基于集成神经网络的光伏微电网系统发电预测方法及系统与流程

本发明属于光伏发电，尤其涉及基于集成神经网络的光伏微电网系统发电预测方法及系统。

背景技术：

1、随着社会经济的发展，能源短缺和环境污染问题目益突出，开发与利用可再生能源已成为解决能源和环境问题的重要途径。光伏微电网作为分布式可再生能源友好接入大电网的一种方式，逐渐成为未来能源供应的重要组成部分。分布式光伏发电单元是光伏微电网的重要设备，它利用清洁可再生的太阳能，并且具有安全可靠、地域限制少、建设周期短等优势。然而，由于光伏能源受光照、气候等环境因素影响较大，光伏输出功率存在波动性和不稳定性，准确有效的光伏微电网预测技术对于光伏能源的有效利用和实现可靠的能源供应至关重要。

2、实际运行中，按照预测原理，光伏预测方法可分为物理方法和统计方法两大类。物理方法是利用物理模型进行预测，不需要历史运行数据，在光伏系统投入运行后即可进行预测，但需要光伏电站详细的物理信息，预测精度受所建模型的影响很大，在实际工程中很难获得应用。统计方法是通过对历史运行数据进行统计分析，进而找出光伏输出功率与各影响因素之间的内在规律以进行预测，如灰色预测、马尔科夫链、人工神经网络等。但是由于实际系统所具备的预测条件差别很大，没有一种方法是普适的。目前，光伏短期预测方法一般都需要充足的历史数据支持，对数据积累时间的要求长达3个月至1年不等，若光伏电站处于投运初期，历史数据积累不足，常规预测方法在应用上会受到很大限制。因此，有必要对常规方法进行改进，得到适用于光伏微电网系统的发电预测方法。

3、如申请公开号为cn109002948b的发明专利公开了基于cda-bp的微电网短期光伏发电功率预测方法，该方法基于太阳辐照变化率和温度变化率对光伏输出功率的影响，利用混沌蜻蜓算法(cda)优化bp神经网络模型的连接权重系数和阈值，得到最优光伏发电功率预测模型。

4、通过对以上现有技术分析发现，光伏短期预测方法一般都需要充足的历史数据支持，但很多微光伏电站大多处于投运初期，且历史数据积累不足，常规预测方法在应用上会受到很大限制；此外大多微光伏电站分布很分散，这就使得其数据收集很困难，噪声较大；为了解决这些问题，本发明实现了基于集成神经网络的光伏微电网系统发电预测方法及系统。

技术实现思路

1、本发明所要解决的技术问题是针对现有技术的不足，提供了基于集成神经网络的光伏微电网系统发电预测方法及系统，该方法通过将天气类型、室外温湿度、辐射强度与发电功率的对应关系等因素有效整合到模型输入量中，降低了输入输出之间关系的复杂度；并通过聚类算法，获取了不同天气类型的相似日数据，并利用不同时间段的相似日数据对不同天气预测模型进行更新训练；进一步保证了在不同天气下发电功率预测的准确性。

2、为实现上述目的，本发明提供如下技术方案：

3、基于集成神经网络的光伏微电网系统发电预测方法，具体步骤如下：

4、s1：配置预测当日的发电预测参数，根据配置的发电参数采集预测当日前三个月的光伏历史样本数据，并对历史样本数据进行预处理和分割，获取不同时间段的训练样本和预测样本；

5、s2：利用聚类算法将获取的不同时间段的训练样本进行聚类，获取不同时间段不同类型的的相似日样本集；

6、s3：利用不同时间段不同类型的相似日样本对基于天气的集成神经网络模型进行训练和更新调优，获取基于天气的集成神经网络模型；

7、s4：将预测样本输入到基于天气的集成神经网络模型中，预测得到所述预测当日24小时的发电功率数据。

8、具体地，光伏历史样本数据包括天气类型、辐射强度、温度、湿度以及发电功率等类型数据，其预处理和分割的具体步骤如下：

9、s2.1：对于天气类型使用独热编码进行处理，得到基于天气类型的输入张量；

10、s2.2：对辐射强度、温度、湿度以及发电功率采用3σ离群点检测方法，去除辐射强度、温度、湿度以及发电功率中的异常值，并对辐射强度、温度、湿度以及发电功率中处于历史限电及检修计划时间段内的数据进行剔除处理；

11、s2.3：将上述预处理后的数据按照时间对应关系，保存在同一数据文件中，获取预处理完成的光伏历史样本数据；

12、s2.4：将预处理完成的光伏历史样本数据中预测当日前15天的数据作为预测样本，并将剩余光伏历史样本数据按照前60天、45天、30天、15天为间隔划分为所述不同时间段的训练样本。

13、具体地，不同时间段不同类型的的相似日样本集获取的具体步骤包括：

14、s3.1：利用划分的前15天的辐射强度、温度、湿度以及发电功率数据构建一个输入张量x＝[t,h,i,w]，其中t表示温度，h表示湿度，i表示辐射强度，w表示发电功率；

15、将输入张量x＝[t,h,i,w]输入到k-means聚类算法中，并设置聚类中心为4，依次获取晴、多云、阴、雨等天气类型的相似日样本集；

16、s3.2：重复s3.1中步骤将前60天、45天、30天天气类型、辐射强度、温度、湿度数据输入到k-means聚类算法中，依次获取不同时间段不同类型的相似日样本集；

17、具体地，基于天气的集成神经网络模型包括晴预测模块、多云预测模块、阴预测模块、雨预测模块；其中晴预测模块、多云预测模块、阴预测模块、雨预测模块都采用一种改进的粒子群优化的随机森林算法。

18、具体地，改进的粒子群优化的随机森林算法，具体步骤包括：

19、s5.1：在二维空间上初始化粒子群p1,p2,…,pn个粒子，给定算法的最大ωmax，最小ωmin值，设定算法的最大迭代次数。每个粒子由2个坐标位置构成，2个坐标位置依次赋值rf中的mtry和ntree，其中最大ωmax表示粒子搜索速度的最大值，最小ωmin值表示粒子搜索速度的最大值，mtry表示所述随机森林算法中每次分裂时考虑的子节点的数量，ntree表示所述随机森林算法中决策树的数量；

20、s5.2：设置粒子的当前位置为个体最优位置dbest，并计算每个粒子的适应度，适应度值最优的粒子个体极值作为最初的全局最优值gbest；

21、s5.3：对s5.2中步骤进行迭代计算，并更新所述粒子的位置和速度；

22、s5.4：将每次rf运行的结果反馈到粒子群算法中，并更新所述适应度值；

23、s5.5：将每个粒子的适应值与其dbest对应的适应值比较，若优则更新dbest，否则保留原值；

24、s5.6：将更新后的每个粒子的dbest与全局极值gbest比较，若优，则更新gbest，否则保留原值；

25、s5.7：设置误差阈值，并判断是否满足终止条件，若达到最大迭代次数或所得解不再变化就终止迭代，否则返回到s5.3重新迭代计算所述粒子的位置和速度；终止条件利用预测功率数据与实际功率数据的均方误差和误差阈值来实现，若所述均方误差小于误差阈值，则满足条件，否则不满足；

26、s5.8：当满足终止条件时，输出此时的mtry和ntree参数值；

27、具体地，晴预测模块、多云预测模块、阴预测模块、雨预测模块采用一种并行多线程的方法进行训练和更新调优，具体步骤包括：

28、s6.1：将所述前15天天气类型相似日样本集中辐射强度、温度、湿度以及发电功率数据，以一天为一个周期，并按照15分钟为一个时间步进行划分，划分为96个时间步，获取不同天气类型划分完成的训练集；

29、s6.2：将不同天气类型划分完成的训练集，按照晴、多云、阴和雨的顺序，并行的输入到对应的晴预测模块、多云预测模块、阴预测模块、雨预测模块中，并利用s5.7中终止条件和s5.1中设置的最大迭代次数对上述模型进行训练；

30、s6.3：若s6.2中训练过程在最大迭代次数满足终止条件，则结束训练，若不满足，则调用所述前30天相似日样本集对所述15天的相似日样本集进行补充，对s6.2中不满足终止条件的预测模块进行更新训练；

31、s6.4：重复s6.3中步骤，利用前45天相似样本集和60天相似样本集依次对所述不满足终止条件的预测模块进行更新训练，直到所有预测模块都训练完成为止。

32、具体地，s4具体步骤：

33、s7.1：将预测样本按照与预测当日配置的发电预测参数数据按照所述s6.1中步骤进行划分，获取划分完成的预测样本数据集；

34、s7.2：将划分完成的预测样本数据，输入到所述k-means聚类算法算法在进行聚类，获取不同天气类型的预测样本子数据集；

35、s7.3：将获取的预测样本子数据集子数据集输入到训练好的基于天气的集成神经网络模型中，输出预测当日24小时的发电功率预测值。

36、基于集成神经网络的光伏微电网系统发电预测系统，包括数据处理单元，天气聚类单元，集成预测单元预测；

37、数据单元，用于光伏发电数据的收集，预处理和分割。

38、天气聚类单元，用于更具气象数据对所述收集到的光伏历史数据进行聚类，寻找出相似日数据；

39、预测单元预测，用于对基于天气的集成神经网络模型进行训练和更新调优，并对预测当日的发电功率数据进行预测。

40、本发明的一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的基于集成神经网络的光伏微电网系统发电预测方法。

41、本发明的一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。

42、与现有技术相比，本发明的有益效果是：

43、1.本发明综合传统光伏预测方法中存在的缺点，根据光伏发电各环节影响因素的解耦特性，利用多线程集成的方法将不同天气类型的模型集成在一起，提高了对不同天气发电功率预测的适应性和精度；

44、2.本发明采用聚类算法对收集到光伏历史数据针对天气类型进行聚类处理获取相似日样本对不同类型天气模型进行训练，进一步提升了上述不同天气预测模块的精度，同时也提升了数据的利用率，减少了不同类型天气之间数据的干扰，降低了输入输出之间关系的复杂度；

45、3.本发明利用不同时间段的相似日样本，不断地对上述不同的预测模块进行训练，进行提升了模型中先验知识的丰富度，进而提升了模型预测的精度。