[发明专利]一种基于神经网络实例化的光伏功率预测方法及系统

说明书

本发明提供了一种基于神经网络实例化的光伏功率预测方法及系统，包括：获取待测的光伏电站所处的温度、辐照度和风速；对所述温度、辐照度和风速进行归一化处理，得到归一化数据；将所述归一化数据输入到预先训练好的预测模型中，得到所述待测的光伏电站的功率；其中，所述预先训练好的预测模型是基于归一化后的光伏电站的历史温度、辐照度、风速以及对应的功率对构建的神经网络进行训练得到；所述神经网络是基于电站的电气拓扑结构构建的。本发明采用神经网络神经元实物化的建模方法，克服了机理建模难以适应多变的现场环境，提高了精确性。

技术领域

本发明涉及新能源发电领域，具体涉及一种基于神经网络实例化的光伏功率预测方法及系统。

背景技术

可再生能源的规模化发展是实现能源结构优化调整重要途径之一。在大力支持和推动下，光伏发电已经实现连续多年的快速增长，光伏发电累计装机达到25343万千瓦，同比增长24.1％，占全部装机容量的11.52％。

然而，光伏电站的出力受环境影响较大，如阵列表面的积灰，树木、建筑物和云层等，且这些环境因素往往都是随机的，导致光伏出力具有较强的随机性和波动性，使得光伏电站出力预测难、控制难，被冠上了“垃圾电”的恶名。因此必须深入研究高精度的光伏电站出力预测方法，支持光伏电站功率预测，为新能源调度提供依据。光伏电站发电单元数量庞大，通过机理建模预测方法很难精确预测；神经网络络预测将对象当作一个黑盒子，利用历史数据对神经网络络进行训练，对对象进行识别，缺乏具体的物理意义支持。目前国内外学者在光伏电站预测模型方面已做了大量研究工作，这些研究成果可以分为机理建模和智能算法建模两类，机理建模难以适应多变的现场环境，智能算法建模缺乏物理意义支持，且精度都有待提高。

发明内容

为了解决机理建模预测不精确和难以适应多变的现场环境的问题,本发明提供了一种基于神经网络实例化的光伏功率预测方法，包括：

获取待测的光伏电站所处的温度、辐照度和风速；

对所述温度、辐照度和风速进行归一化处理，得到归一化数据；

将所述归一化数据输入到预先训练好的预测模型中，得到所述待测的光伏电站的功率；

其中，所述预先训练好的预测模型是基于归一化后的光伏电站的历史温度、辐照度、风速以及对应的功率对构建的神经网络进行训练得到；

所述神经网络是基于电站的电气拓扑结构构建的。

优选的，所述神经网络包括：输入层、隐含层和输出层；

所述输入层，用于将归一化处理后的光伏电站的温度、辐照度和风速输入到所述预先训练好的神经网络中，并传输至隐含层；

所述隐含层，由电站的电气拓扑结构中发电单元的个数确定神经元的个数，用于对所述输入层传输的光伏电站的温度、辐照度和风速结合隐含层的连接权值和隐含层的阈值计算隐含层的输入，并基于隐含层的输入结合隐含层的激发函数计算得到隐含层输出，并将隐含层输出传给输出层；

所述输出层，基于隐含层输出和所述输出层的连接权值和输出层的阈值计算得到输出层输入，由所述输出层输入结合输出层的激发函数计算得到所述光伏电站所处的温度、辐照度和风速对应的功率，并将所述功率输出；

优选的，所述预测模型的训练包括：

由归一化后的所述光伏电站的历史温度、辐照度、风速和对应的功率构建样本集；

将所述样本集按照设定比例划分为训练集和测试集；

由所述训练集中的归一化后的光伏电站的历史温度、辐照度和风速作为神经网络的输入，将所述训练集中的功率作为神经网络的输出对所述神经网络进行训练得到初始预测模型；

由所述测试集对所述初始预测模型进行测试，