数据样本归一化计算后的值作为天气数据的样本集，以天气数据X＝[G_g,G_f,T,H,W,A]作为输入i，其中，G_g为地表总辐照度，G_f为地表散射辐照度，T为环境温度，H为相对湿度，W为平均风速，A为气压；以发电功率P作为输出k，对3层6×11×1的BP神经网络进行训练，获得各层间的权值；

三、预测结果

预测模块用预测日的数值天气预报数据作为预测天气数据X，以预测天气数据X＝[G_g,G_f,T,H,W,A]作为输入，采用训练好的BP神经网络模型，计算获得预测发电功率P数据,存入数据库。

2.根据权利要求1所述的光伏功率预测系统，其特征在于：所述数据采集模块每3秒从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；所述天气预报模块每日2次从天气预报供应商处获得数值天气预报数据，存入数据库。

3.根据权利要求2所述的光伏功率预测系统，其特征在于：所述天气数据为光伏发电站的地表总辐照度、地表散射辐照度、地表水平直接辐照度、环境温度、相对湿度、平均风速、气压；所述发电数据为光伏发电站并网线路的电压、电流和发电功率；所述并网线路是指光伏发电站接入输电网的汇集线或并网点。

4.根据权利要求3所述的光伏功率预测系统，其特征在于：所述光伏功率预测系统设有数据上报模块、web服务器、管理模块、统计模块和web浏览器；

所述数据上报模块从数据库中获取短期预测发电功率数据，从数据库中获取超短期预测发电功率数据，将短期和超短期预测发电功率数据上送到光伏发电站的调度主站系统，并将上送是否成功的信息存入数据库；

所述web服务器从数据库中读取实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息，供与光伏功率预测系统联网的终端的web浏览器使用，并将用户在web浏览器上设置和修改的运行参数存入数据库；

所述管理模块从数据库中获取运行参数，根据运行参数向预测模块、统计模块发出完成预测发电功率和统计数据的指令；

所述统计模块接受管理模块的指令,从数据库中获取光伏发电站的实时发电数据、短期和超短期预测发电功率数据，计算获得统计数据和统计类型，存入数据库；

所述web浏览器从web服务器获取实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息，进行展示。

5.根据权利要求4所述的光伏功率预测系统，其特征在于：所述数据上报模块每日从数据库中获取短期预测发电功率数据，每15分钟从数据库中获取超短期预测发电功率数据，将光伏发电站的短期和超短期预测发电功率数据以E文件格式上送到光伏发电站的调度主站系统。

6.根据权利要求5所述的光伏功率预测系统，其特征在于：所述预测模块接受管理模块的指令,从数据库中获取实时天气数据和实时发电数据，作为原始采样数据，对原始采样数据进行补全和修正，分别获得实时天气数据和实时发电数据的采样值数据样本，将采样值数据样本存入数据库。

7.根据权利要求6所述的光伏功率预测系统，其特征在于：所述数据库接收web服务器发送来的光伏功率预测系统的运行参数，存储后发送给管理模块，同时为数据采集模块、天气预报模块、数据上报模块、web服务器、预测模块、管理模块、统计模块提供运行参数；

所述数据库接收并存储以下数据：预测模块发送采样值数据样本，统计模块发送来的统计数据和统计类型，数据上报模块发送来的向光伏发电站的调度主站系统上送预测发电功率数据是否成功的信息；

所述数据库向预测模块发送采样值数据样本，向统计模块发送实时发电数据、短期和超短期预测发电功率数据，向数据上报模块发送短期和超短期预测发电功率数据，向web服务器发送实时天气数据、实时发电数据、数值天气预报数据、短期预测发电功率数据、超短期预测发电功率数据、统计数据和统计类型、上送预测发电功率数据是否成功的信息。

8.根据权利要求7所述的光伏功率预测系统，其特征在于：所述超短期预测时间范围为未来0-4小时，时间分辨率为15分钟的发电功率预测结果；所述短期预测时间范围为未来0-3天，时间分辨率为15分钟的发电功率预测结果。

9.根据权利要求8所述的光伏功率预测系统，其特征在于：所述光伏功率预测系统的天气预报模块设置在天气预报服务器中，数据采集模块、数据库、数据上报模块、web服务器、预测模块、管理模块、统计模块和Web浏览器设置在预测服务器中。

10.根据权利要求9所述的光伏功率预测系统，其特征在于：所述预测服务器经网络隔离装置连接天气预报服务器，预测服务器连接光伏发电站监控系统的服务器和光伏发电站的调度主站的服务器；所述天气预报服务器接收天气预报供应商发来的数值天气预报数据。