基于神經網絡、小波分解光伏電站功率預測方法、系統的制作方法
【技術領域】
[0001] 本發明設及能源領域，特別是指一種基于神經網絡、小波分解光伏電站功率預測 方法、系統。
【背景技術】
[0002] 太陽能光伏發電是利用太陽能電池的光伏效應將太陽福射能直接轉換為電能的 一種發電形式。目前，化石能源短缺、環境污染嚴重和全球氣候變化等問題日益突出，世界 能源發展呈現出清潔化、低碳化、高效化的新趨勢。我國太陽能資源與美國相近，比歐洲、日 本優越得多，具有的開發潛力極其廣闊，近年來更是進入高速發展時期，成為了新的增長 點。太陽能的開發利用符合我國能源發展戰略、實現電力可持續發展、電力結構調整和環境 保護的需要。我國未來將有大量分布式清潔能源發電及其他形式發電接入電網，要求電網 具有清潔能源接納能力。
[0003] 隨著太陽能發電行業的發展，太陽能并網規模越來越大，但太陽能發電具有隨機 性大、間歇性、反調峰等特點，大規模太陽能發電的接入對電網的消納、調峰調頻需求、穩定 性等問題會產生重大影響，為了減小運些影響，同時保證電力系統安全穩定的運行，使電力 調度部口能夠根據光伏發電量變化及時進行調度，降低備用容量和運行成本，需要對光伏 電站的發電量進行準確預測。
[0004] 而傳統的基于常規神經網絡的光伏電站輸出功率預測方法，只是簡單把影響光伏 電站輸出功率的因素考慮進去，作為模型的輸入信號，它能有效預測光伏電站輸出功率，但 光伏電站輸出功率的周期性和非平穩特征會使傳統神經網絡算法容易陷入不收斂，另外利 用現有數值天氣預報無法建模的高頻分量沒有剔除掉，建立的模型不夠精準，而且其收斂 性不好，計算復雜度較高。

【發明內容】

[0005] 有鑒于此，為了解決現有光伏電站功率預測的不足，本發明的目的在于提出一種 光伏電站輸出功率預測方法，提高光伏功率預測精度。
[0006] 基于上述目的本發明提供的基于神經網絡、小波分解光伏電站功率預測方法，包 括步驟：
[0007] 獲取一時間段內光伏電站所在位置的歷史記錄;其中，所述的歷史記錄包括光照 強度C、輸出功率P、溫度T、濕度H、風速WS;
[000引將所述光照強度C、輸出功率P、溫度T、濕度H、風速WS分別進行小波分解;根據所述 小波分解后的信息，建立逼近信號層神經網絡模型和細節信號層神經網絡模型；
[0009] 獲取光伏電站所在位置未來預測時間段的天氣預報值;其中，所述的天氣預報值 包括溫度T、濕度H、風速WS;
[0010] 將所述未來預測時間段的溫度T、濕度H、風速WS的預報值分別經小波分解;根據所 述小波分解后的信息，將逼近信號層的信息作為逼近信號層神經網絡模型的輸入向量，得 到逼近信號層的預報結果；將細節信號層的信息作為細節信號層神經網絡模型的輸入向 量，得到細節信號層的預報結果；
[0011] 對逼近信號層的預報結果和細節信號層的預報結果進行重構，得到預測功率值。
[0012] 在一些實施例中，所述將獲取的光照強度C、輸出功率P、溫度T、濕度H、風速WS分別 進行小波分解，采用5層小波分解，分別得到光照強度C、輸出功率P、溫度T、濕度H、風速WS各 自在細節信號層01、02、03、04、05的信息^及逼近信號層45的信息；同時，得到輸出功率?在 5層小波分解后每層的小波分解系數。
[0013] 在一些實施例中，所述根據所述小波分解后的信息，建立逼近信號層神經網絡模 型包括：
[0014] 將光照強度C、溫度T、濕度H、風速WS分別經過小波分解后的A5逼近信號層信息[CA5 Tas Has WSas]作為輸入向量，將輸出功率P經過小波分解后的A5逼近信號層信息[0 0 0 Pa5] 作為輸出向量，建立A5逼近信號層神經網絡模型；
[0015] 另外，所述建立細節信號層神經網絡模型包括：
[0016] 將溫度T、濕度H、風速WS分別經過小波分解后的D5細節信號層信息[Td日曲日WS化] 作為輸入向量，將輸出功率P經過小波分解后的D5細節信號層信息[0 0時5]作為輸出向量， 建立D5細節信號層神經網絡模型；
[0017]將溫度T、濕度H、風速WS分別經過小波分解后的D4細節信號層信息[Td4曲4 WSD4] 作為輸入向量，將輸出功率P經過小波分解后的D4細節信號層信息[0 0時4]作為輸出向量， 建立D4細節信號層神經網絡模型。
[0018] 在一些實施例中，所述將所述未來預測時間段的溫度T、濕度H、風速WS的預報值分 別經小波分解，采用5層小波分解，分別得到溫度T、濕度H、風速WS各自在細節信號層Dl、D2、 D3、D4、D5的信息W及逼近信號層A5的信息；
[0019] 另外，所述將逼近信號層的信息作為逼近信號層神經網絡模型的輸入向量，得到 逼近信號層的預報結果包括:將預測的光照強度C、溫度T、濕度H、風速WS分別經過小波分解 后的A5逼近信號層信息[C日A日T日A日曲A日WS日A日]作為輸入向量，根據A5逼近信號層神經網絡模 型，得到光伏電站輸出功率的A5逼近信號層的預報結果[0 0 0 Poas];
[0020] 還有，將細節信號層的信息作為細節信號層神經網絡模型的輸入向量，得到細節 信號層的預報結果包括:將預測的溫度T、濕度H、風速WS分別經過小波分解后的D5細節信號 層信息[To化化D日WSod日]作為輸入向量，根據D5細節信號層神經網絡模型，得到光伏電站輸 出功率的D5細節信號層的預報結果[0 0 Pods];
[0021] 將預測的溫度T、濕度H、風速WS分別經過小波分解后的D4細節信號層信息[Tod4 化D4 WS0D4]作為輸入向量，根據D4細節信號層神經網絡模型，得到光伏電站輸出功率的D4細 節信號層的預報結果[0 0 P日D4]。
[0022] 在一些實施例中，所述對逼近信號層的預報結果和細節信號層的預報結果進行重 構，包括:將得到的輸出功率P在D4、D5、A5層的小波分解系數，分別乘WP〇D4、P〇D日、Poa日，最后 將相乘的結果相加獲得預測功率值Po。
[0023] 另外本發明還提供了一種基于神經網絡、小波分解光伏電站功率預測系統，包括：
[0024] 歷史數據獲取單元，用于獲取一時間段內光伏電站所在位置的歷史記錄;其中，所 述的歷史記錄包括光照強度C、輸出功率P、溫度T、濕度H、風速WS;
[0025] 預測模型建立單元，用于將所述光照強度C、輸出功率P、溫度T、濕度H、風速WS分別 進行小波分解;根據所述小波分解后的信息，建立逼近信號層神經網絡模型和細節信號層 神經網絡模型；
[0026] 預測數據獲取單元，用于獲取光伏電站所在位置未來預測時間段的天氣預報值； 其中，所述的天氣預報值包括溫度T、濕度H、風速WS;
[0027] 功率預測單元，用于將所述未來預測時間段的溫度T、濕度H、風速WS的預報值分別 經小波分解;根據所述小波分解后的信息，將逼近信號層的信息作為逼近信號層神經網絡 模型的輸入向量，得到逼近信號層的預報結果;將細節信號層的信息作為細節信號層神經 網絡模型的輸入向量，得到細節信號層的預報結果；
[0028] 預測功率重構單元，用于對逼近信號層的預報結果和細節信號層的預報結果進行 重構，得到預測功率值。
[0029] 在一些實施例中，所述預測模型建立單元將獲取的光照強度C、輸出功率P、溫度T、 濕度H、風速WS分別進行小波分解，采用5層小波分解，分別得到光照強度C、輸出功率P、溫度 T、濕度H、風速WS各自在細節信號層01、02、03、04、05的信息^及逼近信號層45的信息；同 時，得到輸出功率P在5層小波分解后每層的小波分解系數。
[0030] 在一些實施例中，所述預測模型建立單元根據所述小波分解后的信息，建立逼近 信號層神經網絡模型包括：
[0031] 將光照強度C、溫度T、濕度H、風速WS分別經過小波分解后的A5逼近信號層信息[CA5 Tas Has WSas]作為輸入向量，將輸出功率P經過小波分解后的A5逼近信號層信息[0 0 0 Pa5] 作為輸出向量，建立A5逼近信號層神經網絡模型；
[0032] 另外，所述建立細節信號層神經網絡模型包括：
[00削將溫度T、濕度H、風速WS分別經過小波分解后的D5細節信號層信息[Td日曲日WS化] 作為輸入向量，將輸出功率P經過小波分解后的D5細節信號層信息[0 0時5]作為輸出向量， 建立D5細節信號層神經網絡模型；
[0034] 將溫度T、濕度H、風速WS分別經過小波分解后的D4細節信號層信息[Td4化4 WSD4] 作為輸入向量，將輸出功率P經過小波分解后的D4細節信號層信息[0 0時4]作為輸出