專利名稱：基于采集到的電能質(zhì)量數(shù)據(jù)和環(huán)境參數(shù)對光伏數(shù)據(jù)進(jìn)行分析評估和發(fā)電負(fù)荷預(yù)測的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于采集到的電能質(zhì)量數(shù)據(jù)和環(huán)境參數(shù)對光伏數(shù)據(jù)進(jìn)行分析評估和發(fā)電負(fù)荷預(yù)測的方法。
背景技術(shù)：
隨著全球工業(yè)化的快速發(fā)展，以石油、煤炭和天然氣為代表的常規(guī)能源日漸枯竭， 能源危機(jī)和環(huán)保的壓力令全世界都開始關(guān)注以光伏和風(fēng)電為代表的可再生能源。目前光伏發(fā)電主要廣泛應(yīng)用于配電網(wǎng)中，目前我國的中低壓配電網(wǎng)主要是單側(cè)電源、輻射型供電網(wǎng)絡(luò)，光伏發(fā)電接入配電網(wǎng)后，輻射式的網(wǎng)絡(luò)將變?yōu)橐环N遍布電源和用戶互聯(lián)的網(wǎng)絡(luò)。同時由于光伏發(fā)電系統(tǒng)輸出具有隨機(jī)變化的特性性，需要了解和掌握光伏發(fā)電系統(tǒng)的電能質(zhì)量狀況，以及光伏發(fā)電系統(tǒng)輸出特性。
目前，光伏發(fā)電系統(tǒng)的電能質(zhì)量狀況和輸出特性基本上都是通過便攜式測量儀器進(jìn)行現(xiàn)場獲取，再通過專業(yè)軟件得到光伏電能質(zhì)量狀況和輸出特性，此方法工作效率低，較為單一，不能動態(tài)掌握光伏發(fā)電系統(tǒng)的電能質(zhì)量狀況和輸出特性。發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種能夠動態(tài)掌握光伏發(fā)電系統(tǒng)的電能質(zhì)量狀況和輸出特征的基于采集到的電能質(zhì)量數(shù)據(jù)和環(huán)境參數(shù)對光伏數(shù)據(jù)進(jìn)行分析評估和發(fā)電負(fù)荷預(yù)測的方法。
本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案一種基于采集到的電能質(zhì)量數(shù)據(jù)和環(huán)境參數(shù)對光伏數(shù)據(jù)進(jìn)行分析評估和發(fā)電負(fù)荷預(yù)測的方法，其特征在于具體步驟如下(1)將采集到的光伏發(fā)電系統(tǒng)的電能質(zhì)量參數(shù)進(jìn)行分類并提取各類電能質(zhì)量參數(shù)的特征；將所述各類電能質(zhì)量參數(shù)的特征轉(zhuǎn)換成IEEE1159. 3標(biāo)準(zhǔn)格式，然后按時間關(guān)系進(jìn)行排序后存入到數(shù)據(jù)庫中；再按GB/T14M9-1993和GB/T19939-2005中規(guī)定的限值進(jìn)行評估；所述電能質(zhì)量參數(shù)包括電壓、電流、諧波電壓、諧波電流和功率； 所述電能質(zhì)量參數(shù)的特征包括最大值、最小值、平均值和時標(biāo)值；(2)將采集到得光伏發(fā)電系統(tǒng)的環(huán)境參數(shù)轉(zhuǎn)換成標(biāo)準(zhǔn)的ACCESS數(shù)據(jù)庫格式，然后按時間關(guān)系進(jìn)行排序后存入到數(shù)據(jù)庫中；所述環(huán)境參數(shù)包括風(fēng)速、輻照度、環(huán)境溫度和組件溫度；(3)將各電能質(zhì)量參數(shù)分別與環(huán)境參數(shù)按時間關(guān)系進(jìn)行相關(guān)性對比形成對序列，然后根據(jù)對序列繪制坐標(biāo)圖，所述坐標(biāo)圖的橫坐標(biāo)為時間坐標(biāo)軸；(4)通過BP神經(jīng)網(wǎng)絡(luò)建立光伏發(fā)電負(fù)荷預(yù)測模型并對其進(jìn)行訓(xùn)練與評估 A.所述預(yù)測模型的建立步驟如下a.確定光伏負(fù)荷預(yù)測模型的輸入量和輸出量所述輸入量包括輻照度、環(huán)境溫度、固定采樣時間點(diǎn)的發(fā)電功率和日類型； 所述輸出量選用預(yù)測日采樣時間點(diǎn)的所述預(yù)測模型的發(fā)電量為輸出量；b.確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其各層的激勵函數(shù)所述BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為一個隱含層的三層BP神經(jīng)網(wǎng)絡(luò)；其輸入層節(jié)點(diǎn)對應(yīng)于所述預(yù)測模型的輸入量；其輸出層節(jié)點(diǎn)的個數(shù)等于一天采樣時間點(diǎn)的個數(shù)；其隱含層節(jié)點(diǎn)數(shù)根據(jù)下述公式(1)確定I = + m +a (1)式中，/為隱含層節(jié)點(diǎn)數(shù)，η為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a為1_10之間的調(diào)節(jié)常數(shù)；BP神經(jīng)網(wǎng)絡(luò)中間層的神經(jīng)元激勵函數(shù)采用S型正切函數(shù)tansig，其輸出層神經(jīng)元激勵函數(shù)采用S型對數(shù)函數(shù)Iogsig ；c.利用MATLAB神經(jīng)網(wǎng)路工具箱建立BP神經(jīng)網(wǎng)絡(luò)；B.對所述BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與評估a.在訓(xùn)練之前對樣本數(shù)據(jù)按下述公式(2)進(jìn)行歸一化處理ρ 一 Pi ^iajft / rI — ~ 二Cz;-PmaK -Pmm式中，Pi為原始目標(biāo)和輸入數(shù)據(jù)，pmax、Pmin分別為ρ中的最大值和最小值，P1為歸一化后的目標(biāo)和輸入數(shù)據(jù)；b.確定訓(xùn)練參數(shù)，開始訓(xùn)練所述訓(xùn)練參數(shù)包括訓(xùn)練函數(shù)、訓(xùn)練次數(shù)、學(xué)習(xí)效率和訓(xùn)練目標(biāo)；C.訓(xùn)練完畢后，對待預(yù)測日進(jìn)行預(yù)測并對所述預(yù)測模型進(jìn)行評估 評估方法選用平均絕對百分比誤差MAPE，即按下式(3)進(jìn)行評估；臓=莘(3)式中，w為數(shù)據(jù)總數(shù)；々為預(yù)測值”力真實(shí)值-J為數(shù)據(jù)序號。
本發(fā)明的有益效果如下(1)能夠動態(tài)掌握光伏發(fā)電系統(tǒng)的電能質(zhì)量狀況和輸出特性。
(2)為光伏發(fā)電負(fù)荷預(yù)測提供一種分析方法和手段，也為大量分布式光伏發(fā)電系統(tǒng)接入配電網(wǎng)提出一種技術(shù)支持。
(3)本發(fā)明提出了基于有功功率與輻照度對序列的概念，通過對有功功率與環(huán)境參數(shù)中的相關(guān)信息進(jìn)行相對性對比分析，形成二維或多維關(guān)系坐標(biāo)圖，以便于分析對比。


圖1為本發(fā)明所述方法的流程圖。
圖2為本發(fā)明的硬件配置圖示意圖。
圖3為電壓偏差分析結(jié)果圖。
圖4為負(fù)序電壓不平衡度分析結(jié)果圖。
圖5為根據(jù)A相有功功率與輻照度對序列繪制的坐標(biāo)圖。
圖6為按照C相有功功率與輻照度對序列繪制的坐標(biāo)圖。
圖7為按照B相電壓有效值與輻照度對序列繪制的坐標(biāo)圖。
具體實(shí)施方式
實(shí)施例以某IOkW小型光伏發(fā)電系統(tǒng)為例本實(shí)施例基于服務(wù)器和Windows Server 2008 R2操作系統(tǒng)，采用.net架構(gòu)，控制部分和數(shù)據(jù)采集使用DSP處理器和ARM處理器，數(shù)據(jù)存儲使用SQL Server2008 (參見圖2)。
本實(shí)施例的具體步驟如下首先，對通過電能質(zhì)量監(jiān)測終端PQ-6000采集到的光伏發(fā)電系統(tǒng)電能質(zhì)量數(shù)據(jù)進(jìn)行分析歸類，包括電壓、電流、諧波電壓、諧波電流、不平衡度和功率等，提取這些參數(shù)的特征如最大值、最小值、平均值和時標(biāo)值，轉(zhuǎn)換成IEEE1159.3標(biāo)準(zhǔn)格式，按時間關(guān)系進(jìn)行排序存入到數(shù)據(jù)庫中，結(jié)合GB/T14M9-1993和GB/T 19939-2005對電能質(zhì)量數(shù)據(jù)進(jìn)行評估和分析 以電壓偏差為例，從數(shù)據(jù)庫提取過去M小時采集的A、B、C三相電壓有效值的最大、最小和平均值，每5分鐘有一組基礎(chǔ)數(shù)值。首先去除基礎(chǔ)數(shù)據(jù)中的異常數(shù)據(jù)，然后所有值按大小進(jìn)行排序計算，分別得到A、B、C三相電壓有效值的最大、最小和平均值。橫向比較A、B、 C三相電壓有效值的最大、最小和平均值，可以得到三相電壓有效值的最大、最小和平均值。根據(jù)公式犯二 Ure;Umχ 100% ( δυ表示電壓偏差，表示實(shí)際電壓，單位為kV，隊(duì)表示jM系統(tǒng)標(biāo)稱電壓，單位為kV)，最終得到光伏電源過去一天電壓偏差的最大、最小和平均值。
基于上述的A、B、C三相電壓有效值的平均值，由大到小次序排列，分別舍棄前面 5 %、1%的大值，取剩余值中的最大值，得到A、B、C三相的95%概率大值、99%概率大值，取A、 B、C三相的95%概率大值、99%概率大值中的最大值，由此也可以得到電壓偏差的95%概率大值、99%概率大值，將此95%概率大值與GB/T 19939-2005中規(guī)定的限值相比較，可以知道電壓正負(fù)偏差是否超出限值要求，如圖3所示，CP95、CP99為95%概率大值、99%概率大值， 圖中斜體字(或藍(lán)色字)表示電壓偏差未超標(biāo)，反之粗黑體字(或紅色字)表示電壓偏差超標(biāo) (本圖中沒有電壓超標(biāo)的)。
負(fù)序電壓不平衡度分析結(jié)果見圖4。
基于日的最大、最小、平均值分析得到周/月/季的最大、最小、平均值，周/月/ 季的95%概率大值、99%概率大值分析與日的95%概率大值、99%概率大值相同。
諧波電壓、諧波電流、不平衡度等電能質(zhì)量參數(shù)的分析與電壓偏差相同。
(2)其次，對光伏發(fā)電系統(tǒng)配置的環(huán)境參數(shù)測量模塊TOBBOX進(jìn)行數(shù)據(jù)采集，將采集到的風(fēng)速、輻照度、環(huán)境溫度、組件溫度轉(zhuǎn)換成標(biāo)準(zhǔn)的ACCESS數(shù)據(jù)庫格式，按時間關(guān)系進(jìn)行排序存入到數(shù)據(jù)庫中；(3)然后，將電壓有效值、功率與風(fēng)速、輻照度、環(huán)境溫度、組件溫度按時間關(guān)系進(jìn)行相關(guān)性對比分析，以有功功率P (單位kW)、輻照度(單位W/m2)為例，可以得到有功功率 (P1,P2,……，Pn)、輻照度(Si，S2,……，Sn)形成的對序列(<P1，Sl>, < P2,S2>,……，< Pn，Sn >)。根據(jù)的對序列繪制坐標(biāo)圖(見圖5和圖6)，其中輻照度和有功功率為縱坐標(biāo)， 時間為橫坐標(biāo)。
圖7為按照B相電壓有效值與輻照度的對序列繪制的坐標(biāo)圖。
(4)最后，研究輻照度、日類型、大氣溫度、季節(jié)以及其他因素對光伏發(fā)電系統(tǒng)出力的影響及處理方法，通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行光伏發(fā)電系統(tǒng)負(fù)荷預(yù)測模型的設(shè)計，確定輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)和隱含層節(jié)點(diǎn)數(shù)。再對預(yù)測模型的訓(xùn)練與評估，提高負(fù)荷預(yù)測的精度。
A.所述預(yù)測模型的建立步驟如下a.確定光伏負(fù)荷功率預(yù)測模型的輸入/輸出量；在光伏陣列發(fā)電預(yù)測中，需要考慮的環(huán)境因素很多，因此在選擇預(yù)測模型的輸入變量時著重考慮一些與光伏發(fā)電關(guān)聯(lián)性較強(qiáng)的確定性因素。
對于既定的光伏陣列來說，一個明顯的特征就是光伏陣列發(fā)電量時間序列的本身高度自相關(guān)性，因?yàn)樵陉嚵械臍v史發(fā)電量時間序列中，所有的發(fā)電量時間序列來自于同一發(fā)電系統(tǒng)，數(shù)據(jù)自身就包含了光伏陣列的系統(tǒng)信息，解決了光伏陣列的安裝位置隨機(jī)性和光伏陣列的使用時間等對轉(zhuǎn)換效率的影響。因此在負(fù)荷預(yù)測模型中，要將前一段時間的相關(guān)發(fā)電量數(shù)據(jù)作為輸入變量，預(yù)測模型采用預(yù)測日前一天的數(shù)據(jù)進(jìn)行預(yù)測。
由于輻照度與光伏陣列發(fā)電量有直接關(guān)系，可以根據(jù)兩者的相關(guān)性實(shí)現(xiàn)對光伏發(fā)電的預(yù)測。為了體現(xiàn)輻照度對歷史發(fā)電數(shù)據(jù)的影響故讓其直接作為預(yù)測輸入量。同一季節(jié)相同日類型且最高最低氣溫相近天氣的輻照度基本相似，而且日類型的變化對于光伏陣列發(fā)電的影響也相當(dāng)顯著，所以采用最近日期相同日類型的輻射量數(shù)據(jù)作為輸入量建立預(yù)測模型，輻照度作為輸入量可以提高了模型預(yù)測精度。
環(huán)境溫度對光伏陣列發(fā)電量的影響不容小視。因此，預(yù)測模型的輸入變量中需要考慮環(huán)境溫度。轉(zhuǎn)換效率和陣列面積等參數(shù)已經(jīng)隱含在歷史發(fā)電數(shù)據(jù)中，在輸入變量的選擇中須考慮輻照度和大氣溫度的變化。
所述模型輸出量的選擇是根據(jù)具體事例為準(zhǔn)，光伏預(yù)測中是預(yù)測發(fā)電量，故選用預(yù)測日固定采樣時間點(diǎn)的發(fā)電功率模型的輸出量。
b.確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其各層的激勵函數(shù)；因?yàn)槿魏我粋€三層的神經(jīng)網(wǎng)絡(luò)可以描述任何一個非線性系統(tǒng)，所以對于一個非線性網(wǎng)絡(luò)可選用含有一個隱含層的三層BP網(wǎng)絡(luò)。
輸入層節(jié)點(diǎn)對應(yīng)于所述模型的輸入量，輸入量選擇的不同，決定了輸入層節(jié)點(diǎn)個數(shù)。光伏預(yù)測模型中，輸入量選擇一天當(dāng)中固定采樣時間點(diǎn)的發(fā)電功率，同時輻射量、氣溫、日類型也作為輸入量。例如時間點(diǎn)為(9 :00,9 :30,10 =OOUO 30 ...... 15 :30、16 00)—共15個采樣點(diǎn)；同時考慮氣溫的影響，可以選用前一天和預(yù)測日的最高氣溫、最低氣溫4個量；天氣類型的影響也考慮在內(nèi)，預(yù)測日的日類型(即晴天、多云、下雪三種天氣類型分別賦值為‘1’、‘0. 5’、‘0’)1個量；以及最近日期同一日類型的輻射量在該時間段的最大值、最小值、平均值3個量。這種情況下輸入層的節(jié)點(diǎn)為23個。
該網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)的確定，與所述模型的輸出有關(guān)，因?yàn)檩敵鍪且惶熘泄潭ú蓸訒r間點(diǎn)的發(fā)電功率，所以輸出層節(jié)點(diǎn)的個數(shù)等于一天采樣時間點(diǎn)的個數(shù)。假設(shè)時間點(diǎn)為(9 :00,9 :30,10 =OOUO 30 ...... 15 :30、16 00) 一共 15 個采樣點(diǎn)，則輸出層節(jié)點(diǎn)個數(shù)就為15。
隱含層節(jié)點(diǎn)對神經(jīng)網(wǎng)絡(luò)性能有一定的影響。隱含層節(jié)點(diǎn)數(shù)與求解問題的要求、輸入輸出節(jié)點(diǎn)數(shù)多少都有直接關(guān)系，隱含層節(jié)點(diǎn)數(shù)的選擇是個十分復(fù)雜的問題。隱含層節(jié)點(diǎn)數(shù)過少，容差性差，識別未經(jīng)學(xué)習(xí)的樣本能力低；隱含層節(jié)點(diǎn)數(shù)過多會增加網(wǎng)絡(luò)訓(xùn)練時間， 并且將樣本中非規(guī)律性內(nèi)容(如干擾、噪聲)存儲進(jìn)去，降低泛化能力，根據(jù)經(jīng)驗(yàn)和大量的網(wǎng)絡(luò)訓(xùn)練仿真來確定隱含層節(jié)點(diǎn)數(shù)。因此依據(jù)以下公式進(jìn)行設(shè)計I = -jn + m +a式中，/為隱含層節(jié)點(diǎn)數(shù)；11為輸入層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；a為廣10之間的調(diào)節(jié)常數(shù)。
因?yàn)榘l(fā)電功率為大于零的正值，并且光伏發(fā)電系統(tǒng)是非線性的，為了滿足所述網(wǎng)絡(luò)的輸出要求，所述網(wǎng)絡(luò)中間層的神經(jīng)元激勵函數(shù)采用S型正切函數(shù)tansig，輸出層神經(jīng)元激勵函數(shù)采用S型對數(shù)函數(shù)logsig。
c.利用MATLAB建立BP神經(jīng)網(wǎng)絡(luò)；利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，其中有很多典型神經(jīng)網(wǎng)絡(luò)框架和相關(guān)的函數(shù)，可以根據(jù)自己的需要調(diào)用工具箱中有關(guān)神經(jīng)網(wǎng)絡(luò)的設(shè)計與訓(xùn)練的程序。
B.對所述BP神經(jīng)網(wǎng)進(jìn)行訓(xùn)練與評估所述網(wǎng)絡(luò)設(shè)計完成后，要采用樣本進(jìn)行訓(xùn)練。訓(xùn)練時對所有樣本正向運(yùn)行一輪并反向修改權(quán)值一次稱為一次訓(xùn)練。通常訓(xùn)練一個網(wǎng)絡(luò)需要成千上萬次。對于短期發(fā)電預(yù)測來說，問題的復(fù)雜程度雖然無法人為控制，但通過按季節(jié)因素對所述模型進(jìn)行拆分，拆分后的子模型的復(fù)雜程度大大降低，而且經(jīng)過前面的分析，已經(jīng)確定了所述網(wǎng)絡(luò)的結(jié)構(gòu)，因此樣本的數(shù)量與質(zhì)量對于所述模型的訓(xùn)練至關(guān)重要。其所述網(wǎng)絡(luò)訓(xùn)練步驟為 a.所述網(wǎng)絡(luò)訓(xùn)練之前對樣本數(shù)據(jù)的歸一化處理；將所述神經(jīng)網(wǎng)絡(luò)應(yīng)用于光伏陣列負(fù)荷預(yù)測問題時，訓(xùn)練所述網(wǎng)絡(luò)的原始數(shù)據(jù)中，不同的變量通常以不同的單位變化，數(shù)量級的差異也比較大，光伏陣列發(fā)電量的數(shù)值變化范圍， 相對于該地區(qū)氣溫的數(shù)值變化范圍更廣。通過神經(jīng)元激活函數(shù)的特性知道，神經(jīng)元的輸出通常被限制在一定的范圍內(nèi)，由于所述模型是非線性特性，激勵函數(shù)選用S型函數(shù)，其輸出被限定在
之間，原始數(shù)據(jù)，尤其是期望輸出值通常在該區(qū)間之外，直接以原始數(shù)據(jù)對所述網(wǎng)絡(luò)進(jìn)行訓(xùn)練會引起神經(jīng)元飽和，因此在對所述網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前必須對原始數(shù)據(jù)進(jìn)行歸一化處理，以消除原始數(shù)據(jù)形式不同所帶來的不利影響，將原始目標(biāo)和輸入數(shù)據(jù)轉(zhuǎn)換到W，l]區(qū)間內(nèi)。歸一化公式為ρ 一 Pi Pmh.Aj-—Pmm PmkiPi為原始目標(biāo)和輸入數(shù)據(jù)。pmax、Pmin分別為ρ中的最大值和最小值，P1為歸一化后的目標(biāo)和輸入數(shù)據(jù)。
b.確定訓(xùn)練參數(shù)，即訓(xùn)練函數(shù)、訓(xùn)練次數(shù)、學(xué)習(xí)速率和訓(xùn)練目標(biāo)，開始訓(xùn)練；訓(xùn)練函數(shù)的選擇決定了一個網(wǎng)絡(luò)運(yùn)算的時間和收斂精度，對于不同的問題，很難比較算法的優(yōu)劣；對于特定的問題，應(yīng)當(dāng)嘗試采樣多種不同類型的訓(xùn)練算法，以期獲得滿意的結(jié)果。MATLAB中有不少訓(xùn)練網(wǎng)絡(luò)算法，可以靈活應(yīng)用到實(shí)際問題中。
對于樣本的訓(xùn)練必須有足夠的訓(xùn)練次數(shù)，以使其訓(xùn)練結(jié)果為最后穩(wěn)定到最小值時的結(jié)果，而不是得到一個正好擺動到較大的誤差值時的網(wǎng)絡(luò)權(quán)值。
訓(xùn)練參數(shù)的選擇對訓(xùn)練結(jié)果的影響是相當(dāng)大的。學(xué)習(xí)速率太大，將導(dǎo)致其誤差值的來回振蕩，太小將無法達(dá)到最小值點(diǎn)。只能采用不同的學(xué)習(xí)需速率進(jìn)行對比嘗試。一般情況選取較小的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性。選取范圍為0. 0Γ0. 08，典型的取值為0. 05。
訓(xùn)練目標(biāo)的選取也應(yīng)當(dāng)通過對比訓(xùn)練后確定一個合適的值，可以同時對不同訓(xùn)練目標(biāo)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后通過綜合因素的考慮確定采用其中一個網(wǎng)絡(luò)。
c.訓(xùn)練完畢后，對待預(yù)測日進(jìn)行預(yù)測并利用評估方法對其結(jié)果進(jìn)行評估 對神經(jīng)網(wǎng)絡(luò)發(fā)電預(yù)測模型的評估有很多方法，如平均絕對偏差、均方差、平均絕對百分比誤差。通過比較，選用平均絕對百分比誤差ΜΑΡΕ。
權(quán)利要求
1. 一種基于采集到的電能質(zhì)量數(shù)據(jù)和環(huán)境參數(shù)對光伏數(shù)據(jù)進(jìn)行分析評估和發(fā)電負(fù)荷預(yù)測的方法，其特征在于具體步驟如下(1)將采集到的光伏發(fā)電系統(tǒng)的電能質(zhì)量參數(shù)進(jìn)行分類并提取各類電能質(zhì)量參數(shù)的特征；將所述各類電能質(zhì)量參數(shù)的特征轉(zhuǎn)換成IEEE1159. 3標(biāo)準(zhǔn)格式，然后按時間關(guān)系進(jìn)行排序后存入到數(shù)據(jù)庫中；再按GB/T14M9-1993和GB/T19939-2005中規(guī)定的限值進(jìn)行評估；所述電能質(zhì)量參數(shù)包括電壓、電流、諧波電壓、諧波電流和功率；所述電能質(zhì)量參數(shù)的特征包括最大值、最小值、平均值和時標(biāo)值；(2)將采集到得光伏發(fā)電系統(tǒng)的環(huán)境參數(shù)轉(zhuǎn)換成標(biāo)準(zhǔn)的ACCESS數(shù)據(jù)庫格式，然后按時間關(guān)系進(jìn)行排序后存入到數(shù)據(jù)庫中；所述環(huán)境參數(shù)包括風(fēng)速、輻照度、環(huán)境溫度和組件溫度；(3)將各電能質(zhì)量參數(shù)分別與環(huán)境參數(shù)按時間關(guān)系進(jìn)行相關(guān)性對比形成對序列，然后根據(jù)對序列繪制坐標(biāo)圖，所述坐標(biāo)圖的橫坐標(biāo)為時間坐標(biāo)軸；(4)通過BP神經(jīng)網(wǎng)絡(luò)建立光伏發(fā)電負(fù)荷預(yù)測模型并對其進(jìn)行訓(xùn)練與評估A.所述預(yù)測模型的建立步驟如下a.確定光伏負(fù)荷預(yù)測模型的輸入量和輸出量所述輸入量包括輻照度、環(huán)境溫度、固定采樣時間點(diǎn)的發(fā)電功率和日類型；所述輸出量選用預(yù)測日采樣時間點(diǎn)的所述預(yù)測模型的發(fā)電量為輸出量；b.確定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其各層的激勵函數(shù)所述BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為一個隱含層的三層BP神經(jīng)網(wǎng)絡(luò)；其輸入層節(jié)點(diǎn)對應(yīng)于所述預(yù)測模型的輸入量；其輸出層節(jié)點(diǎn)的個數(shù)等于一天采樣時間點(diǎn)的個數(shù)；其隱含層節(jié)點(diǎn)數(shù)根據(jù)下述公式(1)確定I - -Jn + m +a (1)式中，i為隱含層節(jié)點(diǎn)數(shù)，η為輸入層節(jié)點(diǎn)數(shù)，m為輸出層節(jié)點(diǎn)數(shù)，a為1_10之間的調(diào)節(jié)常數(shù)；BP神經(jīng)網(wǎng)絡(luò)中間層的神經(jīng)元激勵函數(shù)采用S型正切函數(shù)tansig，其輸出層神經(jīng)元激勵函數(shù)采用S型對數(shù)函數(shù)Iogsig ；c.利用MATLAB神經(jīng)網(wǎng)路工具箱建立BP神經(jīng)網(wǎng)絡(luò)；B.對所述BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與評估a.在訓(xùn)練之前對樣本數(shù)據(jù)按下述公式(2)進(jìn)行歸一化處理Pj= P「& (2)/Wlaift式中，Pi為原始目標(biāo)和輸入數(shù)據(jù)，pmax、Pmin分別為ρ中的最大值和最小值，P1為歸一化后的目標(biāo)和輸入數(shù)據(jù)；b.確定訓(xùn)練參數(shù)，開始訓(xùn)練所述訓(xùn)練參數(shù)包括訓(xùn)練函數(shù)、訓(xùn)練次數(shù)、學(xué)習(xí)效率和訓(xùn)練目標(biāo)；C.訓(xùn)練完畢后，對待預(yù)測日進(jìn)行預(yù)測并對所述預(yù)測模型進(jìn)行評估評估方法選用平均絕對百分比誤差MAPE，即按下式(3)進(jìn)行評估；
全文摘要
本發(fā)明涉及一種基于采集到的電能質(zhì)量數(shù)據(jù)和環(huán)境參數(shù)對光伏數(shù)據(jù)進(jìn)行分析評估和發(fā)電負(fù)荷預(yù)測的方法，本發(fā)明的技術(shù)要點(diǎn)是首先對基于電能質(zhì)量數(shù)據(jù)和環(huán)境參數(shù)進(jìn)行解析，對數(shù)據(jù)按電壓、電流、諧波、不平衡度、功率等進(jìn)行分類，再對風(fēng)速、輻照度、環(huán)境溫度等環(huán)境參數(shù)進(jìn)行解析，然后將電能質(zhì)量數(shù)據(jù)和環(huán)境參數(shù)進(jìn)行相關(guān)性對比分析，通過建立負(fù)荷預(yù)測模型，給出評估和預(yù)測分析結(jié)果。本發(fā)明的有益效果是利用此發(fā)明能夠?qū)Ψ植际焦夥l(fā)電系統(tǒng)的相關(guān)數(shù)據(jù)進(jìn)行智能評估和分析，有效辨識了分布式光伏接入對電網(wǎng)尤其是配電網(wǎng)產(chǎn)生的影響。另外，本發(fā)明也可以為光伏發(fā)電負(fù)荷預(yù)測提供一種分析方法。
文檔編號G06F19/00GK102495953SQ20111038716
公開日2012年6月13日 申請日期2011年11月29日 優(yōu)先權(quán)日2011年11月29日
發(fā)明者周文, 段曉波, 潘瑾, 郝曉光 申請人:河北省電力建設(shè)調(diào)整試驗(yàn)所