光伏發(fā)電短期功率預(yù)測(cè)模型與電站監(jiān)控系統(tǒng)設(shè)計(jì)

林　嵩浙江工業(yè)職業(yè)技術(shù)學(xué)院，浙江紹興312000

?

光伏發(fā)電短期功率預(yù)測(cè)模型與電站監(jiān)控系統(tǒng)設(shè)計(jì)

林嵩
浙江工業(yè)職業(yè)技術(shù)學(xué)院，浙江紹興312000

摘要：目前大規(guī)模光伏并網(wǎng)發(fā)電系統(tǒng)的輸出功率波動(dòng)大、隨機(jī)性強(qiáng)，為準(zhǔn)確預(yù)測(cè)光伏電站的輸出功率以解決大規(guī)模光伏并網(wǎng)發(fā)電給電網(wǎng)造成的調(diào)峰、調(diào)度等難題。通過(guò)開(kāi)發(fā)能實(shí)時(shí)監(jiān)測(cè)環(huán)境輻照強(qiáng)度、溫度、濕度、風(fēng)向、風(fēng)速等環(huán)境參數(shù)的低成本小型氣象站和光伏電站監(jiān)控系統(tǒng)來(lái)監(jiān)測(cè)光伏電站的運(yùn)行狀況和采集氣象與電站輸出功率的數(shù)據(jù)，并應(yīng)用于氣象條件聚類(lèi)識(shí)別和小波神經(jīng)網(wǎng)絡(luò)光伏發(fā)電系統(tǒng)短期發(fā)電功率預(yù)測(cè)模型上，以實(shí)現(xiàn)大規(guī)模光伏并網(wǎng)發(fā)電系統(tǒng)輸出功率的精確預(yù)測(cè)，對(duì)大規(guī)模光伏并網(wǎng)發(fā)電系統(tǒng)的推廣應(yīng)用具有重要意義。

關(guān)鍵詞：光伏發(fā)電系統(tǒng)；功率預(yù)測(cè)模型；電站監(jiān)控系統(tǒng)

近年來(lái)光伏發(fā)電技術(shù)較為發(fā)達(dá)的國(guó)家，已經(jīng)開(kāi)發(fā)出了用于光伏發(fā)電系統(tǒng)輸出功率預(yù)測(cè)的系統(tǒng)[1-3]。日本Ryukyus大學(xué)通過(guò)遞歸神經(jīng)網(wǎng)絡(luò)和前饋神經(jīng)網(wǎng)絡(luò)對(duì)太陽(yáng)輻照強(qiáng)度進(jìn)行預(yù)測(cè)，然后利用發(fā)電功率與輻照強(qiáng)度的函數(shù)關(guān)系得到輸出功率，預(yù)測(cè)結(jié)果較為準(zhǔn)確。德國(guó)Oldenburg大學(xué)通過(guò)將天氣預(yù)報(bào)數(shù)據(jù)與多個(gè)光伏電站的歷史發(fā)電功率相結(jié)合建立了功率預(yù)測(cè)模型也取得了較好效果。而我國(guó)太陽(yáng)輻照觀測(cè)點(diǎn)數(shù)量較少且尚無(wú)太陽(yáng)輻照預(yù)報(bào)業(yè)務(wù)，所以在光伏發(fā)電系統(tǒng)輸出功率預(yù)測(cè)方面尚無(wú)較有效的預(yù)測(cè)模型[4，5]。針對(duì)上述問(wèn)題，在研究了基于小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)短期發(fā)電功率預(yù)測(cè)模型和基于氣象條件聚類(lèi)識(shí)別的光伏發(fā)電系統(tǒng)短期發(fā)電功率預(yù)測(cè)模型的基礎(chǔ)上，提出了將二者結(jié)合的基于氣象條件聚類(lèi)識(shí)別和小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)短期發(fā)電功率預(yù)測(cè)模型，提高了預(yù)測(cè)的精確度。

1　預(yù)測(cè)模型研究與監(jiān)控系統(tǒng)實(shí)現(xiàn)

1.1基于小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型研究

本文采用的小波神經(jīng)網(wǎng)絡(luò)[6，7]以常用的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)作為其網(wǎng)絡(luò)結(jié)構(gòu)，隱含層節(jié)點(diǎn)的傳遞函數(shù)采用小波基函數(shù)，網(wǎng)絡(luò)中信號(hào)前向傳播的同時(shí)誤差向后傳播。網(wǎng)絡(luò)預(yù)測(cè)模型的訓(xùn)練樣本為該電站半年的歷史功率數(shù)據(jù)，功率采集點(diǎn)間隔為15 min，然后用完成訓(xùn)練的小波神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)該電站第5 d的輸出功率，預(yù)測(cè)模型的輸入數(shù)據(jù)為預(yù)測(cè)日前4 d的早5:30到18:00的各時(shí)刻的輸出功率Mi（t-1）、Mi（t-2）、Mi（t-3）、Mi（t-4），模型的輸出數(shù)據(jù)為預(yù)測(cè)日各時(shí)刻的輸出功率，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

在小波神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，Mi（t-1）、Mi（t-2）、Mi（t-3）和Mi（t-4）為網(wǎng)絡(luò)的輸入?yún)?shù)，Mi（t）為網(wǎng)絡(luò)的輸出參數(shù)，ωij表示輸出層與隱含層的連接權(quán)值，ωik表示隱含層與輸出層的連接權(quán)值，h（j）表示隱含層第j個(gè)節(jié)點(diǎn)的輸出值，y（k）表示輸出層第k個(gè)節(jié)點(diǎn)的輸出值，bj表示小波基函數(shù)hj的平移因子，aj表示小波基函數(shù)hj的伸縮因子，hj表示Morlet母小波基函數(shù)。以序列Xi代表輸入?yún)?shù)，則隱含層第j各節(jié)點(diǎn)的輸出值和輸出層第k個(gè)節(jié)點(diǎn)的輸出值如式1、式2所示：

圖1　小波神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1　Topological structure of wavelet neural network

圖2　光伏系統(tǒng)短期發(fā)電功率預(yù)測(cè)基本結(jié)構(gòu)Fig.2　The basic architecture of short-term power prediction for the photovoltaic system

1.2氣象條件聚類(lèi)識(shí)別的預(yù)測(cè)模型

不同的氣象條件會(huì)對(duì)光伏系統(tǒng)的發(fā)電功率產(chǎn)生顯著的影響，為了提高預(yù)測(cè)模型的準(zhǔn)確度，需對(duì)不同的氣象條件進(jìn)行聚類(lèi)，然后在此基礎(chǔ)上建立預(yù)測(cè)模型。首先根據(jù)不同季節(jié)將氣象條件歷史數(shù)據(jù)進(jìn)行預(yù)分類(lèi)，然后采用SOM網(wǎng)絡(luò)在預(yù)分類(lèi)中按照輻照強(qiáng)度、溫度、濕度、風(fēng)向、風(fēng)速五個(gè)方面進(jìn)行聚類(lèi)，選出與待預(yù)測(cè)日氣象條件相似的歷史數(shù)據(jù)，作為建立預(yù)測(cè)模型用的訓(xùn)練樣本。最后利用聚類(lèi)后的相似樣本建立預(yù)測(cè)模型，以與預(yù)測(cè)日氣象條件相似的預(yù)測(cè)輸出功率作為輸入，預(yù)測(cè)日的實(shí)際輸出功率作為輸出，經(jīng)過(guò)訓(xùn)練后得到光伏發(fā)電功率短期預(yù)測(cè)模型，其基本架構(gòu)如圖2所示。

1.3小型氣象站設(shè)計(jì)

本文所設(shè)計(jì)的小型氣象站，能實(shí)時(shí)掌握光伏電站所處環(huán)境的輻照強(qiáng)度、溫度、濕度、風(fēng)向、風(fēng)速等環(huán)境因素。

在系統(tǒng)的硬件設(shè)計(jì)中，選用SM3560M型號(hào)的輻照強(qiáng)度傳感器測(cè)量環(huán)境的輻照強(qiáng)度，選用SHT11型號(hào)的溫濕度傳感器測(cè)量環(huán)境的溫度、濕度，選用JL-FX2型號(hào)的風(fēng)向傳感器測(cè)量環(huán)境的風(fēng)向，選用JL-FS2型號(hào)的風(fēng)速傳感器測(cè)量環(huán)境的風(fēng)速，選用56F8013型號(hào)的DSP主控芯片進(jìn)行數(shù)據(jù)的處理。

輻照強(qiáng)度傳感器、溫濕度傳感器、風(fēng)向傳感器能夠?qū)⒉杉降沫h(huán)境參數(shù)值轉(zhuǎn)變?yōu)?～20 mA的電信號(hào)并能夠?qū)㈦娏餍盘?hào)轉(zhuǎn)換為電壓信號(hào)，同時(shí)將電壓穩(wěn)幅在0～3.3 V之間，然后輸入到DSP的ADC模塊進(jìn)行A/D轉(zhuǎn)換。為了避免對(duì)采集到的模擬信號(hào)產(chǎn)生干擾，需要非常大的調(diào)理電路輸入阻抗；但為了提高傳感器所采集模擬信號(hào)的精度，必須使DSP的ADC模塊的內(nèi)部阻抗遠(yuǎn)遠(yuǎn)大于外圍ADC輸入調(diào)理電路的阻抗，故本文所采用的輻照強(qiáng)度傳感器、風(fēng)向傳感器和溫濕度傳感器的調(diào)理電路分別如圖3、圖4、圖5所示。

圖3　輻照強(qiáng)度信號(hào)調(diào)理電路Fig.3　The regulation circuit of the irradiation intensity signal

圖4　風(fēng)向傳感器信號(hào)調(diào)理電路Fig.4　The regulation circuit of the wind direction sensor signal

風(fēng)速傳感器輸出的脈沖信號(hào)，風(fēng)速隨著單位時(shí)間內(nèi)脈沖個(gè)數(shù)的增加線性增加，其調(diào)理電路如圖6所示。

圖5　溫濕度傳感器信號(hào)調(diào)理電路Fig.5　The regulation circuit of the temperature and humidity sensorsignal

圖6　風(fēng)速傳感器信號(hào)調(diào)理電路Fig.6　The regulation circuit of the windspeed sensorsignal

系統(tǒng)的軟件總體上由主程序和實(shí)時(shí)中斷程序兩部分組成，主程序主要完成系統(tǒng)各外設(shè)模塊和其寄存器的初始化設(shè)置、變量的初始化賦值等工作；中斷程序主要完成輻照強(qiáng)度、溫度、濕度、風(fēng)向、風(fēng)速等氣象參數(shù)的采集，采樣周期為100 m/μs，與DSP主控芯片的通訊時(shí)間間隔為1 s。軟件的具體功能可通過(guò)Labview編寫(xiě)實(shí)現(xiàn)，將傳感器采集的具體氣象數(shù)據(jù)存儲(chǔ)在SQL Server數(shù)據(jù)庫(kù)中，并可在相應(yīng)上位機(jī)軟件界面展示。

1.4光伏電站監(jiān)控系統(tǒng)設(shè)計(jì)

掌握大量的光伏電站運(yùn)行數(shù)據(jù)是進(jìn)行光伏電站發(fā)電功率預(yù)測(cè)的前提，所以需要建立光伏電站監(jiān)控系統(tǒng)。為了降低成本并減少系統(tǒng)維護(hù)與升級(jí)的工作量，采用B/S系統(tǒng)體系結(jié)構(gòu)。光伏電站監(jiān)控系統(tǒng)能夠采集光伏電站運(yùn)行的各種參數(shù)，系統(tǒng)軟件層面通過(guò)TCP/IP協(xié)議與電站逆變器連接并取得逆變器的實(shí)時(shí)工作參數(shù)，然后服務(wù)器將取得的數(shù)據(jù)存儲(chǔ)到數(shù)據(jù)庫(kù)，同時(shí)進(jìn)行數(shù)據(jù)的分析、統(tǒng)計(jì)生成歷史數(shù)據(jù)報(bào)表、日?qǐng)?bào)數(shù)據(jù)報(bào)表和年報(bào)數(shù)據(jù)報(bào)表等?？蛻?hù)端可通過(guò)瀏取得實(shí)時(shí)取得電站的工作參數(shù)、歷史數(shù)據(jù)、年報(bào)數(shù)據(jù)等各類(lèi)報(bào)表。

2　結(jié)果與分析

2.1小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)比實(shí)驗(yàn)

預(yù)測(cè)模型的輸入數(shù)據(jù)為預(yù)測(cè)日前4 d的某時(shí)刻的實(shí)測(cè)功率值，小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果如圖7所示，絕對(duì)誤差百分比和均方根誤差如表1所示。

從圖7中可以看出，小波神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與實(shí)際值趨勢(shì)基本相同，且部分點(diǎn)的預(yù)測(cè)值等于實(shí)際值；而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與實(shí)際值的吻合程度明顯低于小波神經(jīng)網(wǎng)絡(luò)模型，尤其在波谷波峰處。由此說(shuō)明小波神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度高于BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度，證明了小波神經(jīng)網(wǎng)絡(luò)處理局部問(wèn)題的優(yōu)勢(shì)。

表1　預(yù)測(cè)結(jié)果評(píng)估表Table 1 Evaluation on the prediction results

表1為小波神經(jīng)網(wǎng)絡(luò)模型與BP神經(jīng)網(wǎng)絡(luò)模型4 d的預(yù)測(cè)值誤差對(duì)比，從表中可以看出，在絕對(duì)誤差百分比方面，小波神經(jīng)網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)的均值降低了9.01%；在均方根誤差方面，小波神經(jīng)網(wǎng)絡(luò)模型比BP神經(jīng)網(wǎng)絡(luò)的均值降低了9.49%。證明了小波神經(jīng)網(wǎng)絡(luò)在光伏發(fā)電功率預(yù)測(cè)方面的優(yōu)勢(shì)，大大提高了預(yù)測(cè)精度。

2.2氣象條件聚類(lèi)識(shí)別的小波神經(jīng)網(wǎng)絡(luò)模型與其它模型的對(duì)比實(shí)驗(yàn)

氣象條件聚類(lèi)分析訓(xùn)練樣本共m個(gè)，每個(gè)訓(xùn)練樣本的變量為輻照強(qiáng)度、溫度、濕度、風(fēng)向、風(fēng)速，網(wǎng)絡(luò)訓(xùn)練總的輸入變量為x（m×5）個(gè)，完成訓(xùn)練后，特征上相似的模式類(lèi)別在幾何上表現(xiàn)為相互接近，可將幾何上互相接近的點(diǎn)其劃分為一類(lèi)。為驗(yàn)證天氣突變情況下氣象條件聚類(lèi)識(shí)別預(yù)測(cè)時(shí)的優(yōu)勢(shì)，選擇的預(yù)測(cè)日氣象類(lèi)型均為天氣突變?nèi)铡４藢?shí)驗(yàn)共采用四種類(lèi)型的預(yù)測(cè)模型，其中，A1代表BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，A2代表小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，B1代表氣象條件聚類(lèi)識(shí)別的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，B2代表氣象條件聚類(lèi)識(shí)別的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

從圖8中可以看出，A2的預(yù)測(cè)值與實(shí)際值無(wú)法保持相同趨勢(shì)，但B2的預(yù)測(cè)值與實(shí)際能夠基本保持趨勢(shì)一致，且部分點(diǎn)的預(yù)測(cè)值與實(shí)際值重合。說(shuō)明在天氣突變情況下，氣象條件聚類(lèi)識(shí)別的預(yù)測(cè)模型有很大的優(yōu)勢(shì)。這是由于經(jīng)過(guò)氣象條件聚類(lèi)識(shí)別后，能夠選取與預(yù)測(cè)日的氣象類(lèi)型相同的預(yù)測(cè)子模型，而氣象類(lèi)型相同其功率變化規(guī)律也就基本一致。

從圖9中可以看出，B2的預(yù)測(cè)值與實(shí)際能夠基本保持趨勢(shì)一致，且部分點(diǎn)的預(yù)測(cè)值與實(shí)際值重合，而B(niǎo)1的預(yù)測(cè)值與實(shí)際值的吻合程度略低于B2，但局部區(qū)域的點(diǎn)預(yù)測(cè)值與實(shí)際值差別較大。說(shuō)明經(jīng)過(guò)氣象聚類(lèi)識(shí)別后，功率的預(yù)測(cè)值基本與實(shí)際值一致，但BP神經(jīng)網(wǎng)絡(luò)模型在局部區(qū)域點(diǎn)的預(yù)測(cè)能力不如小波神經(jīng)網(wǎng)絡(luò)模型，尤其是在波峰、波谷等發(fā)生突變的點(diǎn)，該結(jié)果進(jìn)一步驗(yàn)證了小波神經(jīng)網(wǎng)絡(luò)在處理局部問(wèn)題的優(yōu)越性。

圖8　B2與A2的功率預(yù)測(cè)對(duì)比曲線Fig.8　Contrsative curves of the prediction forA2, B2 powers

圖9　B2與B1功率預(yù)測(cè)對(duì)比曲線Fig.9　Contrastive curves of the prediction for B2, B1 powers

表2為A1、A2、B1和B2模型的預(yù)測(cè)結(jié)果評(píng)估，從表中可以看出，各模型絕對(duì)誤差百分比的均值排列順序?yàn)椋築2＜A2＜B1＜A1；各模型的均方根誤差均值排列順序?yàn)椋築2＜A2＜B1＜A1。其中，B1的絕對(duì)誤差百分比均值較A1降低了5.75%，均方根誤差均值降低了7.74%，B2的絕對(duì)誤差百分比均值較A2降低了2.18%，均方根誤差均值降低了2.16%，證明了氣象條件聚類(lèi)識(shí)別對(duì)模型的預(yù)測(cè)精度有提高，可以用于光伏發(fā)電功率預(yù)測(cè)模型；A2的絕對(duì)誤差百分比均值較A1降低了9.01%，均方根誤差均值降低了9.49%；B2的絕對(duì)誤差百分比均值較B1降低了5.44%，均方根誤差均值降低了3.91%，再次證明了小波神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)的精度有提高，也可用于光伏發(fā)電功率預(yù)測(cè)模型。綜上，將天氣聚類(lèi)識(shí)別和小波神經(jīng)網(wǎng)絡(luò)同時(shí)應(yīng)用于預(yù)測(cè)模型對(duì)預(yù)測(cè)精度的提高最大。

表2　預(yù)測(cè)結(jié)果評(píng)估表Table 2 Evaluation on the prediction results

2.3小型氣象站的測(cè)試實(shí)驗(yàn)

在傳感器、DSP芯片和所有電路組裝完成小型氣象站后，將編寫(xiě)的軟件植入小型氣象站DSP。然后對(duì)其進(jìn)行測(cè)試實(shí)驗(yàn)，經(jīng)過(guò)較長(zhǎng)時(shí)間的測(cè)試，氣象站數(shù)據(jù)采集準(zhǔn)確、傳輸穩(wěn)定，具體實(shí)驗(yàn)結(jié)果如表3所示，能夠滿(mǎn)足光伏電站對(duì)氣象數(shù)據(jù)的需求。說(shuō)明所設(shè)計(jì)的小型氣象站能夠完成對(duì)電站氣象數(shù)據(jù)的監(jiān)測(cè)。

表3　小型氣象站實(shí)驗(yàn)結(jié)果Table 3 Experimental results in small meteorological stations

2.4光伏電站監(jiān)控系統(tǒng)功能實(shí)驗(yàn)

本文設(shè)計(jì)的光伏電站監(jiān)控系統(tǒng)可以完成電站數(shù)據(jù)的日?qǐng)?bào)檢索、歷史數(shù)據(jù)查詢(xún)、下發(fā)數(shù)據(jù)、基站管理和用戶(hù)管理等功能，此處僅針核心功能的日?qǐng)?bào)檢索、歷史數(shù)據(jù)的查詢(xún)功能進(jìn)行驗(yàn)證。

日?qǐng)?bào)檢索功能實(shí)現(xiàn)通過(guò)起始日期、終止日期和基站三個(gè)條件檢索日?qǐng)?bào)數(shù)據(jù)，日?qǐng)?bào)數(shù)據(jù)可以通過(guò)用戶(hù)自定義曲線界面生成相應(yīng)曲線或者導(dǎo)出到Excel，通過(guò)實(shí)驗(yàn)驗(yàn)證，其功能正常。

歷史數(shù)據(jù)查詢(xún)功能可實(shí)現(xiàn)對(duì)各逆變器定期、定時(shí)上傳到服務(wù)器的消息進(jìn)行查詢(xún)，同時(shí)允許用戶(hù)將查詢(xún)到的數(shù)據(jù)導(dǎo)出到Excel。查詢(xún)某日的幾個(gè)逆變器到處的數(shù)據(jù)如表4所示：

表4　歷史數(shù)據(jù)查詢(xún)報(bào)表Table 4 The historical data query statements

3　討論

本文采用直接預(yù)測(cè)模型研究了光伏電站功率短期預(yù)測(cè)問(wèn)題，但電站的歷史數(shù)據(jù)會(huì)受人為因素的影響（如電網(wǎng)限電或電網(wǎng)檢修等），在模型建立前必須對(duì)無(wú)效數(shù)據(jù)進(jìn)行剔除。隨著以后太陽(yáng)輻照觀測(cè)點(diǎn)數(shù)量的不斷增加[8]，可以通過(guò)太陽(yáng)輻照強(qiáng)度與發(fā)電功率之間的函數(shù)關(guān)系，對(duì)光伏發(fā)電功率進(jìn)行間接預(yù)測(cè)。待條件成熟時(shí)，可將對(duì)光伏發(fā)電功率的直接預(yù)測(cè)和間接預(yù)測(cè)方法結(jié)合起來(lái)，實(shí)現(xiàn)對(duì)光伏發(fā)電功率的更精準(zhǔn)預(yù)測(cè)，從而解決大規(guī)模光伏并網(wǎng)發(fā)電給電網(wǎng)造成的調(diào)峰、調(diào)度等難題，對(duì)大規(guī)模光伏并網(wǎng)發(fā)電的推廣應(yīng)用具有重要的經(jīng)濟(jì)意義。

4　結(jié)論

4.1光伏發(fā)電短期功率預(yù)測(cè)模型研究

本文從理論方面研究了小波神經(jīng)網(wǎng)絡(luò)和氣象條件聚類(lèi)識(shí)別在光伏發(fā)電短期功率預(yù)測(cè)方面的可行性，然后通過(guò)對(duì)比實(shí)驗(yàn)證明了小波神經(jīng)網(wǎng)絡(luò)和氣象條件聚類(lèi)識(shí)別對(duì)預(yù)測(cè)的精確度都有所提高。最后提出了同時(shí)將小波神經(jīng)網(wǎng)絡(luò)和氣象條件聚類(lèi)識(shí)別應(yīng)用到光伏發(fā)電短期功率的預(yù)測(cè)模型中，能夠大大的提高預(yù)測(cè)精度。

4.2小型氣象站與電站監(jiān)控系統(tǒng)的設(shè)計(jì)

本文所設(shè)計(jì)的小型氣象站能夠滿(mǎn)足光伏電站預(yù)測(cè)模型對(duì)氣象條件的精確度要求，設(shè)計(jì)的電站監(jiān)控系統(tǒng)所采集的數(shù)據(jù)能夠滿(mǎn)足小波神經(jīng)網(wǎng)絡(luò)和氣象條件聚類(lèi)識(shí)別對(duì)訓(xùn)練樣本的要求。通過(guò)上述系統(tǒng)結(jié)合小波神經(jīng)網(wǎng)絡(luò)和氣象條件聚類(lèi)識(shí)別預(yù)測(cè)模型，就能夠?qū)夥l(fā)電短期功率進(jìn)行較為準(zhǔn)確的預(yù)測(cè)。

參考文獻(xiàn)

[1] Kudo M，Nozaki Y，Endo H，et al. Forecasting electric power generation in a photovoltaic power system for an energy network [J]. Electrical Engineering in Japan，2012，167（4）:16-23

[2] Lorenz E，Hurka J，Heinemann D，et al. Irradiance Forecasting for the Power Prediction of Grid-connected Photovoltaic Systems [J]. IEEE Journal of SelectedTopics in Applied Earth Observations and Remote Sensing，2012，2（1）:2-10

[3] Yona A，Senjyu T，F(xiàn)unabash IT. Application of recurrent neural network to short term ahead generating power forecasting for photovoltaic system[C]. IEEE Power Engineering Society General Meeting，2013

[4]馬寧.太陽(yáng)能光伏發(fā)電概述及發(fā)展前景[J].智能建筑電氣技術(shù)，2013，5（2）:25-28

[5]沈芍，梁雪春.大力支持太陽(yáng)能產(chǎn)業(yè)的可行性分析[J].生態(tài)經(jīng)濟(jì)，2012，11（1）:105-107

[6]賀琳，李英姿.改進(jìn)GM（1，1）殘差修正模型在光伏發(fā)電量短期預(yù)測(cè)中的應(yīng)用[J].北京建筑工程學(xué)院學(xué)報(bào)，2011，24（12）:61-65

[7]李國(guó)勇.神經(jīng)模糊控制理論及應(yīng)用[M].北京:電子工業(yè)出版社，2009

[8]李雷，郭眾.中國(guó)光伏產(chǎn)業(yè)發(fā)展現(xiàn)狀及若干問(wèn)題的思考[J].中外能源，2014，15（9）:38-41

The Short-term Prediction Model of Photovoltaic Grid Power Generation and the Design for Monitoring System of a Power Station

LIN Song
Zhejiang Industry Polytechnic College, Shaoxing 312000，China

Abstract:At present，there is a large fluctuation and randomicity in output power of the large-scale photovoltaic（pv）grid power generation system. To accurately predict the output power in order to solve problems of peak regulation and schedule in photovoltaic grid，this paper set up a low cost small meteorological station real-time monitoring the environment parameters such as radiation intensity，temperature，humidity，wind direction，wind speed etc. and a monitoring system to monitor the operation condition of the photovoltaic power station and gather the data of meteorology to apply to the identification of the meteorological conditions and the prediction model of a short-term power in the photovoltaic power generation system of wavelet neural network so as to realize the accurate prediction for an output power in the large-scale photovoltaic（pv）grid power system and it could have an important significance to generate and apply in a large-scale photovoltaic（pv）grid power generation system.

Keywords:Photovoltaic power generation system；power prediction model；photovoltaic power station monitoring system

作者簡(jiǎn)介：林嵩（1969-），男，浙江遂昌人，本科，高級(jí)實(shí)驗(yàn)師，主要研究方向:電氣自動(dòng)化、智能家居. E-mail:linsong077@163.com

收稿日期：2015-01-05修回日期：2015-03-06

中圖法分類(lèi)號(hào)：TM615

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-2324（2016）01-0083-05