[发明专利]一种适于并网光伏发电的迁移神经网络功率预测方法

说明书

本发明公开了一种适于并网光伏发电的迁移神经网络功率预测方法，包括获取多个光伏方阵的相关数据；建立聚类模型，将多个光伏方阵进行聚类；对每组类光伏方阵分别建立BP神经网络模型；将对应的神经网络模型进行二分；符合自主训练的模型利用自身的训练集进行参数训练，不符合自主训练的模型通过参数迁移并进行增量学习；获得每个光伏方阵的发电预测功率；综合每个光伏方阵的发电预测功率，获得整个并网光伏发电的预测功率。本发明提出的预测方法，从光伏方阵聚类、训练参数迁移学习、增量学习和新增光伏方阵分类四个方面进行优化和改进，使得本方法更加适合于并网光伏发电功率的预测，预测准确度更高，效果更好。

技术领域

本发明属于光伏发电站的发电功率预测方法，具体涉及一种适于并网光伏发电的迁移神经网络功率预测方法。

背景技术

光伏发电系统按规模大小主要分为独立光伏发电和并网光伏发电，利用以光能生成电势能效应原理制成的光伏电池可以将太阳辐照能转换成电能的发电系统。完整的光伏发电系统由光伏电池组、控制器、蓄电池、直流/交流转换器等部分组成。光伏电站一般由1个或多个基本光伏方阵组成，大规模的光伏方阵发电后后经汇流箱汇流后将直流电输送给逆变器，再由逆变器及其滤波装置转换为质量合格的交流电，经变压器升压后并网。光伏发电大规模间歇性分布式接入电网后，整个电网原来相对稳定的潮流模型不确定性增大，同时光伏方阵中各模块由于型号、厂家、批号等不同，所以其整个电网的功率并非单个方阵与数目相乘的结果。与水利、火力电源相比太阳能发电系统有其自身的特殊要求，比如并网采用的是电力电子器件、没有同期装置、没有相位差、需要进行无功补偿等等，这也极易造成高次谐波、电流、电压的三相不平衡等特性，同时输出功率的不稳定很容易造成电网电压震荡、闪变。而且并网中会不断的有光伏发电组的加入或者退出，需要一种动态的预测机制，同时对于新加入的广发发电组，由于少有历史训练数据，所以对其进行准确的预测也具有一定的难度。

发明内容

本发明的目的在于提供一种预测结果准确的适于并网光伏发电的迁移神经网络功率预测方法，主要解决并网光伏电场中多种不同光伏方阵发电功率的综合预测，并且适用于并网中不断有光伏方阵停止工作或新增方阵的情况，为实现上述目的，本发明提供如下技术方案，包括以下步骤：

步骤1，获取并网光伏发电的多个光伏方阵所处的地理数据、设备数据、历史气象数据和发电功率数据；

步骤2，建立聚类模型，将多个光伏方阵进行聚类，获得多光伏方阵组类；

步骤3，对每光伏方阵组类分别建立BP神经网络模型，确定输入层、隐含层和输出层数量；

步骤4，根据每光伏方阵组类对应的模型训练数据多少，将对应的神经网络模型进行二分，得到符合自主训练的模型和不符合自主训练的模型；

步骤5，符合自主训练的模型利用自身的训练集进行参数训练，不符合自主训练的模型通过参数迁移并进行增量学习；

步骤6，获得每个光伏方阵的现实气象数据，将其分类输入至对应的预测模型中，获得每个光伏方阵的发电预测功率；

步骤7，综合每个光伏方阵的发电预测功率，获得整个并网光伏发电的预测功率；

在步骤4中设置模型训练数据阈值，某光伏方阵组类对应的模型训练数据大于或等于所述的阈值，该模型训练属于符合自主训练的模型，否则，该模型训练属于不符合自主训练的模型；