平方和函数，yk表示神经网络实际输出值，^表示期望输出值。
[0090] 类似于BP神经网络算法，首先要对输入样本数据进行归一化处理，初始化网络各 层之间连接权值以及阀值，然后进行神经网络各层，区别在于Elman神经网络隐含层输出 值需要经过承接层一步延时算子反馈到隐含层输入端，然后根据各层之间连接权值和相应 的阀值以及激活函数计算网络的输出。
[0091] RBF神经网路基本结构；采用三层结构，具体参见图6,其中输入层由m个神经元节 点构成，隐含层由h个神经元节点构成，输出层由η个神经元节点构成。X = (X1, X2, ...，xm)τ为输入向量，y = (y η y2,...，yn)T为输出向量，隐含层激活函数Φ i采用高斯函数：
[0093] 式中，C1= [c ^c2,...，cj τ为高斯函数中心向量，。为相应方差。I M I表示欧 式范数，Σ表示输出层神经元采用线性加权，W1,表示输入层到隐含层的连接权值，W ]k表示 隐含层到输出层的连接权值。输出层第k个输出可表示为：
[0095] 图7是RBF神经网络算法流程图。
[0096] GRNN神经网络基本结构，具体参见图8,其中输入层神经元数目为m，X = (Xl，x2,. . .，xjτ为输入向量，模式层神经元数目等于输入层神经元数目，其中模式层第i个 神经元输出为：
[0098] 其中，X = (X1, X2, . . .，xm)T为输入向量，X i为第i个神经元输入样本值，?表示方 差。
[0099] 求和层使用两种计算公式进行求和运算，一类为算术求和，满足如下表达式：
[0101] 另一类为加权求和，即模式层中第i个神经元与求和层第j个神经元之间连接权 值为第i个输出神经元Y1中第j个元素，满足以下表达式： CN 105184678 A 说明书 9/9 页
[0103] SNj表示加权求和，S D表示算术求和，输出层有η个神经元节点，两类求和层神经元 节点输出相除可得输出层神经元节点输出，输出层第j个神经元节点输出1为：
[0105] GRNN神经网络算法流程图，具体参见图9。
【具体实施方式】 [0106] 五：本实施方式与一或二所述的基于多种神经网络组 合算法的光伏电站发电量短期预测模型的构建方法的区别在于，该方法还包括步骤六：软 件平台的建立；
[0107] 设计一种可供实用的并网光伏电站发电量输出功率预测软件平台，作为一种实际 预测的实用工具。
【主权项】
1. 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法，其特征在 于，该构建方法的具体过程为： 步骤一：神经网络算法的选取； 采用BP、Elman、RBF和GRNN四种神经网络算法分别构建神经网络预测子模型A、B、C和 d，以每日电站工作时间段不同时间点的环境温度T1、日平均太阳辐射强度麥、日平均风速r 作为光伏发电量短期预测模型的输入数据，以预测日对应时间点的光伏输出功率P1作为各 个神经网络预测子模型A、B、C和D的输出数据； 步骤二：样本数据的选取； 通过光伏数据采集平台，从历史数据库中选取同期晴天、多云天气和阴雨天气的环境 参量和发电参量历史数据，将同期天气信息进行筛选分类，剔除奇异的数据点，结合同期天 气信息，分别整理出三种天气情况下的样本数据，所述的三种天气情况分别为晴天、多云天 气和阴雨天气； 步骤三：各神经网络预测子模型的训练、各神经网络预测子模型的适用性研究分析以 及对光伏发电量短期预测模型的构建； 通过步骤二所得结合同期天气信息，分别整理出三种天气情况下的样本数据，分别对 构建的神经网络子模型A、B、C和D进行训练，其中，上述四个神经网络子模型A、B、C和D 的输入量均包括25个变量，且所述25个变量分别为预测日23个时间点的环境温度T1、日 平均太阳辐射强度f和日平均风速F，所述的预测日23个时间点为在每日电站工作时间段 7 :00至18 :00内，以7 :00点为起始时间点，每隔30分钟为一个时间点，共23个时间点，训 练后得出三种天气情况下的神经网络预测子模型A1、B 1、C1和D \ 根据训练后的三种天气情况下的神经网络预测子模型A1、B1、C1和D \通过均方根误差 曲线和百分比误差曲线的对比分析得出BP、Elman、RBF和GRNN四种神经网络算法对三种天 气情况的适用性结论，根据不同气象条件给出各神经网络预测子模型的权重模值参数，构 建模值权重参数表，进而构建组合神经网络预测模型，将组合神经网络预测模型作为最终 的光伏发电量短期预测模型，完成基于多种神经网络组合算法的光伏电站发电量短期预测 模型的构建。2. 根据权利要求1所述的基于多种神经网络组合算法的光伏电站发电量短期预测模 型的构建方法，其特征在于，该方法还包括步骤四：对光伏发电量短期预测模型的修正； a) 首先，对步骤二中的样本数据进行归一化处理， b) 其次，采用遗传算法和粒子群算法。3. 根据权利要求1或2所述的基于多种神经网络组合算法的光伏电站发电量短期预测 模型的构建方法，其特征在于，该方法还包括步骤五：对光伏发电量短期预测模型的评估； 采用平均绝对百分比误差MAPE和均方根误差RMSE两种误差评价方法来对光伏发电量 短期预测模型进行误差评估，其中，N表示数据总量，i为正整数，#表示第i个数据点的预测值，巧表示第i个数据 点的实际值。4.根据权利要求书1或2所述的基于多种神经网络组合算法的光伏电站发电量短期预 测模型的构建方法，其特征在于，神经网络预测子模型A、B、C和D均包括输入层、输出层和 隐含层， 以预测日23个时间点的环境温度T1、日平均太阳辐射强度1和日平均风速P，共25个 变量作为各个神经网络预测子模型A、B、C和D的输入层输入数据， 以预测日对应23个时间点的光伏输出功率P1均作为各个神经网络预测子模型A、B、C 和D的输出数据， 神经网络预测子模型A、B、C和D的输出层激活函数均采用pureline函数实现， 神经网络预测子模型A、B、C和D的隐含层均采用单层结构，利用隐含层神经元节点经 验公式得到神经网络初始节点数目，采用试凑法，得到隐含层节点数目为15,隐含层激活函 数采用tansig函数实现。
【专利摘要】基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法，属于光伏发电与并网技术、太阳能光伏发电量预报领域。解决了现有构建的光伏电站发电量预测模型所选用的算法单一，通用于不同天气的适用性差，容易陷入局部最优，进而导致预测模型测量误差较大的问题。该构建方法的具体过程为：首先采用4种不同的神经网络算法分别构建神经网络预测子模型，其次将天气信息筛选分类，分析在不同气象条件下各个神经网络预测子模型的适用性，根据适用性给出组合模型中的各子模型的权重参数模值，进而通过权重参数的设定使组合神经网络预测模型适用于各种不同天气条件，完成对光伏发电量短期预测模型的构建。它主要应用在光伏发电站并网短期预测。
【IPC分类】G06N3/02, G06Q50/06
【公开号】CN105184678
【申请号】CN201510599978
【发明人】姚仲敏, 潘飞, 吴金秋, 都文和, 李梦瑶, 张鹏
【申请人】齐齐哈尔大学
【公开日】2015年12月23日
【申请日】2015年9月18日