[发明专利]一种光伏功率预测方法

说明书

技术领域

本发明涉及一种光伏发电设备的输出功率预测方法。 

背景技术

太阳能光伏发电作为一种重要的分布式电源正逐渐从独立系统向大规模并网方向逐渐被人们所利用。但是由于光伏发电受太阳辐射强度、电池组件、温度、天气云层和一些随机的因素的影响，系统运行过程是一个非平衡的随机过程，其发电量和输出电功率随机性强、波动大且不易控制，在天气突变时表现得尤为突出。这种发电方式在接入电网后必会对电网的安全和管理带来一系列的问题。所以能较为准确的提前对光伏系统的发电效率做出预测显得尤为重要，同时也为电网的调度及安全运行提供了依据。 

目前对太阳能发电具有随机性的预测技术研究并不多，现有的预测模型包括神经网络模型、径向基函数模型和多层感知模型等。神经网络模型算法进行短期负荷预测，常用的是简单的三层ANN模型，主要思路为将历史数据及对电力负荷影响最大的几种因素作为输入量人工神经网络，经过输入层、隐含层和输出层中各种神经元的作用最后生成输出量，再以误差为目标函数对网络权值进行不断地修正直至误差达到要求，经训练后的网络就可以进行预测光伏组件的输出功率。其可以较好的解决天气和温度等因素与负荷的对应关系，因此是目前较为常见的一种预测方法。 

但是，目前的神经网络模型只能将预测误差控制在20%左右，根据该预测结果进行电网调度，仍旧存在很大的电力浪费。并且在一个预测周期内，通过神经网络模型预测时不可避免的会出现数个离群值，极大的偏离实际值，这就给电网安全带来了安全隐患。 

鉴于此，需要一种能够减小误差，提高预测准确度并且可以消除离群值的光伏组件输出功率的预测方法。 

发明内容

本发明的目的在于提高一种可以显著提高光伏组件输出功率预测值的准确性，控制误差范围，并消除离群值的预测方法。 

为了实现上述目的，本发明所采用的技术方案为： 

本发明采用物理模型预测、环境因素的神经网络预测和滚动神经网络预测分别进行预测，以物理模型预测的功率值为P0、环境因素的神经网络预测的功率值为P1、滚动神经网络预测的功率值为P2、最终预测的功率输出值为P，则：

若P1>P0且P2>P0，则P=P0；

若P1>P0>P2，则P=P2；

若P2>P0>P1，则P=P1；

若P1<P0且P2<P0，则P=(P1+P2)/2。

进一步的，本发明所述的物理模型预测中根据光伏组件性能参数及监测变量，采用如下公式计算预测的电流值（I）： 

                                     （1-16）

                                      （1-17）

                    （1-18）

 （1-19）

       （1-20）

                                    （1-21）

                                     （1-22）

                               （1-23）

                                       （1-24）

 （1-25）

          （1-26）

          （1-27）

其中T^*为光伏电池温度，单位为K；

T_tair为检测的环境温度，单位为K；

K为光照强度变化时光伏电池温度系数；

T_q为天气状况指数；

Z为空气质量指数；

T_ref为参考温度，单位为℃；

S为光照强度指数，单位为；

S_ref为标准状况下光照强度，为1000 ；

A 为温度补偿系数；

B 为光照强度补偿系数；

C 为温度补偿系数；