[发明专利]基于双层人工神经网络的区域光伏功率预测方法及系统

说明书

本公开提出了基于双层人工神经网络的区域光伏功率预测方法及系统，包括：利用第一层人工神经网络对各个光伏电站的滚动出力预测；结合各个光伏电站自身的滚动出力预测精度及区域内各个光伏电站出力与区域总出力之间的相关系数选择基准光伏电站；利用基准光伏电站历史出力数据对第二层人工神经网络进行训练；对各基准光伏电站实时功率进行采集并输入至双层人工神经网络模型，实现区域光伏总出力的滚动预测，滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区域输出功率的滚动预测。本方法无需对待测区域内全部光伏电站出力进行采集，在降低了成本的同时保证了较高的预测精度。

技术领域

本公开属于区域功率预测技术领域，尤其涉及基于双层人工神经网络的区域光伏功率预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

由于光伏出力具有间歇性、波动性和随机性的特点，光伏发电系统的大规模并网运行会严重影响电力系统的稳定与经济运行。因此，开展区域光伏功率预测技术对提高电网稳定性和增强电网消纳光电能力具有重要意义。现有专利和文献中提到的光伏发电功率预测模型可分为三大类，第一类为累加法，即对区域内全部光伏电站进行出力预测，然后将预测结果累加求和最终得到区域预测结果。然而此类方法对电站数据量需求极大，且并非全部光伏电站都具有精度较高的出力数据采集系统，因此很难实现工程应用。第二类为外推法，即首先对区域进行片区划分，通过对不同片区进行出力预测，进而累加全部片区的出力预测结果得到区域出力预测结果。第三类方法为统计升尺度法，首先选取与区域出力相关性较高的基准光伏电站，并基于基准光伏电站的功率预测结果实现整个区域的出力预测。此类方法基于少量电站的出力数据对区域出力进行预测，极大地减少了数据需求量。

发明人在研究中发现，基于统计生尺度法的区域出力预测精度取决于基准光伏电站，在选择基准光伏电站时，不仅需要考虑相关系数，同时应该引入基准光伏电站自身的功率预测精度作为基准电站选取指标，因此除了需要考虑基准光伏电站出力与区域出力之间的相关性之外，还需对基准电站自身的功率预测算法精度进行评估。此外，当基准光伏电站受到外界因素扰动，例如云团遮挡或电网故障时，区域功率预测结果会产生严重偏差，目前已提出的区域功率预测方法缺乏对此问题的分析与解决方案。

综上所述，如何精准地选择基准光伏电站并且如何在基准光伏电站发生线路故障或被云团遮挡时保证较高的区域功率预测精度成为制约区域功率预测精度的瓶颈。

发明内容

为克服上述现有技术的不足，本公开提供了基于双层人工神经网络的区域光伏功率预测方法，具有较高的普适性，无需对所获取数据进行不同天气状况下的分类，做出高精度的功率预测。

为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：

一方面，公开了基于双层人工神经网络的区域光伏功率预测方法，包括：

利用第一层人工神经网络实现各个光伏电站的滚动出力预测；

结合第一层人工神经网络的滚动出力预测精度及区域内各个光伏电站出力与区域总出力之间的相关系数选择基准光伏电站；

利用第二层人工神经网络实现基于基准光伏电站出力的区域总出力预测，第一层人工神经网络及第二层人工神经网络构成双层人工神经网络模型；对各基准光伏电站实时功率进行采集并输入至双层人工神经网络模型，得到区域光伏总出力的滚动预测结果，滚动预测包括对晴空工况下区域输出功率的滚动预测及多云工况或线路故障时区域输出功率的滚动预测。

另一方面，公开了基于双层人工神经网络的区域光伏功率预测系统，包括：

离线学习模块，被配置为：利用第一层人工神经网络对各个光伏电站的滚动出力预测；

结合各个光伏电站自身的滚动出力预测精度及区域内各个光伏电站出力与区域总出力之间的相关系数选择基准光伏电站；