一种光伏发电效率的组合预测方法技术

本发明专利技术公开了一种光伏发电效率的组合预测方法，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；再将所述输出的值分别乘以所述灰色模型和所述BP神经网络模型的权重值，结合光伏电站的时空特性进行功率预测，得功率预测值，再对所述功率预测值进行评估；上述方法的预测结果精准，可以大大提高光伏发电功率的预测精度。

A Combination Prediction Method for Photovoltaic Power Generation Efficiency

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面，一种光伏发电效率的组合预测方法，具体地，包括以下步骤：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；再将所述输出的值分别乘以所述灰色模型和所述BP神经网络模型的权重值，结合光伏电站的时空特性进行功率预测，得功率预测值，再对所述功率预测值进行评估。进一步地，所述天气预报气象信息参数包括光照强度、温度、湿度、风速、光伏阵列的安装、太阳入射角度和转换效率。需要说明的是，所述灰色模型(GreyModel)简称为GM模型，适用于时变非线性系统，是最常用、较简洁的灰色模型，BP神经网络模型又称误差反向传播算法，利用误差反向传播算法的多层前向神经网络；本专利技术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输入到单一预测模型BP和GM(1，1)中，再分别输出下一时刻光伏电站功率值，将输出值分别乘以各自的权重值，叠加后得功率预测值。其中，各单一模型的权重值由最大信息熵理论确定，将组合预测过程看成一个信息综合过程，即从各种单一预测模型的预测结果中提取被预测量的统计特征，作为该模型提供给组合预测模型的信息，对未来预测值作出客观预测。与现有技术相比，本专利技术的有益效果在于：一、本专利技术通过将两个单一预测模型进行组合预测，有效降低对单一预测方法精度的依赖性，弥补单一BP神经网络容易陷入局部最优的缺点，充分发挥两个预测模型优势，提高预测精度；且在单一模型的权重上，不采用常规均值法，而是通过最大信息熵理论进行权重优化，使组合预测结果更精准，验证也进一步证明本专利技术的组合预测方法能提高光伏发电功率的预测精度。二、本专利技术利用组合预测方法准确预测光伏发电功率，提高光伏电能的利用率，有效减轻系统接入对电网的影响，对电网调度部门合理安排调度计划、电力电量平衡配合以及对整个电力系统安全稳定运行具有重要意义。附图说明图1为组合预测模型流程图；图2为组合预测模型；图3为历史功率曲线和预测功率曲线对比图。具体实施方式下面结合附图详细说明本专利技术的技术方案，但本专利技术的保护范围不限于下述的实施例。参见附图1和2，先通过灰色模型和BP神经网络模型两种单项模型，按照最大信息熵确定的权重值进行加权组合得组合预测模型；其中，灰色模型和BP神经网络模型的权重值通过最大信息熵来确定。通过上述组合预测模型进行光伏发电效率预测的方法，包括：先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；再将所述输出的值分别乘以所述灰色模型和所述BP神经网络模型的权重值，结合光伏电站的时空特性进行功率预测，得功率预测值，再对所述功率预测值进行评估；其中，天气预报气象信息参数包括光照强度、温度、湿度、风速、光伏阵列的安装、太阳入射角度和转换效率。具体过程为：S1：单一预测模型所述灰色模型和所述BP神经网络模型分别对光伏电站功率进行预测，预测结果的均值记为S2：计算所述灰色模型和所述BP神经网络模型对组合预测模型的信息贡献度，具体方法为：分别对各自从t时刻点开始共n个时刻的光伏发电功率进行模拟预测，结果记录为然后计算预测光伏发电功率的数字特征，得预测光伏发电功率的中心距为其中，所述信息贡献度因素包括：预测的均值和二阶中心距其中，所述二阶中心距表征随机变量取值的分散程度，值越大，预测出现偏差可能性越大；S3：基于最大信息熵建立组合预测模型将光伏发电功率看成随机变量，用X表示，用最大信息熵建立组合预测模型：其中，N为预测模型个数，所述组合预测模型中N＝2；pi为单一预测模型的预测结果在组合预测模型中的权重系数；为预测光伏发电功率的各阶中心距；k为各阶中心距的阶数，K＝2；由上式可得：所以进而可以得到：由上式方程解出λk(k＝1，2，...，K)，再把λk代入求得λ0；把λ0，λ1，...，λk代入解得pi，然后将pi代入得到H(X)；S4：选取平均绝对值百分比误差MAPE评估功率预测值，验证所述组合预测模型的预测精度；其中，Pi为光伏发电功率实际值；Pf为光伏功率预测值；N为数据总数，再对所述功率预测值的误差进行分析对比，校验所述组合预测模型的有效性与实用性。参见附图3，历史功率曲线和预测功率曲线对比可以看出，通过本专利技术方法得到的功率预测值与功率实际值差别很小，进一步证明本专利技术的组合预测方法准确度高，相较于单一预测模型大大提高了光伏发电功率的预测精度。以上所述为本专利技术的较佳实施例而已，但本专利技术不应该局限于该实施例所公开的内容。所以凡是不脱离本专利技术所公开的精神下完成的等效或修改，都落入本专利技术保护的范围。本文档来自技高网...

【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