基于分类和误差组合预测的太阳能光伏发电量预测方法与流程

本发明属于太阳能利用技术领域，具体涉及一种基于分类和误差组合预测的太阳能光伏发电量预测方法。

背景技术：

如今，传统化石燃料能源日益枯竭，同时使用过程中对环境也会造成很大危害。而可再生能源是取之不尽，用之不竭的能源，为了人类社会的可持续发展，世界各国纷纷把目光投向了可再生能源，而太阳能发电则是可再生能源的主要利用方式，是智能电网的主要组成部分。智能电网努力的一个关键目标是大幅提高环保可再生能源的利用率，而微电网技术又是实现该目标的关键技术，但可再生能源发电具有的不可控的特性给我们的微电网能量管理带来较大的困难，对微电网经济、安全、稳定的运行造成了严重的影响和威胁，因此找到合适的方法提升微电网可靠性和有效性是非常重要的。

当前在微电网能量管理的一些方面所获得的进步已经非常显著，但是要实现高效的能源管理，需要准确地预测电网负荷和可再生能源发电。现有的太阳能发电量的预测方法，主要为统计学法和人工神经网络方法，统计学法是通过对历史数据进行统计分析，利用概率论找出其内在的规律并用于预测；而单独的人工神经网络方法将样本数据作为输入，建立预测模型，来对未来发电量进行预测；以上两种方法对于规律性和周期性较强的数据信息，能达到较高的预测精度，但太阳能有随机性、波动性等特点，运用这两种方法，其预测效果就很不理想，无法满足现有的能量管理的需要，大大限制了微电网能量管理的效率和可靠性。

因此，寻找一种能够对太阳能光伏发电进行可靠预测的方法十分重要。

技术实现要素：

针对现有技术中的上述不足，本发明提供的基于分类和误差组合预测的太阳能光伏发电量预测方法解决了现有的光伏发电量预测方法中，预测效果不理想、无法满足现有能量管理、限制了微电网能量管理的效率和可靠性的问题。

为了达到上述发明目的，本发明采用的技术方案为：基于分类和误差组合预测的太阳能光伏发电量预测方法，包括以下步骤：

s1、从气象站获取太阳能光伏发电量预测日的气象数据；

s2、确定该气象数据所属季节中的天气类型，将预测日的气象数据输入到该天气类型下对应的训练好的mpso-bp神经网络中，得到第一太阳能发电量输出时间序列

同时将预测日的气象数据输入到该天气类型下对应的训练好的灰色模型gm(1,1)中，得到第二太阳能发电量输出时间序列

s3、将第一太阳能发电量输出时间序列与对应的训练好的mpso-bp神经网络中的组合预测矩阵wbp相乘，得到第一太阳能发电预测量ybp；

同时将第二太阳能发电量输出时间序列与对应的训练好的灰色模型gm(1,1)中的组合预测矩阵wgm相乘，得到第二太阳能发电预测量ygm；

s4、将第一太阳能发电预测量ybp和第二太阳能发电预测量ygm相加，得到太阳能光伏发电量预测日的预测发电量yp。

进一步地，所述步骤s1中的气象数据包括最高气温值、最低气温值、每隔三小时的温度值、最高温度与前一日最高温度的差值、最低温度与前一日最低温度的差值、相对湿度和数值化的紫外线强度。

进一步地，所述步骤s2中的气象数据所属季节包括春季、夏季、秋季和冬季；每个季节均包括晴天、阴天和雨天三种天气类型；

每个季节中的每个天气类型下均有一个对应的训练好的mpso-bp神经网络和训练好的灰色模型gm(1,1)。

进一步地，所述灰色模型gm(1,1)为：

式中，y⁽¹⁾(ki+1j)表示预测得到的第j个样本的第i+1个输出点的累加序列值；

y⁽¹⁾(kij)表示第j个样本的第i个输出点的累加序列值；

m为样本中输出点数目；

u，a模型待求参数；

u和a根据输入到灰色模型中的数据确定。

进一步地，所述步骤s2中训练一个天气类型下对应的灰色模型gm(1,1)的方法具体为：

a1、从气象站获取不同季节中三种天气类型的历史气象数据；

a2、将同一季节中的同一天气类型下的历史气象数据分为一类；

a3、根据同类历史气象数据中的日期数据，获取相应日期中的实际太阳能光伏发电量历史数据，并将其作为训练样本输入到灰色模型gm(1,1)中；

a4、根据训练样本的前j×m+i个点的数据，计算灰色模型的累加序列y⁽¹⁾，并建立其对应的计算矩阵；

a5、根据计算矩阵，通过最小二乘法计算灰色模型中的u和a，并将其带入累加序列y⁽¹⁾中，得到y⁽¹⁾(ki+1j)，完成灰色模型gm(1,1)的训练。

进一步地，所述步骤s2中，训练一个天气类型下对应的mpso-bp神经网络的方法具体为：

b1、从气象站获取不同季节中三种天气类型的历史气象数据；

b2、将同一季节中的同一天气类型下的历史气象数据分为一类；

b3、根据同类历史气象数据中的日期数据，获取相应日期中的实际太阳能光伏发电量历史数据；

b4、将历史气象数据作为样本输入训练数据，将实际太阳能光伏发电量历史数据中每隔半小时太阳能光伏发电量作为样本输出训练数据；

b5、设定mpso-bp神经网络的最大训练次数为epmax和期望预测收敛误差εe；

b6、将样本输入训练数据输入到mpso-bp神经网络中，以输出样本输出训练数据为目标进行训练，直到训练次数达到设定的最大训练次数epmax或训练时的预测误差值εp小于设定的期望预测误差值εe时，完成mpso-bp神经网络的训练。

进一步地，所述步骤s3中的确定训练好的mpso-bp神经网络中的组合预测矩阵wbp和确定训练好的灰色模型gm(1,1)中的组合预测矩阵wgm的方法具体为：

c1、当完成mpso-bp神经网络的训练时，确定第j个样本输入训练数据的第i个输出点的误差为：

式中，为mpso-bp神经网络中第j个样本输入训练数据的第i个输出点输出的预测太阳能光伏发电量；

kij为输入到mpso-bp神经网络中的第j个样本输入训练数据的第i个输出点对应的历史气象数据；

yreal(kij)为第j个样本输入训练数据的第i个输出点对应的实际太阳能光伏发电量历史数据；

同时，当完成灰色模型gm(1,1)的训练时，确定第j个样本输入训练数据的第i个输出点的误差为：

式中，为灰色模型gm(1,1)中第j个样本输入训练数据的第i个输出点输出的预测太阳能光伏发电量；

kij为输入到灰色模型gm(1,1)的第j个样本输入训练数据的第i个输出点对应的历史气象数据；

c2、根据每个样本输入训练数据对应的输出点的误差，得到mpso-bp神经网络中误差矩阵为：

式中，e^tbp为神经网络中误差矩阵；

m为输出点的个数；

同时，根据每个样本输入训练数据对应的输出点的误差，得到灰色模型gm(1,1)中误差矩阵为：

c3、对误差矩阵中每个输出点的误差求和，得到mpso-bp神经网络中的预测误差矩阵为：

式中，a为第a个训练误差样本；

同时，对误差矩阵中每个与神经网络输出的相对应输出点的误差求和，得到灰色模型gm(1,1)中的预测误差矩阵为：

c4、根据mpso-bp神经网络中的预测误差矩阵和灰色模型gm(1,1)中的预测误差矩阵，分别确定mpso-bp神经网络的预测误差矩阵的权值w^bpk和灰色模型gm(1,1)的预测误差矩阵的权值w^gmk：

其中，mpso-bp神经网络的预测误差矩阵的权值为：

灰色模型gm(1,1)的预测误差矩阵的权值为：

c5、根据mpso-bp神经网络的预测误差矩阵的权值和灰色模型gm(1,1)的预测误差矩阵的权值，分别确定训练好的mpso-bp神经网络中的组合预测矩阵wbp和训练好的灰色模型gm(1,1)中的组合预测矩阵wgm；

其中，训练好的mpso-bp神经网络中的组合预测矩阵wbp为：

训练好的灰色模型gm(1,1)中的组合预测矩阵wgm为：

本发明的有益效果为：

1、本发明采用knn对数据先进行分类处理，确保了在不同的天气数据有更高的准确性，即使在样本不多的情况下也有较高的准确性。

2、本发明采用了基于各个输出点的误差值作为相应点的组合预测权值的计算参数，相比传统的统一所有输出点的组合权值的方法据有更高的精度，更加贴合实际情况。

3、本发明采用最高气温，最低气温，每相隔三个小时的温度数据，与前一日的最高温度的差值，与前一日的低温度的差值，数值化的紫外线强度作为的预测的输入参数，提高了预测的发电量的准确性。

附图说明

图1为本发明中基于分类和误差组合预测的太阳能光伏发电量预测方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，基于分类和误差组合预测的太阳能光伏发电量预测方法，包括以下步骤：

s1、从气象站获取太阳能光伏发电量预测日的气象数据；

其中的气象数据包括最高气温值、最低气温值、每隔三小时的温度值、最高温度与前一日最高温度的差值、最低温度与前一日最低温度的差值、相对湿度和数值化的紫外线强度。

s2、确定该气象数据所属季节中的天气类型，将预测日的气象数据输入到该天气类型下对应的训练好的mpso-bp神经网络中，得到第一太阳能发电量输出时间序列

同时将预测日的气象数据输入到该天气类型下对应的训练好的灰色模型gm(1,1)中，得到第二太阳能发电量输出时间序列

上述步骤s2中的气象数据所属季节包括春季、夏季、秋季和冬季；每个季节均包括晴天、阴天和雨天三种天气类型，晴天、阴天和雨天作为三种典型的天气类型，对于不同季节下的非典型天气(如多云、阵雨等天气类型)的气象数据，可采用k-临近算法(knn)计算与典型天气类型对应的气象数据的距离，将其归类为距离最近的典型天气类型，实现非典型天气分类到典型天气中。采用knn算法即使在较少的样本下也可以实现较为准确的分类。

每个季节中的每个天气类型下均有一个对应的训练好的mpso-bp神经网络和训练好的灰色模型gm(1,1)。

s3、将第一太阳能发电量输出时间序列与对应的训练好的mpso-bp神经网络中的组合预测矩阵wbp相乘，得到第一太阳能发电预测量ybp；

同时将第二太阳能发电量输出时间序列与对应的训练好的灰色模型gm(1,1)中的组合预测矩阵wgm相乘，得到第二太阳能发电预测量ygm；

其中，mpso-bp神经网络对应的太阳能发电预测量ybp为：

灰色模型gm(1,1)对应的太阳能发电预测量ygm为：

s4、将第一太阳能发电预测量ybp和第二太阳能发电预测量ygm相加，得到太阳能光伏发电量预测日的预测发电量yp。

其中，太阳能光伏发电量预测日的预测发电量yp为：

上述步骤s2中的灰色模型gm(1,1)为：

式中，y⁽¹⁾(ki+1j)表示预测得到的第j个样本的第i+1个输出点的累加序列值；

y⁽¹⁾(kij)表示第j个样本的第i个输出点的累加序列值；

m为样本中输出点数目；

u，a为模型待求参数；

u和a为根据输入到灰色模型中的数据确定的待定参数；

所述步骤s2中训练一个季节中的一个天气类型下对应的灰色模型gm(1,1)的方法具体为：

a1、从气象站获取不同季节中三种天气类型的历史气象数据；

a2、将同一季节中的同一天气类型下的历史气象数据分为一类；

a3、根据同类历史气象数据中的日期数据，获取相应日期中的实际太阳能光伏发电量历史数据，并将其作为训练样本输入到灰色模型gm(1,1)中；

a4、根据训练样本的前j×m+i个点的数据，计算灰色模型的累加序列y⁽¹⁾，并建立其对应的计算矩阵；

a5、根据计算矩阵，通过最小二乘法计算灰色模型中的u和a，并将其带入累加序列y⁽¹⁾中，得到y⁽¹⁾(ki+1j)，完成灰色模型gm(1,1)的训练。

上述步骤a5中，得到y⁽¹⁾(ki+1j)后，灰色模型即为：

令y⁽¹⁾(k11)＝y(k11)，即可得到训练样本各历史数据点的预测值。

上述步骤s2中，训练一个季节中的一个天气类型下对应的mpso-bp神经网络的方法具体为：

b1、从气象站获取不同季节中三种天气类型的历史气象数据；

b2、将同一季节中的同一天气类型下的历史气象数据分为一类；

b3、根据同类历史气象数据中的日期数据，获取相应日期中的实际太阳能光伏发电量历史数据；

b4、将历史气象数据作为样本输入训练数据，将实际太阳能光伏发电量历史数据中每隔半小时太阳能光伏发电量作为样本输出训练数据；

b5、设定mpso-bp神经网络的最大训练次数为epmax和期望预测收敛误差εe；

b6、将样本输入训练数据输入到mpso-bp神经网络中，以输出样本输出训练数据为目标进行训练，直到训练次数达到设定的最大训练次数epmax或训练时的预测误差值εp小于设定的期望预测误差值εe时，完成mpso-bp神经网络的训练；

在上述步骤b6中，设置mpso-bp神经网络的收敛误差为εbp＝0.5×εe，

每输入一组样本输入训练数据，mpso-bp神经网络输出对应数据，均有一个预测收敛误差值εp，且其中，为此时根据灰色模型gm(1,1)和mpso-bp神经网络组合预测得到的预测发电量，yreal为与样本输入训练数据对应的实际太阳能光伏发电量历史数据，当εp≤εe时，则该mpso-bp神经网络预测模型收敛，即使此时mpso-bp神经网络没有满足收敛误差，该mpso-bp神经网络也不再继续学习；反之，该神经网络继续输入样本输入训练数据，直到训练次数达到设定的最大训练次数epmax或训练时的预测误差值εp小于设定的期望预测误差值εe，完成mpso-bp神经网络的训练。

上述步骤s3中的确定训练好的mpso-bp神经网络中的组合预测矩阵wbp和确定训练好的灰色模型gm(1,1)中的组合预测矩阵wgm的方法具体为：

c1、当完成mpso-bp神经网络的训练时，确定第j个样本输入训练数据的第i个输出点的误差为：

式中，为mpso-bp神经网络中第j个样本输入训练数据的第i个输出点输出的预测太阳能光伏发电量；

kij为输入到mpso-bp神经网络中的第j个样本输入训练数据的第i个输出点对应的历史气象数据；

yreal(kij)为第j个样本输入训练数据的第i个输出点对应的实际太阳能光伏发电量历史数据；

同时，当完成灰色模型gm(1,1)的训练时，确定第j个样本输入训练数据的第i个输出点的误差为：

式中，为灰色模型gm(1,1)中第j个样本输入训练数据的第i个输出点输出的预测太阳能光伏发电量；

kij为输入到灰色模型gm(1,1)的第j个样本输入训练数据的第i个输出点对应的历史气象数据；

c2、根据每个样本输入训练数据对应的输出点的误差，得到mpso-bp神经网络中误差矩阵为：

式中，e^tbp为神经网络中误差矩阵；

m为输出点的个数；

同时，根据每个样本输入训练数据对应的输出点的误差，得到灰色模型gm(1,1)中误差矩阵为：

c3、对误差矩阵中每个输出点的误差求和，得到mpso-bp神经网络中的预测误差矩阵为：

式中，a为第a个训练误差样本；

同时，对误差矩阵中每个与神经网络输出的相对应输出点的误差求和，得到灰色模型gm(1,1)中的预测误差矩阵为：

c4、根据mpso-bp神经网络中的预测误差矩阵和灰色模型gm(1,1)中的预测误差矩阵，分别确定mpso-bp神经网络的预测误差矩阵的权值w^bpk和灰色模型gm(1,1)的预测误差矩阵的权值w^gmk：

其中，mpso-bp神经网络的预测误差矩阵的权值为：

灰色模型gm(1,1)的预测误差矩阵的权值为：

c5、根据mpso-bp神经网络的预测误差矩阵的权值和灰色模型gm(1,1)的预测误差矩阵的权值，分别确定训练好的mpso-bp神经网络中的组合预测矩阵wbp和训练好的灰色模型gm(1,1)中的组合预测矩阵wgm；

其中，训练好的mpso-bp神经网络中的组合预测矩阵wbp为：

训练好的灰色模型gm(1,1)中的组合预测矩阵wgm为：

本发明的有益效果为：

1、本发明采用knn对数据先进行分类处理，确保了在不同的天气数据有更高的准确性，即使在样本不多的情况下也有较高的准确性。

2、本发明采用了基于各个输出点的误差值作为相应点的组合预测权值的计算参数，相比传统的统一所有输出点的组合权值的方法据有更高的精度，更加贴合实际情况。

3、本发明采用最高气温，最低气温，每相隔三个小时的温度数据，与前一日的最高温度的差值，与前一日的低温度的差值，数值化的紫外线强度作为的预测的输入参数，提高了预测的发电量的准确性。