一种太阳能光伏发电出力预测方法技术

本发明专利技术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：本发明专利技术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。

【技术实现步骤摘要】

本专利技术属于太阳能光伏发电
，涉及一种太阳能光伏发电出力预测系统及 预测方法。
技术介绍
太阳能资源充足、分布广泛、安全、清洁，其转换技术已日趋成熟，在近几十年中的 应用也越来越广泛。光伏发电是目前利用太阳能的主要方式之一。随着国内光伏产业规模 逐步扩大、技术逐步提升，光伏发电成本逐步下降，未来国内光伏容量将大幅增加。相比传 统发电方式，光伏发电具有随机性、间断性和不稳定性等特点。当光伏发电在电网中所占比 例很小时，这些特点不会对电网带来明显的不良影响。但是随着光伏发电装机容量不断扩 大，其在电网中所占的比例也逐年增加，接入电网的光伏电站会对电力系统的安全、稳定运 行以及电能质量带来严重的影响，而光伏出力预测是开展这些研究的基础，因此，有必要对 光伏出力预测进行深入研究。 目前，对光伏出力预测进行研究的方法较多，长期预测的实现较为容易，短期预测 受气象因素影响较大，精确预测较为困难。由于短期预测对于电力系统安全与稳定运行至 关重要，因此研究出一种超短期的光伏出力预测方法，为光伏出力超短期预测提供一种新 思路。
技术实现思路
本专利技术所要解决的技术问题是提供一种能够有效提高光伏出力的预测精度的太 阳能光伏发电出力预测系统及预测方法。 为解决上述技术问题所采用的技术方案是:一种太阳能光伏发电出力预测系统， 其包括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； 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。 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。 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。 利用所述太阳能光伏发电出力预测系统的太阳能光伏发电出力预测方法，包括如 下步骤： (1)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i;其中，i = 1，2,…，n，n为大于等于2的整数； (2)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； (3)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； (4)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； (5)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。 所述克里格-卡尔曼-BP神经网络算法具体步骤如下： (1)设定预测点，进行预测点属性估计值计算； 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To、太阳辐射强度属性估计值Ιο和大气湿度属性估计值Ho,具 体步骤如下： a.计算预测点的环境温度属性估计值To,其表达式为在(式1)中，1\为监测点i的环境温度;WA监测点i相对于预测点的空间关联系数， 其求解表达式为 在(式2)中，γ (hu)为监测点i和监测点j之间的半变异值，hu为监测点i和监测点 j之间的距离，γ (hlQ)为监测点i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； 半变异值γ (hij)采用高斯模型计算，计算公式如下：在(式3)中，Co为块金值，Co+C为基台值，a为变成，hio为监测点i与预测点之间的距 离；计算hij的表达式为：(式4)中，（以一^丨以^^为上述位置传感器采集的监测点丨和监测点扣勺位置坐 标； b.计算预测点太阳辐射强度属性估计值1〇,其表达式为在(式5)中，^为监测点i观测到的太阳辐射强度； c.计算预测点环境湿度属性估计值Ho,其表达式为在(式6)中，Hi为监测点i观测到的大气湿度； (3)预测点属性值预测 利用卡尔曼方法计算预测点大气温度属性预测值IV、太阳辐射强度属性预测值 1〇 '和大气湿度属性预测值Ho ' ； a.计算预测点大气温度属性预测值To' ： ①采用下述公式计算大气温度属性预测值： To(k+i)/k = FkT〇k+qk (式 7) 在(式7)中，To(k+1Vk为k+Ι时刻大气温度属性预测值，T〇k为k时刻大气温度属性估 计值，F k为状态转移系数，qk为过程噪声，(^为预先选定的服从高斯分布的序列；②采用下述公式计算大气温度属性预测误差协方差： Pk+i/k = Pk+Qk (式8) 在(式8)中，Pk+Vk为k+Ι时刻向前推算的大气温度属性预测误差协方差，Pk为k时刻 大气温度属性误差协方差，Qk为过程噪声的方差； ③采用下述公式计算卡尔曼增益： Kk+i = Pk+i/k(Pk+i+Rk+i)-1 (式9) 在(式9)中，&+1为卡尔曼增益，Pk+1/k为k+Ι时刻向前推算的大气温度属性预测误差 协方差，Pk+i为k+Ι时刻大气温度属性误差协方差，Rk+i为k+Ι时刻测量噪声的方差； ④采用下述公式更新大气温度属性值估计： T〇k+i = To(k+i)/k+Kk+i(Tk+i-T〇k+i/k~rk) (式 10) 在(式10)中，T()k+1Sk+l时刻大气温度属性估计值，T(Kk +1)/k为k+Ι时刻大气温度属 性预测值，&+1为卡尔曼增益，Tk+1Sk+i时刻预测点大气温度测量值，rk*k时刻的测量噪 声，为预先选定的服从高斯分布的序列；⑤采用下述公式计算更新大气温度属性预测误差协方差： 在(式11)中，4+1为1^+1时刻大气温度属性误差协方差估计值，&+1为卡尔曼增益， Pk+1/k为k+Ι时刻向前推算的大气温度属性预测误差协方差； 每个时刻输入该时刻的测量值和估计值，并采用上一时刻的信息依次进行(式6) ~(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To'； b.预测点太阳辐射强度属性预测值1〇' ： ①采用下述公式计算太阳辐射强度属性预测值：当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种太阳能光伏发电出力预测系统，其特征在于：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；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。

【技术特征摘要】

【专利技术属性】
技术研发人员：胡文平，于腾凯，杨军，李忠民，王新普，
申请(专利权)人：国家电网公司，国网河北省电力公司电力科学研究院，河北省电力建设调整试验所，
类型：发明
国别省市：北京;11