多维度同构异质bp神经网络光功率超短期预测方法

文档序号:9200741阅读:1455来源:国知局
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
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1