[发明专利]一种太阳能光伏发电出力预测方法

摘要

本发明公开了一种太阳能光伏发电出力预测系统及预测方法，系统其包括2个以上的信息采集及处理单元和工控机；预测方法包括将信息采集及处理单元分别设置于对应的监测点；采集信息；信息采集子单元获取信息，生成IEC61850报文；工控机接收报文，并得到预测值；其有益效果是：本发明可对太阳能电厂发电功率进行预测，降低成本，极大提高气象数据的可靠性，同时增加了气象信息的来源，有效的提高光伏出力的预测精度，有较好的实用价值。

主权项

1.一种太阳能光伏发电出力预测方法，其特征在于包括如下步骤：/n(1)建立太阳能光伏发电出力预测系统，它包括2个以上的信息采集及处理单元和工控机；所述信息采集及处理单元包括温度传感器、太阳辐射传感器、湿度传感器、位置传感器、信息采集子单元和合并子单元；/n所述温度传感器、太阳辐射传感器、湿度传感器和位置传感器的输出端分别通过光缆接所述信息采集子单元的相应输入端；所述信息采集子单元的输出端接所述合并子单元的相应输入端；所述合并子单元的输出端通过光纤网络与所述工控机的相应端口相连接；/n信息采集子单元的型号为S7-200CPU224；所述合并子单元的型号为UDM-502-G；所述工控机的型号为PCX-9540；/n所述太阳辐射传感器的型号为PH-TBQ；所述湿度传感器的型号为SD-05；所述位置传感器的型号为WYDC；所述温度传感器的型号为T-100；/n(2)将所述2个以上的信息采集及处理单元分别设置于对应的监测点u；其中u＝1,2，…，n，n为大于等于2的整数；/n(3)所述温度传感器、太阳辐射传感器、湿度传感器和位置传感器分别采集大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息；/n(4)所述信息采集子单元获取所述大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息，并按IEC61850规约将所述大气温度信息、太阳辐射强度信息、大气湿度信息和监测点位置信息生成IEC61850报文；/n(5)所述合并子单元将各监测点的IEC61850报文按IEC61850规约生成IEC61850总体报文；/n(6)所述工控机基于CAN协议通过外设接口接收所述IEC61850总体报文，并利用克里格-卡尔曼-BP神经网络算法得到太阳能光伏发电出力超短期预测值；/n所述克里格-卡尔曼-BP神经网络算法具体步骤如下：/n(6-1)设定预测点，进行预测点属性估计值计算；/n所述工控机的下位机将所述IEC61850总体报文进行解析，利用克里格插值法计算预测点的环境温度属性估计值T₀、太阳辐射强度属性估计值I₀和大气湿度属性估计值H₀，具体步骤如下：/na.计算预测点的环境温度属性估计值T₀，其表达式为/n /n在(式1)中，T_u为监测点u的环境温度；W_u为监测点u相对于预测点的空间关联系数，其求解表达式为/n /n在(式2)中，γ(h_uv)为监测点u和监测点v之间的半变异值，h_uv为监测点u和监测点v之间的距离，γ(h_u0)为监测点u与预测点之间的半变异值，λ为拉格朗日系数，引入的目的是使得估算误差变小；/n半变异值γ(h_uv)采用高斯模型计算，计算公式如下：/n /n在(式3)中，C₀为块金值，C₀+C为基台值，a为变程，h_u0为监测点u与预测点之间的距离；/n计算h_uv的表达式为：/n /n(式4)中，(x_u,y_u)(x_v,y_v)为上述位置传感器采集的监测点u和监测点v的位置坐标；/nb.计算预测点太阳辐射强度属性估计值I₀，其表达式为/n /n在(式5)中，I_u为监测点u观测到的太阳辐射强度；/nc.计算预测点大气湿度属性估计值H₀，其表达式为/n /n在(式6)中，H_u为监测点u观测到的大气湿度；/n(6-2)预测点属性值预测/n利用卡尔曼方法计算预测点大气温度属性预测值T₀′、太阳辐射强度属性预测值I₀′和大气湿度属性预测值H₀′；/na.计算预测点大气温度属性预测值T₀′：/n①采用下述公式计算大气温度属性预测值：/nT_0(k+1)/k＝F_kT_0k+q_k (式7)/n在(式7)中，T_0(k+1)/k为k+1时刻大气温度属性预测值，T_0k为k时刻大气温度属性估计值，F_k为状态转移系数，q_k为过程噪声，q_k为预先选定的服从高斯分布的序列；/n②采用下述公式计算大气温度属性预测误差协方差：/nP_k+1/k＝P_k+Q_k (式8)/n在(式8)中，P_k+1/k为k+1时刻向前推算的大气温度属性预测误差协方差，P_k为k时刻大气温度属性误差协方差，Q_k为过程噪声的方差；/n③采用下述公式计算卡尔曼增益：/nK_k+1＝P_k+1/k(P_k+1+R_k+1)^-1 (式9)/n在(式9)中，K_k+1为卡尔曼增益，P_k+1/k为k+1时刻向前推算的大气温度属性预测误差协方差，P_k+1为k+1时刻大气温度属性误差协方差，R_k+1为k+1时刻测量噪声的方差；/n④采用下述公式更新大气温度属性值估计：/nT_0k+1＝T_0(k+1)/k+K_k+1(T_k+1-T_0(k+1)/k-r_k) (式10)/n在(式10)中，T_0k+1为k+1时刻大气温度属性估计值，T_0(k+1)/k为k+1时刻大气温度属性预测值，K_k+1为卡尔曼增益，T_k+1为k+1时刻预测点大气温度测量值，r_k为k时刻的大气温度测量噪声，所述大气温度测量噪声为预先选定的服从高斯分布的噪声序列；/n⑤采用下述公式计算更新大气温度属性预测误差协方差：/n /n在(式11)中，为k+1时刻大气温度属性误差协方差估计值，K_k+1为卡尔曼增益，P_k+1/k为k+1时刻向前推算的大气温度属性预测误差协方差；/n每个时刻输入该时刻的大气温度属性的测量值和大气温度属性的估计值，并采用上一时刻的信息依次进行(式7)～(式11)的计算，就可以得到下一时刻的大气温度属性预测值，记作T₀′；/nb.预测点太阳辐射强度属性预测值I₀′：/n①采用下述公式计算太阳辐射强度属性预测值：/nI_0(k+1)/k＝F′_kI_0k+q′_k (式12)/n(式12)中，I_0(k+1)/k为k+1时刻太阳辐射强度属性预测值，I_0k为k时刻太阳辐射强度属性估计值，F′_k为状态转移系数，q′_k为用于太阳辐射强度属性预测场景的过程噪声，即是为进行太阳辐射强度属性预测而预先选定的服从高斯分布的序列；/n②采用下述公式计算太阳辐射强度属性预测误差协方差：/nP′_k+1/k＝P′_k+Q′_k (式13)/n(式13)中，P′_k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差，P′_k为k时刻太阳辐射强度属性误差协方差，Q′_k为过程噪声的方差；/n③采用下述公式计算卡尔曼增益：/nK′_k+1＝P′_k+1/k(P′_k+1+R′_k+1)^-1 (式14)/n(式14)中，K′_k+1为卡尔曼增益，P′_k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差，P′_k+1为k+1时刻太阳辐射强度属性误差协方差，R′_k+1为k+1时刻测量噪声的方差；/n④采用下述公式更新太阳辐射强度属性值估计：/nI_0k+1＝I_0(k+1)/k+K′_k+1(I_k+1-I_0(k+1)/k-r′_k) (式15)/n(式15)中，I_0k+1为k+1时刻太阳辐射强度属性估计值，I_0(k+1)/k为k+1时刻太阳辐射强度属性预测值，K′_k+1为卡尔曼增益，I_k+1为k+1时刻预测点太阳辐射强度测量值，r′_k为k时刻的太阳辐射强度属性值测量噪声；所述太阳辐射强度属性值测量噪声为预先选定的服从高斯分布的噪声序列；/n⑤采用下述公式计算更新太阳辐射强度属性预测误差协方差：/n /n(式16)中，为k+1时刻太阳辐射强度属性误差协方差估计值，K′_k+1为卡尔曼增益，P′_k+1/k为k+1时刻向前推算的太阳辐射强度属性预测误差协方差；/n根据前一时刻的信息依次进行(式12)～(式16)的计算，就可以得到下一时刻的太阳辐射强度属性预测值，记作I₀′；/nc.根据下述方法计算预测点大气湿度属性预测值H₀′：/n①采用下述公式计算大气湿度属性预测值：/nH_0(k+1)/k＝F″_kH_0k+q″_k (式17)/n(式17)中，H_0(k+1)/k为k+1时刻大气湿度属性预测值，H_0k为k时刻大气湿度属性估计值，F″_k为状态转移系数，q″_k为用于大气湿度属性预测场景的过程噪声，即是为进行大气湿度属性预测而预先选定的服从高斯分布的序列；/n②采用下述公式计算大气湿度属性预测误差协方差：/nP″_k+1/k＝P″_k+Q″_k (式18)/n(式18)中，P″_k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差，P″_k为k时刻大气湿度属性误差协方差，Q″_k为过程噪声的方差；/n③采用下述公式计算卡尔曼增益：/nK″_k+1＝P″_k+1/k(P″_k+1+R″_k+1)^-1 (式19)/n(式19)中，K″_k+1为卡尔曼增益，P″_k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差，P″_k+1为k+1时刻大气湿度属性误差协方差，R″_k+1为k+1时刻测量噪声的方差；/n④采用下述公式更新大气湿度属性值估计：/nH_0k+1＝H_0(k+1)/k+K″_k+1(H_k+1-H_0(k+1)/k-r″_k) (式20)/n(式20)中，H_0k+1为k+1时刻大气湿度属性估计值，H_0(k+1)/k为k+1时刻大气湿度属性预测值，K″_k+1为卡尔曼增益，H_k+1为k+1时刻预测点大气湿度测量值，r″_k为k时刻的测量噪声，为预先选定的服从高斯分布的序列；/n⑤采用下述公式计算更新大气湿度属性预测误差协方差：/n /n(式21)中，为k+1时刻大气湿度属性误差协方差估计值，K″_k+1为卡尔曼增益，P″_k+1/k为k+1时刻向前推算的大气湿度属性预测误差协方差；/n根据前一时刻的信息依次进行(式17)～(式21)的计算，就可以得到下一时刻的大气湿度属性预测值，记作H₀′；/n(6-3)太阳能光伏发电出力预测/n采用单隐层BP神经网络方法进行太阳能光伏发电出力超短期预测，将上述计算得到的预测点环境温度属性预测值T₀′、太阳辐射强度属性预测值I₀′、大气湿度属性预测值H₀′作为输入层变量，并利用太阳能电厂历史发电数据进行训练，得到太阳能光伏发电厂出力预测值。/n