CN105528517A - 基于神经网络、小波分解光伏电站功率预测方法、*** - Google Patents

基于神经网络、小波分解光伏电站功率预测方法、*** Download PDF

Info

Publication number
CN105528517A
CN105528517A CN201510867065.0A CN201510867065A CN105528517A CN 105528517 A CN105528517 A CN 105528517A CN 201510867065 A CN201510867065 A CN 201510867065A CN 105528517 A CN105528517 A CN 105528517A
Authority
CN
China
Prior art keywords
signal layer
wavelet decomposition
information
neural network
detail signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201510867065.0A
Other languages
English (en)
Other versions
CN105528517B (zh
Inventor
孙乔
聂玲
崔伟
付兰梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing China Power Information Technology Co Ltd
Beijing Fibrlink Communications Co Ltd
Original Assignee
Beijing Guodiantong Network Technology Co Ltd
Beijing Fibrlink Communications Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Guodiantong Network Technology Co Ltd, Beijing Fibrlink Communications Co Ltd filed Critical Beijing Guodiantong Network Technology Co Ltd
Priority to CN201510867065.0A priority Critical patent/CN105528517B/zh
Publication of CN105528517A publication Critical patent/CN105528517A/zh
Application granted granted Critical
Publication of CN105528517B publication Critical patent/CN105528517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

本发明公开了一种基于神经网络、小波分解光伏电站功率预测方法、***，获取历史记录光照强度C、输出功率P、温度T、湿度H、风速WS，分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；获取未来预测时间段温度T、湿度H、风速WS，分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。因此，本发明能够保证预测过程的收敛性，减小复杂度，提高预测的准确度。

Description

基于神经网络、小波分解光伏电站功率预测方法、***
技术领域
本发明涉及能源领域，特别是指一种基于神经网络、小波分解光伏电站功率预测方法、***。
背景技术
太阳能光伏发电是利用太阳能电池的光伏效应将太阳辐射能直接转换为电能的一种发电形式。目前，化石能源短缺、环境污染严重和全球气候变化等问题日益突出，世界能源发展呈现出清洁化、低碳化、高效化的新趋势。我国太阳能资源与美国相近，比欧洲、日本优越得多，具有的开发潜力极其广阔，近年来更是进入高速发展时期，成为了新的增长点。太阳能的开发利用符合我国能源发展战略、实现电力可持续发展、电力结构调整和环境保护的需要。我国未来将有大量分布式清洁能源发电及其他形式发电接入电网，要求电网具有清洁能源接纳能力。
随着太阳能发电行业的发展，太阳能并网规模越来越大，但太阳能发电具有随机性大、间歇性、反调峰等特点，大规模太阳能发电的接入对电网的消纳、调峰调频需求、稳定性等问题会产生重大影响，为了减小这些影响，同时保证电力***安全稳定的运行，使电力调度部门能够根据光伏发电量变化及时进行调度，降低备用容量和运行成本，需要对光伏电站的发电量进行准确预测。
而传统的基于常规神经网络的光伏电站输出功率预测方法，只是简单把影响光伏电站输出功率的因素考虑进去，作为模型的输入信号，它能有效预测光伏电站输出功率，但光伏电站输出功率的周期性和非平稳特征会使传统神经网络算法容易陷入不收敛，另外利用现有数值天气预报无法建模的高频分量没有剔除掉，建立的模型不够精准，而且其收敛性不好，计算复杂度较高。
发明内容
有鉴于此，为了解决现有光伏电站功率预测的不足，本发明的目的在于提出一种光伏电站输出功率预测方法，提高光伏功率预测精度。
基于上述目的本发明提供的基于神经网络、小波分解光伏电站功率预测方法，包括步骤：
获取一时间段内光伏电站所在位置的历史记录；其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS；
将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；
获取光伏电站所在位置未来预测时间段的天气预报值；其中，所述的天气预报值包括温度T、湿度H、风速WS；
将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；
对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。
在一些实施例中，所述将获取的光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；同时，得到输出功率P在5层小波分解后每层的小波分解系数。
在一些实施例中，所述根据所述小波分解后的信息，建立逼近信号层神经网络模型包括：
将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网络模型；
另外，所述建立细节信号层神经网络模型包括：
将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型；
将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。
在一些实施例中，所述将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解，采用5层小波分解，分别得到温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；
另外，所述将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果包括：将预测的光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]作为输入向量，根据A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[000P0A5]；
还有，将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果包括：将预测的温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结果[00P0D5]；
将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[T0D4H0D4WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。
在一些实施例中，所述对逼近信号层的预报结果和细节信号层的预报结果进行重构，包括：将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘以P0D4、P0D5、P0A5，最后将相乘的结果相加获得预测功率值P0。
另外本发明还提供了一种基于神经网络、小波分解光伏电站功率预测***，包括：
历史数据获取单元，用于获取一时间段内光伏电站所在位置的历史记录；其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS；
预测模型建立单元，用于将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；
预测数据获取单元，用于获取光伏电站所在位置未来预测时间段的天气预报值；其中，所述的天气预报值包括温度T、湿度H、风速WS；
功率预测单元，用于将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；
预测功率重构单元，用于对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。
在一些实施例中，所述预测模型建立单元将获取的光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；同时，得到输出功率P在5层小波分解后每层的小波分解系数。
在一些实施例中，所述预测模型建立单元根据所述小波分解后的信息，建立逼近信号层神经网络模型包括：
将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网络模型；
另外，所述建立细节信号层神经网络模型包括：
将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型；
将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。
在一些实施例中，所述预测数据获取单元将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解，采用5层小波分解，分别得到温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；
另外，所述将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果包括：将预测的光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]作为输入向量，根据A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[000P0A5]；
还有，将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果包括：将预测的温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结果[00P0D5]；
将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[T0D4H0D4WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。
在一些实施例中，所述预测功率重构单元对逼近信号层的预报结果和细节信号层的预报结果进行重构，包括：将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘以P0D4、P0D5、P0A5，最后将相乘的结果相加获得预测功率值P0。
从上面所述可以看出，本发明提供的基于神经网络、小波分解光伏电站功率预测方法和***，实现了一套简便易行，保证了预测过程的收敛性，减小了复杂度，提高了预测的准确度。
附图说明
图1为本发明实施例中基于神经网络、小波分解光伏电站功率预测方法的流程示意图；
图2为本发明可参考实施例中基于神经网络、小波分解光伏电站功率预测方法的流程示意图；
图3为本发明实施例中基于神经网络、小波分解光伏电站功率预测***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
作为本发明的一个实施例，参阅图1所示，所述的基于神经网络、小波分解光伏电站功率预测方法包括：
步骤101，获取一时间段内光伏电站所在位置的历史记录。其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS。
步骤102，将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型。
在实施例中，将获取的光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息。同时，得到输出功率P在5层小波分解后每层的小波分解系数。
较佳地，建立逼近信号层神经网络模型可以包括：将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网络模型。
作为另一个实施例，建立细节信号层神经网络模型可以分别建立D5细节信号层神经网络模型和D4细节信号层神经网络模型。
优选地，建立D5细节信号层神经网络模型可以通过将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型。
另外，作为又一个优选地实施例，将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。
步骤103，获取光伏电站所在位置未来预测时间段的天气预报值。其中，所述的天气预报值包括温度T、湿度H、风速WS。
步骤104，将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果。
较佳地，将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解，采用5层小波分解，分别得到温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息。
需要说明的是，得到逼近信号层的预报结果可以将预测的光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]作为输入向量，根据A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[000P0A5]。
而值得说明的是，可以将预测的D5、D4细节信号层的信息分别作为D5细节信号层神经网络模型的输入向量、D4细节信号层神经网络模型的输入向量，得到D5细节信号层的预报结果和D4细节信号层的预报结果。
优选地，将预测的温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结果[00P0D5]。
优选地，将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[T0D4H0D4WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。
步骤105，对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。
较佳地，将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘以相应层的预报结果，最后将相乘的结果相加获得预测功率值P0。
作为本发明另一可参考的实施例，参阅图2所示，所述的基于神经网络、小波分解光伏电站功率预测方法可以是如下过程：
步骤201，获得某一时间段内光伏电站所在位置的历史记录，其中历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS。
步骤202，分别对获取的光照强度C、输出功率P、温度T、湿度H、风速WS历史数据进行小波分解。
较佳地，采用5层小波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自在D1、D2、D3、D4、D5、A5层信号。同时，得到输出功率P在5层小波分解后每层的小波分解系数。
优选地，小波分解通过小波滤波器将含有综合信息的一组原始序列分解成多组不同特征的时间序列，一组信号反映原时间序列内在变化趋势，即逼近信号；其余组的序列反映随机扰动带来的影响，即细节信号。时间序列的小波分解算法为:
A 0 [ f ( t ) ] = f ( t ) A j [ f ( t ) ] = Σ k H ( 2 t - k ) A j - 1 [ f ( t ) ] D j [ f ( t ) ] = Σ k G ( 2 t - k ) A j - 1 [ f ( t ) ]
式中，t——时间序列序列号；f(t)——原始序列；j——分解层数，j＝1,2,...,J，J＝log2N，N为序列长度；H、G——小波分解的滤波器；Aj——信号f(t)在第j层的逼近信号部分(即低频部分)的小波分解系数；Dj——信号f(t)在第j层的细节信号部分(即高频部分)的小波分解系数。
步骤203，将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网络模型。
将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型。
将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。
步骤204，获取所述光伏电站所在位置未来预测时间段的天气预报值，所述天气预报值包括：温度T、湿度H、风速WS。
较佳地，获取光伏电站所在位置未来72小时内的温度T、湿度H、风速WS的预报值。
步骤205，将获取的未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解。
优选地，采用5层小波分解，分别得到温度T、湿度H、风速WS各自在D1、D2、D3、D4、D5、A5层信号。
步骤206，将预测的光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]作为输入向量，根据步骤203建立的A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[000P0A5]。
将预测的温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据步骤203建立的D5细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结果[00P0D5]。
将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[T0D4H0D4WS0D4]作为输入向量，根据步骤203建立的D4细节信号层神经网络模型，得到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。
步骤207，根据步骤202得到的输出功率P在D4、D5、A5层的小波分解系数，对步骤206得到的预报结果P0A5、P0D5以及P0D4进行重构，得到预测功率值P0。
较佳地，将步骤202得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘以P0D4、P0D5、P0A5，最后将相乘的结果相加获得预测功率值P0。
在本发明的另一方面，提供了一种基于神经网络、小波分解光伏电站功率预测***，参阅图3所示，所述的基于神经网络、小波分解光伏电站功率预测***依次包括历史数据获取单元301、预测模型建立单元302、预测数据获取单元303、功率预测单元304以及预测功率重构单元305。其中，历史数据获取单元301用于获取一时间段内光伏电站所在位置的历史记录。其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS。预测模型建立单元302用于将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解。根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型。之后，预测数据获取单元303用于获取光伏电站所在位置未来预测时间段的天气预报值。其中，所述的天气预报值包括温度T、湿度H、风速WS。最后，功率预测单元304用于将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解。根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果。预测功率重构单元305用于对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。
较佳地，预测模型建立单元302将获取的光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息。
优选地，预测模型建立单元302建立逼近信号层神经网络模型是将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网络模型。
作为另一个实施例，预测模型建立单元302建立的细节信号层神经网络模型可以分别建立D5细节信号层神经网络模型和D4细节信号层神经网络模型。优选地，建立D5细节信号层神经网络模型可以通过将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型。另外，将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。
值得说明的是，功率预测单元304将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解，采用5层小波分解，分别得到温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息。同时，得到输出功率P在5层小波分解后每层的小波分解系数。
较佳地，将预测的光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]作为输入向量，根据A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[000P0A5]。
而功率预测单元304将预测的D5、D4细节信号层的信息分别作为D5细节信号层神经网络模型的输入向量、D4细节信号层神经网络模型的输入向量，得到D5细节信号层的预报结果和D4细节信号层的预报结果。
优选地，将预测的温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结果[00P0D5]。
优选地，将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[T0D4H0D4WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。
作为本发明所述光伏电站输出功率预测***的另一个实施例，功率预测单元304将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘以相应层的预报结果，最后将相乘的结果相加获得预测功率值P0。
需要说明的是，在本发明所述的基于神经网络、小波分解光伏电站功率预测***的具体实施内容，在上面所述的基于神经网络、小波分解光伏电站功率预测方法中已经详细说明了，故在此重复内容不再说明。
综上所述，本发明创新性的提出了基于神经网络、小波分解光伏电站功率预测方法和***，可以有效防止因光伏电站输出功率的周期性和非平稳特征而引起的算法陷入不收敛的问题；有效提取光伏电站输出功率的周期性和非平稳信息，通过理论辐照量和环境参数的低频信息建立更加精确的模型；与此同时，有效剔除利用现有数值天气预报无法建模的高频分量；另外，创造性地巧妙将神经网络建模与小波分解相结合；并且，保证了算法的收敛，减小了计算复杂度，提高了算法的精度。最后，所述的基于神经网络、小波分解光伏电站功率预测方法和***思路清晰、易于实现。
所属领域的普通技术人员应当理解：以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络、小波分解光伏电站功率预测方法，其特征在于，包括步骤：
获取一时间段内光伏电站所在位置的历史记录；其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS；
将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；
获取光伏电站所在位置未来预测时间段的天气预报值；其中，所述的天气预报值包括温度T、湿度H、风速WS；
将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；
对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。
2.根据权利要求1所述的方法，其特征在于，所述将获取的光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；同时，得到输出功率P在5层小波分解后每层的小波分解系数。
3.根据权利要求2所述的方法，其特征在于：所述根据所述小波分解后的信息，建立逼近信号层神经网络模型包括：
将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网络模型；
另外，所述建立细节信号层神经网络模型包括：
将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型；
将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。
4.根据权利要求3所述的方法，其特征在于：所述将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解，采用5层小波分解，分别得到温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；
另外，所述将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果包括：将预测的光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]作为输入向量，根据A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[000P0A5]；
还有，将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果包括：将预测的温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结果[00P0D5]；
将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[T0D4H0D4WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。
5.根据权利要求4所述的方法，其特征在于：所述对逼近信号层的预报结果和细节信号层的预报结果进行重构，包括：将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘以P0D4、P0D5、P0A5，最后将相乘的结果相加获得预测功率值P0。
6.一种基于神经网络、小波分解光伏电站功率预测***，其特征在于，包括：
历史数据获取单元，用于获取一时间段内光伏电站所在位置的历史记录；其中，所述的历史记录包括光照强度C、输出功率P、温度T、湿度H、风速WS；
预测模型建立单元，用于将所述光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解；根据所述小波分解后的信息，建立逼近信号层神经网络模型和细节信号层神经网络模型；
预测数据获取单元，用于获取光伏电站所在位置未来预测时间段的天气预报值；其中，所述的天气预报值包括温度T、湿度H、风速WS；
功率预测单元，用于将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解；根据所述小波分解后的信息，将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果；将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果；
预测功率重构单元，用于对逼近信号层的预报结果和细节信号层的预报结果进行重构，得到预测功率值。
7.根据权利要求6所述的***，其特征在于：所述预测模型建立单元将获取的光照强度C、输出功率P、温度T、湿度H、风速WS分别进行小波分解，采用5层小波分解，分别得到光照强度C、输出功率P、温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；同时，得到输出功率P在5层小波分解后每层的小波分解系数。
8.根据权利要求7所述的***，其特征在于：所述预测模型建立单元根据所述小波分解后的信息，建立逼近信号层神经网络模型包括：
将光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[CA5TA5HA5WSA5]作为输入向量，将输出功率P经过小波分解后的A5逼近信号层信息[000PA5]作为输出向量，建立A5逼近信号层神经网络模型；
另外，所述建立细节信号层神经网络模型包括：
将温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[TD5HD5WSD5]作为输入向量，将输出功率P经过小波分解后的D5细节信号层信息[00PD5]作为输出向量，建立D5细节信号层神经网络模型；
将温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[TD4HD4WSD4]作为输入向量，将输出功率P经过小波分解后的D4细节信号层信息[00PD4]作为输出向量，建立D4细节信号层神经网络模型。
9.根据权利要求8所述的***，其特征在于：所述预测数据获取单元将所述未来预测时间段的温度T、湿度H、风速WS的预报值分别经小波分解，采用5层小波分解，分别得到温度T、湿度H、风速WS各自在细节信号层D1、D2、D3、D4、D5的信息以及逼近信号层A5的信息；
另外，所述将逼近信号层的信息作为逼近信号层神经网络模型的输入向量，得到逼近信号层的预报结果包括：将预测的光照强度C、温度T、湿度H、风速WS分别经过小波分解后的A5逼近信号层信息[C0A5T0A5H0A5WS0A5]作为输入向量，根据A5逼近信号层神经网络模型，得到光伏电站输出功率的A5逼近信号层的预报结果[000P0A5]；
还有，将细节信号层的信息作为细节信号层神经网络模型的输入向量，得到细节信号层的预报结果包括：将预测的温度T、湿度H、风速WS分别经过小波分解后的D5细节信号层信息[T0D5H0D5WS0D5]作为输入向量，根据D5细节信号层神经网络模型，得到光伏电站输出功率的D5细节信号层的预报结果[00P0D5]；
将预测的温度T、湿度H、风速WS分别经过小波分解后的D4细节信号层信息[T0D4H0D4WS0D4]作为输入向量，根据D4细节信号层神经网络模型，得到光伏电站输出功率的D4细节信号层的预报结果[00P0D4]。
10.根据权利要求9所述的***，其特征在于：所述预测功率重构单元对逼近信号层的预报结果和细节信号层的预报结果进行重构，包括：将得到的输出功率P在D4、D5、A5层的小波分解系数，分别乘以P0D4、P0D5、P0A5，最后将相乘的结果相加获得预测功率值P0。
CN201510867065.0A 2015-12-01 2015-12-01 基于神经网络、小波分解光伏电站功率预测方法、*** Active CN105528517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510867065.0A CN105528517B (zh) 2015-12-01 2015-12-01 基于神经网络、小波分解光伏电站功率预测方法、***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510867065.0A CN105528517B (zh) 2015-12-01 2015-12-01 基于神经网络、小波分解光伏电站功率预测方法、***

Publications (2)

Publication Number Publication Date
CN105528517A true CN105528517A (zh) 2016-04-27
CN105528517B CN105528517B (zh) 2019-02-26

Family

ID=55770738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510867065.0A Active CN105528517B (zh) 2015-12-01 2015-12-01 基于神经网络、小波分解光伏电站功率预测方法、***

Country Status (1)

Country Link
CN (1) CN105528517B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194496A (zh) * 2017-04-25 2017-09-22 甘肃省电力公司风电技术中心 光伏功率的预测方法及预测装置
CN109840633A (zh) * 2019-01-29 2019-06-04 合肥工业大学 光伏输出功率预测方法、***和存储介质
CN111932007A (zh) * 2020-08-04 2020-11-13 广州发展新能源股份有限公司 一种光伏电站的功率预测方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466924B1 (en) * 1997-12-02 2002-10-15 Denso Corporation Verification method of neural network and verification apparatus thereof
CN104992248A (zh) * 2015-07-07 2015-10-21 中山大学 一种微电网光伏电站发电量组合预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466924B1 (en) * 1997-12-02 2002-10-15 Denso Corporation Verification method of neural network and verification apparatus thereof
CN104992248A (zh) * 2015-07-07 2015-10-21 中山大学 一种微电网光伏电站发电量组合预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张立影等: "基于小波变换的神经网络的光伏功率预测", 《可再生能源》 *
朱红路等: "基于小波分析与神经网络的光伏电站功率预测方法", 《太阳能学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194496A (zh) * 2017-04-25 2017-09-22 甘肃省电力公司风电技术中心 光伏功率的预测方法及预测装置
CN109840633A (zh) * 2019-01-29 2019-06-04 合肥工业大学 光伏输出功率预测方法、***和存储介质
CN109840633B (zh) * 2019-01-29 2021-03-23 合肥工业大学 光伏输出功率预测方法、***和存储介质
CN111932007A (zh) * 2020-08-04 2020-11-13 广州发展新能源股份有限公司 一种光伏电站的功率预测方法、装置及存储介质

Also Published As

Publication number Publication date
CN105528517B (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
Liu et al. Forecasting power output of photovoltaic system using a BP network method
Qu et al. Prediction of electricity generation from a combined cycle power plant based on a stacking ensemble and its hyperparameter optimization with a grid-search method
Mandal et al. Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques
Zhang et al. Wind power prediction based on LS-SVM model with error correction
CN105184391A (zh) 基于小波分解和支持向量机的风电场风速与功率预测方法
CN110729764B (zh) 一种含光伏发电***的优化调度方法
CN101793907A (zh) 一种风电场短期风速预测方法
CN105356492A (zh) 一种适用于微电网的能量管理仿真***及方法
CN104992248A (zh) 一种微电网光伏电站发电量组合预测方法
CN103077300A (zh) 一种基于二型模糊逻辑的分布式光伏电源发电量预测方法
CN103106544A (zh) 一种基于t-s型模糊神经网络的光伏发电预测***
CN103400204A (zh) 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法
CN102542133A (zh) 风电场短时风速预测方法及***
CN105373856A (zh) 一种考虑游程检测法重构的风电功率短时组合预测方法
CN104268659A (zh) 一种光伏电站发电功率超短期预测方法
Liu et al. Research on short-term optimization for integrated hydro-PV power system based on genetic algorithm
Alam et al. Solar PV power forecasting using traditional methods and machine learning techniques
Bou-Rabee et al. One-month-ahead wind speed forecasting using hybrid AI model for coastal locations
Wang et al. Short-term photovoltaic power generation prediction based on lightgbm-lstm model
CN105528517A (zh) 基于神经网络、小波分解光伏电站功率预测方法、***
CN105678415A (zh) 一种分布式电源配电网的净负荷预测方法
Ying et al. Dispatching approach for active distribution network considering PV generation reliability and load predicting interval
CN103927598A (zh) 基于自学习径向基核函数的光伏发电功率预测方法
Sun et al. Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power
Nazir et al. Optimal planning and investment of Multi-renewable power generation and energy storage system capacity

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20190605

Address after: 100085 Beijing city Haidian District Qinghe small Camp Road No. 15

Co-patentee after: Fibrlink Networks Co., Ltd.

Patentee after: Beijing China Power Information Technology Co., Ltd.

Address before: 100070 the 28 tier of fortune Fortune Plaza, No.1, hang Feng Road, Fengtai District, Beijing.

Co-patentee before: Fibrlink Networks Co., Ltd.

Patentee before: Beijing Guodiantong Network Technology Co., Ltd.

TR01 Transfer of patent right