[发明专利]基于相似日的BP神经网络光伏发电系统功率预测方法

说明书

技术领域

本发明涉及一种基于相似日的BP神经网络光伏发电系统功率预测方法，属于光伏发电技术领域。

背景技术

能源是现代社会经济与发展的根本。能源环境问题的相继出现促使人类逐渐意识到化石燃料的过渡开采和无节制使用所带来的严重危害。光伏发电由于其可再生、环保灵活的特性得到广泛关注和快速发展。但由于光伏发电系统的输出受到太阳辐照强度和众多天气因素的影响，其发电量的变化是一个非平稳的随机过程，对大电网而言是一个不可控源，其发电的随机波动性会对电网造成冲击，影响电网运行的可靠性与稳定性。加强光伏发电功率预测的研究，预先获得光伏发电系统的日发电量曲线，从而协调电力系统制定发电计划，减少光伏发电的随机性对电力系统的影响，这对光伏电站和电网都有着重要的经济意义。

按照不同的分类标准，光伏发电功率预测方法分类不同。目前使用较广泛的是利用光伏发电系统历史输出功率数据的直接预测方法它需要运用统计原理对光伏发电系统历史输出功率统计数据进行分析，找出其内在规律性，建立映射关系用于预测，程序简明，不需要光伏发电系统的具体布置资料。常用的统计方法有多元线性回归算法、人工神经网络(ANN)算法和灰色理论算法等。使用差异较大的一组样本训练模型，得到的参数进行校验时往往产生较大的误差，即使重新训练，也得不到很好的效果。现有的一些研究虽然提出了基于历史日数据的提前一天光伏功率预测方法，但当气象条件变化剧烈时，模型预测精度还有待提高，甚至有可能会失效。针对此情况，一种在预测模型中考虑加入合理选取的气象因素的预测方法比较有研究的意义。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于相似日的BP神经网络光伏发电系统功率预测方法，解决现有技术因天气类型变化而引起的预测精度降低甚至预测模型失效的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：一种基于相似日的BP神经网络光伏发电系统功率预测方法，包括如下步骤：

步骤一：选取气象影响因素，对天气类型编码：将模糊描述的天气类型映射为天气类型指数，量化天气因素对光伏发电功率的影响；

步骤二：计算历史日与预测日的天气相似度：构造天气类型特征向量，并对特征向量各分量进行归一化处理，并采用连乘方式定义并计算相似度；

步骤三：选取相似日：选取与预测日相似度最大的20～50个历史日构成相似历史日训练样本集；

步骤四：构建BP神经网络预测模型：将相似历史日的光伏发电功率数据与天气类型指数作为模型输入量，设计一种双隐层BP神经网络预测模型；

步骤五：训练BP神经网络预测模型：根据相似历史日训练样本集给出BP神经网络预测模型的输入量和理论目标输出，对BP神经网络预测模型的连接权值进行不断修正；

步骤六：光伏发电功率预测与评估：训练完成后利用相似度最高的历史日发电量数据作为BP神经网络预测模型的输出，计算网络输出光伏发电功率，并与理论目标输出光伏发电功率相比较，评估预测精度。

所述天气类型编码的具体方法为：

步骤101：选取太阳辐照强度和温度作为影响光伏发电功率的天气因素；

步骤102：根据单位面积的光伏发电系统发电功率计算公式：

P_s＝ηSI(1-0.005(T₀+25))

式中，I为太阳辐照强度，单位为kW/m²；η为光伏系统转换效率；T₀为环境温度，单位为℃；S为光伏阵列的面积，单位为m²，对有效的光伏发电系统历史发电功率进行统计分析，将模糊描述的天气类型转换为0～1之间可被BP神经网络预测模型所接受的天气类型指数。

计算历史日与预测日的天气相似度的具体方法为：

步骤201：构造天气类型特征向量：

Y＝[T_maxT_minw]

式中，T_max为最高温、T_min为最低温、w为天气类型指数；

步骤202：采用“极差法”进行归一化，公式如下：