一种微电网光伏电站发电量组合预测方法
【技术领域】
[0001] 本发明涉及新能源发电出力预测技术领域，尤其涉及一种采用神经网络和支持向 量机的微电网光伏电站发电量组合预测方法。
【背景技术】
[0002] 随着化石能源的日益枯竭和人类环保意识的增强，能源电力问题变得越来越重 要，微电网作为新的能源尤其电力的组合和供应方式，成为近年来研宄的热点。微电网将分 布式电源、储能、负荷及控制装置结合在一起，形成一个统一可控的小型发配电系统，是分 布式电源接入电网的一种有效手段，推动了分布式发电技术的发展，具有广阔的前景。
[0003] 作为微电网中微电源的太阳能光伏发电是一种清洁、灵活和较成熟的新型发电方 式，其在未来的能源供应中发挥着越来越重要的角色。近年来，我国的光伏产业得到了迅速 发展，预计到2015年，我国的光伏发电装机容量将达到20GW，位居世界前列，到2020年预计 将达到47GW。
[0004] 光伏发电系统由于受太阳辐射强度、光伏组件温度、环境和某些随机因素的影响， 发电量的变化存在着随机性和不可控性，其接入微电网，将给微电网的可靠、安全和经济运 行带来新的问题。此时，对光伏发电系统的发电量预测变得尤为重要，准确地预测光伏发电 系统的发电量可以给微电网的优化运行和规划调度提供帮助，减小对微电网和电力系统的 影响。
[0005] 目前，光伏发电量的预测方法主要有针对太阳能发电过程中对光电转换环节和逆 变环节存在的能量损失建立经验公式来预测发电量的原理预测法；根据光伏发电历史数据 建立回归方程的回归预测法；利用人工神经网络、支持向量机、灰色理论等来预测发电量的 人工智能和新型理论法。原理预测法和回归预测法难以反映发电量与气象等因素之间动 态、非线性的关系，对复杂多变的光伏发电系统预测效果较差；人工智能和新型理论法较多 的采用单一预测模型，并且考虑复杂的外部干扰因素，如辐射强度、辐射角、温度、云量等， 预测精度和灵活性有限，原始数据烦杂，数据分析和获取难度大。
【发明内容】
[0006] 本发明的目的在于，克服上述现有技术存在的缺陷，从新的角度进行微电网内光 伏电站的发电量预测，避免考虑复杂的外部因素，只需获取微电网内关联光伏电站的发电 量数据，采用小波变换和BP神经网络、粒子群算法优化支持向量机的组合预测方法，从而 实现实时性更好、精确度更高、适应性更强的微电网内光伏电站的发电量预测。
[0007] 本发明为实现上述目的，采用的技术方案是：
[0008] 提供一种微电网光伏电站发电量组合预测方法，其特征在于，包含以下步骤：
[0009] 1)在微电网中，将目标光伏电站已知时期内的发电量数据作为样本输出数据，将 与目标光伏电站相连的若干个光伏电站相同已知时期内的发电量数据作为样本输入数据， 将目标光伏电站要预测时期内的发电量数据作为预测输出数据，将与目标光伏电站相连的 上述若干个光伏电站相同预测时期内的发电量数据作为预测输入数据；
[0010] 2)采用小波变换和BP神经网络进行微电网光伏电站发电量预测，得到测试结果 一和预测结果一
[0011] 具体过程如下：
[0012] 201)对样本输入数据、样本输出数据和预测输入数据进行db2小波1层分解和单 支重构；
[0013] 202)从小波变换后的样本输入输出数据中选定训练样本和测试样本；
[0014] 203)利用训练样本和测试样本分别建立高频分量BP神经网络预测模型和低频分 量BP神经网络预测模型；
[0015] 204)利用训练样本对上述两预测模型进行训练；
[0016] 205)输入测试样本到上述两预测模型，分别输出高频分量BP神经网络测试预测 结果和低频分量BP神经网络测试预测结果，作代数和后作为测试结果一；
[0017] 206)求取测试结果一的相对预测误差；
[0018] 207)输入小波变换后的预测输入数据到上述两预测模型，分别输出高频分量BP 神经网络预测结果和低频分量BP神经网络预测结果，作代数和后作为预测结果一；
[0019] 3)采用粒子群算法优化支持向量机进行微电网光伏电站发电量预测，得到测试结 果二和预测结果二
[0020] 具体过程如下：
[0021] 301)选定与步骤202)对应小波变换前相同的训练样本和测试样本；
[0022] 302)利用训练样本和测试样本建立支持向量机预测模型，类型为印silon-SVR， 采用径向基核函数，最优化问题解决算法为序列最小最优化算法；
[0023] 303)采用粒子群算法对支持向量机的惩罚参数c、核函数参数g和epsilon损失 函数参数P进行寻优；
[0024] 304)利用训练样本对上述预测模型进行训练；
[0025] 305)输入测试样本到上述预测模型，输出粒子群算法优化支持向量机测试预测结 果，作为测试结果二；
[0026] 306)求取测试结果二的相对预测误差；
[0027] 307)输入预测输入数据到上述预测模型，输出粒子群算法优化支持向量机预测结 果，作为预测结果二；
[0028] 4)使用方差-协方差组合法求取两种预测模型的权重
[0029] 具体过程如下：
[0030] 401)求取步骤206)和步骤306)结果的方差；
[0031] 402)根据上述方差来求取权重，具体使用下式（1):
[0032]
[0033] 其中，〇^和Sn分别为小波变换和BP神经网络预测模型的权重和相对预测误差 的方差，《2和S22分别为粒子群算法优化支持向量机预测模型的权重和相对预测误差的 方差；
[0034] 5)利用步骤4)中求出的两个预测模型的权重，分别乘以相应的预测结果，得出组 合发电量预测数据，具体使用下式（2):
[0035]f=?o2f2 (2)
[0036] 其中，f?为组合发电量预测数据，分别为小波变换和BP神经网络预测模 型的权重和预测结果一，《2和f2分别为粒子群算法优化支持向量机预测模型的权重和预 测结果二。
[0037] 本发明采用的以上技术方案与现有技术相比，可达到以下技术效果：
[0038] (1)从新的角度进行微电网内光伏电站的发电量预测，避免考虑复杂的外部因素， 只需获取微电网内关联光伏电站的发电量数据；
[0039] (2)针对光伏发电随机性和波动性强的特点，将光伏发电量数据进行小波分解和 单支重构，对高频分量和低频分量分别进行预测，提高了预测精度和适应能力；
[0040] (3)粒子群优化算法具有不易陷入局部最小、算法简单等优点，采用粒子群算法优 化支持向量机，加快了参数寻优、提高了预测精度和预测效率；
[0041] (4)采用方差-协方差组合预测方法，对具体的每次预测，通过权重动态调节准确 率高的方法在预测结果中所占的比例，具有更好的实时性、更高的精确度和更强的适应性。
【附图说明】
[0042] 图1是本发明所述的一种微电网光伏电站发电量组合预测方法总体框架示意图；
[0043] 图2是小波变换和BP神经网络预测流程图；
[0044] 图3是小波变换和BP神经网络测试预测值和实际值对比图；
[0045] 图4是小波变换和BP神经网络测试预测结果相对预测误差图；
[0046]图5是粒子群算法优化支持向量机参数的算法流程图；
[0047] 图6是粒子群算法优化支持向量机测试预测值和实际值对比图；
[0048] 图7是粒子群算法优化支持向量机测试预测结果相对预测误差图；
[0049] 图8是组合方法预测值和实际值对比图；
[0050] 图9是组合方法预测结果相对预测误差图。
【具体实施方式】
[0051] 下面结合附图和实施例对本发明作详细说明，需要说明的是，该具体实施例只用 来解释本发明，而非对本发明范围的限定。
[0052] 图1是本发明所述的一种微电网光伏电站发电量组合预测方法总体框架示意图， 如图1所示，微电网中光伏电站发电量的组合预测方法包含以下步骤：
[0053] 1)在微电网中，将目标光伏电站已知时期内的发电量数据作为样本输出数据，将 与目标光伏电站相连的若干个光伏电站相同已知时期内的发电量数据作为样本输入数据， 将目标光伏电站要预测时期内的发电量数据作为预测输出数据，将与目标光伏电站相连的 上述若干个光伏电站相同预测时期内的发电量数据作为预测输入数据。
[0054] 本实施例中，选取某微电网示范工程中目标光伏电站和与其相连的6个光伏电站 2013年整年每天的发电量数据来进行预测模型的建立、训练和测试；
[0055] 预测模型建立、训练和测试好，并求取预测模型对应的权重后，将上述6个光伏电 站2014年整年每天的发电量数据作为输入数据，输入预测模型，则输出目标光伏电站2014 年整年每天的发电量数据；
[0056] 因而本实施例中，样本输出数据为目标光伏电站2013年的发电量数据，样本输入 数据为上述6个光伏电站2013年的发电量数据，预测输出数据为目标光伏电站2014年的 发电量数据，预测输入数据为上述6个光伏电站2014年的发电量数据。
[0057] 2)采用小波变换和BP神经网络进行微电网光伏电站发电量预测，得到测试结果 一和预测结果一，小波变换和BP神经网络预测流程图如图2所示。
[0058] 具体过程如下：
[0059] 201)对样本输入数据、样本输出数据和预测输入数据进行db2小波1层分解和单 支重构；
[0060] 本实施例中，采用db2小波（Daubechies系中的db2小波函数）将原始数据信 号1层分解和单支重构为高频分量屯和低频分量a1层分解和单支重构后原始信号s= aj+di；
[0061] 202)从小波变换后的样本输入输出数据中选定训练样本和测试样本；
[0062] 本实施例中，选定训练样本和测试样本相同，都对应于小波变换前2013年整年每 天的发电量数据；
[0063] 203)利用训练样本和测试样本分别建立高频分量BP神经网络预测模型和低频分 量BP神经网络预测模型；
[0064] 上述两预测模型BP神经网络均采用输入层、隐含层和输出层3层网络结构；
[0065] 上述两预测模型BP神经网络输入层神经元个数均为6,输出层神经元个数均为1， 隐含层神经元个数通过反复试凑得出，高频分量BP神经网络预测模型为12，低频分量BP神 经网络预测模型为18;
[0066] 上述两预测模型BP神经网络隐含层传递函数均采用tansig函数，其函数表达式 为⑴：
[0067]
[0068] 上述两预测模型BP神经网络输出层传递函数均采用purelin函数，其函数表达式 为⑵：
[0069]