专利名称：一种应用于光伏发电系统的短期发电功率预测方法
技术领域：
本发明涉及一种应用于光伏发电系统的短期发电功率预测方法，具体的说，涉及一种基于经验模态分解(Empirical Mode Decomposition,简称EMD)和遗传算法-BP神经网络(Genetic Algorithm-Back Propagation NeuralNetwork,简称 GA-BPNN)的短期光伏发电预测方法。
背景技术：
由于化石燃料的日益枯竭及其所带来的环境污染问题，世界各国都在不遗余力地发展利用可再生能源。而地球所接受到的太阳能，虽只占太阳表面发出的全部能量的二十亿分之一左右，但是这些能量相当于全球所需总能量的3-4万倍，可谓取之不尽，用之不竭。太阳能和石油、煤炭等矿物燃料不同，不会导致“温室效应”和全球性气候变化，也不会造成环境污染。太阳能已经成为世界各国缓解化石燃料资源不足，改善环境的重要战略之一，已经被列为21世纪的重要替代能源。而将太阳光直接转化为电能，即光伏发电是运用最广泛，最有发展前途的太阳能利用技术。随着技术的不断进步和光伏组件成本的逐步降低，光伏发电与传统能源发电方式相比具有愈来愈显著的社会效益和经济效益。我国拥有丰富的太阳能资源，在光伏发电领域也取得了很大的进展，并且实施了《可再生能源法》，为发展光伏发电提供了法律保障。目前，光伏发电已具备大规模商业开发的技术和经济条件，其在大电网中所占的比例不断提闻。但是，太阳能受天气、季节、大气情况、云层厚度等等多种因素影响再加上各用户或小区使用的光伏电池种类及其安装位置随机，使光伏发电成为属于波动性和间歇性电源。光伏发电系统相对于大电网是一个不可控源，随着大量的光伏发电接入电网，势必会对电力系统的安全、稳定运行以及保证电能质量带来严峻挑战，从而限制光伏发电的发展规模。同时，由于电能的特殊性，即生产、输送、分配、消费是同时进行的，电能难以贮存，或者说贮存能力极小而代价高昂。光伏发电应该在满足系统内负荷需求的情况下，生产多少就使用多少。从发电企业(光伏发电场)的角度来考虑，将来光伏发电一旦参与市场竞争，相比于其它可控的发电方式，光伏发电的间歇性将大大削弱光伏发电的竞争力，而且还会由于供电的不可靠性受到经济损失。提前对光伏发电功率进行预测，将在很大程度上提高光伏发电的市场竞争力。综上可知，对光伏发电的发电功率进行短期预测，将使电力调度部门能够提前根据发电功率变化及时调整调度计划，保证电能质量，减少系统的备用容量，降低电力系统运行成本。同时，这也是减轻光伏发电对电网造成不利影响、提高电网中光伏发电比例的一种有效途径。
发明内容
本发明所要解决的技术问题是设计开发一种基于经验模态分解和遗传算法-BP神经网络的短期光伏发电功率预测方法，能够准确的预测光伏发电系统的发电功率，使电力调度部门能够合理调度发电容量，充分的利用太阳能资源，获得更多的经济效益和社会效益。为了解决上述技术问题，本发明采用以下技术方案—种应用于光伏发电系统的短期发电功率预测方法，其特征在于它包括两个阶段①将原始发电功率信号进行经验模态分解；②为每个分解分量构建基于遗传算法的BP神经网络预测模型；I)原始发电功率信号进行经验模态分解首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集，将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号;2)构建BP神经网络预测模型针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点，分别为其构建基于遗传算法的BP神经网络预测模型，并聚合各个分量的预测值得到最终的发电功率预 测结果。给的一个原始信号s (t)，经验模态分解过程如下I)找出s(t)的所有极值点，并用三次样条插值函数拟合形成原数据的上包络线smax(t);同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线Smin (t);2)计算上包络线和下包络线的平均值111」(0 = (8_(0+8_(0)/2，提取剩余部分
hj (t) =Sj (t) -1nj (t)；3)检查比(t)是否是一个本征模函数，如果是，则C1=Iij (t)，就提取出了一个本征模分量c1;如果不是，则用hjt)代替s(t)，重复(I) (2)两步直到它是一个本征模函数或者达到设定的分解阈值；4)将!^⑴-卜⑴作为一个新的信号r(t)，对r(t)重复上述步骤直到获取所有的本征模函数IMFs Cl(t)，..，Cn(t)或使r(t)变为一个单极函数；经过上述的分解步骤，则原始信号s (t)可以表示为s (t) =Hf=1 Ci + r(t)其中，n是分解得到的本征模函数数量，Ci(i=l,2,，!!)是本征模函数，r是分解得到的剩余分量。BP神经网络预测模型使用输入层、隐藏层和输出层三层结构，其中，输入层具有26个输入变量，这些变量分别是预测日前两天7:00-18:00每个小时的发电量、环境温度和天气类型，预测模型的输出则是一个小时的光伏发电预测量，隐藏层神经元的数目通过多次试验获得。所述BP神经网络预测模型的遗传学习算法包括三个步骤初始种族数目，计算适应度函数，遗传算子操作，其中遗传算子操作包括三种基本操作算子选择，交叉和变异，遗传算法步骤I)产生初始种族预测模型使用Sigmoid函数作为隐藏层的传输函数，W1定义为输入层与隐藏层之间的权重矩阵，W2定义为隐藏层和输出层之间的权重矩阵，Qpe2分别定义为隐藏层和输出层的阈值矩阵，P定义为Sigmoid函数中定义的形状参数，染色体定义如下
Xi = { ^ , W1, W2, Q1, 0 2}预测模型使用随机数产生器来生成T个个体，经过多次试验表明当T在[50，200]中是最合适的；2)计算适应度函数遗传算法的目标是搜索个体Xi来最小化神经网络的总体误差O T，适应度函数的定义为总体误差O T加上Y的倒数，其中，Y是(0,0.01]之间的一个正数，O T是为预测值与实际值的方差倒数；3)遗传算子操作A.选择算子选出较优的个体并淘汰次优的个体，使用适应度比例算法作为选择算子，个体的选中概率正比于其适应度函数；B.交叉算子染色体采用实数编码，交叉算子采用算术交叉算子，算术交叉算子使用两个个体的线性组合出生一个新的个体；C.变异算子使用高斯算子作为变异算子，在均匀分布值随机选择一个变量，加上一个符合高斯分布N(0，O2)的随机干扰变量。本课题研制的短期光伏发电功率预测方法具有以下优点和积极效果(I)对运行中的太阳能发 电站的发电功率进行预测，提前预测发电功率变化的情况，从而可以优化电网调度，降低电力系统运行成本并保证电网平稳运行。由于太阳能具有波动性、间歇性等特点，因此，光伏发电电功率也是波动的、间歇的。当光伏发电在电网中所占的比例很小时，上述特点不会对电网带来明显影响。但是，随着光伏发电装机容量的迅猛发展，光伏发电在电网中的比例不断增加，一旦超过某个比例，接入电网的光伏发电将会对电力系统的安全、稳定运行以及保证电能质量带来严峻挑战。解决这些问题的关键就是对光伏发电功率进行预测。(2)合理调度发电容量，满足电力市场交易需要，为光伏发电商业发展提供有利条件。充分的利用太阳能资源，获得更多的经济效益和社会效益。综上所述，采用本发明提出的短期光伏发电预测系统好处主要表现在提前进行准确的光伏发电功率预测，可以确定传统电网与光伏发电微网的电流流动方向，制定电力系统的调度方案并降低电力系统运行成本；同时，还能提前制定能源储备规划，减少光伏发电的不可控性和间歇性对大电网造成不利影响，增强光伏发电的市场竞争优势。同时，本系统也是将人工神经网络、遗传算法等计算机技术运用于光伏发电功率预测的一个先例，具有很大的新颖性和实用性。
图1是本发明的预测方案整体结构2是本发明的经验模态分解流程3是本发明的BP神经网络预测模型结构4是本发明使用的遗传算法流程5是发电功率原始数据曲线6是预处理后发电功率曲线7是经验模态分分解结果8是经验模态分解的各分量预测结果图。
具体实施例方式图1是本发明的预测方案整体流程图。图5是发电功率原始数据曲线图，图6是预处理后发电功率曲线图。一种应用于光伏发电系统的短期发电功率预测方法，它包括两个阶段①将原始发电功率信号进行经验模态分解为每个分解分量构建基于遗传算法的BP神经网络预测模型；I)原始发电功率信号进行经验模态分解首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集，将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号;2)构建BP神经网络预测模型针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点，分别为其构建基于遗传算法的BP神经网络预测模型，并聚合各个分量的预测值得到最终的发电功率预测结果。本发明使用经验模态分解来分解非线性和非平稳的光伏发电功率信号。经验模态分解是一种新的分解分解非线性和非平稳信号的信号分解方法，它由NASA的黄锷博士于1998年提出。其分解原理基于下面的假设(I)原始信号至少具有一个最大值和一个最小值；(2)数据的局部时域特性是由极值点间的时间尺度唯一确定如果数据没有极值点但有拐点，则可以通过对数据微分一次或多次求得极值，然后再通过积分来获得分解结果。经验模态分解尤其适合于非线性信号的分解。它只依据数据本身的时间尺度特征，将原始信号分解为几个本征模分量和一个剩余分量。本征模分量满足下面两个条件⑴在函数在整个时间范围内，局部极值点和过零点的数目必须相等，或最多相差一个；⑵在任意时刻点，局部最大值的包络(上包络线)和局部最小值的包络(下包络线)平均必须为零。图2是本发明的经验模态分解流程图。给的一个原始信号s (t)，经验模态分解过程如下(1)找出s(t)的 所有极值点，并用三次样条插值函数拟合形成原数据的上包络线Smax(t);同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线Smin⑴。(2 )计算上包络线和下包络线的平均值m (t) = (Sfflax (t) +Sfflin⑴)/2，提取剩余部分hj(t) =Sj(t)-Hij (t)。(3)检查hj(t)是否是一个本征模函数(是否满足本征模函数的两个条件)。如果是，则Cl=h(t)，就提取出了一个本征模分量C1 ;如果不是，则用hj(t)代替s(t)，重复(1)(2)两步直到它是一个本征模函数或者达到设定的分解阈值。(4)将r=S(t)-h(t)作为一个新的信号r(t)，对r(t)重复上述步骤直到获取所有的本征模函数IMFs cjt),，cn(t)或使r(t)变为一个单极函数。经过上述的分解步骤，则原始信号s⑴可以表示为S (t) H1Ci+ r ⑴其中，n是分解得到的本征模函数数量，Ci(i=l,2,，!!)是本征模函数，r是分解得到的剩余分量。图3是本发明的BP神经网络预测模型结构图。本发明所提出的BP神经网络预测模型使用三层结构(输入层、隐藏层和输出层)。其中，输入层具有26个输入变量，这些变量分别是预测日前两天7:00-18:00每个小时的发电量(一个24个)，环境温度和天气类型(分为晴天、阴天和雨天三种类型)。预测模型的输出则是一个小时的光伏发电预测量。隐藏层神经元的数目通过多次试验获得。输出层只有一个变量，即各分量的预测结果。本发明所提出的预测模型的训练算法使用遗传算法。BP神经网络传统的学习算法是梯度下降法，例如动量反向传播的算法(MOBPR)和可变学习速率传播算法(VLBR)等。这些算法都有以下缺点(1)低学习效率和慢收敛；(2)对参数选择敏感且易陷入局部最优；(3)新加入的训练样本将会影响已经训练过的样本。鉴于梯度下降法具有的缺点，本发明使用遗传算法作为预测模型的学习算法来克服上述缺点。遗传算法由Holland[ll]于1975年提出。遗传算法是一种全局最优的渐进性最优搜索算法，其基本思想是模拟自然环境中的生物遗传和进化过程。它从多个点开始并行搜索，可以有效地防止陷入局部最优解。本发明所提出的预测模型使用遗传算法来找到问题的最优解，然后使用误差反向传播来确定最优的网络连接权重。本发明所提出的遗传学习算法包括三个步骤初始种族数目，计算适应度函数，遗传算子操作。其中，遗传算子操作包括三种基本操作算子选择，交叉和变异。图4是本发明使用的遗传算法流程图。本发明所提出的遗传算法步骤I)产生初始种族为了提高计算的准确性和效率，本发明直接使用真实数字进行编码。本发明构建的预测模型使用Sigmoid函数作为隐藏层的传输函数。W1定义为输入层与隐藏层之间的权重矩阵，W2定义为隐藏层和输出层之间的权重矩阵。Q1, 0 2分别定义为隐藏层和输出层的阈值矩阵，P定义为Sigmoid函数中定义的形状参数。染色体定义如下Xi = { ^ , W1, W2, Q1, 0 2}种族数目直接影响到遗传算法的收敛速率和计算效率。本发明所提出的模型使用随机数产生器来生成T个个体，经过多次试验表明当T在[50，200]中是最合适的。2)计算适应度函数遗传算法的目标是搜索个体Xi来最小化神经网络的总体误差0 T。因此，适应度函数的定义为总体误差0 T加上Y的倒数。其中，Y是(0,0.01]之间的一个正数，0 T是为预测值与实际值的方差倒数。3)遗传算子操作A.选择算子选择算子的功能是选出较优的个体并淘汰次优的个体。本发明使用适应度比例算法作为选择算子，个体的选中概率正比于其适应度函数。B.交叉算子由于染色体采用实数编码，本发明的交叉算子采用算术交叉算子。算术交叉算子使用两个个体的线性组合出生一个新的个体。C.变异算子变异算子的作用是改变群体中个体的基因值。本发明使用高斯算子作为变异算子。在均匀分布值随机选择一个变量，加上一个符合高斯分布N(0，O2)的随机干扰变量。图7是经验模态分分解结果图Empirical Mode Decompo sition:经验模态分解，简称 EMDimfl :经验模态分解分量一
imf2 :经验模态分解分量二imf3 :经验模态分解分量三imf4 :经验模态分解分量四imf5 :经验模态分解分量五imf6 :经验模态分解分量六imf7 :经验模态分解分量七RES :经验模态分解剩余分量。图8经验模态分解的各分量预测结果图imfl :经验模态分解分量一imf2 :经验模态分解分量二imf3 :经验模态分解分量三imf4 :经验模态分解分量四imf5 :经验模态分解分量五imf6 :经验模态分解分量六imf7 :经验模态分 解分量七RES :经验模态分解剩余分量Actual power:发电功率实际曲线Predicted power :发电功率预测曲线。表一预测精度对比
预测模型平均绝对百分均方根误平均归-化
__比误差(%)差__绝对误差(%)
本专利提出的预测模型 ’21.5428.63 9.72
传统BP神经网络预测模型 36. 7557. 59 17. 4权利要求
1.一种应用于光伏发电系统的短期发电功率预测方法，其特征在于它包括两个阶段①将原始发电功率信号进行经验模态分解；②为每个分解分量构建基于遗传算法的BP神经网络预测模型； 1)原始发电功率信号进行经验模态分解首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集，将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号； 2)构建BP神经网络预测模型针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点，分别为其构建基于遗传算法的BP神经网络预测模型，并聚合各个分量的预测值得到最终的发电功率预测结果。
2.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法，其特征在于给的一个原始信号s (t)，经验模态分解过程如下 O找出s(t)的所有极值点，并用三次样条插值函数拟合形成原数据的上包络线smax(t);同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线smin (t)； 2)计算上包络线和下包络线的平均值πι」α)=(8_α)+^ηα))/2，提取剩余部分hj (t) =Sj (t) -nij (t)； 3)检查hj(t)是否是一个本征模函数，如果是，则C1=Iij (t)，就提取出了一个本征模分量c1;如果不是，则用h(t)代替s(t)，重复(I) (2)两步直到它是一个本征模函数或者达到设定的分解阈值； 4)将r=S(t)-h(t)作为一个新的信号r(t)，对r(t)重复上述步骤直到获取所有的本征模函数MFs Cl(t)，..，Cn(t)或使r(t)变为一个单极函数； 经过上述的分解步骤，则原始信号s (t)可以表示为 s (t) =Ef=I Ci+ r(t) 其中，η是分解得到的本征模函数数量，Ci (i=l，2，一,η)是本征模函数，r是分解得到的剩余分量。
3.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法，其特征在于BP神经网络预测模型使用输入层、隐藏层和输出层三层结构，其中，输入层具有26个输入变量，这些变量分别是预测日前两天7:00-18:00每个小时的发电量、环境温度和天气类型，预测模型的输出则是一个小时的光伏发电预测量，隐藏层神经元的数目通过多次试验获得。
4.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法，其特征在于所述BP神经网络预测模型的遗传学习算法包括三个步骤初始种族数目，计算适应度函数，遗传算子操作，其中遗传算子操作包括三种基本操作算子选择，交叉和变异，遗传算法步骤 I)产生初始种族预测模型使用Sigmoid函数作为隐藏层的传输函数，W1定义为输入层与隐藏层之间的权重矩阵，W2定义为隐藏层和输出层之间的权重矩阵，QpQ2分别定义为隐藏层和输出层的阈值矩阵，β定义为Sigmoid函数中定义的形状参数，染色体定义如下Xi = { β，W1, W2, θ I，θ预测模型使用随机数产生器来生成T个个体，经过多次试验表明当T在[50，200]中是最合适的； 2)计算适应度函数遗传算法的目标是搜索个体Xi来最小化神经网络的总体误差O T，适应度函数的定义为总体误差O T加上Y的倒数，其中，Y是(0,0.01]之间的一个正数，O T是为预测值与实际值的方差倒数； 3)遗传算子操作 A.选择算子选出较优的个体并淘汰次优的个体，使用适应度比例算法作为选择算子，个体的选中概率正比于其适应度函数； B.交叉算子染色体采用实数编码，交叉算子采用算术交叉算子，算术交叉算子使用两个个体的线性组合出生一个新的个体； C.变异算子使用高斯算子作为变异算子，在均匀分布值随机选择一个变量，加上一个符合闻斯分布N(0, O2)的 随机干扰变量。
全文摘要
本发明涉及一种应用于光伏发电系统的短期发电功率预测方法，其特征在于它包括两个阶段1、将原始发电功率信号进行经验模态分解；2、为每个分解分量构建基于遗传算法的BP神经网络预测模型。本发明的好处主要表现在提前进行准确的光伏发电功率预测，可以确定传统电网与光伏发电微网的电流流动方向，制定电力系统的调度方案并降低电力系统运行成本；同时，还能提前制定能源储备规划，减少光伏发电的不可控性和间歇性对大电网造成不利影响，增强光伏发电的市场竞争优势。同时，本系统也是将人工神经网络、遗传算法等计算机技术运用于光伏发电功率预测的一个先例，具有很大的新颖性和实用性。
文档编号G06Q50/06GK103049798SQ20121051649
公开日2013年4月17日 申请日期2012年12月5日 优先权日2012年12月5日
发明者郑增威, 陈垣毅, 霍梅梅 申请人:浙江大学城市学院