一种基于bp神经网络的光伏发电量预测方法
【技术领域】
[0001] 本发明设及光伏发电领域，具体设及一种基于BP神经网络的光伏发电量预测方 法。
【背景技术】
[0002] 随着社会的飞速发展，传统能源的大量消耗使人们在工业发展和日常生活中面临 关于不可再生能源耗尽和严重的环境污染等问题。太阳能作为一种可再生能源，由于干净、 环保、安全、成本低等特点，已成为人类使用能源的重要组成部分，并不断得到发展。
[0003] 大规模光伏发电是一种利用太阳能的有效方式，但太阳福射、大气温度、天气类型 和电池板温度等因素容易对光伏发电产生影响，并且呈非线性。因此，太阳能发电量的预测 对合理安排电器使用时间和最大限度利用太阳能资源、减小用电成本有着重要的意义。
[0004] 在国外，光伏产业发展势头迅猛，在国内市场，由于工程和制造技术、成本太高等 原因太阳能产业发展缓慢。近几年，在相关政策不断扶持和政府大力支持鼓励下，太阳能作 为新兴的无限再生能源，其前景十分广阔。
[0005] 在太阳能电池板发电的过程中，随着温度的上升，其转化率和输出功率都在不断 下降。因此，电池板的温度也成为影响太阳能光伏发电系统发电量的一种重要因素。
[0006] BP神经网络预测具有很强的非线性映射能力，善于从输入和输出信号中寻找规 律，不需要精确的数学模型，并且计算能力强，但是传统的算法易导致局部最小值，固定的 学习率在学习过程中易出现擁痕现象并且导致学习时间过长。
【发明内容】
[0007] 为解决现有技术中的不足，本发明提供一种基于BP神经网络的光伏发电量预测 方法，解决了光伏发电量预测精度低的问题，W及BP神经网络容易陷入局部极值，求解精 度低的问题。
[000引为了实现上述目标，本发明采用如下技术方案：一种基于BP神经网络的光伏发电 量预测方法，其特征在于：包括W下步骤：
[0009] (la)选取光伏发电量的影响因素，采集光伏发电量影响因素历史数据和其所对应 的光伏发电量历史数据，得到训练样本集；
[0010] (化）根据步骤（la)所得光伏发电量影响因素的历史数据生成输入向量，W其所 对应的光伏发电量的历史数据作为输出向量，并进行归一化处理，得到训练样本；
[0011] (Ic)利用步骤仙）所得训练样本对BP神经网络进行训练，得到训练后的BP神经 网络；
[0012] (Id)采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处 理，得到归一化处理后的预测输入向量；
[001引 （le)将步骤（Id)所述归一化处理后的预测输入向量输入BP神经网络，得到光 伏发电量预测输出向量，预测输出向量经反归一化处理得到待预测日的预测光伏发电量向 量。
[0014] 前述的一种基于BP神经网络的光伏发电量预测方法，其特征在于：所述步骤（la) 中光伏发电量的影响因素包括：待预测日前一天6 ;00-19 ;00时段的实际发电量、待预测日 6 ;00-19 ;00时段的太阳福射强度、待预测日6 ;00-19 ;00时段的天气温度和电池板温度； 所述步骤（la)中其所对应的光伏发电量为待预测日6 ;00-19 ;00时段的实际发电量。
[0015] 前述的一种基于BP神经网络的光伏发电量预测方法，其特征在于；所述待预测日 6 ;00-19 ;00时段的太阳福射强度巧，为；
[0016] 巧"=巧'+。'"|，巧=6,7，，..18; (1) 2
[0017] 式中，为第n个时段的太阳福射强度；G。为第n时刻的太阳福射强度，Gw为第 n+1时刻的太阳福射强度；
[0018] 所述待预测日6 ;00-19 ;00时段的天气温度巧为：
[0019] 7[山产,，灼=67，.. 18; (2)
[0020] 式中，为第n个时段的天气温度屯为第n时刻的天气温度；T。+1为第n+1时刻 的天气温度；
[002U 所述待预测日6 ;00-19 ;00时段的电池板温度巧。为：
[002引 +<22X巧,+。3，丹=6,7，...18; (3)
[002引式中，氏为第n个时段的电池板温度；ai为气温回归系数，32为太阳福射强度回归 系数，33为常数。
[0024] 前述的一种基于BP神经网络的光伏发电量预测方法，其特征在于：所述步骤（化） 具体包括步骤：
[0025] (4a)利用所得光伏发电量影响因素的历史数据构造输入向量，W其所对应的光伏 发电量的历史数据构造输出向量；
[0026] (4b)对步骤（4a)所得输入向量和输出向量进行归一化处理，得到归一化输入向 量和归一化输出向量，其中归一化处理的公式为：
【主权项】
1. 一种基于BP神经网络的光伏发电量预测方法，其特征在于：包括以下步骤： (la) 选取光伏发电量的影响因素，采集光伏发电量影响因素历史数据和其所对应的光 伏发电量历史数据，得到训练样本集； (lb) 根据步骤（la)所得光伏发电量影响因素的历史数据生成输入向量，以其所对应 的光伏发电量的历史数据作为输出向量，并进行归一化处理，得到训练样本； (lc) 利用步骤（lb)所得训练样本对BP神经网络进行训练，得到训练后的BP神经网 络； (ld) 采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处理，得 到归一化处理后的预测输入向量； (le) 将步骤（Id)所述归一化处理后的预测输入向量输入BP神经网络，得到光伏发电 量预测输出向量，预测输出向量经反归一化处理得到待预测日的预测光伏发电量向量。
2. 根据权利要求1所述的一种基于BP神经网络的光伏发电量预测方法，其特征在于： 所述步骤（la)中光伏发电量的影响因素包括：待预测日前一天6 :00-19 :00时段的实际发 电量、待预测日6 :00-19 :00时段的太阳辐射强度、待预测日6 :00-19 :00时段的天气温度 和电池板温度；所述步骤（la)中其所对应的光伏发电量为待预测日6 :00-19 :00时段的实 际发电量。
3. 根据权利要求2所述的一种基于BP神经网络的光伏发电量预测方法，其特征在于： 所述待预测日6 :00-19 :00时段的太阳辐射强度&为：
式中，G为第n个时段的太阳辐射强度；Gn为第n时刻的太阳辐射强度，Gn+1为第n+1 时刻的太阳辐射强度； 所述待预测日6 :00-19 :00时段的天气温度为：
式中，$为第n个时段的天气温度；Tn为第n时刻的天气温度；Tn+1为第n+1时刻的天 气温度； 所述待预测日6 :00-19 :00时段的电池板温度&为：
式中，t为第n个时段的电池板温度；ai为气温回归系数，a2为太阳辐射强度回归系 数，&3为常数。
4. 根据权利要求1所述的一种基于BP神经网络的光伏发电量预测方法，其特征在于： 所述步骤（lb)具体包括步骤： (4a)利用所得光伏发电量影响因素的历史数据构造输入向量，以其所对应的光伏发电 量的历史数据构造输出向量； (4b)对步骤（4a)所得输入向量和输出向量进行归一化处理，得到归一化输入向量和 归一化输出向量，其中归一化处理的公式为：
其中，h为输入层节点数，1为输出层节点数，xi，yi分别为归一化处理前光伏发电量原 始输入向量和原始输出向量中第i分量，'_分别为归一化处理前光伏发电量原始 输入向量中第i分量的最小值和最大值，yimin，\_分别为归一化处理前光伏发电量原始 输出向量中第i分量的最小值和最大值，巧、只分别为归一化处理后的原始输入向量和原 始输出向量中第i分量； (4c)保存归一化处理前光伏发电量原始输入向量中各分量的最小值'_和最大值Xi;max和原始输出向量中各分量的最小值yi;min和最大值yi;max。
5. 根据权利要求1所述的一种基于BP神经网络的光伏发电量预测方法，其特征是：所 述步骤（lc)中采用的BP神经网络结构包括输入层，隐含层和输出层；所述输入层节点数为 52个，包括光伏发电待预测日前一天6 :00-19 :00时段的实际发电量、待预测日6 :00-19 : 〇〇时段的太阳辐射强度、待预测日6 :00-19 :00时段的天气温度和电池板温度；所述输出 层节点数为13个，包括待预测日06:00-19:00时段的发电量；所述隐含层节点数由以下公 式确奋，
式中，m为隐含层节点数，ni为输入层节点数，1为输出层节点数，roundO为取整函数。
6. 根据权利要求1所述的一种基于BP神经网络的光伏发电量预测方法，其特征是：所 述步骤（lc)中的BP神经网络为弹性自适应BP神经网络，其学习率和权值大小按弹性自适 应规则进行调整，具体公式为：
式中，n(n)为第n次的学习率，a为大于1的常数；b为大于0小于1的常数；C为大 于1的常数；E(n)为第n次的神经元误差，由以下公式求得： z-k=\
其中为输出层节点数，ek(n)为输出层第k个神经元经过n次迭代后的误差信号，求 解公式为： ek(n) =dk(n)-mk(n) (10) 其中，dk(n)为输出层第k个神经元经过n次迭代后的期望输出；mk(n)为输出层第k个 神经元经过n次迭代后的实际输出； <H+1>为第i层第j个神经元第n+1次的权值；为第i层第j个神经元第n次的权 值变化量，求解公式为：
规昏标mrW欠雜關顯麵嫩加;沙，減iMBjf概綠n次的权值大小更新值，求解公式为：
7. 根据权利要求1所述的一种基于BP神经网络的光伏发电量预测方法，其特征在于： 所述步骤（Id)采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处 理，得到归一化处理后的预测输入向量，归一化公式为：
其中，A为归一化处理前的预测输入向量中第i个分量，（为归一化处理后预测输入 向量中第i个分量，Ximin，Xi，_分别为归一化处理前原始输入向量中第i个分量的最小值 和最大值。
8. 根据权利要求1所述的一种基于BP神经网络的光伏发电量预测方法，其特征在于： 所述步骤（le)中经过BP神经网络得到的光伏发电量预测输出向量经反归一化处理得到待 预测日的预测光伏发电量向量，反归一化处理的公式为：
式为经过BP神经网络预测得到的反归一化处理前的光伏发电量预测输出向量中第i 个分量，A为反归一化处理后的预测光伏发电量向量中第i个分量，y 分别为归 一化处理前原始输出向量中第i分量的最小值和最大值。
【专利摘要】本发明公开了一种基于BP神经网络的光伏发电量预测方法，包括步骤：选取光伏发电量影响因素的历史数据生成输入向量，以其所对应的光伏发电量的历史数据作为输出向量，得到训练样本；利用所得训练样本训练BP神经网络；选取影响光伏发电量因素的待预测日的数据输入BP神经网络，得到预测光伏发电量。本发明通过太阳辐射强度和温度数据，实现了太阳能光伏发电量的预测，针对BP神经网络易陷入局部极值的缺陷，提出了基于改进学习率和权值的弹性自适应规则的BP神经网络，较好地解决了算法陷入局部极值的问题，提高了光伏发电量的预测精度。
【IPC分类】G06Q10-04, G06Q50-06, G06N3-08
【公开号】CN104616085
【申请号】CN201510084657
【发明人】薛云灿, 王思睿, 李彬, 蔡昌春, 孙德银, 陈波, 李伟
【申请人】河海大学常州校区, 常州瑞信电子科技有限公司
【公开日】2015年5月13日
【申请日】2015年2月16日