多维度同构异质bp神经网络光功率超短期预测方法
【技术领域】
[0001] 本发明涉及一种多维度同构异质BP神经网络光功率超短期预测方法，属于光伏 发电功率预测技术领域。
【背景技术】
[0002] 目前国家大力发展清洁能源技术，光伏发电是重要组成部分。光伏发电特点是可 再生、无污染，限制在于出力随天气状况波动，并网后对于电网冲击大，特别是大规模集中 式光伏电站更加明显。如果能提前预测光伏发电出力，则便于电网调度，合理安排制定发电 计划，调节出力分布、经济调度等，因此准确预报光伏发电功率意义重大。
[0003] 光功率预测方法分为数理模型法、统计模型法、智能模型法等，各有长短。人工神 经网络在处理复杂的非线性问题时有良好的表现，作为智能模型法的一种，在光功率预测 中得到了广泛使用。当前研宄实践中发现在加入气象信息后才能取得良好的预测结果。光 伏发电受到环境影响大，在春、夏、秋、冬四季不同的季节环境，晴、阴、雾、雨、雪等不同气象 条件下发电出力情况差异明显。由于季节变化、气象条件复杂的特点，据此有研宄提出多种 模型的人工神经网络方法，而适应复杂气象条件是光功率预测需要解决的一个突出问题。
【发明内容】
[0004] 为解决上述问题，已有文献采用了按季节分类和按天气类型分类的方法，分别采 用不同的神经网络模型。本发明提出的多维度同构异质BP神经网络光功率超短期预测方 法，采取对季节因素和气象环境统一分析归类的方法，从数据库中挑选匹配样本库训练，从 而避免了建立多个神经网络模型，而且传导因子由气象数据训练得出，解决了发电出力随 气象条件变化的问题。
[0005] 本发明采用如下技术方案：一种多维度同构异质BP神经网络光功率超短期预测 方法，其特征在于，具体包括如下步骤：
[0006] 步骤SSl综合使用并网有功量测数据、气象子站量测数据、并网有功历史数据、气 象子站历史数据及天气预报数据，对按天分段的数据进行分析，按气象条件接近、有功输出 类似为条件计算相似度指标，并以此归类形成历史数据样本；
[0007] 步骤SS2依据天气预报数据、气象子站量测数据对数值天气信息进行修正；
[0008] 步骤SS3依据修正后的数值天气信息、以及归类后的历史数据样本，按气象条件 接近的条件进行匹配，挑选接近的样本作为人工神经网络的输入训练样本；
[0009] 步骤SS4针对BP神经网络进行输入数据归一化、训练样本筛选、预测输出；
[0010] 步骤SS5下一个时段的预测开始时，重复步骤SSl至步骤SS4的过程。
[0011] 优选地，步骤SSl包括：（1)原始数据在使用前需要合理化处理，包括校验是否在 最大最小值范围、数据质量情况、数据完整性；（2)使用综合的相似度指标，对气象条件、有 功输出分别赋予不同的权重因子，并且对单一条件考虑最值、均值、变化幅度、增长方向。
[0012] 优选地，步骤SS2包括：使用指数平滑法进行计算，采用如下公式
[0013] xul - axt +(1- a)xt l
[0014] 或者冬a =名 + ?(' -名)，（t = 1，2, · · ·）。
[0015] 优选地，步骤SS3包括：以未来4小时内的气象数据，计算特征指标，并且以该指标 与样本数据进行匹配，找出接近的样本。
[0016] 优选地，步骤SS4所述的BP神经网络的构建方法为：在一个时段的预测中，选取有 功输出、辐照度、温度、湿度作为输入；所述BP神经网络结构包括输入层、中间层、输出层， 所述输入层由3个相似日、当天气象、当天前1小时数据构成，设定以小时为单位，间隔15 分钟采集，每个相似日的有功输出、福照度、温度、湿度一共4X4 = 16个因子，当天气象的辐 照度、温度、湿度一共3X4 = 12个因子，当天前1小时的有功输出、辐照度、温度、湿度一共4X4 = 16个因子，上述76个因子组成了输入层；所述中间层为隐含层；所述输出层用来输 出预测1小时的有功功率，包括4个点。
[0017] 优选地，步骤SS4所述的归一化采用如下步骤：输入值必须进行归一化，将输入转 换为[0, 1]之间，功率输入转换公式为
[0018]
[0019] 相应的所述有功输出转换公式为
[0020] Pout= (P max-Pmin) P+Pmin
[0021] 所述辐照度按照相同的方法进行转换；
[0022] 所述温度按照区间带归一化处理；
[0023] 所述湿度值为0-100之间的百分数，可以直接转换为小数。
[0024] 优选地，步骤SS4所述的训练样本筛选采用如下步骤：使用综合指标来衡量样 本的差异，然后以此为依据筛选样本；衡量功率的指标，P = kl*Xl+k2*X2+k3*X3,其中， kl，k2, k3为权重系数，
[0025] 方向指标XI，用来表示数据走向为升、降、或者拐弯；
[0026] 最大最小值指标X2,为与参考日的最大最小值差异绝对值；
[0027] 绝对误差均值指标X3,为与参考日的绝对误差均值；
[0028] 衡量气象的指标与此类似；
[0029] 计算中采用归一化后的数值。
[0030] 优选地，步骤SS4所述的预测输出包括如下步骤：正向计算和反向传播，
[0031] 所述正向计算过程为：
[0032] 节点j输入为
[0033] 节点j实际输出为Oj = f」(NETj)
[0034] 所述反向传播过程为：
[0035] 所述输出层〇』=O』（I-Oj) (Tj-Oj)，其中T为期望输出；
[0036] 所述隐含层
[0037] 权重的变化量AWij= η σ Λ，（i为j的相邻节点）
[0038] 其中，误差函数
1采用最速下降法，要求成立AWij= η σ j〇i， 经过多次循环到达停止条件。
[0039] 一、本发明所达到的有益效果：（1)解决了多种气象条件下预测差异大的问题，且 避免了按季节和天气条件建立多个模型的过程；（2)采用的BP神经网络使用广泛，适用于 多维度和复杂非线性的光功率预测问题，在输入中加入气象信息等多种因素考虑了多种复 杂组合条件的综合影响；(3)对数值天气信息修正、提高了气象预报的准确度；而且对一天 数据分段处理，把大范围的波动分解为局部波动，有利于提高人工神经网络的训练收敛速 度；(4)准确预报光伏电站功率变化能为电网调度提供参考科学依据，提高电网运行的经 济性和安全性。
【附图说明】
[0040] 图1是本发明的多维度同构异质BP神经网络光功率超短期预测方法的流程图。
[0041] 图2是本发明的BP神经网络结构图。
【具体实施方式】
[0042] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明 的技术方案，而不能以此来限制本发明的保护范围。
[0043] 图1是本发明的多维度同构异质BP神经网络光功率超短期预测方法的流程图，本 发明提出一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，具体包括 如下5个步骤。
[0044] 步骤SSl综合使用并网有功量测数据、气象子站量测数据、并网有功历史数据、气 象子站历史数据及天气预报数据，对按天分段的数据进行分析，按气象条件接近、有功输出 类似为条件计算相似度指标，并以此归类形成历史数据样本；步骤SSl包括：（1)原始数据 在使用前需要合理化处理，包括校验是否在最大最小值范围、数据质量情况、数据完整性； (2)使用综合的相似度指标，对气象条件、有功输出分别赋予不同的权重因子，并且对单一 条件考虑最值、均值、变化幅度、增长方向。
[0045] 步骤SS2依据天气预报数据、气象子站量测数据对数值天气信息进行修正；使用 指数平滑法进行计算，采用如下公式
[0046] it+1 = axt +(I-
[0047] 或者夂+1 = Λ + ?(A - Λ)，（t = 1，2, · · ·）。
[0048] 步骤SS3依据修正后的数值天气信息、以及归类后的历史数据样本，按气象条件 接近的条件进行匹配，挑选接近的样本作为人工神经网络