[发明专利]一种基于小波变换和小波神经网络的光伏电站短期功率预测方法

说明书

本发明涉及一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，包括步骤：选取与光伏功率最为相关的四种气象参数作为模型的输入；对待预测日之前的设定天数历史数据进行处理，作为训练数据集；使用小波变换将训练数据集中的历史数据均分解为稳态分量和非稳态分量；采用小波神经网络对训练数据集进行学习，针对稳态分量和非稳态分量分别训练对应的小波神经网络模型，并用随机梯度下降法调整网络的参数；将待预测日的NWP气象参数归一化并使用小波变换分解为稳态分量和非稳态分量，然后将之作为对应模型的输入，得出各个预测的功率值分量，各功率分量求和并反归一化即为预测的最终功率值。本发明能够有效提高短期功率的预测精度。

技术领域

本发明涉及光伏电站功率预测技术领域，特别是一种基于小波变换和小波神经网络的光伏电站短期功率预测方法。

背景技术

大规模、无节制地开采化石燃料使得这些宝贵的资源快速地衰竭，同时还引起了雾霾、酸雨和温室效应等严峻的环境问题，随着全球能耗的快速增长，环境将进一步恶化，为解决能源与环境问题，有必要节能减排，大力开发新能源，走可持续发展的低碳道路。新能源之中以太阳能最受瞩目，根据中国光伏行业协会提供的数据，2019年我国新增光伏并网装机容量达到30.1GW，累计光伏并网装机量达到204.3GW。2019年全年光伏发电量2242.6亿千瓦时，同比增长26.3％，占我国全年总发电量的3.1％，同比提高0.5个百分点。

但是凡事有利必有弊，光伏发电也不是十全十美的，太阳能具有波动性强、随机性大的特点，将光伏所发的电输入电网中势必会引起电网的电压有所波动，这将不利于用电器的工作，波动过大时甚至会导致用电器损坏，为了缓解这一问题，有学者提出了可以利用光伏功率预测的方法，提前制定电网的调配计划，以达到稳定电网的目的。

目前，各种各样的光伏功率预测方法如雨后春笋般涌现，依据所使用的方法，可以将其分为两大类：白盒模型和黑盒模型。白盒模型从物理原理出发，研究光生电背后的物理原理，从而导出气象参数与光伏功率之间的表达式，这种方式能够在电站实际构建之前就得到未来发电功率的估计值，但是由于需要嵌套多层复杂的物理公式以及大量的模型参数设置依赖于专家经验，更糟的是这些辛苦设置的模型参数与光伏电站所使用的光伏电池种类以及电站的结构密切相关，换了另外一个电站又需要重新设置，因而开发难度较大，泛化能力差，精度也比较一般；黑盒模型则是基于数据驱动，在光伏电站建立并运行一段时间后，使用黑盒模型学习电站记录下的气象参数和功率数据，模型能够自动学到最佳的匹配参数，无需人工调整，这大大减少了建模难度。近年来，随着大数据技术和人工智能的发展，黑盒模型的性能有了质的飞跃，大量的实验表明，基于人工智能技术的黑盒模型具有开发难度小，泛化能力强，精度高的优点。

目前，公开发表的文献及专利中尚未见有将小波变换和小波神经网络结合用于预测光伏电站输出功率的研究。

发明内容

有鉴于此，本发明的目的是提出一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，从而提高光伏电站短期功率预测的精度。

本发明采用以下方案实现：一种基于小波变换和小波神经网络的光伏电站短期功率预测方法，具体包括以下步骤：

使用相关系数分析影响光伏功率的气象参数，最后选取与光伏功率最为相关的四种气象参数作为模型的输入；

对待预测日之前的设定天数的历史数据进行处理，剔除异常值和黑夜的值，然后对历史功率和历史气象参数进行归一化处理，将其作为训练数据集；

使用小波变换将训练数据集中的历史功率数据和历史气象数据均分解为稳态分量和非稳态分量；

采用小波神经网络对经小波变换后的训练数据集进行学习，针对稳态分量和非稳态分量分别训练对应的小波神经网络模型，即稳态部分的功率由稳态部分的气象参数来进行预测，非稳态部分的功率由非稳态部分的气象参数来进行预测，并用随机梯度下降法调整网络的参数；