一种基于elman神经网络的光伏发电系统功率预测方法技术方案

本发明专利技术公开了一种基于elman神经网络的光伏发电系统功率预测方法，包括：获取在相关地区光伏发电设备的发电功率历史数据及相应的历史天气参数信息；确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于elman的神经网络；对发电功率历史数据及历史天气参数信息进行归一化处理，然后根据归一化处理后的数据对建立的神经网络进行训练，从而将基于elman的神经网络的预测误差控制在预设的范围内；以预测日前一周的发电功率历史数据和预测日的天气参数数据作为输入，采用训练后的神经网络对预测日的发电功率进行预测。本发明专利技术具有稳定、具有适应时变特性能力和预测精度高的优点，可广泛应用于光伏发电领域。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，包括：获取在相关地区光伏发电设备的发电功率历史数据及相应的历史天气参数信息；确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于elman的神经网络；对发电功率历史数据及历史天气参数信息进行归一化处理，然后根据归一化处理后的数据对建立的神经网络进行训练，从而将基于elman的神经网络的预测误差控制在预设的范围内；以预测日前一周的发电功率历史数据和预测日的天气参数数据作为输入，采用训练后的神经网络对预测日的发电功率进行预测。本专利技术具有稳定、具有适应时变特性能力和预测精度高的优点，可广泛应用于光伏发电领域。【专利说明】-种基于elman神经网络的光伏发电系统功率预测方法
本专利技术涉及光伏发电领域，尤其是一种基于elman神经网络的光伏发电系统功率 预测方法。
技术介绍
可再生能源发电是较为高效和清洁的可再生能源利用方式，也是目前可再生能源 使用技术中最成熟、最具有规模化开发条件和商业化发展前景的方式之一。而光伏发电则 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。而短期发电功率的预测则是 光伏发电是否能成功推广的关键，也是电力调度部门制定电力调度计划的依据，更是家庭 或企业等自建光伏发电系统效益的重要保障。 而目前所有短期太阳能光伏发电预测方法都是基于相同的思路：首先利用数学和 物理学理论及相关数据建立预测公式或模型，再通过预测公式或模型对光伏电站发电量进 行预测。根据所采用的数学物理理论及其预测输出量，光伏发电预测方法可分为两大类： (1)直接预测光电系统输出功率的直接预测法(又叫统计法）；（2)首先对太阳辐射进行预 测，然后根据光电转换效率得到光电输出功率的间接预测法(又叫物理法)。 基于统计法的预测方法有概率法、时间序列法和人工智能法等方法，其优点是程 序简明，对光伏电站位置及电力转换参数没有要求；缺点是没有考虑影响光伏发电的环境 因素，需要大量的光伏电站历史运行数据来保证预报结果的精确度，且容易因环境的变化 而导致预测精度的波动性过大。基于物理法的预测方法主要是以光伏发电系统物理发电原 理为基础。其优点是不需要历史运行数据，光伏电站建成之后就可以直接进行预测；缺点是 需要光伏电站详细地形图、发电站坐标、光伏电站功率曲线及其他相关光电转换参数等数 据。 目前业内应用较为广泛的是基于BP神经网络的预测方法(人工智能法的一种)，但 是，基于BP神经网络的预测方法仍存在以下缺陷： (1) 仅有前馈而无反馈，对历史数据的敏感性过差，容易导致已记忆的学习模式的信息 消失，不够稳定； (2) 处理动态信息能力过弱，无法直接动态反映动态过程中光伏发电系统的特性，不具 备适应时变特性的能力，且预测精度的波动性较大。
技术实现思路
为了解决上述技术问题，本专利技术的目的是：提供一种稳定、具有适应时变特性能力 和预测精度高的，基于elman神经网络的光伏发电系统功率预测方法。 本专利技术解决其技术问题所采用的技术方案是： ，包括： A、 获取在相关地区光伏发电设备的发电功率历史数据及相应的历史天气参数信息； B、 确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于 elman的神经网络，所述基于elman的神经网络包括输入层、隐含层、承接层和输出层，所述 承接层用于记忆隐含层前一时刻的输出值并将该输出值返回给隐含层的输入； C、 对发电功率历史数据及历史天气参数信息进行归一化处理，然后根据归一化处理后 的数据对建立的神经网络进行训练，从而将基于elman的神经网络的预测误差控制在预设 的范围内； D、 以预测日前一周的发电功率历史数据和预测日的天气参数数据作为输入，采用训练 后的神经网络对预测日的发电功率进行预测。 进一步，所述预设的范围为5%_10%。 进一步，所述发电功率历史数据包括每小时发电功率和有效发电时间段，所述历 史天气参数信息包括气温、气压、风向、风速、云量、雨量、日照时间和天气类型。 进一步，所述步骤B，其包括： B1、统计获取的发电功率历史数据和历史天气参数信息，以一日的实际发电功率作为 神经网络的输出数据，以该日前一周在有效时间段f内的每小时发电功率W和该日的天气 参数数据作为神经网络的输入数据； B2、对elman神经网络进行初始化，根据输入输出序列确定输入结点单元向量、隐含层 结点单元向量、反馈状态向量和输出结点向量，从而建立起基于elman的神经网络训练模 型，其中，隐含层的节点数通过逐渐递增试凑法得出。 进一步，所述elman神经网络的非线性状态空间表达式为： 【权利要求】1. ，其特征在于：包括： A、 获取在相关地区光伏发电设备的发电功率历史数据及相应的历史天气参数信息； B、 确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于 elman的神经网络，所述基于elman的神经网络包括输入层、隐含层、承接层和输出层，所述 承接层用于记忆隐含层前一时刻的输出值并将该输出值返回给隐含层的输入； C、 对发电功率历史数据及历史天气参数信息进行归一化处理，然后根据归一化处理后 的数据对建立的神经网络进行训练，从而将基于elman的神经网络的预测误差控制在预设 的范围内； D、 以预测日前一周的发电功率历史数据和预测日的天气参数数据作为输入，采用训练 后的神经网络对预测日的发电功率进行预测。2. 根据权利要求1所述的，其 特征在于：所述预设的范围为5%-10%。3. 根据权利要求2所述的，其 特征在于：所述发电功率历史数据包括每小时发电功率和有效发电时间段，所述历史天气 参数信息包括气温、气压、风向、风速、云量、雨量、日照时间和天气类型。4. 根据权利要求3所述的，其 特征在于：所述步骤B，其包括： B1、统计获取的发电功率历史数据和历史天气参数信息，以一日的实际发电功率作为 神经网络的输出数据，以该日前一周在有效时间段f内的每小时发电功率W和该日的天气 参数数据作为神经网络的输入数据； B2、对elman神经网络进行初始化，根据输入输出序列确定输入结点单元向量、隐含层 结点单元向量、反馈状态向量和输出结点向量，从而建立起基于elman的神经网络训练模 型，其中，隐含层的节点数通过逐渐递增试凑法得出。5. 根据权利要求4所述的，其 特征在于：所述elman神经网络的非线性状态空间表达式为：其中，为m维输出结点向量J为/7维隐含层结点单元向量#为u维输入向量;c为n维反馈状态向量；W3为隐含层到输出层连接权值;W2为输入层到隐含层连接权值;W1为承 接层到隐含层的连接权值^?(*)为输出神经元的传递函数;/(*)为隐含层神经元的传递 函数。6. 根据权利要求4所述的，其 特征在于：所述步骤C，其包括： C1、采用最大最小法对发电功率历史数据及历史天气参数信息进行归一化处理，所述 归一化处理的公式为：其中，Zmax为数据序列中的最大数，Zmin为数据序列中的最小数； C2、根据归一化处理后的数据对建立的神经网络进行误差计算、权值更新和阀值更新， 从而将基于elman的神经网络的预测误差控制在5%-10%的范围内。7.根据本文档来自技高网...

【技术保护点】
一种基于elman神经网络的光伏发电系统功率预测方法，其特征在于：包括：A、获取在相关地区光伏发电设备的发电功率历史数据及相应的历史天气参数信息；B、确定神经网络的输入和输出数据，并确定最优的隐含层神经元个数，从而建立基于elman的神经网络，所述基于elman的神经网络包括输入层、隐含层、承接层和输出层，所述承接层用于记忆隐含层前一时刻的输出值并将该输出值返回给隐含层的输入；C、对发电功率历史数据及历史天气参数信息进行归一化处理，然后根据归一化处理后的数据对建立的神经网络进行训练，从而将基于elman的神经网络的预测误差控制在预设的范围内；D、以预测日前一周的发电功率历史数据和预测日的天气参数数据作为输入，采用训练后的神经网络对预测日的发电功率进行预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：杨林，吕洲，高福荣，姚科，
申请(专利权)人：广州市香港科大霍英东研究院，
类型：发明
国别省市：广东;44