会员体验
专利管家（专利管理）
工作空间（专利管理）
风险监控（情报监控）
数据分析（专利分析）
侵权分析（诉讼无效）
联系我们
交流群
官方交流：
QQ群： 891211   
微信请扫码    >>>
现在联系顾问~
首页 / 专利库 / 太阳能 / 光伏发电系统 / 一种光伏发电系统的短期功率预测方法

一种光伏发电系统的短期功率预测方法

阅读：137发布：2021-03-02

IPRDB可以提供一种光伏发电系统的短期功率预测方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种光伏发电系统的短期功率预测方法，包括：天气类型的重新划分，按照自然环境量是否连续稳定、平均数值的大小，从广义角度进行天气类型划分；确定待预测日的相似日，根据待预测日的天气因素确定其所对应的广义天气类型，并按照灰色关联系数法选取与待预测日相似的历史日，以该历史日的光伏发电出力作为模型输入量，选取的每日气象特征向量；定义待预测日与某个历史日的相似度；建立基于支持向量机的光伏发电短期功率预测模型，采用遗传算法对预测模型的参数进行优化。本发明的预测方法具有精度较高，收敛较快的优点。，下面是一种光伏发电系统的短期功率预测方法专利的具体信息内容。

1.一种光伏发电系统的短期功率预测方法，包括下列步骤：(1)、天气类型的重新划分

对历史数据根据天气类型进行划分，从而建立各自对应的预测模型，根据影响光伏系统出力的主要自然因素是光照强度与环境温度，将光照强度波动量小、平均值较低的阴天、雨雪以及雾霾做合并处理，按照自然环境量是否连续稳定、平均数值的大小，从广义角度将天气类型划分为A、B、C三类：广义天气划分 A B C

传统天气类型 晴天 多云 阴天，雨天

(2)、确定待预测日的相似日

根据待预测日的天气因素确定其所对应的广义天气类型，并按照灰色关联系数法选取与待预测日相似的历史日，以该历史日的光伏发电出力作为模型输入量，选取的每日气象特征向量为：xi＝[xi(1),xi(2),xi(3),]＝[thi,tli,hi]  \*MERGEFORMAT (1)其中，thi表示第i日最高温度，tli表示第i日最低温度，hi表示第i日天气湿度；

以x0表示待预测日，则待预测日x0与第i个历史日xi的第j个特征分量的关联系数为：其中，ρ一般取为0.5， 为两层式取绝对差值中最小值计算，即第一层为先分别由各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点之绝对差值中取最小值，再由这些最小值当中选取最小值； 为两层式取绝对差值中最大值计算，即第一层为先分别由各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点之绝对差值中取最大值，再由这些最大值当中选取最大值；|x0(j)-xi(j)|为各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点的绝对差值；

待预测日x0与第i个历史日xi的相似度定义为：

以相似度最大的历史日作为待预测日的相似日；

(3)、建立基于支持向量机的光伏发电短期功率预测模型，样本数据选择预测日及其相似日，以预测日的包括最高温度、最低温度和天气湿度在内的环境因素数据以及相似日的发电功率数据，作为预测模型的输入量，以预测日各预测点的光伏发电功率输出数据作为预测模型的输出数据，采用遗传算法对预测模型的参数进行优化。

2.根据权利要求1所述的光伏发电系统的短期功率预测方法，其特征在于，步骤(3)中，采用遗传算法对预测模型的参数进行优化如下：

1)设置遗传算法的初始群体规模和迭代次数，以及交叉率和变异率；

2)初始化待优化参数值，即利用实数编码方式对正规化参数C与核参数σ进行初始化；

3)对种群进行遗传迭代，并计算各种群的适应度大小；

4)以优化后的参数值作为支持向量机光伏发电预测模型的参数值；

5)计算预测模型的输出和实际输出的误差是否满足要求，如果满足要求，则执行步骤

6)，如果误差不满足要求，则返回步骤3)；

6)将这组优化后的参数值作为预测模型的参数值，输入待预测日的天气数据和相似日的功率数据进行短期功率预测。

说明书全文

一种光伏发电系统的短期功率预测方法

技术领域

[0001] 本发明涉及一种光伏发电系统功率预测方法。

背景技术

[0002] 面对日益严峻的能源形势和愈发窘迫的环保现状，中国制定了大力发展可再生能源的相关政策和发展规划，而太阳能作为一种情结的、可再生能源引起能源界大量的技术研发投入。太阳能发电具有安全可靠、能源质量高、无枯竭危险、无污染、维修保养简单等优点，是可再生能源发展的重要方向。虽然光伏发电因其诸多优点得到了广泛应用，但由于光伏发电系统受环境因素影响，存在不确定性、波动性、间歇性等特点，不利于电网的安全调度和能量管理，增加了电网的运行风险。因此，对光伏发电的短期功率进行精确预测，对于电网的安全调度和能量管理具有十分重要的意义。

发明内容

[0003] 本发明的目的是提供一种光伏发电系统短期功率精确预测方法，用于有效调节光伏发电系统对电网的安全调度和能量管理带来的不利影响。本发明的技术方案如下：
[0004] 一种光伏发电系统的短期功率预测方法，包括下列步骤：
[0005] (1)、天气类型的重新划分
[0006] 对历史数据根据天气类型进行划分，从而建立各自对应的预测模型，根据影响光伏系统出力的主要自然因素是光照强度与环境温度，将光照强度波动量小、平均值较低的阴天、雨雪以及雾霾做合并处理，按照自然环境量是否连续稳定、平均数值的大小，从广义角度将天气类型划分为A、B、C三类：
[0007]广义天气划分 A B C
传统天气类型 晴天 多云 阴天，雨天
[0008] (2)、确定待预测日的相似日
[0009] 根据待预测日的天气因素确定其所对应的广义天气类型，并按照灰色关联系数法选取与待预测日相似的历史日，以该历史日的光伏发电出力作为模型输入量，选取的每日气象特征向量为：
[0010] xi＝[xi(1),xi(2),xi(3),]＝[thi,tli,hi] \*MERGEFORMAT (1)[0011] 其中，thi表示第i日最高温度，tli表示第i日最低温度，hi表示第i日天气湿度；
[0012] 以x0表示待预测日，则待预测日x0与第i个历史日xi的第j个特征分量的关联系数为：
[0013]
[0014] 其中，ρ一般取为0.5， 为两层式取绝对差值中最小值计算，即第一层为先分别由各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点之绝对差值中取最小值，再由这些最小值当中选取最小值； 为两层式取绝对差值中最大值计算，即第一层为先分别由各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点之绝对差值中取最大值，再由这些最大值当中选取最大值；|x0(j)-xi(j)|为各比较数列xi曲线上的每一个点与参考数列x0曲线上的每一个点的绝对差值；
[0015] 待预测日x0与第i个历史日xi的相似度定义为：
[0016]
[0017] 以相似度最大的历史日作为待预测日的相似日；
[0018] (3)、建立基于支持向量机的光伏发电短期功率预测模型，样本数据选择预测日及其相似日，以预测日的包括最高温度、最低温度和天气湿度在内的环境因素数据以及相似日的发电功率数据，作为预测模型的输入量，以预测日各预测点的光伏发电功率输出数据作为预测模型的输出数据，采用遗传算法对预测模型的参数进行优化。
[0019] 步骤(3)的采用遗传算法对预测模型的参数进行优化如下：
[0020] 1)设置遗传算法的初始群体规模和迭代次数，以及交叉率和变异率；
[0021] 2)初始化待优化参数值，即利用实数编码方式对正规化参数C与核参数σ进行初始化；
[0022] 3)对种群进行遗传迭代，并计算各种群的适应度大小；
[0023] 4)以优化后的参数值作为支持向量机光伏发电预测模型的参数值；
[0024] 5)计算预测模型的输出和实际输出的误差是否满足要求，如果满足要求，则执行步骤6)，如果误差不满足要求，则返回步骤3)；
[0025] 6)将这组优化后的参数值作为预测模型的参数值，输入待预测日的天气数据和相似日的功率数据进行短期功率预测。
[0026] 本方法通过将传统的天气类型归为广义的A、B、C三类，在相同天气类型的条件下，根据灰色关联系数法寻找待预测日的相似日，将待预测日的天气数据和相似日的光伏发电数据作为预测模型的输入，采用支持向量机方法进行预测模型的建模，并采用遗传算法对预测模型的参数进行优化，避免模型参数寻优陷入局部最优，以提高预测模型的预测精度。在本发明的基础上进而可以有效缓解了光伏发电系统对电网的能量管理和电网调度带来的不利影响。

附图说明

[0027] 图1支持向量机结构图
[0028] 图2优化模型和预测模型的流程图
[0029] 图3 A类气象条件下预测功率与实际功率
[0030] 图4 A类气象条件下预测结果相对误差
[0031] 图5 B类气象条件下预测功率与实际功
[0032] 图6 B类气象条件下预测结果相对误差
[0033] 图7 C类气象条件下预测功率与实际功率
[0034] 图8 C类气象条件下预测结果相对误差
[0035] 图7 C类气象条件下预测功率与实际功率
[0036] 图8 C类气象条件下预测结果相对误差

具体实施方式

[0037] 下面对本发明的技术方案进行详细说明
[0038] (1)、天气类型的重新划分
[0039] 建立光伏发电系统的分类预测模型就需要对历史数据根据天气类型进行划分，从而建立各自对应的预测模型。目前的气象预报可以将天气类型划分为晴天、多云、阴天、雨天、雪、雾等。过多的类别划分会导致数据集特征向量过于分散，为模型的训练带来困难。由于影响光伏系统出力的主要自然因素是光照强度与环境温度，可以将光照强度波动量小、平均值较低的阴天、雨雪以及雾霾做合并处理，按照自然环境量是否连续稳定、平均数值的大小等，从广义角度将天气类型划分为A、B、C三类。
[0040]广义天气划分 A B C
传统天气类型 晴天 多云 阴天，雨天
[0041] 具体操作步骤为：
[0042] 1)按照传统天气类型数据对样本数据进行广义归类；
[0043] 2)根据待预测日的天气类型数据确定其广义天气类型；
[0044] 3)根据广义天气类型，利用和待预测日同类型下的样本数据进行建模预测。
[0045] (2)、模型确定待预测日的相似日
[0046] 根据待预测日的天气因素确定其所对应的天气类型，并按照灰色关联系数法选取与待预测日相似的历史日，以该历史日的光伏发电出力作为模型输入量。选取的每日气象特征向量为：
[0047] xi＝[xi(1),xi(2),xi(3),]＝[thi,tli,hi] \*MERGEFORMAT (1)[0048] 其中，thi表示第i日最高温度，tli表示第i日最低温度，hi表示第i日天气湿度。
[0049] 以x0表示待预测日，则待预测日x0与第i个历史日xi的第j个特征分量的关联系数为：
[0050]
[0051] 其中，ρ一般取为0.5。
[0052] 待预测日x0与第i个历史日xi的相似度定义为：
[0053]
[0054] 以相似度最大的历史日作为待预测日的相似日。
[0055] 具体操作步骤为：
[0056] 1)确定样本容量，记为n；
[0057] 2)对样本数据进行编号，从1编号到n；
[0058] 3)根据公式(2)和(3)计算1号样本数据的相似度，并将1号样本记为相似日；
[0059] 4)计算2号样本数据的相似度，并于相似日的相似度进行比较，若2号样本数据的相似度大，则将2号样本记为相似日，若2号样本的相似度小，则相似日不变；
[0060] 5)依次类推，直到将n个样本的相似度都计算出来，最后得到的相似日即为相似度最大的样本。
[0061] (3)、对光伏发电短期功率预测模型的参数优化模型和功率预测模型进行求解[0062] 遗传算法是一种模拟Darwin生物进化论过程的寻优算法，它是以任一群体为起始点，通过随机性的选择、交叉和变异操作，产生具有更好适应能力的新生代个体，通过优胜劣汰的机制使得群体在约束条件的基础上向着更好的搜索空间移动，经过不断的繁衍寻找到适应度最高的个体，即优化问题的最优解。本发明即是用遗传算法对预测模型的参数进行寻优操作。
[0063] 对预测模型的正规化参数C与核参数σ通过选择、交叉和变异操作进行优化。为避免基因缺失、提高算法的全局收敛性，利用个体的适应度进行选择操作，其具体操作过程为：找出当前群体中适应度最高的个体和适应度最低的个体；若当前群体中最佳个体的适应度比总的迄今为止的最好个体的适应度还要高，就以当前群体中的最佳个体作为新的总的最好个体；用迄今为止的最好个体替换当前群体中的最差个体。而所选择的适应度函数具体为：
[0064]
[0065] 其中，l为学习样本；y(i)为模型的实际输出值；ym(i)为模型的期望输出值；e(i)为两者之间的误差。
[0066] 交叉操作的具体操作过程为：首先在染色体中随机选择一个点作为交叉点，然后将第一个父辈交叉点前的串和第二个父辈交叉点后的串组合成一个新的染色体，将第二个父辈交叉点前的串和第一个父辈交叉点后的串组合成一个新的染色体。变异操作则是为了保持物种的多样性，以一定概率改变染色体中某个基因的字符值。
[0067] 对于光伏发电短期功率预测模型，本发明采用的是支持向量机算法。对于给定样本{(xi,yi)}(i＝1,2,…,n)，其中n为样本容量，xi为输入向量，yi为相应的输出数据。支持n m向量机采用非线性映射 R→R(m≥n)将输入量映射到高维特征空间，再采用如下的线性函数实现回归预测：
[0068]
[0069] 其中 为所映射到的高维度特征空间，ω为其权重向量，b为位置的偏移量。为实现SVM的结构风险最小化原理，对风险函数作如下定义了：
[0070]
[0071] 其中为ε为偏置量，称为损失参数。为了训练参数b与ω，需要极小化如下函数：
[0072]
[0073] 其中，ε为损失参数， 为经验误差， 称为正规项，C是正规化参数，亦称为泛化系数，用来决定经验误差跟正规项之间的比重。
[0074] 为求解上述最优化问题，导入松弛变量ζ与ζ*，使其转化成：
[0075]
[0076] 引入Lagrange函数构造等式：
[0077]
[0078] 其中，i＝1,2,…,m；αi, 根据L的极值条件，并将ω代回式(4)，可得到回归估计函数的表达式：
[0079]
[0080] 令φ(xi)φ(x)＝k(x,xi)，则公式(9)变为：
[0081]
[0082] 其中k(x,xi)则称为核函数。通过式(10)可以避开对权值向量ω计算，在已知Lagrange算子αi, 以及核函数k(x,xi)的条件下变可以计算f(x)。
[0083] 其具体流程如图2所示，具体为：
[0084] 1)设置初始群体规模和迭代次数，以及交叉率和变异率；
[0085] 2)初始化待优化参数值，即利用实数编码方式对正规化参数C与核参数σ(本文选择的核函数为高斯核函数)进行初始化；
[0086] 3)计算各种群适应度大小；
[0087] 4)依次执行选择、交叉和变异操作；
[0088] 5)以优化后的参数值作为支持向量机模型的参数值；
[0089] 6)在样本数据中选择预测日及其相似日，以预测日的环境因素数据(包括最高温度、最低温度和天气湿度)，以及相似日的发电功率数据(每日的预测区间为6:00-19:00，采样间隔为15min，包括相似日该预测点的功率数据和前后两个相邻时间点的数据)作为预测模型的输入量，以预测日各预测点的光伏发电功率输出数据作为预测模型的输出数据，[0090] 7)计算预测模型的输出和实际输出的误差是否满足要求，如果满足要求，则执行步骤8)，如果误差不满足要求，则返回步骤3)
[0091] 8)将这组优化后的参数值作为预测模型的参数值，输入待预测日的天气数据和相似日的功率数据进行短期功率预测。
[0092] 将优化后的参数值输入预测模型，经过样本训练后预测得到光伏系统待预测日的发电功率，将其与实际输出功率和未经遗传算法优化的SVM模型预测值进行比对，三种气象条件下的对比图如图3、图5和图7所示，而三种气象条件下的两类预测模型预测结果的相对误差比对如图4、图6和图8所示。
[0093] 由图3与图4可以看出，在光照强度与温度连续平稳变化的A类天气类型下，GA-SVM预测模型具有良好的预测效果，总体误差维持在10％范围内，而SVM预测模型的相对误差则在15％范围内，知改进支持向量机模型具有更好的预测精度。
[0094] 由图5与图6可以看出，在光照强度与温度都具有一定波动性的B类气象条件下，光伏发电输出功率也具有一定的波动性，预测结果相对于A类气象条件误差偏大，但GA-SVM预测模型同样要比SVM预测模型具有更好的预测效果，GA-SVM预测模型的总体误差维持在10％-15％范围内，而SVM预测模型的相对误差则在15％-20％范围内，知改进支持向量机模型具有更好的预测精度。
[0095] 由图7与图8可以看出，在光照强度与温度都较低的C类气象条件下，光伏发电输出功率也较低，预测结果相对于A类和B类气象条件的误差都偏大，并且由图8可知预测结果的波动范围也更大，相对误差总体维持在10％-20％范围之间，但GA-SVM预测模型同样要比SVM预测模型具有更好的预测精度。
[0096] 同时，由图4、图6和图8这三个相对误差的比较图可以看出，当实际输出功率较小时，即在6:00～8:00和17:00～19:00这两个时间段内，模型的预测结果误差偏大，其主要原因是由于雾霾等环境因素降低了大气透明度，影响了光照强度，而在8:00～17:00这个时间段影响较小，预测精度也相对较高。
相关专利内容
标题 发布/更新时间 阅读量
光伏发电系统-专利编号CN108075559A 2020-05-13 375
光伏发电系统-专利编号CN107528528A 2020-05-11 584
光伏发电系统-专利编号CN103296110B 2020-05-12 191
光伏发电系统-专利编号CN110098794A 2020-05-13 679
光伏发电系统-专利编号CN107769388A 2020-05-13 253
光伏发电系统-专利编号CN106253797A 2020-05-11 497
光伏发电系统-专利编号CN108039866A 2020-05-11 286
光伏发电系统-专利编号CN103296110A 2020-05-12 625
光伏发电系统-专利编号CN105790709A 2020-05-11 999
光伏发电系统-专利编号CN102447427A 2020-05-12 346
高效检索全球专利

IPRDB是专利检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据，专利查询、专利分析。

电话：13651749426

侵权分析

IPRDB的侵权分析产品是IPRDB结合多位一线专利维权律师和专利侵权分析师的智慧，开发出来的一款特色产品，也是市面上唯一一款帮助企业研发人员、科研工作者、专利律师、专利分析师快速定位侵权分析的产品，极大的减少了用户重复工作量，提升工作效率，降低无效或侵权分析的准入门槛。

立即试用

光伏发电系统热门专利
热门文章

IPRDB

最新中国发明专利 最新美国发明专利 技术领域 专利库 专利分类库 国际专利分类库

热门服务

会员版试用 API 数据接口 找代理 知嘟嘟专利交易 排行榜 大学排行榜 专利百科

关于我们

平台介绍 战略合作 网站地图

友情链接

知嘟嘟专利交易 国家知识产权局 中国商标网

联系方式


©2019-2023 上海吉码数字技术有限公司 版权所有，并保留所有权利 沪ICP备20016256号-6 沪公网安备31011702005475号