光伏功率预测系统

摘要

本发明公开了一种光伏功率预测系统，要解决的技术问题是准确预测光伏发电站的光伏发电功率，保障电力系统的安全稳定运行。本发明的光伏功率预测系统，设有数据采集模块、天气预报模块、数据库和预测模块，预测模块预测发电功率包括以下步骤：分类、模型训练、预测结果。本发明与现有技术相比，根据实时天气数据和实时发电数据，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，准确预测光伏发电站的光伏发电功率，保障电力系统的安全、稳定、优化运行，并且光伏功率预测系统的运行维护难度小，容易操作，成本低。

主权项

一种光伏功率预测系统，其特征在于：所述光伏功率预测系统设有数据采集模块、天气预报模块、数据库和预测模块；所述数据采集模块从光伏发电站监控系统获得实时天气数据和实时发电数据，存入数据库；所述天气预报模块从天气预报供应商处获得数值天气预报数据，存入数据库；所述数据库向预测模块发送原始采样数据，接收并存储以下数据：数据采集模块发送来的实时天气数据和实时发电数据，天气预报模块发送来的数值天气预报数据，预测模块发送来的预测发电功率数据；所述预测模块从数据库提取最近15个样本日和预测日的辐照度特征，用K均值聚类算法获得与预测日特征最相近的数个样本日，使用所述数个样本日的数据进行BP神经网络模型的训练，采用训练完成的预测模型，计算得到短期和超短期预测发电功率数据，将预测发电功率数据存入数据库；所述辐照度特征为：晴朗系数、散射辐照度比例、辐照度变化趋势和辐照度方差；预测模块预测发电功率包括以下步骤：一、分类预测模块使用从样本日和预测日提取的辐照度特征，得到辐照度特征向量F：F＝[K₁,K₂,K₃,V]K₁为晴朗系数，K₂为散射辐照度比例，K₃为辐照度变化趋势，V为辐照度方差，对K₁、K₂、K₃和V变量进行归一化计算：$x^{*}=\frac{x-x_{min}}{x_{max}-x_{min}}$x分别为变量K₁、K₂、K₃和V，x_min为x的最小值，x_max为x的最大值，使用欧氏距离作为特征向量相似性衡量标准，分别为对应变量的归一化值，按K均值聚类算法,将最近15个样本日和预测日分为3个聚类，与预测日在同一个聚类内的样本日为相似日；二、模型训练预测模块用相似日实时天气数据的采样值数据样本归一化计算后的值作为天气数据的样本集，以天气数据X＝[G_g,G_f,T,H,W,A]作为输入i，其中，G_g为地表总辐照度，G_f为地表散射辐照度，T为环境温度，H为相对湿度，W为平均风速，A为气压；以发电功率P作为输出k，对3层6×11×1的BP神经网络进行训练，获得各层间的权值；三、预测结果预测模块用预测日的数值天气预报数据作为预测天气数据X，以预测天气数据X＝[G_g,G_f,T,H,W,A]作为输入，采用训练好的BP神经网络模型，计算获得预测发电功率P数据,存入数据库。