一种光伏发电出力预测的数据分析方法与流程

本申请涉及电力行业的发电量预测，详细来说，是一种光伏发电出力预测的数据分析方法。
背景技术：
：太阳能光伏发电技术是利用半导体材料的光电效应直接将太阳能转换为电能。光伏发电具有不消耗燃料、不受地域限制、规模灵活、无污染、安全可靠、维护简单等优点。并网光伏发电系统是光伏发电系统的主流趋势。大规模光伏并网发电是充分利用太阳能的一种有效方式，目前大规模的光伏并网系统已经得到大量应用。光伏发电系统并网后其功率的变化具有不确定性，大量的用户使用光伏发电系统为其提供电能，使得配电网规划人员更加难于准确预测负荷的增长情况，从而影响系统的调度和机组出力的计划。因此有必要对光伏系统的出力进行预测，以便了解大规模的太阳能光伏并网系统的发电运行特性以及与电网调度、电力负荷等的配合问题。有利于电力系统调度部门及时调整调度计划，有效地减轻光伏并网发电对电网的影响。光伏发电出力具有典型的波动性和非线性，传统的算法无法胜任，目前对光伏出力预测主要采用神经网络技术，其具有良好的自适应、自学习和非线性处理能力，但是传统的神经网络也有一定的局限性，如收敛速度慢和容易陷入局部极小值等问题。技术实现要素：有鉴于此，本发明提出了一种融合小波变换以及PSO-RBF神经网络的光伏发电出力预测的数据分析方法，小波变换能够较好的反应光伏发电出力的非线性变化趋势，利用PSO优化的RBF神经网络能避免传统神经网络的局限性，对于光伏发电系统配合电力系统制定发电计划具有较高的使用价值。为了实现上述目的，现提出方案如下：一种光伏发电出力预测的数据分析方法，包括：获取某地区光伏系统的发电出力历史数据与相应的影响因素数据；利用小波变换把历史出力曲线分解成一个历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3；对历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3利用PSO-RBF神经网络分别建立四个子预测模型；分别计算待测日的主体出力曲线和三个细节出力曲线对待测日的主体出力曲线和三个细节出力曲线利用小波重构得到待测日的出力曲线的预测值。在本发明的一个优选实施例中，所述的发电出力历史数据与相应的影响因素数据包括：发电出力历史数据用于反应光伏系统的转换效率，包括光伏系统在某段时间内日光伏出力曲线；相应的影响因素数据用于反应太阳辐射量的变化，包括光伏系统所在的区域对应的历史某时间段每天的最高温度、最大风速和最大湿度，以及待测日的最高温度、最大风速和最大湿度。相应的影响因素数据从天气信息网站上抓取。在本发明的一个优选实施例中，所述的历史出力曲线是光伏出力历史数据按照时间先后顺序排列形成的一条曲线。在本发明的一个优选实施例中，所述日光伏出力曲线是从每日的零点开始采集每15min-1h的光伏出力值，这样就能得到每天的采集的光伏出力值，连在一起构成日光伏出力曲线。一般地选择从每日的零点开始采集每15min-30min的光伏出力值，其中在光伏出力数据采集中，还有每30min和1h采集一个出力值,但是每隔15min采集的出力数据，时间间隔更小，更能满足电力部门的生产和调度的要求。在本发明的一个优选实施例中，所述的利用小波变换把历史出力曲线分解成一个历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3包括：将历史的出力曲线先做第一次小波变换得到第一层历史主体出力曲线A1和第一层历史细节出力曲线D1；将第一层历史主体出力曲线A1做第二次小波变换得到第二层历史主体出力曲线A2和第二层历史细节出力曲线D2；将第二层历史主体出力曲线A2做第三次小波变换得到第三层历史主体出力曲线A3和三层历史细节出力曲线D3。在本发明的一个优选实施例中，所述的利用PSO-RBF神经网络分别建立四个子预测模型为：f1(A3,I1,I2,Q1,Q2)=A3‾f2(D1,I1,I2,Q1,Q2)=D1‾f3(D2,I1,I2Q1,Q2)=D2‾f4(D3,I1,I2,Q1,Q2)=D3‾]]>其中，I1是待测日前一天的天气类型指数，I2是待测日的天气类型指数，Q1,Q2分别是待测日前一天和待测日当天的影响因素数据；主体子预测模型f1(A3,I1,I2,Q1,Q2)的输入是待测日前一天的主体出力曲线、天气类型指数以及影响因素数据，待测日的天气类型指数和影响因素数据，输出是待测日的主体出力曲线细节子预测模型f2(D1,I1,I2,Q1,Q2)、f3(D2,I1,I2,Q1,Q2)及f4(D3,I1,I2,Q1,Q2)的输入分别对应于待测日前一天的细节出力曲线、天气类型指数以及影响因素数据，待测日的天气类型指数、影响因素数据，输出分别对应待测日的细节出力曲线和在本发明的一个优选实施例中，所述天气类型指数包括：按天气类型将发电出力进行划分；计算每种天气类型逐点的平均发电出力曲线；计算每种天气类型下平均出力曲线的平均出力；将每种天气类型的平均出力之间的倍率关系转换为天气类型指数。在本发明的一个优选实施例中，所述PSO-RBF神经网络方法是采取PSO算法进行PSO-RBF神经网络训练，得到神经网络的权值。在本发明的一个优选实施例中，所述分别计算待测日的主体出力曲线和三个细节出力曲线包括：获取待测日前一天的光伏出力数据、影响因数以及待测日当天的影响因素；将待测日前一天的出力曲线利用小波变换得到一个主体出力曲线和三个细节出力曲线；分别将主体出力曲线和三个细节出力曲线以及对应的影响因素数据输入到四个子预测模型中，得到待测日的主体出力曲线和细节出力曲线。在本发明的一个优选实施例中，所述的对待测日的主体出力曲线和三个细节出力曲线利用小波重构得到待测日的出力曲线的预测值，包括：取出待测日的主体出力曲线，即取出待测日一天所有采集的主体出力数据；分别取出待测日的三个细节出力曲线，即分别取出待测日一天所有采集的三个细节出力数据；将待测日一天所有采集的主体出力数据和三个细节出力曲线逐点相加之和为待测日出力曲线的预测值，即得到待测日一天所有采集出力预测值。通过上述技术方案，本发明的有益效果是：与现有技术相比，本发明提出了一种融合小波变换以及PSO-RBF神经网络的光伏发电出力预测方法，模型应用于光伏发电出力预测，将小波变换和PSO-RBF神经网络结合在一起，小波变换能够较好的刻画出光伏出力的非线性波动趋势，而且建立了PSO-RBF神经网络预测模型，可以按照任意精度逼近非线性函数且能避免陷入局部最优，对于光伏发电系统配合电力系统制定发电计划具有较高的使用价值。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1示出了本发明一个实施例公开的一种光伏发电出力预测的流程示意图；图2示出了本发明一个实施例公开的一种历史光伏出力曲线的小波变换的流程示意图；图3示出了本发明一个实施例公开的一种天气类型指数计算的流程示意图；图4给出了本发明一个实施例公开的一种PSO-RBF神经网络流程图；图5给出了本发明一个实施例公开的一种计算待测日的主体出力曲线和细节出力曲线的流程图；图6给出了本发明一个实施例公开的基于小波重构计算待测日光伏出力曲线的预测值的一种实现流程图；具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。参见图1示出了本发明一个实施例公开的一种光伏发电出力预测的流程示意图。该方法包括：S11：获取某地区光伏系统的发电出力历史数据与相应的影响因素数据；光伏系统发电出力的原理是光生伏特原理，因此影响光伏出力的影响因素包括外部的太阳辐射量和内部的光伏系统的转换效率，一般情况下，太阳辐射量和光伏系统的转换效率数据很难获得，天气类型，湿度、风速和温度等影响因素可以刻画太阳辐射量的变化，光伏系统的发电出力历史数据能反应光伏系统的转换效率，故这里获取某地区光伏系统的发电历史数据以及相应的天气类型，湿度、风速和温度影响因素数据。S12：利用小波变换把历史出力曲线分解成一个历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3；本发明实例中，不是直接利用光伏出力曲线来建模，而是通过小波变换对光伏出力曲线分解得到主体出力曲线A3和三个历史细节出力曲线D1,D2,D3，然后分别对历史主体出力曲线和历史细节出力曲线来建模。由于光伏出力的不连续性和间歇性，导致光伏出力曲线的波动比较大。通过小波变换可以把光伏出力曲线分解成低频出力曲线和高频出力曲线，由于低频出力曲线的频率较低，曲线波动很小，能反应原始出力曲线的主体特征，又称主体出力曲线；而高频出力曲线的频率较高，曲线波动很大，能反应原始出力曲线的细节特征，又称细节出力曲线。所述的小波变换如下式：W(m,n)=2-(m/2)Σt=0T-1f(t)φ(t-n2m2m)]]>其中T是出力曲线f(t)的长度，其中2m为尺度因子；n2m为平移参数；φ(x)是母函数，t是离散的时间指数。小波变换的主要思想是利用尺度因子和平移参数的改变，将原始的曲线分解成高频曲线和低频曲线。S13：对历史主体出力曲线A3和三个历史细节出力曲线D1,D2,D3利用PSO-RBF神经网络分别建立四个子预测模型；其中，所述的四个子预测模型为：f1(A3,I1,I2,Q1,Q2)=A3‾f2(D1,I1,I2,Q1,Q2)=D1‾f3(D2,I1,I2Q1,Q2)=D2‾f4(D3,I1,I2,Q1,Q2)=D3‾]]>其中，I1是待测日前一天的天气类型指数，I2是待测日的天气类型指数，Q1,Q2分别是待测日前一天和待测日当天的影响因素数据；主体子预测模型f1(A3,I1,I2,Q1,Q2)的输入是待测日前一天的主体出力曲线、天气类型指数以及影响因素数据，待测日的天气类型指数和影响因素数据，输出是待测日的主体出力曲线细节子预测模型f2(D1,I1,I2,Q1,Q2)、f3(D2,I1,I2,Q1,Q2)及f4(D3,I1,I2,Q1,Q2)的输入分别对应于待测日前一天的细节出力曲线、天气类型指数以及影响因素数据，待测日的天气类型指数、影响因素数据，输出分别对应待测日的细节出力曲线和S14：分别计算待测日的主体出力曲线和三个细节出力曲线将待测日前一天的出力曲线利用小波变换分别得到主体出力曲线和三个细节出力曲线，加上待测日前一天和待测日当天的影响因素数据，利用四个子预测模型分别可以得到待测日主体出力曲线和三个细节出力曲线。S15：对待测日主体出力曲线和三个细节出力曲线利用小波重构得到待测日的出力曲线的预测值。对待测日主体出力曲线和三个细节出力曲线利用小波重构得到待测日的出力曲线的预测值，即将待测日主体出力曲线和三个细节出力曲线逐点相加，能得到待测日光伏出力曲线的预测值。由以上实施例可知，本申请公开了一种应用于光伏系统发电出力预测的数据分析方法。该方法基于天气类型指数、温度、湿度和风速等影响因素数据，进而利用小波变换和PSO-RBF神经网络的组合预测模型得到待测日的光伏出力预测值，与现有技术相比，本发明将小波变换和PSO-RBF神经网络方法进行融合，提出了一种适用于光伏系统的发电出力预测方法，能够有效的对光伏系统进行预测，减少光伏系统对电网的冲击。上述实施例中，可选的，光伏出力历史数据的小波变换的一种实现的流程图如图2所示，可以包括：步骤S21：将历史的出力曲线先做第一次小波变换得到第一层主体出力曲线A1和第一层细节出力曲线D1；步骤S22：将第一层主体出力曲线A1做第二次小波变换得到第二层主体出力曲线A2和第二层细节出力曲线D2；步骤S23：将第二层主体出力曲线A2做第三次小波变换得到第三层主体出力曲线A3和三层细节出力曲线D3。上述实施例中，可选的，天气类型指数一种实现流程图如图3所示，可以包括：步骤S31：按天气类型将发电出力进行划分；步骤S32：计算每种天气类型逐点的平均发电出力曲线；步骤S33：计算每种天气类型下平均出力曲线的平均出力；步骤S34：将每种天气类型的平均出力之间的倍率关系转换为天气类型指数。优选的，由于晴天时光伏出力值最大，设定其天气类型指数为单位1，可得其他天气类型指数如表1所示。表1各种天气类型的天气类型指数天气类型晴天多云阴转多云阴天阴转雨雨天雪天天气类型指数10.80.750.60.50.40.45本发明实例中，不是直接利用天气类型来建模，而是通过计算天气类型指数来建模。原因有三点：第一，天气类型是名词性变量，无法直接建模使用；第二，天气类型对光伏系统的影响体现在这种天气类型下光伏系统发电出力的大小；第三，利用天气类型指数建模，充分考虑了外部环境对光伏系统的影响，能提高出力预测的精度。上述实施例中，传统的RBF神经网络有容易陷入局部最优等缺点，故在光伏出力预测法中的神经网络模型中采用粒子群优化算法(ParticleSwarmOptimizationPOS)进行参数寻优。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。群体中每个粒子的位置代表解空间的一组解向量，粒子在搜索空间里以一定的速度飞行寻找最优解，飞行速度依据飞行经验动态调整。PSO算法首先要在可行解空间和速度空间随机初始化粒子群，即确定初始位置和初始速度。PSO算法有n个粒子，第i个粒子的当前位置和飞行速度分别表示为Xi＝(xi1,xi2,...,xid)和Vi＝(vi1,vi2,...,vid)。它的个体的最优值为Pi＝(pi1,pi2,...,pid)，种群全局最优值为Pg＝(pg1,pg2,...,pgd)。粒子初始群体随机产生后，各代粒子的位置根据飞行速度的变化而改变。按照如下粒子更新公式更新各个粒子群的速度和位置：vidk+1=ωvidk+c1r1(pidk-xidk)+c2r2(pgdk-xgdk)---(1)]]>xidk+1=xidk+vidk---(2)]]>其中：i＝1,2,...,N；d＝1,2,...,D；ω是惯性因子；c1和c2式学习因子。同时，通过设置粒子的速度区间[-Vmax,Vmin]对粒子的移动进行限制。粒子的适应度计算公式如下：fitness=1nΣi=1nΣj=1c(Yij-yij)2---(3)]]>式中：n为训练集的样本个数；c为输出神经元的个数；Yij为第i个样本第j个期望输出值；yij为第i个样本第j个实际输出值。在PSO算法中，合理地控制和平衡算法的全局搜索能力和局部开发能力，有利于准确快速地找到最优解。惯性因子对算法的性能有极大的影响。在迭代过程中，算法一旦进入局部极值点邻域内就很难跳出，为了克服这么不足，本发明采用非线性惯性权重计算公式：ω(t)=ωmin+(ωmax-ωmin)exp[-k(ttmax)2]---(4)]]>式中：ωmax，ωmin分别表示为惯性权重ω的最大和最小值；t为当前迭代次数，tmax为最大迭代次数。可选的，光伏出力预测模型中的PSO-RBF神经网络的一种实现流程图如图4所示，可以包括：步骤S41:根据神经网络的输入和输出样本集，建立神经网络的拓扑结果，将神经元之间所有的连接权值编码成实数向量表示种群中的个体粒子；步骤S42：速度、惯性权重、加速因子的初始化，规定最大迭代次数；步骤S43：根据输入和输出样本，按照粒子的适应度计算公式(3)计算出每个粒子适应度函数值，并将每个粒子的最好位置设为历史最佳位置，开始迭代；步骤S44：利用粒子更新公式(1)(2)对粒子的速度和位置进行更新；步骤S45：检查粒子速度和位置是否越界，如越界则排除越界，并重新更新粒子速度和位置；步骤S46：重新计算粒子的适应度值，并按照惯性权重计算公式(4)改变惯性权重，搜索出粒子的最佳位置；步骤S47：检查是否符合结束条件，如果当前位置或最大迭代次数达到预定的误差时，则停止迭代，输出神经网络的最终权值，否则转至步骤三执行。上述实施例中，可选的，计算待测日的主体出力曲线和细节出力曲线一种实现流程图如图5所示，可以包括：步骤S51：获取待测日前一天的光伏出力数据、影响因数以及待测日当天的影响因素；步骤S52：将待测日前一天的出力曲线利用小波变换得到一个主体出力曲线和三个细节出力曲线；步骤S53：分别将主体出力曲线和三个细节主体曲线以及对应的影响因素数据输入到四个子预测模型中，得到待测日的主体出力曲线和细节出力曲线。上述实施例中，可选的，基于小波重构计算待测日光伏出力曲线的预测值的一种实现流程图如图6所示，可以包括：步骤S61：取出待测日的主体出力曲线，即取出待测日一天96点的主体出力数据；步骤S62：分别取出待测日的三个细节出力曲线，即分别取出待测日一天96点的三个细节出力数据；步骤S63：将待测日一天96点的主体出力数据和三个细节出力曲线逐点相加之和为待测日出力曲线的预测值，即得到待测日一天96点出力预测值。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。当前第1页1 2 3