[发明专利]适用于光伏系统全生命周期的输出功率分类预测系统

摘要

本发明公开了一种适用于光伏系统全生命周期的输出功率分类预测系统，包括基本信息存储模块、数据库模块、预测模块判断模块、预测数据预处理模块和预测建模模块。本系统根据获取的数据种类和光伏系统的投运时间选择不同的预测模型进行训练和预测，是一种模块化、多类型的光伏系统输出功率预测系统，能够适应当前大多数光伏系统输出功率预测要求，能够根据光伏系统规模、用户要求等进行定制，既能满足经济性要求，也满足可靠性要求，具有良好的适应性和可移植性。同时，本发明使用的预测方法能够自动更新，预测系统能够自动运行管理，具有较高的预测精度和稳定性。

主权项

1.一种适用于光伏系统全生命周期的输出功率分类预测系统，其特征在于，包括：基本信息存储模块，用于存储光伏系统包括地理位置、历史气象信息、安装信息和逆变器信息在内的基本信息；数据库模块，用于分类存储预测建模所需的各种数据，包括光伏系统运行数据、环境监测数据、天气预报数据和数值气象预报数据，还存储上述基本信息存储模块的基本信息；预测模型判断模块，用于根据所述数据库模块所存储的数据的种类，及光伏系统的投运时间确定相应的预测模型；若建模数据库不包含任何数据，判断为预测类型1，若建模数据库包括光伏系统运行数据库，判断为预测类型2，若建模数据库包括光伏系统运行数据库和天气预报数据库，则判断为预测类型3，若建模数据库包括光伏系统运行数据库和环境监测数据库，则判断为预测类型4，若建模数据库包括光伏系统运行数据库、环境监测数据库和天气预报数据库，则判断为预测类型5，若建模数据库包括光伏系统光伏系统运行数据库、环境监测数据库和数值气象预报数据库，则判断为预测类型6；预测类型1包括预测模型11，预测类型2包括预测模型21、预测模型22和预测模型23，预测类型3包括预测模型31、预测模型32和预测模型33，预测类型4包括预测模型41、预测模型42和预测模型43，预测类型5包括预测模型51、预测模型52和预测模型53，预测类型6包括预测模型61、预测模型62和预测模型63；预测数据预处理模块，用于对所述数据库模块中的数据进行均值化处理，形成输入输出模型训练样本及预测输入样本；预测建模模块，用于根据所述预测模型判断模块确定的预测模型对所述预测数据预处理模块的样本进行模型训练和预测，得到光伏系统输出功率的预测值，所述预测建模模块包括：预测模型11，采用光伏组件5参数模型进行计算，得到光伏系统年发电量预测值；预测模型21，采用持续法、时间序列法和RBF神经网络构成的组合预测模型，实现提前2小时以内的光伏功率预测；预测模型22，采用时间序列法、RBF神经网络和SVR构成的组合预测模型，实现提前2小时以内的光伏功率预测；预测模型23，采用多维时间相空间重构、加权一阶法和SVR构成的组合预测模型，实现提前2小时以内的光伏功率预测；预测模型31，与预测模型21相同；预测模型32，与预测模型22相同；预测模型33，提前2小时的光伏功率预测方法与预测模型23相同，日前光伏功率预测采用基于相似日数据的SVR模型进行预测；预测模型41，采用光伏组件5参数模型、持续法、时间序列和RBF神经网络构成的组合预测模型，实现提前2小时以内的光伏功率预测；预测模型42，采用光伏组件5参数模型、时间序列、RBF神经网络和SVR构成的组合预测模型，实现提前2小时以内的光伏功率预测；预测模型43，采用两种多维时间序列相空间重构方法、加权一阶法和SVR构成的组合预测模型，实现提前2小时以内的光伏功率预测；预测模型51，与预测模型41相同；预测模型52，与预测模型42相同；预测模型53，提前2小时的光伏功率预测方法与预测模型43相同，日前光伏功率预测采用基于相似日数据的SVR模型进行预测；预测模型61，提前2小时的光伏功率预测方法与预测模型41相同，日前光伏功率预测采用光伏组件5参数模型及RBF神经网络模型进行预测；预测模型62，提前2小时的光伏功率预测方法与预测模型42相同，日前光伏功率预测采用NWPs的SVR修正模型、光伏组件五参数模型和RBF神经网络进行预测；预测模型63，提前2小时的光伏功率预测方法与预测模型43相同，日前光伏功率预测采用NWPs的基于相似日数据的SVR修正模型、光伏组件五参数模型和RBF神经网络进行预测。