[发明专利]光伏系统发电功率预测方法

说明书

技术领域

本发明涉及光伏领域，具体涉及光伏系统发电功率预测方法。

背景技术

光伏发电系统受光照强度和环境温度等因素的影响，其输出功率的变化具有不确定性和随机性，不利于电网调度部门安排常规电源和光伏发电的协调配合。因此，需提出光伏系统发电功率预测方法，减少光伏发电随机性对电力系统的影响，提高系统安全性和稳定性。

发明内容

本发明提供光伏系统发电功率预测方法，解决光伏系统中因缺乏对发电功率的预测，导致影响电力系统性能的问题。

本发明通过以下技术方案解决上述问题：

光伏系统发电功率预测方法，根据光伏系统的输出功率具有的波动性、间歇性和周期性的特点，按季节建立4个预测子模型；在每个预测子模型中，输入端均设置14个变量，输出端均设置12个节点；确定隐含层节点，进行神经网络学习以及样本预处理；建立预测模型。

上述方案中，所述运用BP神经网络的方式建立预测模型的步骤为：

1)给定输入向量和目标输出；

2)求出隐含层、输出层各节点数输出；

3)求目标值和实际输出的偏差；

4)计算出反向误差；

5)权值阈值学习；

6)若本次学习结束，则本算法结束，否则，执行步骤2)。

上述方案中，所述运用反馈型神经网络的方式建立预测模型的步骤为：

1)给定输入向量和目标输出；

2)求隐含层各节点数输出；

3)求成阶层各节点数输出，执行步骤2)，或求目标值和实际输出偏差；

4)计算反向误差；

5)权值阈值学习；

6)若本次学习结束，则本算法结束，否则，执行步骤2)。

上述方案中，所述运用混沌自适应粒子群算法与反馈型神经网络相结合的方式建立预测模型的步骤为：

1)设定反馈型神经网络的输入层、隐含层、输出层的神经元个数，将RNN中各个神经元之间的权值和阈值编码成实数串表示的个体；

2)设置混沌自适应粒子群算法的初始化参数和终止条件。利用混沌自适应粒子群算法寻找全局寻最优的反馈型神经网络的权值和阈值；

3)采用混沌优化算法初始化粒子群中各粒子的位置和速度；

4)计算各个粒子的惯性权重系数，更新各粒子的速度和位置；

5)计算各粒子的适应度值，若每个粒子的当前适应值优于局部最优值，则更新局部最优值，若优于全局最优值，则更新全局最优值；

6)计算粒子的平均粒距，如果D(t)小于预设阈值，则说明粒子陷入早熟；在原解空间对每一个可行解计算其适应值并选出每个粒子最优解，使得粒子跳出局部最优的同时增加了种群多样性；

7)用每个粒子最优解取代当前群体中最差粒子的位置，若每个粒子最优解中存在适应值由于全部极值的粒子，则替代全局极值点；

8)若终止条件，执行步骤9)，否则执行步骤4)；

9)输出全局最优解及其适应值；

10)利用优化结果构建反馈型神经网络，借助其无穷逼近能力和强大局部搜索能力，得到最优预测模型。

上述方案中，运用BP神经网络、反馈型神经网络、混沌自适应粒子群算法与反馈型神经网络相结合的三种方式之一建立预测模型。

本发明的优点与效果是：

充分考虑引发光伏系统输出功率波动性和间歇性的因素，给BP神经网络、反馈型神经网络、混沌自适应粒子群算法与反馈型神经网络相结合的三种方式建立预测模型，并给出最优选的实现方式，实现收敛速度更快、稳定性更好、预测结果更精确，从而将对电力系统性能的负面影响降到最小。

具体实施方式

以下结合实施例对本发明作进一步说明，但本发明并不局限于这些实施例。

光伏系统的输出功率具有波动性和间歇性与太阳光照强度、光伏阵列的安装角度、太阳入射角度、转换效率、温度、大气压强以及其它一些随机因素有关。光伏系统发电功率的时间序列本身具有高度自相关性，在光伏发电系统的历史发电功率时间序列中，所有光伏发电输出功率历史数据均来自于同一套光伏发电系统，这些数据自身包含了光伏阵列的信息，解决了光伏阵列的安装位置、安装角度和光伏阵列的使用时间等对转换效率的影响。因此，采用历史发电功率数据训练神经网络预测模型，进而直接预测未来的光伏输出功率的预测方法，比光伏发电的间接预测法更加准确。