[发明专利]应用于高倍聚光光伏发电系统的短期发电量预测方法

说明书

技术领域

本发明涉及电力系统技术领域，尤其涉及一种应用于高倍聚光光伏发电系统的短期发电量预测方法。

背景技术

光伏发电技术是根据光生伏特效应原理，利用太阳电池将太阳光能直接转化为电能。光伏发电技术可分为第一代采用晶硅电池的光伏发电技术、第二代采用薄膜电池的光伏发电技术与第三代采用高倍聚光的光伏发电技术。与第一代采用晶硅电池的光伏发电技术和第二代采用薄膜电池的光伏发电技术不同，高倍聚光指通过透镜或反射镜等光学元件将一定面积的太阳光汇聚在一个狭小的区域(焦斑)，进而进行发电的技术，其优势在于发电效率高、占地面积小、输出功率稳定、易回收等。但是由于其受太阳辐射强度、电池组件温度、天气、云层和一些随机因素的影响，系统运行过程是一个非平衡的随机过程，其发电量和输出电功率随机性强、波动大、不可控制，例如在多云天气情况下，云层的遮挡使太阳光无法聚集，会造成发电功率的急剧下降。这种发电方式的波动特点会对国家电网造成一定冲击，进而制约其大规模的发展；同时发电量预测系统也是光伏发电站重要的配套技术，因此短期内的发电量预测，对于电站及时调整发电设备，稳定输出电量，避免资源浪费等方面具有非常好的实际应用价值。

目前对于发电量的主要预测方法可分为如下三类：一是基于太阳总辐射预报和光伏特性曲线仿真模型的仿真预报法；二是基于太阳总辐射预报和光电转换效率模型的原理预报法；三是基于历史气象资料(天气情况或太阳总辐射资料)和同期光伏发电量资料，采用统计学方法(如多元回归、神经网络、支持向量机等相关算法)进行分析建模的动力统计预报法。其中，第一种方法和第二种方法对转换模型的建立非常困难，所以很难取得理想的预测效果。采用基于统计学的预测方法主要有时间序列法为代表的传统统计方法和人工神经网络为代表的人工智能方法两大类。建立光伏发电量预测模型将主要考虑神经网络法、支持向量机方法等人工智能方法。但无论上述哪种预测方法，在应用于高倍聚光光伏发电系统中时，由于高倍聚光光伏发电系统受太阳辐射强度、电池组件温度、天气、云层和一些随机因素的影响，都存在预测精度低的缺点。

发明内容

有鉴于此，本发明提供了一种预测精度高的应用于高倍聚光光伏发电系统的短期发电量预测方法。

本发明的额外方面和优点将部分地在下面的描述中阐述，并且部分地将从描述中变得显然，或者可以通过本发明的实践而习得。

本发明提供了一种应用于高倍聚光光伏发电系统的短期发电量预测方法，其特征在于，包括：收集所述高倍聚光光伏发电系统的历史数据，根据相关系数分析法，确定用于所述短期发电量预测的BP神经网络的输入；根据各输入的历史数据，训练所述BP神经网络；以及根据各输入的历史数据及训练后的所述BP神经网络，获得预测的短期发电量。

于一实施例中，根据相关系数分析法，确定用于所述短期发电量预测的BP神经网络的输入包括：根据所述相关系数分析法，确定所述BP神经网络的所述输入为初始的输入；根据所述初始的输入，确定p个输入成分；采用主成分分析法，根据所述P个输入成分，获得m个主成分以作为所述BP神经网络最终的输入；其中p，m均为正整数，且p>m。

于另一实施例中，在根据各输入的历史数据，训练所述BP神经网络之前，还包括：初始化所述BP神经网络，并采用遗传算法优化所述BP神经网络的初始权值和阈值，并将获得的最优值作为所述BP神经网络的最终的初始权值和阈值。

于再一实施例中，所述历史数据包括：发电功率历史数据及其对应的天气因素历史数据；所述发电功率包括：每分钟发电功率或者日发电功率；所述天气因素包括：辐照量、温度、湿度、风速及气压。

于再一实施例中，收集所述高倍聚光光伏发电系统的历史数据之后，还包括：使用类似天气的发电功率替换所述发电功率历史数据中的噪音。

于再一实施例中，所述相关系数分析法包括：采用SPSS工具的双变量person算法，或者使用MATLAB程序中的corrcoef()函数直接计算。

于再一实施例中，根据各输入的历史数据，训练初始化后的所述BP神经网络包括：以各输入的历史数据作为样本训练初始化后的所述BP神经网络。

于再一实施例中，根据各输入的历史数据，训练初始化后的所述BP神经网络包括：根据各最终的输入的历史数据，通过下述公式，计算得到各最终的输入的替代值，并将各最终的输入的替代值作为样本训练初始化后的所述BP神经网络；