[发明专利]基于BP神经网络模型的光伏发电系统输出功率预测方法

说明书

技术领域

    本发明属于电力系统技术领域，具体涉及一种基于BP神经网络模型的光伏发电系统输出功率预测方法。

背景技术

随着全球范围内能源紧缺和环保问题的日益突出，可再生能源的利用引起广泛的重视。光伏发电作为一种重要的可再生能源形式，它是目前可再生能源中技术最具规模化开发条件和商业化发展前景的发电方式之一，越来越受到人们的关注。

目前大规模的光伏发电系统已经在国内外大量建成。江苏淮安洪泽光伏电站，位于洪泽县白马湖滩涂上，项目远期规划总建设规模为120MW，一期项目20MW，预计年均发电量达2600万千瓦时。大唐新能源在江苏淮安利用工业园区内建筑物屋顶开展光伏发电项目，该太阳能并网发电系统设计容量1.93MWp。

但是由于光伏发电系统的输出受到太阳辐照强度和天气因素的影响，其输出功率具有波动性和间歇性，是一个非平稳的随机过程。光伏发电系统相对于大电网将是一个不可控源，其发电随机性会对大电网造成冲击，会影响电力系统的安全、稳定、经济运行。目前对于光伏发电的随机性以及光伏发电预测技术的研究不多，而这正是光伏发电大规模应用的难点之一。因此，对光伏发电系统输出功率的准确预测，有利于电力系统调度部门适时调整调度计划，从而有效地减轻光伏发电系统接入对电网的不利影响。

目前，国外的发电预测系统还处于不断更新和完善之中，国内还没有实用的光伏发电预测系统。对于含有不同类型光伏发电单元的系统来说，转换效率、安装角度等参数也存在差异，确定光伏发电系统输出模型的参数值难度提高，对于既定的光伏阵列，传统的预测方法预测效果比较差。因此，需要新的光伏发电系统输出功率预测方法。

发明内容

本发明的目的是：针对现有技术在光伏发电预测系统输出功率预测方面的缺陷，提供一种基于BP神经网络模型的光伏发电系统输出功率预测方法。

本发明的技术解决方案是：该基于BP神经网络模型的光伏发电系统输出功率预测方法包括以下步骤：

（A）分析并选取光伏发电系统输出功率的影响因素，采集负荷的历史数据，得到训练样本集；

（B）根据所选取的影响因素的历史数据生成输入向量，以所对应的光伏发电系统的输出功率的历史数据作为输出，得到训练样本；

（C）利用所述训练样本对BP神经网络方法进行训练，得到训练后的BP神经网络；

（D）根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，并将测试输入向量输入训练后的BP神经网络，其输出即为待预测时刻的光伏发电系统输出功率的预测值。

更进一步的，所述BP神经网络的输入向量的维数为所述输入向量的特征维数。

更进一步的，所述降维处理采用非负矩阵分解（NMF）方法。

更进一步的，所述影响因素包括：预测日前两天同一时刻发电量、预测日前一天同一时刻发电量、预测日前两小时发电量、预测日前一小时发电量、预测日前一天同一时刻日照强度、预测日前一小时日照强度、预测日时刻日照强度、预测日前一天同一时刻温度、预测日前一小时温度、预测日时刻温度、预测日前一天同一时刻风速、预测日前一小时风速、预测日时刻风速。

更进一步的，步骤B中根据所选取的影响因素的历史数据生成输入向量，具体按照以下步骤：首先，利用所选取的影响因素的历史数据构造特征向量；然后，对该特征向量进行降维处理，得到输入向量。

更进一步的，步骤D中根据所选取的影响因素的待预测时刻的实际数据生成测试输入向量，具体按照以下步骤：首先，利用所选取的影响因素的待预测时刻的实际数据构造测试特征向量；然后，对该测试特征向量进行降维处理，得到测试输入向量。

更进一步的，所述输入向量的维数为5。

更进一步的，所述降低维数处理利用k折交叉训练方法得到维数的最优取值。

更进一步的，所述非负矩阵分解方法选择欧式距离平方作为非负矩阵分解的目标函数。

本发明的有益效果：1、光伏发电系统输出功率预测预测方法进行建模预测，是一种基于BP神经网络的电网供电可靠性预测方法，利用BP神经网络良好的非线性函数逼近能力，改善了预测模型的精度和泛化能力；2、技术方案中所述输入向量由各影响因素的数据直接生成，但当所选取的影响因素较多时，过多的变量会导致计算复杂度高，从而影响预测效率，为此，本发明通过对原始数据样本进行降维处理（特征提取）来降低预测的计算复杂度，提高效率；3、所述降维处理采用非负矩阵分解方法，使用非负矩阵分解对输入样本进行降维处理，降低了算法复杂度，提高了预测效率；4、所述降低维数处理利用k折交叉训练方法得到维数的最优取值。