[发明专利]一种多预测模式的风电光伏发电功率预测系统

说明书

技术领域

本发明涉及风电场功率预测、光伏发电场功率预测、微电网功率预测，本发明特别涉及一种多预测模式的风电光伏一体化发电功率预测系统，属于风电光伏发电技术领域。

背景技术

风电光伏一体化发电功率预测系统通过分析风速、风向、温度、湿度等因素对风电场输出功率的影响，以及太阳辐射、温度、云量、风速等因素对光伏电站输出功率的影响，结合数值天气预报数据进行分析计算；根据实际运行情况及地形特点，对每个风电场建立风电功率预测模型，对每个光伏电站建立光伏功率预测模型。最终形成风电光伏一体化发电功率预测系统。

在风电或者光伏电场投运的前期往往是缺少历史气象数据的，而历史的功率数据基本上要在投运后数周后才能开始积累并作为有效的数据。因此在投运后的一段时间内，功率预测是无法通过人工智能算法来实现的。

然而在实际运行中发现各类人工智能算法都有一定的局限性，例如，自适应逻辑网络ALN对历史数据的完整性要求较高，而我国很少有风电场或光伏电站在投运前具有完备的历史数据；而BP神经网络的缺点在于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间。对于一些复杂问题，BP神经网络算法需要的训练时间可能非常长。通过实验分析可以发现ALN算法更适合风电功率预测，而通过BP神经网络算法预测的光伏功率预测准确率更高。

发明内容

本发明所要解决的技术问题的目的在于为风电、光伏、微电网等新能源领域提供较高效较高精度的功率预测数据。

为解决上述技术问题，本发明提供一种多预测模式的风电光伏发电功率预测系统，其特征在于：包括以下功能模块：

数值天气预测（NWP）数据采集模块：输入数值天气预报数据作为预测算法的基础数据；

预测模式选择模块：用于选择合适的预测算法对风电场或光伏电场进行功率预测；

预测算法模块：用于对风电场或光伏电场进行功率预测，包括物理模型、自适应逻辑网络算法模型、BP神经网络模型；

预测结果存储模块：对预测算法模块预测的结果数据进行存储。

所述预测模式选择模块首先检查人工智能算法模型是否存在，如果不存在则使用物理模型预测功率；如果存在人工智能算法模型文件，则获取数值天气预报数据，如果获取数值天气预报数据失败则仍然采用物理模型预测功率，如果数值天气预报数据可用，则通过匹配的人工智能算法模型预测功率数据。

所述预测模式选择模块中，选择某种人工智能算法模型，通过比较各种人工智能算法模型与实际功率的均方误差来决定的，具体过程为：导入一个月内的预测结果数据和相对应实时输入的功率数据，计算各人工智能算法模型的均方误差，比较各均方误差，最小均方误差的相对应的人工智能算法模型为匹配的人工智能算法模型，均方误差E_rms的计算方法为：

其中E_rms为均方误差；P_Mi为i时刻的实际功率；

P_Pi为i时刻的预测功率；Cap为风电场的开机总容量；n为样本个数。

本发明所达到的有益效果

本发明公开了一种多预测模式的风电光伏一体化功率预测系统，包括自适应逻辑网络算法（ALN）、BP神经网络等多种人工智能算法和普通映射关系的物理模型算法。多预测模式的预测系统可以保证系统在缺乏历史数据以及数据缺失的情况下的功率预测。

本发明结合了自适应逻辑网络算法（ALN）、BP神经网络等多种人工智能算法的优点以及普通的物理模型算法的优点。在预测系统投运的初期、或者NWP数据中断的情况下通过物理模型算法，不需要历史数据的支持。在预测系统投运稳定后，可采用人工智能算法，人工智能算法预测准确度高，建模过程相对简单，模型计算速度快。

附图说明

图1是本系统的预测流程图；

图2是预测模式选择模块流程图；

图3是多种模式人工智能算法建模过程示意图。

具体实施方式

本发明的预测系统包括以下功能模块：

数值天气预测（NWP）数据采集模块：输入数值天气预报数据作为预测算法的基础数据；

预测模式选择模块：用于选择合适的预测算法对风电场或光伏电场进行功率预测；

预测算法模块：用于对风电场或光伏电场进行功率预测，包括物理模型、自适应逻辑网络算法模型、BP神经网络模型；

预测结果存储模块：对预测算法模块预测的结果数据进行存储。