本发明专利技术涉及一种基于灰色关联的神经网络光伏发电出力预测方法，包括灰色关联度分析、神经网络训练和出力结果预测分析，灰色关联度分析通过对包含影响光伏出力因素的小时段样本灰色关联度计算并排序，从而获得最优样本；神经网络训练是利用最优样本对遗传算法优化过的BP神经网络进行训练，获得训练过的神经网络；出力结果预测分析是选取预测日各小时段的天气参数信息作为输入条件结合训练完成的神经网络以小时为步长对各时间段出力进行预测，并采用平均绝对百分比误差对系统的预测能力进行评价。本发明专利技术的预测方法不仅提高了突变天气时预测准确度，还避免了预测结果易陷入局部最优的缺陷。
【技术实现步骤摘要】
本专利技术设及光伏发电领域，具体设及一种基于灰色关联分析的神经网络光伏发电 出力预测方法。
技术介绍
随着全球能源危机的加深和气候问题的日益突出，可再生能源的开发和利用受到 了广泛的关注。太阳能光伏发电W其清洁安全无污染的特点成为最受青睐的绿色能源之 一。但太阳能光伏发电具有波动性和间歇性的特点，大规模光伏并网将会给电网带来安全 稳定性、电能质量、可靠性等问题，因此，光伏发电出力预测对电网规划运行有着重要意义。 目前对于光伏出力预测的模型主要包括神经网络模型、支持向量机模型和灰色模 型等。业内应用较为广泛的是基于BP神经网络的预测方法，主要思路是将影响光伏出力的 因素W及光伏历史出力数据作为输入量对神经网络进行训练，训练后的网络就可W进行光 伏出力的预测。 但是，BP神经网络存在学习效率低、收敛速度慢、容易陷入局部最优等缺点，不利 于预测精度的提高；W传统的相似日标准作为训练样本选择依据的方法无法满足突变天气 条件下预测精度的要求。 因此，需要一种防止预测结果陷入局部最优，并且在突变天气条件下能够提高预 测精度的光伏出力预测方法。
技术实现思路
本专利技术的目的是提供一种光伏出力预测方法，防止预测结果陷入局部最优，并且 在突变天气条件下能够提高光伏出力预测结果的精度。 为实现上述目的，本专利技术采用的技术方案是：[000引一种基于灰色关联分析的遗传算法优化BP神经网络光伏发电短期出力预测方 法，包括： A、灰色关联度分析，确定最优相似小时段训练样本；将各个小时段内天气参数信 息组成一个行为序列，通过灰色关联度分析的方法计算出待预测小时段行为序列与选定样 本小时段行为序列的综合关联度系数；在此基础上，对待预测小时段前一个或多个小时段 与该样本小时段前一个或多个小时段进行关联度分析，得到天气变化趋势的拟合程度；对 W上两者按权重相加得到最终的关联度系数。对所得的最终的关联度系数进行降序排序， 选取前K个样本化为自然数，可W根据实际精度要求确定）作为最优相似小时段训练样 本。 B、结合遗传算法，对神经网络进行训练；选取最优相似小时段训练样本的天气参 数信息作为输入条件，选取最优相似小时段训练样本的光伏出力作为输出条件，对遗传算 法优化的BP神经网络进行训练，得到具有联想记忆和预测能力的神经网络；由于每个小时 段的出力特点不同，对于每个小时段都会进行一次网络训练，最后的预测也是按照小时段 进行。 c、光伏出力预测，结果分析；选取预测日各个小时段的天气参数信息作为输入条 件结合步骤B训练完成的神经网络W小时为步长对各个时间段出力进行预测。本专利技术采用 平均绝对百分比误差（MAP巧对系统的预测能力进行评价。 优选地，所述的步骤A，其包括：A1、获取相关地区影响光伏出力历史天气参数信息W及预测日影响光伏出力天气 参数信息，并形成各自的小时段行为序列Xi=(X i(1)，Xi(2)，…，Xi(n))，其中Xi(n)为某一 种天气参数信息因素。 A2、采用区间化方法对步骤A1所述的历史天气参数信息W及预测日天气参数信 息分别进行无纲量化处理，所述的无刚量化处理公式为：其中，m为小时段行为序列个数，n为天气参数信息因素个数；A3、将步骤A2处理过后的预测小时段天气信息行为序列作为参考序列X\ = (X'。(1)，X'。(2)，…，X'。(n))，将步骤A2处理过后的历史天气信息小时段行为序列作为比较 序列X/ = (x/ (l),x/ (n))，计算两级最大、最小差，所述的两级最大、最小差计 算公式为：[002U其中，Ai(k)为级差，A(max)为两级最大差，A(min)为两级最小差。 A4、根据步骤A3得到的两级最大、最小差计算预测小时段天气信息与历史天气信 息灰色关联系数，所述的灰色关联系数计算公式为： 其中，P为分辨系数，用来削弱A(max)过大而使关联系数失真的影响，Wk为各个 因素权重。 A5、选取预测小时段前一个或多个小时段天气信息行为序列分别作为参考序列， 与对应的历史天气信息行为序列按照步骤A3、A4的方法进行灰色关联度分析，将其分析结 果作为衡量天气变化趋势的拟合程度。 A6、将步骤A4所得的预测小时段关联度分析结果与步骤A5所得的天气变化趋势 拟合度结果按不同权重相加，得到最终的灰色关联度分析结果；对所得的关联度系数进行 降序排序，选取前K个样本化可W根据实际精度要求确定）作为最优相似小时段训练样 本。[002引优选地，所述的步骤B，其包括： Bl、确定神经网络拓扑结构，根据神经网络权值阔值长度对遗传算法初始值编码。 B2、获取输入数据，并进行输入数据预处理。所述的输入数据是指步骤A中所得到 的最优相似小时段训练样本W及各个样本所对应的历史光伏出力数据，所述的预处理公式 为： B3、将步骤B2处理过的数据作为输入数据，W神经网络训练得到的误差作为适应 度，经过选择、交叉、变异、计算适应度等遗传算法的循环操作，获取最优权值阔值。所述的 最优权值阔值是指使得遗传算法适应度最小的权值阔值。 B4、隐含层计算、输出层计算、误差计算。所述的隐含层计算是指根据输入向量X， 输入层和隐含层之间连接权值《U和隐含层阔值a,计算隐含层输出H，所述的输出层计算 是指根据隐含层输出H，隐含层和输出层之间连接权值《j.k和输出层阔值b，计算BP神经网 络预测输出0,所述的误差计算是指根据网络预测数出0和期望输出Y，计算网络预测误差 e〇B5、权值更新，阔值更新。所述的权值更新是指根据步骤B4所得的网络预测误差 e更新连接权值和《j.k，所述的阔值更新是指根据网络预测误差e更新阔值a,b。B6、判断算法迭代是否结束，若没有结束则返回步骤B4,若迭代结束则得到训练完 成的神经网络。 优选地，所述的步骤C，其包括： C1、选取预测日各个小时段的天气参数信息作为输入条件结合步骤B得到的训练 完成的神经网络W小时为步长对各个时间段出力进行预测。[003引 C2、采用平均绝对百分比误差（MAP巧对系统的预测能力进行评价，所述的百分比 误差公式为： 其中，为光伏出力预测值，巧光伏出力实际值，ml、m2为所选预测小时时间段 的两个端点。 与现有技术比，本专利技术达到的有益效果是： (1)本专利技术在传统的BP神经网络预测基础上对神经网络权值采用遗传算法进行 优化，解决了传统的神经网络算法具有学习效率低、收敛速度慢、容易陷入局部最优的问 题，提高了预测精度。 (2)本专利技术在训练数据的选取过程中采用了灰色关联度分析的方法，W小时段为 单位进行出力预测，综合分析小时段内光照强度、天气、温度、悬浮颗粒等各方面因素。 (3)本专利技术W小时为单位进行出力预测，天气类型W小时为单位设定，克服了传统 日天气类型对预测模型的限制，能够灵活的应对一天之内天气突变的情况，使得日内天气 突变情况下的出力预测更加准确。(4)本专利技术在对预测小时段进行关联度分析时，充分考虑预测前气象条件变化趋 势，使得预测小时段与训练样本关联度更高，弥补了W小时段为单位进行出力预测对气象 变化趋势反应不灵敏的特点。【附图说明】图1是本专利技术的系统流程示意图； 图2是本专利技术的遗传算法优化BP神经网络流程示意图； 图3是本专利技术的BP神经网络拓扑结构示意图；【具体实施方式】 下面结合附本文档来自技高网...
【技术保护点】
一种基于灰色关联分析的遗传算法优化BP神经网络光伏发电短期出力预测方法，包括：A、灰色关联度分析，确定最优相似小时段训练样本：将各个小时段内天气参数信息组成一个行为序列，通过灰色关联度分析的方法计算出待预测小时段行为序列与选定样本小时段行为序列的综合关联度系数；在此基础上，对待预测小时段前一个或多个小时段与该样本小时段前一个或多个小时段进行关联度分析，得到天气变化趋势的拟合程度；对以上两者按权重相加得到最终的关联度系数；对所得的最终的关联度系数进行降序排序，选取前K个样本作为最优相似小时段训练样本，K为自然数；B、结合遗传算法，对神经网络进行训练：选取最优相似小时段训练样本的天气参数信息作为输入条件，选取最优相似小时段训练样本的光伏出力作为输出条件，对遗传算法优化的BP神经网络进行训练，得到具有联想记忆和预测能力的神经网络；由于每个小时段的出力特点不同，对于每个小时段都进行一次网络训练；C、光伏出力预测，结果分析：选取预测日各个小时段的天气参数信息作为输入条件，结合步骤B训练完成的神经网络，以小时为步长对各个时间段出力进行预测；采用平均绝对百分比误差对系统的预测能力进行评价。
【技术特征摘要】
【专利技术属性】
技术研发人员：陈中，宗鹏鹏，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32
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。