CN106803128A - 光伏发电的预测方法和装置 - Google Patents

光伏发电的预测方法和装置 Download PDF

Info

Publication number
CN106803128A
CN106803128A CN201510834694.3A CN201510834694A CN106803128A CN 106803128 A CN106803128 A CN 106803128A CN 201510834694 A CN201510834694 A CN 201510834694A CN 106803128 A CN106803128 A CN 106803128A
Authority
CN
China
Prior art keywords
time slot
scheduled time
generating system
photovoltaic generating
photovoltaic
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.)
Granted
Application number
CN201510834694.3A
Other languages
English (en)
Other versions
CN106803128B (zh
Inventor
蔡涛
刘方诚
段善旭
刘邦银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201510834694.3A priority Critical patent/CN106803128B/zh
Publication of CN106803128A publication Critical patent/CN106803128A/zh
Application granted granted Critical
Publication of CN106803128B publication Critical patent/CN106803128B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Photovoltaic Devices (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明实施例提供了一种光伏发电的预测方法和装置。该预测方法包括:获取当前时段预报的未来预定时段内的天气数据;确定在未来预定时段内的晴天条件下光伏发电系统的发电功率;将天气数据和在未来预定时段内的晴天条件下光伏发电系统的发电功率输入预先确定的非线性自回归NARX神经网络模型,得到在未来预定时段光伏发电系统的预测发电功率。本发明实施例中,通过根据当前时段预报的未来预定时段内的天气数据以及光伏发电系统在未来预定时段内的晴天条件下的发电功率,采用非线性自回归模型对光伏发电系统在未来预定时段内的发电功率进行预测,能够提高预测的精度。

Description

光伏发电的预测方法和装置
技术领域
本发明涉及光伏发电技术领域,尤其涉及光伏发电的预测方法和装置。
背景技术
近年来,越来越多的光伏发电系统接入电网运行,然而其发电功率的随机性和间歇性对电力系统经济、安全和可靠运行产生的负面影响也日渐突出。因此,迫切需要对光伏系统发电量进行准确预测,进而采取相应的技术措施抑制或补偿光伏发电功率波动。
发明内容
本发明提供了一种光伏发电的预测方法和装置,能够提高预测精度。
第一方面,提供了一种光伏发电的预测方法,包括:获取当前时段预报的未来预定时段内的天气数据;确定在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率;将所述天气数据和在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率输入预先确定的非线性自回归NARX神经网络模型,得到在所述未来预定时段所述光伏发电系统的预测发电功率。
本发明中,通过根据当前时段预报的未来预定时段内的天气数据以及光伏发电系统在未来预定时段内的晴天条件下的发电功率,采用非线性自回归模型对光伏发电系统在未来预定时段内的发电功率进行预测,能够提高预测的精度。
可选地,所述当前时段预报的未来预定时段内的天气数据可以包括温度和天气类型的量化值。
通过将公众气象服务平台获得的常见气象要素的预报值进行量化,输入非线性自回归模型对光伏发电系统的发电功率进行预测,能够进一步提高预测的精度。
结合第一方面,在第一方面的第一种可能的实现方式中,还包括:确定在所述未来预定时段内所述光伏发电系统的实际发电功率;确定在所述未来预定时段所述光伏发电系统的实际发电功率与预测发电功率的差值;根据所述差值更新所述NARX神经网络模型,得到更新后的NARX神经网络模型。
其中,可选地,根据所述差值采用误差反传算法更新所述NARX神经网络模型。
本发明采用系统参数的自适应更新策略,随着系统运行时间增长,预测精度会逐步提高。
结合第一方面或第一方面的第一种可能的实现方式,在第一方面的第二种可能的实现方式中,所述天气数据包括天气类型的量化值,所述天气类型的量化值是根据以下方法确定的:
将不同的天气类型划分为晴、多云、阴雨三类模糊集合;利用三角函数和梯形函数对所述三类模糊集合建立隶属度函数;将所述当前时段预报的所述未来预定时段内的天气类型代入所述隶属度函数,按面积等分法确定反模糊化值,所述反模糊化值与所述天线类型的量化值具有对应关系;根据所述反模糊化值确定所述天气类型的量化值。
结合第一方面或第一方面的第一种或第二种可能的实现方式,在第一方面的第三种可能的实现方式中,所述天气数据包括所述未来预定时段内的温度,所述确定在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率包括:根据所述光伏发电系统的光伏组件参数和所述光伏发电系统的光伏阵列的结构配置,确定所述光伏发电系统的等效模型;确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的辐射;根据所述未来预定时段内的温度,确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的表面温度;将所述表面温度和所述辐射输入所述光伏发电系统的等效模型,得到在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率。
可选地,所述确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的辐射包括:采用以下公式确定在所述未来预定时段内的晴天条件下所述光伏发电系统的辐射,
GT=GbT+GdT+GrT
其中,GT为在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的辐射,GbT为在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的直接辐射分量,GdT为在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的散射辐射分量,GrT为在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的反射辐射分量。
结合第一方面或第一方面的上述任一种可能的实现方式,在第一方面的的第四种可能的实现方式中,所述当前时段为t-tx,所述未来预定时段为t,所述NARX神经网络模型的数学表达式为:
y(t)=f(u(t-tx))+ε(t)
其中,向量y(t)为在所述未来预定时段t所述光伏发电系统的预测发电功率向量,向量u(t-tx)包括所述当前时段t-tx预报的所述未来预定时段t内的天气数据和在所述当前时段t-tx确定的所述未来预定时段t内的晴天条件下所述光伏发电系统的发电功率向量,ε(t)为预设值。
结合第一方面或第一方面的上述任一种可能的实现方式,在第一方面的的第五种可能的实现方式中,所述NARX神经网络模型是根据以下方法确定的:确定输出向量训练集合,所述输出向量训练集合包括历史记录的所述光伏发电系统的发电功率;确定输入向量训练集合,所述输入向量训练集合包括在历史上的晴天条件下所述光伏发电系统的发电功率和历史天气数据;根据所述输出向量训练集合和所述输入向量训练集合对初始NARX神经网络模型进行训练,得到所述NARX神经网络模型。
可选地,在历史上的晴天条件下所述光伏发电系统的发电功率是根据以下方法确定的:根据所述光伏发电系统的光伏组件参数和所述光伏发电系统的光伏阵列的结构配置,确定所述光伏发电系统的等效模型;确定在历史上的晴天条件下所述光伏发电系统的光伏阵列的辐射;根据历史记录的温度,确定在历史上的晴天条件下所述光伏发电系统的光伏阵列的表面温度;将在历史上的晴天条件下所述光伏发电系统的光伏阵列的表面温度和在历史上的晴天条件下所述光伏发电系统的光伏阵列的辐射输入所述光伏发电系统的等效模型,得到在历史上的晴天条件下所述光伏发电系统的发电功率。
可选地,历史天气数据包括历史记录的温度和天气类型的量化值。
第二方面,提供了一种光伏发电的预测装置,包括:获取单元,用于获取所述当前时段预报的未来预定时段内的天气数据;第一处理单元,用于确定在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率;所述第一处理单元还用于,将所述获取单元获取的所述天气数据和在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率输入预先确定的非线性自回归NARX神经网络模型,得到在所述未来预定时段所述光伏发电系统的预测发电功率。
结合第二方面,在第二方面的第一种可能的实现方式中,还包括:第二处理单元,用于:
确定在所述未来预定时段所述光伏发电系统的实际发电功率;确定在所述未来预定时段所述光伏发电系统的实际发电功率与预测发电功率的差值;根据所述差值更新所述NARX神经网络模型,得到更新后的NARX神经网络模型。
结合第二方面或第二方面的第一种可能的实现方式,在第二方面的第二种可能的实现方式中,所述天气数据包括天气类型的量化值,所述第一处理单元还用于:
将不同的天气类型划分为晴、多云、阴雨三类模糊集合;
利用三角函数和梯形函数对所述三类模糊集合建立隶属度函数;
将所述当前时段预报的所述未来预定时段内的天气类型代入所述隶属度函数,按面积等分法确定反模糊化值;
根据所述反模糊化值确定所述天气类型的量化值。
结合第二方面或第二方面上述任一种可能的实现方式,在第二方面的第三种可能的实现方式中,所述天气数据包括所述未来预定时段内的温度,所述第一处理单元具体用于:
根据所述光伏发电系统的光伏组件参数和所述光伏发电系统的光伏阵列的结构配置,确定所述光伏发电系统的等效模型;
确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的辐射;
根据所述未来预定时段内的温度,确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的表面温度;
将所述表面温度和所述辐射输入所述光伏发电系统的等效模型,得到在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率。
结合第二方面或第二方面的上述任一种可能的实现方式,在第二方面的第四种可能的实现方式中,所述当前时段为t-tx,所述未来预定时段为t,所述NARX神经网络模型的数学表达式为:
y(t)=f(u(t-tx))+ε(t)
其中,向量y(t)为在所述未来预定时段t所述光伏发电系统的预测发电功率向量,向量u(t-tx)包括所述当前时段t-tx预报的所述未来预定时段t内的天气数据和在所述当前时段t-tx确定的所述未来预定时段t内的晴天条件下所述光伏发电系统的发电功率向量,ε(t)为预设值。
结合第二方面或第二方面的上述任一种可能的实现方式,在第二方面的第五种可能的实现方式中,所述第二处理单元还用于:
确定输出向量训练集合和输入向量训练集合,所述输出向量训练集合包括历史记录的所述光伏发电系统的发电功率,所述输入向量训练集合包括在历史上的晴天条件下所述光伏发电系统的发电功率和历史天气数据;
根据所述输出向量训练集合和所述输入向量训练集合对初始NARX神经网络模型进行训练,得到所述NARX神经网络模型。
第三方面,提供了一种光伏发电的预测装置,包括:处理器、存储器和总线系统,所述处理器和所述存储器通过所述总线系统相连,所述存储器用于存储指令,所述处理器用于执行所述存储器存储的指令,使得所述预测执行如第一方面或第一方面的任一种可能的实现方式所述的方法。
第四方面,提供了一种计算机程序产品,所述计算机程序产品包括计算机程序代码,当所述计算机程序代码被光伏发电的预测装置运行时,使得所述光伏发电的预测装置执行上述第一方面或第一方面的任一种可能的实现方式所述的方法。
第五方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有程序,所述程序使得光伏发电的预测装置执行上述第一方面或第一方面的任一种可能的实现方式所述的方法。
本发明中,通过根据当前时段预报的未来预定时段内的天气数据以及光伏发电系统在未来预定时段内的晴天条件下的发电功率,采用非线性自回归模型对光伏发电系统在未来预定时段内的发电功率进行预测,能够提高预测的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据现有技术的非线性自回归模型的示意图;
图2是根据本发明实施例的光伏发电的预测方法的示意性流程图;
图3是根据本发明实施例的光伏发电的预测方法的隶属度函数的示意图;
图4是根据本发明实施例光伏发电的预测装置的示意性结构图;
图5是根据本发明另一实施例的光伏发电的预测装置的示意性结构图;
图6是根据本发明另一实施实例的光伏发电的预测装置的示意性结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
由于实际的地球大气圈成分有着极其复杂的演化过程,导致各种气象现象的发生(如云、雨、雾,等),直接影响了太阳辐射到达地面的传输,光伏发电系统的光伏发电功率的间歇性和波动性即源自于此。
当不存在云、雾、水汽、灰尘等大气条件的影响时,即晴天条件下,根据地球与太阳相对运动的规律性,任意时间地球上任意地点处水平面上接收到的太阳辐射强度可精确计算,因此还可以计算光伏阵列接收的总辐射强度,继而可以通过光伏阵列的光电物理模型和逆变器的效率模型计算出实时输出功率。此过程是确定性的数学计算过程,因此可以预测任意地点任意时间在晴天条件下光伏发电系统的光伏发电功率。
因此,可将光伏发电系统中将太阳辐射强度转换发电功率的过程描述为某种辨识系统,则该系统的输入为晴天条件下光伏阵列表面的辐射强度,输出为发电功率。而大气所导致的影响(例如辐射衰减)可作为该辨识系统的内部参数和状态。由于可以通过公用服务平台(如网站、广播、电视等)获得未来的天气预报数据,可将此天气预报数据作为该辨识系统的部分状态,那么一旦能够获得该辨识系统的结构及参数,则可以预测未来的光伏发电功率。
故可以将理论计算的晴天条件下光伏发电系统的发电功率以及量化后天气要素的数据作为该辨识系统的输入。气象要素及环境条件对光伏发电过程的非线性时变性影响则用合适的神经网络加以描述,该网络结构和连接权值则可描述该辨识系统结构及参数。
对该辨识系统的神经网络的神经元函数、网路层数、连接网络等关键要素的进行优化选取,并利用历史数据对网络权值加以训练学习,即可建立光伏发电功率的辨识和预测系统。
综上所述,光伏发电系统可以考虑为具有内部参数及状态的非线性多输入多输出(Multi-input Multi-output,简称MIMO)系统,故可考虑利用带外部输入的非线性自回归(Nonlinear Autoregressive Neural Network,简称NARX)神经网络模型加以描述,典型的NARX神经网络模型如图1所示。
下面结合图2详细描述根据本发明实施例的光伏发电的预测方法。如图2所示,光伏发电的预测方法200包括如下内容。
210、获取当前时段预报的未来预定时段内的天气数据。
应理解,当前时段与未来预定时段之间的间隔可以根据需要进行设定。例如,如果提前24小时(即1天)进行预测,则当前时段可以为当前日,未来预定时段可以为明日。如果提前48小时(即2天进行预测),则当前时段可以为当前日,未来预定时段可以为后日。
220、确定在未来预定时段内的晴天条件下光伏发电系统的发电功率。
230、将天气数据和在未来预定时段内的晴天条件下光伏发电系统的发电功率输入预先确定的NARX神经网络模型,得到在未来预定时段光伏发电系统的预测发电功率。
本发明实施例中,通过根据当前时段预报的未来预定时段内的天气数据以及光伏发电系统在未来预定时段内的晴天条件下的发电功率,采用非线性自回归模型对光伏发电系统在未来预定时段内的发电功率进行预测,能够提高预测的精度。
天气数据可包括温度和天气类型的量化值。应理解,天气数据还可以包括从气象服务平台能够获取到的其他天气数据,例如太阳辐射强度、湿度、风速等。
可选地,天气类型的量化值是根据以下方法确定的:
将不同的天气类型划分为晴(clear)、多云(cloudy)、阴雨(rainy)三类模糊集合;
利用三角函数和梯形函数对三类模糊集合建立隶属度函数;
将待量化的天气类型代入隶属度函数,按面积等分法确定反模糊化值;
根据反模糊化值确定天气类型的量化值。
三类模糊集合的隶属度函数采用如图3所示的三角函数和梯形函数进行定义,将气象预报的未来天气类型带入该隶属函数则可按面积等分法计算得到气象预报的天气类型的反模糊化值θ。如图3所示,θ轴上的反模糊化值0~10代表十等分的占比,即反模糊化值1对应0.1,反模糊化值10对应1。
因此,阴天、晴天、或多云等模糊化的天气类型的气象术语,经过上述量化处理,可以将其转换为0.0~1.0的实数。
通过将量化后的天气类型输入NARX神经网络模型中进行光伏发电的预测,
可选地,步骤220可以包括:
根据光伏发电系统的光伏组件参数和光伏发电系统的光伏阵列的结构配置,确定光伏发电系统的等效模型;
确定在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的辐射;
根据未来预定时段内的温度,确定在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的表面温度;
将表面温度和辐射输入光伏发电系统的等效模型,得到在未来预定时段内的晴天条件下光伏发电系统的发电功率。
可选地,确定在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的辐射包括:
采用以下公式(1)确定在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的辐射,
GT=GbT+GdT+GrT (1),
其中,GT为在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的辐射,GbT为在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的直接辐射分量,GdT为在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的散射辐射分量,GrT为在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的反射辐射分量。
具体可以采用以下公式(2)、(3)、(4)分别计算GbT、GdT和GrT
GbT=GonτbcosθS (2)
其中,
D是计算日期的积日数,Gsc是太阳常数,Gsc的值为1367W/m2,θZ为高度角和θS为入射角,各项系数如下式(5)所示:
其中,A为当地海拔高度(如单位为km),r0、r1和rk的取值与光伏发电系统所处的地理位置有关,典型的r0,r1和rk取值如下表1所示。
表1
高度角θZ和入射角θS计算如下:
cosθZ=cosδcosφcosω+sinδsinφ (6)
cosθS=sinδsinφcosβ-sinδcosφsinβcosα+cosδcosφcosβcosω
(7)
+cosδsinφsinβcosαcosω+cosδsinαsinωsinβ
其中,δ为太阳赤纬角,φ为光伏发电系统所在的纬度,ω为时角,α为光伏发电系统的光伏阵列的方位角。
赤纬角采用下式计算:
时角采用下式计算:
ω=(LMT-TZ-12)×15+LL+ET/4
其中LMT为当地时间(取值0~24),TZ和LL分别为时区和经度,而ET是时差公式,采用下式计算:
ET=229.1831×(0.000075+0.001868cosθ-0.032077sinθ
-0.014615cos2θ-0.040849sin2θ)
式中,(度)。
也就是说,晴天条件下光伏发电系统的光伏阵列的表面辐射是根据地理环境因素确定的。
可选地,本发明实施例中的NARX神经网络模型可以根据以下方法确定:
确定输出向量训练集合和输入向量训练集合,输出向量训练集合包括历史记录的光伏发电系统的发电功率,输入向量训练集合包括历史天气数据和在历史上的晴天条件下光伏发电系统的发电功率;
根据输出向量训练集合和输入向量训练集合对初始NARX神经网络模型进行训练,得到NARX神经网络模型。
例如,对光伏发电站的历史逐时发电功率数据进行收集、分析和筛选,剔除不合理或错误的数据,得到输出向量训练集合。
可选地,在确定某一时刻发电功率数据不合理或错误之后,可以使用与该时刻相邻的时段内的发电功率数据的平均值替换该时刻的发电功率数据。
可选地,根据本发明实施例的NARX神经网络模型为以下公式(8)所示:
y(t)=f(u(t-tx))+ε(t) (8)
其中,向量y(t)为在未来预定时段t光伏发电系统的预测发电功率向量,向量u(t-tx)包括当前时段t-tx预报的未来预定时段t内的天气数据和在当前时段t-tx确定的在未来预定时段t内晴天条件下光伏发电系统的发电功率向量,ε(t)为预设值。
其中,tx为当前时段与未来预定时段之间的时间间隔。tx的取值的时间单位可以根据实际情况进行定义,例如可以为天、小时等。ε(t)可以取0或者其他数值,本发明实施例对此不作限定。
例如,如果提前1天预测光伏发电站的发电功率,则可以将tx取1,将tx的取值的时间单位定义为天,则根据本发明实施例的NARX神经网络模型为以下公式(1)所示:
y(t)=f(u(t-1))+ε(t)
其中,向量u(t-1)包括第t-1日预测的第t日的天气数据和第t-1日确定的第t日的晴天条件下光伏发电系统的全天逐时发电功率,ε(t)为预设值。
可选地,NARX神经网络模型采用1个输入层、1个隐含层和1个输出层的结构。
其中,输入层的输入向量是预测日6:00AM~6:00PM晴天条件下光伏发电系统逐时输出的发电功率以及天气数据;输出层的输出向量是预测日6:00AM~6:00PM实际天气条件下的逐时输出功率;中间层神经元采用tansig函数,
可选地,方法200还包括:
确定在未来预定时段光伏发电系统的实际发电功率;
确定该实际发电功率与预测发电功率的差值;
根据该差值更新NARX神经网络模型,得到更新后的NARX神经网络模型。
根据实际发电功率与预测发电功率的差值更新NARX神经网络模型,包括:根据实际发电功率与预测发电功率的差值采用误差反传算法调整NARX神经网络模型中的各个权值。
更新后的NARX神经网络模型能够适应光伏发电系统的时变特性。
通过根据光伏发电系统的实际发电功率和预测发电功率的差值更新NARX神经网络模型,对NARX神经网络模型的参数不断进行校正优化,能够使得NARX神经网络模型的输入输出动态特性逐渐与光伏发电系统趋近,从而能够逐步提高光伏发电系统的发电功率的预测精度。
本发明实施例采用系统参数的自适应更新策略,随着系统运行时间增长,预测精度会逐步提高,适合于历史观测和记录数据不足的光伏发电系统。
例如,在每日的夜间,计算当日实际的逐时发电功率和前一日预测的逐时发电功率的差值,利用误差反传算法调整NARX神经网络模型的各个权值,从而使更新后NARX神经网络模型能够适应光伏发电系统的时变特性。
换句话说,在每日光伏发电过程结束后,将实际发电功率与前一日预测功率进行比较,利用误差反传算法对NARX神经网络模型的权值进行更新,能够使得NARX神经网络模型逐渐适应光伏发电系统特性以及当地的气象变化特性。
图4是根据本发明实施例的光伏发电的预测装置400的示意性结构图。如图4所示,预测装置400包括获取单元410和第一处理器单元420。
获取单元410用于获取当前时段预报的未来预定时段内的天气数据。
第一处理单元420用于确定在未来预定时段内的晴天条件下光伏发电系统的发电功率。
第一处理单元420还用于将获取单元410获取的天气数据和在未来预定时段内的晴天条件下光伏发电系统的发电功率输入预先确定的非线性自回归NARX神经网络模型,得到在未来预定时段光伏发电系统的预测发电功率。
本发明实施例中,通过根据当前时段预报的未来预定时段内的天气数据以及光伏发电系统在未来预定时段内的晴天条件下的发电功率,采用非线性自回归模型对光伏发电系统在未来预定时段内的发电功率进行预测,能够提高预测的精度。
可选地,如图5所示,预测装置400还包括第二处理单元430。
第二处理单元430用于:确定在未来预定时段光伏发电系统的实际发电功率;确定在未来预定时段光伏发电系统的实际发电功率与预测发电功率的差值;根据差值更新NARX神经网络模型,得到更新后的NARX神经网络模型。
可选地,天气数据包括天气类型的量化值,第一处理单元420还用于:
将不同的天气类型划分为晴、多云、阴雨三类模糊集合;利用三角函数和梯形函数对三类模糊集合建立隶属度函数;将当前时段预报的未来预定时段内的天气类型代入隶属度函数,按面积等分法确定反模糊化值;根据反模糊化值确定天气类型的量化值。
可选地,天气数据包括未来预定时段内的温度,第一处理单元420具体用于:根据光伏发电系统的光伏组件参数和光伏发电系统的光伏阵列的结构配置,确定光伏发电系统的等效模型;确定在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的辐射;根据未来预定时段内的温度,确定在未来预定时段内的晴天条件下光伏发电系统的光伏阵列的表面温度;将表面温度和辐射输入光伏发电系统的等效模型,得到在未来预定时段内的晴天条件下光伏发电系统的发电功率。
可选地,当前时段为t-tx,未来预定时段为t,NARX神经网络模型的数学表达式为:
y(t)=f(u(t-tx))+ε(t)
其中,向量y(t)为在未来预定时段t光伏发电系统的预测发电功率向量,向量u(t-tx)包括当前时段t-tx预报的未来预定时段t内的天气数据和在当前时段t-tx确定的未来预定时段t内的晴天条件下光伏发电系统的发电功率向量,ε(t)为预设值。
可选地,第二处理单元430还用于:
确定输出向量训练集合和输入向量训练集合,输出向量训练集合包括历史记录的光伏发电系统的发电功率,输入向量训练集合包括在历史上的晴天条件下光伏发电系统的发电功率和历史天气数据;
根据输出向量训练集合和输入向量训练集合对初始NARX神经网络模型进行训练,得到NARX神经网络模型。
应注意,本发明实施例中,获取单元410、第一处理单元420和第二处理单元430可以由处理器实现。如图6所示,光伏发电的预测装置600可以包括处理器610、存储器620和总线系统630,处理器610和存储器620通过总线系统630连接。存储器620用于存储指令,处理器610用于执行存储器620中存储的指令,使得预测装置600执行光伏发电的预测方法200。
图4或图5所示的光伏发电的预测装置400或图6所示的光伏发电的预测装置600能够实现前述方法实施例中的相应流程,为避免重复,这里不再赘述。
应理解,在本发明实施例中,处理器610可以是中央处理单元(CentralProcessing Unit,简称CPU),处理器610还可以是其他通用处理器、数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器620可以包括只读存储器和随机存取存储器,并向处理器710提供指令和数据。存储器620的一部分还可以包括非易失性随机存取存储器。例如,存储器620还可以存储设备类型的信息。
总线系统630除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线系统630。
在实现过程中,上述方法的各步骤可以通过处理器610中的硬件的集成逻辑电路或者软件形式的指令完成。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器620,处理器610读取存储器620中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种光伏发电的预测方法,其特征在于,包括:
获取当前时段预报的未来预定时段内的天气数据;
确定在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率;
将所述天气数据和在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率输入预先确定的非线性自回归NARX神经网络模型,得到在所述未来预定时段所述光伏发电系统的预测发电功率。
2.根据权利要求1所述的预测方法,其特征在于,还包括:
确定在所述未来预定时段所述光伏发电系统的实际发电功率;
确定在所述未来预定时段所述光伏发电系统的实际发电功率与预测发电功率的差值;
根据所述差值更新所述NARX神经网络模型,得到更新后的NARX神经网络模型。
3.根据权利要求1或2所述的预测方法,其特征在于,所述天气数据包括天气类型的量化值,
所述天气类型的量化值是根据以下方法确定的:
将不同的天气类型划分为晴、多云、阴雨三类模糊集合;
利用三角函数和梯形函数对所述三类模糊集合建立隶属度函数;
将所述当前时段预报的所述未来预定时段内的天气类型代入所述隶属度函数,按面积等分法确定反模糊化值;
根据所述反模糊化值确定所述天气类型的量化值。
4.根据权利要求1至3中任一项所述的预测方法,其特征在于,所述天气数据包括所述未来预定时段内的温度,所述确定在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率包括:
根据所述光伏发电系统的光伏组件参数和所述光伏发电系统的光伏阵列的结构配置,确定所述光伏发电系统的等效模型;
确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的辐射;
根据所述未来预定时段内的温度,确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的表面温度;
将所述表面温度和所述辐射输入所述光伏发电系统的等效模型,得到在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率。
5.根据权利要求1至4中任一项所述的预测方法,其特征在于,所述当前时段为t-tx,所述未来预定时段为t,所述NARX神经网络模型的数学表达式为:
y(t)=f(u(t-tx))+ε(t)
其中,向量y(t)为在所述未来预定时段t所述光伏发电系统的预测发电功率向量,向量u(t-tx)包括所述当前时段t-tx预报的所述未来预定时段t内的天气数据和在所述当前时段t-tx确定的所述未来预定时段t内的晴天条件下所述光伏发电系统的发电功率向量,ε(t)为预设值。
6.根据权利要求1至5中任一项所述的预测方法,其特征在于,所述NARX神经网络模型是根据以下方法确定的:
确定输出向量训练集合和输入向量训练集合,所述输出向量训练集合包括历史记录的所述光伏发电系统的发电功率,所述输入向量训练集合包括在历史上的晴天条件下所述光伏发电系统的发电功率和历史天气数据;
根据所述输出向量训练集合和所述输入向量训练集合对初始NARX神经网络模型进行训练,得到所述NARX神经网络模型。
7.一种光伏发电的预测装置,其特征在于,包括:
获取单元,用于获取当前时段预报的未来预定时段内的天气数据;
第一处理单元,用于确定在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率;
所述第一处理单元还用于,将所述获取单元获取的所述天气数据和在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率输入预先确定的非线性自回归NARX神经网络模型,得到在所述未来预定时段所述光伏发电系统的预测发电功率。
8.根据权利要求7所述的预测装置,其特征在于,还包括:
第二处理单元,用于:
确定在所述未来预定时段所述光伏发电系统的实际发电功率;
确定在所述未来预定时段所述光伏发电系统的实际发电功率与预测发电功率的差值;
根据所述差值更新所述NARX神经网络模型,得到更新后的NARX神经网络模型。
9.根据权利要求7或8所述的预测装置,其特征在于,所述天气数据包括天气类型的量化值,
所述第一处理单元还用于:
将不同的天气类型划分为晴、多云、阴雨三类模糊集合;
利用三角函数和梯形函数对所述三类模糊集合建立隶属度函数;
将所述当前时段预报的所述未来预定时段内的天气类型代入所述隶属度函数,按面积等分法确定反模糊化值;
根据所述反模糊化值确定所述天气类型的量化值。
10.根据权利要求7至9中任一项所述的预测装置,其特征在于,所述天气数据包括所述未来预定时段内的温度,所述第一处理单元具体用于:
根据所述光伏发电系统的光伏组件参数和所述光伏发电系统的光伏阵列的结构配置,确定所述光伏发电系统的等效模型;
确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的辐射;
根据所述未来预定时段内的温度,确定在所述未来预定时段内的晴天条件下所述光伏发电系统的光伏阵列的表面温度;
将所述表面温度和所述辐射输入所述光伏发电系统的等效模型,得到在所述未来预定时段内的晴天条件下所述光伏发电系统的发电功率。
11.根据权利要求7至10中任一项所述的预测装置,其特征在于,所述当前时段为t-tx,所述未来预定时段为t,所述NARX神经网络模型的数学表达式为:
y(t)=f(u(t-tx))+ε(t)
其中,向量y(t)为在所述未来预定时段t所述光伏发电系统的预测发电功率向量,向量u(t-tx)包括所述当前时段t-tx预报的所述未来预定时段t内的天气数据和在所述当前时段t-tx确定的所述未来预定时段t内的晴天条件下所述光伏发电系统的发电功率向量,ε(t)为预设值。
12.根据权利要求7至11中任一项所述的预测装置,其特征在于,所述第二处理单元还用于:
确定输出向量训练集合和输入向量训练集合,所述输出向量训练集合包括历史记录的所述光伏发电系统的发电功率,所述输入向量训练集合包括在历史上的晴天条件下所述光伏发电系统的发电功率和历史天气数据;
根据所述输出向量训练集合和所述输入向量训练集合对初始NARX神经网络模型进行训练,得到所述NARX神经网络模型。
CN201510834694.3A 2015-11-26 2015-11-26 光伏发电的预测方法和装置 Active CN106803128B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510834694.3A CN106803128B (zh) 2015-11-26 2015-11-26 光伏发电的预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510834694.3A CN106803128B (zh) 2015-11-26 2015-11-26 光伏发电的预测方法和装置

Publications (2)

Publication Number Publication Date
CN106803128A true CN106803128A (zh) 2017-06-06
CN106803128B CN106803128B (zh) 2021-07-20

Family

ID=58976592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510834694.3A Active CN106803128B (zh) 2015-11-26 2015-11-26 光伏发电的预测方法和装置

Country Status (1)

Country Link
CN (1) CN106803128B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960522A (zh) * 2018-07-16 2018-12-07 浙江电腾云光伏科技有限公司 一种光伏发电量预测分析方法
CN109978236A (zh) * 2019-03-04 2019-07-05 三峡大学 一种基于特征组合的小水电短期功率精细化预测方法
CN109993374A (zh) * 2019-04-15 2019-07-09 成都四方伟业软件股份有限公司 货物量预测方法及装置
CN111898825A (zh) * 2020-07-31 2020-11-06 天津大学 一种光伏发电功率短期预测方法及装置
CN108090629B (zh) * 2018-01-16 2021-02-09 广州大学 基于非线性自回归神经网络的负荷预测方法与系统
CN113409149A (zh) * 2021-05-10 2021-09-17 国网浙江省电力有限公司杭州供电公司 一种基于发电量预测的光伏电站投融资决策方法及装置
CN116109007A (zh) * 2023-03-23 2023-05-12 阿里巴巴达摩院(杭州)科技有限公司 发电功率确定方法、服务器及存储介质
CN116721356A (zh) * 2023-08-10 2023-09-08 深圳航天科创泛在电气有限公司 一种光伏系统的输出功率预测方法及相关设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012043853A (ja) * 2010-08-16 2012-03-01 Tohoku Electric Power Co Inc 太陽光発電設備の発電出力推定方法
CN103489038A (zh) * 2013-09-09 2014-01-01 国家电网公司 基于lm-bp神经网络的光伏超短期功率预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012043853A (ja) * 2010-08-16 2012-03-01 Tohoku Electric Power Co Inc 太陽光発電設備の発電出力推定方法
CN103489038A (zh) * 2013-09-09 2014-01-01 国家电网公司 基于lm-bp神经网络的光伏超短期功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郑凌蔚等: "基于改进小波神经网络的光伏发电系统非线性模型辨识", 《电网技术》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090629B (zh) * 2018-01-16 2021-02-09 广州大学 基于非线性自回归神经网络的负荷预测方法与系统
CN108960522A (zh) * 2018-07-16 2018-12-07 浙江电腾云光伏科技有限公司 一种光伏发电量预测分析方法
CN109978236A (zh) * 2019-03-04 2019-07-05 三峡大学 一种基于特征组合的小水电短期功率精细化预测方法
CN109978236B (zh) * 2019-03-04 2022-07-15 三峡大学 一种基于特征组合的小水电短期功率精细化预测方法
CN109993374A (zh) * 2019-04-15 2019-07-09 成都四方伟业软件股份有限公司 货物量预测方法及装置
CN109993374B (zh) * 2019-04-15 2021-01-05 成都四方伟业软件股份有限公司 货物量预测方法及装置
CN111898825A (zh) * 2020-07-31 2020-11-06 天津大学 一种光伏发电功率短期预测方法及装置
CN113409149A (zh) * 2021-05-10 2021-09-17 国网浙江省电力有限公司杭州供电公司 一种基于发电量预测的光伏电站投融资决策方法及装置
CN116109007A (zh) * 2023-03-23 2023-05-12 阿里巴巴达摩院(杭州)科技有限公司 发电功率确定方法、服务器及存储介质
CN116721356A (zh) * 2023-08-10 2023-09-08 深圳航天科创泛在电气有限公司 一种光伏系统的输出功率预测方法及相关设备
CN116721356B (zh) * 2023-08-10 2023-11-24 深圳航天科创泛在电气有限公司 一种光伏系统的输出功率预测方法及相关设备

Also Published As

Publication number Publication date
CN106803128B (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN106803128A (zh) 光伏发电的预测方法和装置
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
Pearre et al. Statistical approach for improved wind speed forecasting for wind power production
Huang et al. Forecasting hourly solar irradiance using hybrid wavelet transformation and Elman model in smart grid
CN105426956B (zh) 一种超短期光伏预测方法
CN105184391A (zh) 基于小波分解和支持向量机的风电场风速与功率预测方法
CN103500365B (zh) 光伏发电功率预测方法和系统
CN106228278A (zh) 光伏功率预测系统
CN107563565A (zh) 一种考虑气象因素变化的短期光伏分解预测方法
CN103208037B (zh) 一种应用于新能源电站的基于在线校正的功率预测方法
CN104598765A (zh) 一种基于弹性自适应神经网络的建筑物能耗预测方法
CN106803135A (zh) 一种光伏发电系统输出功率的预测方法及装置
CN106600060A (zh) 基于相似日晴朗系数修正的太阳辐照量预测方法
Tina et al. Analysis of forecast errors for irradiance on the horizontal plane
Li et al. Day-ahead hourly photovoltaic generation forecasting using extreme learning machine
CN105678439A (zh) 基于bp神经网络的输电线路动态增容运行风险评估方法
Rahimi et al. Calibration of Angstrom equation for estimating solar radiation using meta-heuristic harmony search algorithm (case study: Mashhad-East of Iran)
CN105117975A (zh) 一种光伏输出功率值的分频预测方法
CN104598715A (zh) 一种基于气候态风速预测的区域风电电量预测方法
Serrano-Lujan et al. Accurate thermal prediction model for building-integrated photovoltaics systems using guided artificial intelligence algorithms
CN103984991A (zh) 一种基于微气象数据的分布式太阳能辐射预测方法及系统
CN109858668B (zh) 一种雷电气候下电力负荷区域协调预测方法
Mahdi et al. Using artificial neural networks to predict solar radiation for Duhok City, Iraq
Khorsheed Long-term energy peak load forecasting models: A hybrid statistical approach
Vu et al. Recurring multi-layer moving window approach to forecast day-ahead and week-ahead load demand considering weather conditions

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant