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。
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:
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。