一种发电功率预测方法

技术领域

本发明属于电力系统技术领域，特别涉及一种发电功率预测方法。

背景技术

随着社会和经济的不断发展，能源体现在生活方方面面，人们对它需求不断增大，能源问题制约着社会发展。2009年之后，装机容量在兆瓦级别的发电站占比例越来越大，结合发电出力的影响因素，发电站特点波动性较大，对电力系统安全性和稳定性存在一定影响。一方面，特别是最近几年，多次出现并网的发电站从电力系统中脱离现象，造成能源巨大损失，威胁电力系统安全；另一方面，发电站输出功率的不确定性对电力系统并网带来巨大困难。为了保证电力系统安全可靠运行，因此对发电站输出功率准确预测至关重要。

现有技术主要分为物理预测和统计预测两种。物理预测方法是根据光伏电站所在位置处的太阳辐照数据、各种地理信息与气象信息，用太阳光辐照传递方程与光伏组件运行方程等物理运算手段进行预测；统计方法是根据输入的历史气象数据、功率数据寻找统计规律，对输出功率进行预测。与物理方法不同，统计方法对光伏电站所处的地理信息及光伏组件的测量信息要求不高，它需要根据历史数据，如光伏电站的气象数据与功率数据、历史运行情况，从历史数据中找出规律，获得预测模型。

在进行输出功率预测时，现有技术仅仅根据发电站历史发电功率数据进行简单的模拟，忽略了存在许多影响发电出力的因素，导致预测结果准确度低，并且在分析发电站历史发电功率数据时，存在大量的数据缺失和异常，进一步降低了预测结果的准确度。

发明内容

本发明的目的是提供一种发电功率预测方法以解决现有技术存在的问题。

本发明的技术方案是，一种发电功率预测方法，其包括以下步骤：

(S1)采集历史发电功率数据，并根据历史发电功率数据获取发电影响因素；

(S2)对历史发电功率数据进行预处理，得到预处理后历史发电功率数据；

(S3)根据发电影响因素和预处理后历史发电功率数据，建立发电功率预测模型；

(S4)使用发电功率预测模型得到发电功率预测结果。

本发明的进一步改进在于，所述步骤S1的具体包括：

(S11)采集历史发电功率数据，并根据历史发电功率数据获取候选的发电影响因素；

(S12)对候选的发电影响因素进行定性分析得到主要的发电影响因素；

(S13)对主要的发电影响因素进行定量分析得到最终的发电影响因素。

本发明的进一步改进在于，对候选的发电影响因素进行定性分析的具体方法为：

根据历史发电功率数据分别与所有候选的发电影响因素的数据之间的相关性，得到主要的发电影响因素；

对主要的发电影响因素进行定量分析，得到各主要的发电影响因素的数据之间的相关度，并根据各主要发电影响因素之间的相关度得到最终的发电影响因素。

本发明的进一步改进在于，定量分析的公式为：

式中，Q为相关系数；x

本发明的进一步改进在于，所述步骤S2中，所述预处理包括归一化处理、异常数据剔除、缺失值补充以及降维处理。

本发明的进一步改进在于，所述步骤S2中，归一化处理的公式为：

式中，

所述异常数据剔除的公式为：

式中，X

所述缺失值补充的公式为：

式中，f(x)为插值多项式；x为缺失值补充输入数据变量，x＝x

使用主成分分析方法进行降维处理。

本发明的进一步改进在于，所述步骤S3的具体步骤为：

(S31)将预处理后历史发电功率数据划分为训练集和测试集；

(S32)根据最终发电影响因素和训练集，基于BP神经网络建立初始的发电功率预测模型；

(S33)使用带扩展记忆功能粒子群算法PSOEM和测试集对初始的发电功率预测模型进行优化，得到并输出最优的发电功率预测模型。

本发明的进一步改进在于，所述步骤S32中，所述初始的发电功率预测模型的激活函数为S型函数，其公式为：

式中，p(s)为S型激活函数；s为初始发电功率预测模型输入信号；α为系数；

所述初始的发电功率预测模型包括14个输入节点和1个输出节点。

本发明的进一步改进在于，所述步骤S3-3的具体步骤为：

(S331)初始化PSOEM算法的参数；

(S332)根据PSOEM算法对初始的发电功率预测模型进行优化，得到中间的发电功率预测模型；

(S333)判断当前迭代次数是否达到迭代阈值或PSOEM算法的适应度值是否达到适应度阈值，若是则进入步骤S334，否则更新粒子群中粒子的位置和速度，并重新执行步骤S333；

(S334)将测试集输入中间发电功率预测模型进行优化，得到并输出最优的发电功率预测模型。

本发明的有益效果为：

1)本发明通过对发电影响因素进行定性和定量分析，筛选出光伏出力主要影响因素，对历史发电功率数据进行了预处理，提高了预测结果准确度；

2)本发明建立了基于BP神经网络的功率预测模型，针对BP神经网络本身易陷入局部极值、收敛速度慢等问题，采用了带扩展记忆粒子群优化算法PSOEM对其权值和阈值进行优化，克服了粒子群算法的缺点，提高了计算精度和收敛速度，提高了发电功率预测模型进行发电功率预测的效率，提高了本发明实用性。

附图说明

图1是发电功率预测方法的流程图。

具体实施方式

下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本发明公开的功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本发明阐述的实施例中。

应当理解，本发明使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若术语“包括”、“包括了”、“包含”和/或“包含了”在本发明中被使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。

应当理解，在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

如图1所示，本发明实施例的发电功率预测方法包括以下步骤：

(S1)采集历史发电功率数据，并根据历史发电功率数据获取发电影响因素；其具体包括：

(S11)采集历史发电功率数据，并根据历史发电功率数据获取候选的发电影响因素；本实施例中，以光伏发电功率预测为例，即光伏发电的可能的发电影响因素包括光伏电池温度特性、光伏面板的结构材料、逆变器参数、太阳福照度、环境温度、环境湿度、风速、气压以及天气类型；

(S12)对候选的发电影响因素进行定性分析得到主要的发电影响因素；

对候选的发电影响因素进行定性分析的具体方法为：根据历史发电功率数据分别与所有候选的发电影响因素的数据之间的相关性，得到主要的发电影响因素。在此过程中，并将各发电影响因素按照相关性进行排名，选取相关性最高的若干个候选的发电影响因素作为主要的发电影响因素。计算两个变量之间的相关性是统计学中的常规技术手段，在此不再赘述。

对于同一光伏发电站，光伏出力影响因素又可分为确定性因素和不确定性因素，确定性因素就是固定环境及自身条件造成的，比如电站位置、与光伏装置特性相关的因素等，不确定性因素是外界环境变化所致，比如光照强度、环境温度等，而光伏功率大幅度波动主要是由于不确定性因素造成得，因此，将重点转移到不确定性影响因子筛选上。

在一个具体实施例中，筛选得到的主要的发电影响因素包括：光伏电池温度特性、太阳福照度、环境温度、环境湿度以及气压。

(S13)对主要的发电影响因素进行定量分析得到最终的发电影响因素。

对主要的发电影响因素进行定量分析，得到各主要的发电影响因素的数据之间的相关度，并根据各主要发电影响因素之间的相关度得到最终的发电影响因素。该过程也是选取相关度最高的若干个主要的发电影响因素，并将其作为最终的发电影响因素。定量分析所采用的相关度计算公式为：

式中，Q为相关系数；x

(S2)对历史发电功率数据进行预处理，得到预处理后历史发电功率数据；

预处理包括归一化处理、异常数据剔除、缺失值补充以及降维处理。

步骤S2中，归一化处理的公式为：

式中，

所述异常数据剔除的公式为：

式中，X

所述缺失值补充的公式为：

式中，f(x)为插值多项式；x为缺失值补充输入数据变量，x＝x

使用主成分分析方法进行降维处理。

(S3)根据发电影响因素和预处理后历史发电功率数据，建立发电功率预测模型；其具体包括：

(S31)将预处理后历史发电功率数据划分为训练集和测试集；

(S32)根据最终发电影响因素和训练集，基于BP神经网络建立初始的发电功率预测模型；初始的发电功率预测模型的激活函数为S型函数，其公式为：

式中，p(s)为S型激活函数；s为初始发电功率预测模型输入信号；α为系数；所述初始的发电功率预测模型包括14个输入节点和1个输出节点。

(S33)使用带扩展记忆功能粒子群算法PSOEM和测试集对初始的发电功率预测模型进行优化，得到并输出最优的发电功率预测模型。其具体包括：

(S331)初始化PSOEM算法的参数；

(S332)根据PSOEM算法对初始的发电功率预测模型进行优化，得到中间的发电功率预测模型；

(S333)判断当前迭代次数是否达到迭代阈值或PSOEM算法的适应度值是否达到适应度阈值，若是则进入步骤S334，否则更新粒子群中粒子的位置和速度，并重新执行步骤S333；

(S334)将测试集输入中间发电功率预测模型进行优化，得到并输出最优的发电功率预测模型。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。