基于相似日特征分類與極端學習機的光伏發電功率短期預報方法，屬于光伏電站發電技術領域，用于光伏發電系統的輸出功率預報。本發明專利技術包括以下幾個方面：(1)以公共氣象預報網的氣象數據為基礎，根據季節、日類型等氣象特征、光伏發電功率特征對氣象數據、光伏發電系統發電量進行相似日特征分類；(2)以基于極端學習機算法的單隱層神經網絡為預報模型，將選取的相似日數據作為訓練樣本，訓練極端學習機算法中的單隱層神經網絡(3)最后再將預測日最相近的相似日預測時段的已知發電量序列、最高氣溫、最低氣溫以及預測日預測時段的最高氣溫、最低氣溫作為神經網絡輸入，預測出光伏電站未來3小時的發電功率。本算法對設備需求較小，預測模型對區域的針對性強。且易于實現，精確度高。
【技術實現步驟摘要】
基于相似日特征分類與極端學習機的光伏發電功率短期預 報方法
本專利技術屬于太陽能光伏發電
，是一種光伏發電功率短期預報方法。
技術介紹
太陽能光伏發電具有能量密度低、間歇性、不確定等特征，特別是輸出功率與氣象 條件密切相關，使得其發電特性與常規電力具有很大區別。光伏發電并網接入是光伏發電 實現大規模高效利用的重要形式。由于光伏發電的間歇性、不確定性和不可控性，當大規 模、大容量的光伏發電系統接入電網，對公共電網的安全運行帶來重大挑戰。為此，若能較 準確地預測光伏發電系統的發電功率，對于光伏發電系統并網接入運行的安全性和穩定 性，以及電網經濟調度具有重要意義，可促進電網對這類不穩定能源的接納和消化，減輕光 伏發電系統輸出功率的不確定性對公共電網的影響具有重要意義。在此提出的光伏發電功 率預報，是基于公共氣象網提供的氣象數據、光伏發電系統發電功率數據等，通過數據特征 分類和基于極端學習機算法神經網絡技術實現光伏發電功率短期預報。通過光伏發電功率的數據分析發現，在同類型天氣條件下，光伏發電功率在大部 分天數中呈現相近的變化規律。以日預報氣象數據、光伏發電系統的日發電功率數據，分別 建立日氣象特征相似度和日發電功率形狀相似度，構建相似日綜合判斷函數，選取出來的 相似日可以直接對預測日的發電功率從進行預測，也可以作為其它算法的輸入變量來進行 預測。極端學習機(Extreme Learning Machine,簡稱ELM)算法對傳統的單隱層前饋神 經網絡進行了很好的完善通過對網絡內權值與閾值的隨機選取，將參數訓練問題轉換為 不相容線性方程組的求解問題，然后利用摩爾-彭羅斯(Moore-PeniOse)廣義逆矩陣理論， 解析求得該方程組的最小二乘解作為網絡權值參數。這樣可以很好地克服傳統神經網絡存 在的訓練時間長、過擬合等問題。
技術實現思路
本專利技術針對公共氣象預報數據、光伏發電功率數據的特點，提出了一種光伏發電 功率短期預測方法。該光伏發電功率預測方法包括如下步驟步驟一已有歷史數據的初步篩選確定相似日步驟二 通過計算確定相似日；步驟三極端學習機神經網絡參數確定；步驟四預測實際發電功率，并計算預測精度。作為一種改進，所述的步驟一包括以下步驟①將歷史發電功率根據季節、氣候進行歸類，同時將日類型分為晴、雨、多云；②依據氣象臺預報，獲取預測日預測時段的氣候類型、溫度、大氣壓、濕度、風速；③根據季節和天氣類型的氣象參數初步篩選相似日。作為一種改進，所述的步驟二包括以下步驟①設預測日氣象特征序列溫度、大氣壓、濕度、風速為xik，歷史氣象特征序列為 X1k，通過公式(I)計算日特征差異度權利要求1.，其特征是該方法包括以下步驟 步驟一已有歷史數據的初步篩選確定相似日 步驟二 通過計算確定相似日； 步驟三極端學習機神經網絡參數確定； 步驟四預測實際發電功率，并計算預測精度。2.根據權利要求1所述的，其特征是所述的步驟一包括以下步驟 ①將歷史發電功率根據季節、氣候進行歸類，同時將日類型分為晴、雨、多云； ②依據氣象臺預報，獲取預測日預測時段的氣候類型、溫度、大氣壓、濕度、風速； ③根據季節和天氣類型的氣象參數初步篩選相似日。3.根據權利要求1或2所述的，其特征是所述的步驟二包括以下步驟 ①設預測日氣象特征序列溫度、大氣壓、濕度、風速為xik，歷史氣象特征序列為，通過公式(I)計算日特征差異度4.根據權利要求1或2所述的，其特征是所述的步驟三包括以下步驟 將相似日數據組按日期排序，取相鄰2組數據放入神經網絡，日期較早的一組作為模擬輸入量，日期較晚一組用于和神經網絡輸出對比的模擬實際值，輸入變量為X(xi，x2，. . ·，Xn)，其中X1, X2,...，Xn-S為相似日對應時段內的N-5個發電功率，xn_4，xn_3，...，Xn分(N >5)別為上一相似日中的最高氣溫和最低氣溫、模擬預測日的最高氣溫和最低氣溫以及模擬預測日天氣類型指標，對應的輸出O = (o1； O2, , Offl)為預測日對應時段發電功率的預測值；極端學習機訓練神經網絡，得到最優網絡權值β。5.根據權利要求3所述的，其特征是所述的步驟三包括以下步驟 將相似日數據組按日期排序，取相鄰2組數據放入神經網絡，日期較早的一組作為模擬輸入量，日期較晚一組用于和神經網絡輸出對比的模擬實際值，輸入變量為Χ(χι，χ2，.. ·，Xn)，其中X1, X2,...，Xn-S為相似日對應時段內的N-5個發電功率，xn_4，xn_3，...，Xn分(N >5)別為上一相似日中的最高氣溫和最低氣溫、模擬預測日的最高氣溫和最低氣溫以及模擬預測日天氣類型指標，對應的輸出O = (o1； O2, , Offl)為預測日對應時段發電功率的預測值；極端學習機訓練神經網絡，得到最優網絡權值β。6.根據權利要求1或2所述的，其特征是所述的步驟四包括以下步驟 ①將實際預測日的最高、最低氣溫，天氣類型參數以及與預測日日期最相近的一組相似日對應時段發功率數據作為輸入變量放入神經網絡中，得到實際預測日的預測發電功率值； ②將實際發電功率值與預測值做比較，計算預測精度7.根據權利要求3所述的，其特征是所述的步驟四包括以下步驟 ①將實際預測日的最高、最低氣溫，天氣類型參數以及與預測日日期最相近的一組相似日對應時段發功率數據作為輸入變量放入神經網絡中，得到實際預測日的預測發電功率值； ②將實際發電功率值與預測值做比較，計算預測精度8.根據權利要求3所述的，其特征是所述的步驟四包括以下步驟 ①將實際預測日的最高、最低氣溫，天氣類型參數以及與預測日日期最相近的一組相似日對應時段發功率數據作為輸入變量放入神經網絡中，得到實際預測日的預測發電功率值； ②將實際發電功率值與預測值做比較，計算預測精度9.根據權利要求4所述的，其特征是所述的步驟四包括以下步驟 ①將實際預測日的最高、最低氣溫，天氣類型參數以及與預測日日期最相近的一組相似日對應時段發功率數據作為輸入變量放入神經網絡中，得到實際預測日的預測發電功率值； ②將實際發電功率值與預測值做比較，計算預測精度10.根據權利要求5所述的，其特征是所述的步驟四包括以下步驟 ①將實際預測日的最高、最低氣溫，天氣類型參數以及與預測日日期最相近的一組相似日對應時段發功率數據作為輸入變量放入神經網絡中，得到實際預測日的預測發電功率值； ②將實際發電功率值與預測值做比較，計算預測精度全文摘要，屬于光伏電站發電
，用于光伏發電系統的輸出功率預報。本專利技術包括以下幾個方面(1)以公共氣象預報網的氣象數據為基礎，根據季節、日類型等氣象特征、光伏發電功率特征對氣象數據、光伏發電系統發電量進行相似日特征分類；(2)以基于極端學習機算法的單隱層神經網絡為預報模型，將選取的相似日數據作為訓練樣本，訓練極端學習機算法中的單隱層神經網絡(3)最后再將預測日最相近的相似日預測時段的已知發電量序列、最高氣溫、最低氣溫以及預測日預測時段的最高氣溫、最低氣溫作為神經網絡輸入，預測出光伏電站未來3小時的發電功率。本算法對設備需求較小，預測模型對區域的針對性強。且易于實現，精確度高。文檔編號G06Q10/04GK102999786SQ201210本文檔來自技高網...
【技術保護點】
基于相似日特征分類與極端學習機的光伏發電功率短期預報方法，其特征是該方法包括以下步驟：步驟一：已有歷史數據的初步篩選確定相似日：步驟二：通過計算確定相似日；步驟三：極端學習機神經網絡參數確定；步驟四：預測實際發電功率，并計算預測精度。
【技術特征摘要】
【專利技術屬性】
技術研發人員：劉士榮，張曉東，姜碧光，胡浙東，吳舜裕，李松峰，
申請(專利權)人：浙江埃菲生能源科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。