The invention discloses a combined forecasting method for photovoltaic power generation efficiency, which takes the actual historical power output time series of photovoltaic power station and corresponding weather forecast meteorological information parameters as input of grey model and BP neural network model respectively in the combined forecasting model, and the power value of photovoltaic power station at the next moment as output respectively, and then multiplies the output value by the grey respectively. The weight values of the color model and the BP neural network model are combined with the space-time characteristics of photovoltaic power plants to predict the power, and then the power prediction values are evaluated. The forecasting results of the above methods are accurate, which can greatly improve the forecasting accuracy of photovoltaic power.
【技术实现步骤摘要】
一种光伏发电效率的组合预测方法
本专利技术属于光伏发电预测
,具体涉及一种光伏发电效率的组合预测方法。
技术介绍
随着现代预测理论技术不断发展,BP神经网络预测技术、小波分析预测技术、灰色预测法、支持向量机理论预测法等新预测技术已在光伏功率预测领域逐渐得以应用;其中,灰色模型擅长处理少数据样本的系统,BP神经网络可通过不断调整网络的权值和阈值,使得网络得到不断的训练,达到最优。在预测过程中,每种预测方法应用的数据大致相同,但是提高有用信息的角度不同,无论是定性预测还是定量预测都有其优缺点。在实际预测中,这些方法或模型之间并非为相互排斥,它们之间存在相互联系,甚至相互互补。另外,不同的预测方法可以从已知数据中提取多种不同有用信息,但是单一预测方法精度不高,如神经网络预测容易陷入局部最优的缺点,组合预测方法正是基于可充分利用各单项预测方法提供的有用信息,综合各方法或模型优势,取长补短,从而提高预测的精度。相对于单一预测方法或模型,组合预测方法能够避免某些有用信息丢失,更加科学,但是多个模型组合起来的组合预测模型中涉及到单一模型的权重如何确定的问题,不同的确定方法会影响预测精度。
技术实现思路
为克服现有技术的上述缺陷,本专利技术的目的在于提供一种光伏发电效率的组合预测方法,通过引入最大信息熵理论确定组合预测模型中各个模型的权值基础上,进行光伏组件的功率预测,提高预测精度。本专利技术的上述目的通过以下技术方案实现:一种光伏发电效率的组合预测模型,包括灰色模型和BP神经网络模型,且所述灰色模型和所述BP神经网络模型的权重比通过最大信息熵来确定。本专利技术的第二方 ...
【技术保护点】
1.一种光伏发电效率的组合预测模型,其特征在于,包括灰色模型和BP神经网络模型,且所述灰色模型和所述BP神经网络模型的权重比通过最大信息熵来确定。
【技术特征摘要】
1.一种光伏发电效率的组合预测模型,其特征在于,包括灰色模型和BP神经网络模型,且所述灰色模型和所述BP神经网络模型的权重比通过最大信息熵来确定。2.一种光伏发电效率的组合预测方法,其特征在于,包括以下步骤:S1:将光伏电站实际的历史功率输出时间序列和对应的天气预报气象信息参数分别作为权利要求1所述组合预测模型中灰色模型和BP神经网络模型的输入,下一时刻光伏电站功率值分别作为输出;S2:将步骤S1所述输出的值分别乘以所述灰...
【专利技术属性】
技术研发人员:朱洋艳,王致杰,郭振华,金月,王宇鹏,王帅,王鸿,
申请(专利权)人:上海电机学院,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。