CN115829145A - 一种光伏发电量预测***及方法 - Google Patents
一种光伏发电量预测***及方法 Download PDFInfo
- Publication number
- CN115829145A CN115829145A CN202211624633.0A CN202211624633A CN115829145A CN 115829145 A CN115829145 A CN 115829145A CN 202211624633 A CN202211624633 A CN 202211624633A CN 115829145 A CN115829145 A CN 115829145A
- Authority
- CN
- China
- Prior art keywords
- power generation
- data
- photovoltaic power
- prediction
- meteorological
- 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.)
- Pending
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于光伏发电技术领域，具体涉及一种光伏发电量预测***及方法，包括参数设置模块：用于获取光伏组件参数和逆变器参数；气象数据获取模块：用于所在区域未来预定时间内的气象参数信息以及获取该区域目前实际气象参数信息；发电量预测模块：通过接收参数设置模块和气象数据获取模块的数据，基于光伏发电量预测模型输出初步预测的光伏发电量；误差补偿模块：用于将时间段内发电量预测模块输出的初步预测的光伏发电量与实际光伏发电量进行对比，对光伏发电量预测模型重新进行训练和预测,得到新的光伏发电量预测值。通过获取光伏组件的设定参数以及预计的气象数据，对光伏发电量进行预测，为光伏企业的生产和调度提供数据基础。
Description
技术领域
本发明属于光伏发电技术领域，具体涉及一种光伏发电量预测***及方法。
背景技术
光伏发电容易受到辐照度、温度、湿度、风力、风向、晴雨状况等因素的影响，因此光伏发电具有波动性和间歇性，大规模光伏发电站并网运行会影响电力***的安全稳定经济运行。
对光伏电站的输出功率进行预测有助于电网调度部门统筹安排常规电源和光伏发电的协调配合，及时调整调度计划，合理安排电网运行方式，便于获得更大的经济效益和社会效益。
发明内容
本发明的目的在于提供一种光伏发电量预测***及方法，克服了现有技术的不足，通过获取光伏组件的设定参数以及预计的气象数据，对光伏发电量进行预测，为光伏企业的生产和调度提供数据基础，大幅提高企业投运盈利。
为解决上述问题，本发明所采取的技术方案如下：
一种光伏发电量预测***及方法，包括
参数设置模块：用于获取光伏组件参数和逆变器参数；
气象数据获取模块：用于所在区域未来预定时间内的气象参数信息以及获取该区域目前实际气象参数信息；
发电量预测模块：通过接收参数设置模块和气象数据获取模块的数据，基于光伏发电量预测模型输出初步预测的光伏发电量；
误差补偿模块：用于将时间段内发电量预测模块输出的初步预测的光伏发电量与实际光伏发电量进行对比，对光伏发电量预测模型重新进行训练和预测,得到新的光伏发电量预测值；
数据存储模块：用于存储光伏组件参数、逆变器参数、气象数据、预测的光伏发电量以及实际的光伏发电量；
结果输出模块：用于输出预定时间内光伏发电量的预测值以及以图表方式输出光伏发电量预测分析报告。
进一步，所述气象参数信息包括气温、风向、风速、降雨量、风沙、太阳辐射总量。
进一步，所述气象数据获取模块通过与气象部门同步获取气象预测数据，同时根据安装在所在区域的气象检测设备获取当前的气象实际数据；基于气象校验模型对气象实际数据和气象预测数据进行分析，输出校正后的气象数据。
进一步，所述气象校验模型基于广义回归神经网络构建，采用训练数据集和验证样本集对模型进行训练和验证，所述气象校验模型为所述预测值和实际值之间的非线性函数关系式。
进一步，所述广义回归神经网络包括输入层、模式层、求和层和输出层；
所述输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层；
所述模式层神经元数目等于学习样本的数目，各神经元对应不同的样本；
所述求和层中使用两种类型神经元进行求和；
所述输出层中的神经元数目等于学习样本中输出向量的维数，各神经元将求和层的输出相除。
进一步，所述发电量预测模块通过对光伏组件参数、逆变器参数以及校正后的气象数据，匹配得到与未来预定时间相匹配的时间段，同时获取各个时间段的光伏实际发电量和相关气象数据；
将匹配的时间段的光伏实际发电量和相关气象数据与校正后的气象数据一起输入光伏发电量预测模型，从而输出初步预测的光伏发电量。
进一步，所述光伏发电量预测模型的构建方法包括：
获取不同时间、不同气象条件下光伏组件的历史发电量，作为样本数据；
采用基于余弦系数的聚类方法将所述样本数据中的异常数据筛除，得到筛除异常数据后的样本数据；
根据所述筛除异常数据后的样本数据中的所述历史天气类型，对所述筛除异常数据后的样本数据进行天气聚类，得到聚类后样本数据；
将所述聚类后样本数据中的所述历史气象数据作为基于蚁群算法优化的神经网络的训练输入，将所述聚类后样本数据中的所述历史发电量数据作为基于蚁群算法优化的BP神经网络的训练输出，训练得到光伏发电量预测模型。
进一步，所述误差补偿模块的工作步骤为：
(1)对原始光伏发电量数据进行预处理,将数据分为训练数据集及测试数据集；
(2)初始化模型参数；
(3)对训练数据集中的数据进行训练,获得对应的输出值,将其与原始数据进行对比得到误差；
(4)对模型的权值和阈值参数进行修整；
(5)看预测结果是否满足结束条件,若不满足跳回到第(1)步,不然继续执行步骤(6)；
(6)模型训练终止,保存权值和阈值；
(7)输入测试样本数据,获得预测序列X；
(8)将所有数据输入进行预测,获取预测序列Y；
(9)将序列Y与实际数据进行比较,获得误差序列；
(10)对误差序列进行归一化处理,同时将其划分为两个部分：训练部分和预测部分；
(11)初始化模型参数，对步骤(10)中得到的训练部分数据进行训练；
(12)循环执行步骤(4)到步骤(7)；
(13)将误差序列的预测样本输入模型,获取全新的误差预测序列；
(14)将预测序列X和全新的误差预测序列叠加得到预测结果。
本发明还保护了一种光伏发电量预测方法，包括以下步骤：
步骤一、设定光伏组件及逆变器参数，实时获取气象信息；
步骤二、发电量预测模块获取上述信息后输出初步预测的光伏发电量；
步骤三、误差补偿模块对初步预测的光伏发电量进行重新训练，得到新的光伏发电量预测值；
步骤四、通过结果输出模块输出预测值以及分析报告。
本发明与现有技术相比较，具有以下有益效果：
1、本发明通过对光伏设备的参数以及气象数据的分析，从而预测光伏发电设备的光伏发电量，为光伏企业的生产和调度提供数据基础，大幅提高企业投运盈利。
2、本发明通过对气象数据进行校验以及误差补偿模块的二次训练，提高光伏发电量预测的准确性。
附图说明
图1为一种光伏发电量预测***的结构原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明所述一种光伏发电量预测***，包括
参数设置模块：用于获取光伏组件参数和逆变器参数；
气象数据获取模块：用于所在区域未来预定时间内的气象参数信息以及获取该区域目前实际气象参数信息；气象参数信息包括气温、风向、风速、降雨量、风沙、太阳辐射总量。
气象数据获取模块通过与气象部门同步获取气象预测数据，同时根据安装在所在区域的气象检测设备获取当前的气象实际数据；基于气象校验模型对气象实际数据和气象预测数据进行分析，输出校正后的气象数据。
气象校验模型基于广义回归神经网络构建，采用训练数据集和验证样本集对模型进行训练和验证，气象校验模型为预测值和实际值之间的非线性函数关系式。
广义回归神经网络包括输入层、模式层、求和层和输出层。输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层；模式层神经元数目等于学习样本的数目，各神经元对应不同的样本；求和层中使用两种类型神经元进行求和；输出层中的神经元数目等于学习样本中输出向量的维数，各神经元将求和层的输出相除。
发电量预测模块：通过接收参数设置模块和气象数据获取模块的数据，基于光伏发电量预测模型输出初步预测的光伏发电量；
发电量预测模块通过对光伏组件参数、逆变器参数以及校正后的气象数据，匹配得到与未来预定时间相匹配的时间段，同时获取各个时间段的光伏实际发电量和相关气象数据；
将匹配的时间段的光伏实际发电量和相关气象数据与校正后的气象数据一起输入光伏发电量预测模型，从而输出初步预测的光伏发电量。
光伏发电量预测模型的构建方法包括：
获取不同时间、不同气象条件下光伏组件的历史发电量，作为样本数据；
采用基于余弦系数的聚类方法将样本数据中的异常数据筛除，得到筛除异常数据后的样本数据；
根据筛除异常数据后的样本数据中的历史天气类型，对筛除异常数据后的样本数据进行天气聚类，得到聚类后样本数据；
将聚类后样本数据中的历史气象数据作为基于蚁群算法优化的神经网络的训练输入，将聚类后样本数据中的历史发电量数据作为基于蚁群算法优化的BP神经网络的训练输出，训练得到光伏发电量预测模型。
误差补偿模块：用于将时间段内发电量预测模块输出的初步预测的光伏发电量与实际光伏发电量进行对比，对光伏发电量预测模型重新进行训练和预测,得到新的光伏发电量预测值。
误差补偿模块的工作步骤为：
(1)对原始光伏发电量数据进行预处理,将数据分为训练数据集及测试数据集；
(2)初始化模型参数；
(3)对训练数据集中的数据进行训练,获得对应的输出值,将其与原始数据进行对比得到误差；
(4)对模型的权值和阈值参数进行修整；
(5)看预测结果是否满足结束条件,若不满足跳回到第(1)步,不然继续执行步骤(6)；
(6)模型训练终止,保存权值和阈值；
(7)输入测试样本数据,获得预测序列X；
(8)将所有数据输入进行预测,获取预测序列Y；
(9)将序列Y与实际数据进行比较,获得误差序列；
(10)对误差序列进行归一化处理,同时将其划分为两个部分：训练部分和预测部分；
(11)初始化模型参数，对步骤(10)中得到的训练部分数据进行训练；
(12)循环执行步骤(4)到步骤(7)；
(13)将误差序列的预测样本输入模型,获取全新的误差预测序列；
(14)将预测序列X和全新的误差预测序列叠加得到预测结果。
数据存储模块：用于存储光伏组件参数、逆变器参数、气象数据、预测的光伏发电量以及实际的光伏发电量；
结果输出模块：用于输出预定时间内光伏发电量的预测值以及以图表方式输出光伏发电量预测分析报告。
综上，本发明所述一种光伏发电量预测***的具体方法，包括以下步骤：
步骤一、设定光伏组件及逆变器参数，实时获取气象信息，气象数据获取模块通过与气象部门同步获取气象预测数据，同时根据安装在所在区域的气象检测设备获取当前的气象实际数据；基于气象校验模型对气象实际数据和气象预测数据进行分析，输出校正后的气象数据；
步骤二、发电量预测模块通过对光伏组件参数、逆变器参数以及校正后的气象数据，匹配得到与未来预定时间相匹配的时间段，同时获取各个时间段的光伏实际发电量和相关气象数据；将匹配的时间段的光伏实际发电量和相关气象数据与校正后的气象数据一起输入光伏发电量预测模型，从而输出初步预测的光伏发电量；
步骤三、误差补偿模块对初步预测的光伏发电量进行重新训练，得到新的光伏发电量预测值；
步骤四、通过结果输出模块输出预测值以及分析报告。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种光伏发电量预测***，其特征在于：包括
参数设置模块：用于获取光伏组件参数和逆变器参数；
气象数据获取模块：用于所在区域未来预定时间内的气象参数信息以及获取该区域目前实际气象参数信息；
发电量预测模块：通过接收参数设置模块和气象数据获取模块的数据，基于光伏发电量预测模型输出初步预测的光伏发电量；
误差补偿模块：用于将时间段内发电量预测模块输出的初步预测的光伏发电量与实际光伏发电量进行对比，对光伏发电量预测模型重新进行训练和预测,得到新的光伏发电量预测值；
数据存储模块：用于存储光伏组件参数、逆变器参数、气象数据、预测的光伏发电量以及实际的光伏发电量；
结果输出模块：用于输出预定时间内光伏发电量的预测值以及以图表方式输出光伏发电量预测分析报告。
2.根据权利要求1所述的一种光伏发电量预测***，其特征在于：所述气象参数信息包括气温、风向、风速、降雨量、风沙、太阳辐射总量。
3.根据权利要求2所述的一种光伏发电量预测***及方法，其特征在于：所述气象数据获取模块通过与气象部门同步获取气象预测数据，同时根据安装在所在区域的气象检测设备获取当前的气象实际数据；基于气象校验模型对气象实际数据和气象预测数据进行分析，输出校正后的气象数据。
4.根据权利要求3所述的一种光伏发电量预测***，其特征在于：所述气象校验模型基于广义回归神经网络构建，采用训练数据集和验证样本集对模型进行训练和验证，所述气象校验模型为所述预测值和实际值之间的非线性函数关系式。
5.根据权利要求4所述的一种光伏发电量预测***，其特征在于：所述广义回归神经网络包括输入层、模式层、求和层和输出层；
所述输入层神经元的数目等于学习样本中输入向量的维数，各神经元是简单的分布单元，直接将输入变量传递给模式层；
所述模式层神经元数目等于学习样本的数目，各神经元对应不同的样本；
所述求和层中使用两种类型神经元进行求和；
所述输出层中的神经元数目等于学习样本中输出向量的维数，各神经元将求和层的输出相除。
6.根据权利要求2所述的一种光伏发电量预测***，其特征在于：所述发电量预测模块通过对光伏组件参数、逆变器参数以及校正后的气象数据，匹配得到与未来预定时间相匹配的时间段，同时获取各个时间段的光伏实际发电量和相关气象数据；
将匹配的时间段的光伏实际发电量和相关气象数据与校正后的气象数据一起输入光伏发电量预测模型，从而输出初步预测的光伏发电量。
7.根据权利要求6所述的一种光伏发电量预测***，其特征在于：所述光伏发电量预测模型的构建方法包括：
获取不同时间、不同气象条件下光伏组件的历史发电量，作为样本数据；
采用基于余弦系数的聚类方法将所述样本数据中的异常数据筛除，得到筛除异常数据后的样本数据；
根据所述筛除异常数据后的样本数据中的所述历史天气类型，对所述筛除异常数据后的样本数据进行天气聚类，得到聚类后样本数据；
将所述聚类后样本数据中的所述历史气象数据作为基于蚁群算法优化的神经网络的训练输入，将所述聚类后样本数据中的所述历史发电量数据作为基于蚁群算法优化的BP神经网络的训练输出，训练得到光伏发电量预测模型。
8.根据权利要求6所述的一种光伏发电量预测***，其特征在于：所述误差补偿模块的工作步骤为：
(1)对原始光伏发电量数据进行预处理,将数据分为训练数据集及测试数据集；
(2)初始化模型参数；
(3)对训练数据集中的数据进行训练,获得对应的输出值,将其与原始数据进行对比得到误差；
(4)对模型的权值和阈值参数进行修整；
(5)看预测结果是否满足结束条件,若不满足跳回到第(1)步,不然继续执行步骤(6)；
(6)模型训练终止,保存权值和阈值；
(7)输入测试样本数据,获得预测序列X；
(8)将所有数据输入进行预测,获取预测序列Y；
(9)将序列Y与实际数据进行比较,获得误差序列；
(10)对误差序列进行归一化处理,同时将其划分为两个部分：训练部分和预测部分；
(11)初始化模型参数，对步骤(10)中得到的训练部分数据进行训练；
(12)循环执行步骤(4)到步骤(7)；
(13)将误差序列的预测样本输入模型,获取全新的误差预测序列；
(14)将预测序列X和全新的误差预测序列叠加得到预测结果。
9.根据权利要求1-8任一项所述的一种光伏发电量预测方法，其特征在于：包括以下步骤：
步骤一、设定光伏组件及逆变器参数，实时获取气象信息；
步骤二、发电量预测模块获取上述信息后输出初步预测的光伏发电量；
步骤三、误差补偿模块对初步预测的光伏发电量进行重新训练，得到新的光伏发电量预测值；
步骤四、通过结果输出模块输出预测值以及分析报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211624633.0A CN115829145A (zh) | 2022-12-16 | 2022-12-16 | 一种光伏发电量预测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211624633.0A CN115829145A (zh) | 2022-12-16 | 2022-12-16 | 一种光伏发电量预测***及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115829145A true CN115829145A (zh) | 2023-03-21 |
Family
ID=85516358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211624633.0A Pending CN115829145A (zh) | 2022-12-16 | 2022-12-16 | 一种光伏发电量预测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115829145A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116454882A (zh) * | 2023-06-13 | 2023-07-18 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
| CN116720631A (zh) * | 2023-08-09 | 2023-09-08 | 深圳市洛丁光电有限公司 | 一种分布式光伏发电电量分析预测方法、***及存储介质 |
-
2022
- 2022-12-16 CN CN202211624633.0A patent/CN115829145A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116454882A (zh) * | 2023-06-13 | 2023-07-18 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
| CN116454882B (zh) * | 2023-06-13 | 2023-08-25 | 天津福天科技有限公司 | 一种基于机器视觉预测体的光伏发电预测方法 |
| CN116720631A (zh) * | 2023-08-09 | 2023-09-08 | 深圳市洛丁光电有限公司 | 一种分布式光伏发电电量分析预测方法、***及存储介质 |
| CN116720631B (zh) * | 2023-08-09 | 2023-12-19 | 深圳市洛丁光电有限公司 | 一种分布式光伏发电电量分析预测方法、***及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ramsami et al. | A hybrid method for forecasting the energy output of photovoltaic systems | |
| CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| CN106779223B (zh) | 一种光伏***发电功率实时预测方法及装置 | |
| CN107944604B (zh) | 一种用于光伏功率预测的天气类型识别方法和装置 | |
| CN115829145A (zh) | 一种光伏发电量预测***及方法 | |
| CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
| CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
| CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| Kolhe et al. | GA-ANN for short-term wind energy prediction | |
| CN104408562A (zh) | 一种基于bp神经网络的光伏***发电效率综合评估方法 | |
| CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
| CN109376863A (zh) | 基于miv-bp神经网络的光伏功率短期分类预测方法 | |
| CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
| CN113361737A (zh) | 一种光伏组件的异常预警方法及*** | |
| CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
| CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
| CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
| CN105205572A (zh) | 基于EMD分解和Elman算法的光伏出力预测方法 | |
| CN111798055A (zh) | 基于灰色关联度的变权重组合光伏出力预测方法 | |
| CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
| Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
| CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
| CN114692937A (zh) | 一种基于主变负载影响因素预测的主变负载预测方法 | |
| Jianli et al. | Wind power forecasting by using artificial neural networks and Grubbs criterion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |