一种超短期光伏预测方法技术

本发明专利技术公开了一种超短期光伏预测方法，包含如下步骤：训练数据x选取；训练数据归一化处理；训练数据异常化处理；数据函数变换；显著性分析；广义回归神经网络模型训练；广义回归神经网络模型预测，该超短期光伏预测方法，利用广义回归神经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输入信号进入广义回归神经网络预测模型，有效提升了预测精度，另外训练样本选定后，广义回归神经网络结构和权值会自动确定，只需调整平滑参数即可，避免了循环训练的计算过程，更加快速地实现全局逼近的学习和预测能力。

【技术实现步骤摘要】

本专利技术涉及一种光伏发电预测方法，具体是。
技术介绍
太阳能光伏发电具有转换效率高、使用周期长、无运转部件等优点，目前，国外太 阳能光伏发电已经完成初期开发阶段，正向大规模应用阶段发展。但是，由于太阳能具有间 歇性和随机性等特点，随着光伏装机容量的快速扩大，大规模的光伏并网，将不利于电网的 稳定性，对电力市场产生深远的影响，因此，预知光伏发电系统的发电量，对电网电能的调 度有着重要的意义。 太阳能光伏发电系统的发电量受许多方面因素的影响，太阳辐射强度、温度、天气 情况、季节等，这些因素不同程度地影响光伏发电系统的发电量，并且呈现出强非线性，而 光伏发电系统可视为一个不可控的电源，其随机性将对电网产生冲击，因此，研究太阳能的 随机性和光伏发电预测技术有着重要意义。 现有的预测技术，针对光伏发电预测模型，主要以气象因素和历史辐射相结合作 为BP神经网络的输入，然而BP神经网络易受局部最优迷惑、且训练速度慢。
技术实现思路
本专利技术的目的在于提供，通过改良输入信息与广义回归 神经网络模型相结合的方式，实现对并网型光伏电站进行输出功率的预测，以解决上述背 景技术中提出的问题。 为实现上述目的，本专利技术提供如下技术方案： -种超短期光伏预测方法，包含如下步骤： ⑴训练数据X选取：以某日某地区气象因素信息为测试和训练数据基础，数据分 辨率为15min，数据种类包含全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿 度、云层覆盖率、平均风速、气压、降雨量、降雪量以及地面接收净辐射量； ⑵训练数据归一化处理：针对训练数据作归一化处理； ⑶训练数据异常化处理：针对归一化的数据xl，x2,…，xg，删除异常数据； (4)数据函数变换：将第2步处理好的训练数据，作为原始训练数据组存储，同时 针对原始训练数据组做函数变换并保存多组变换方案，其中函数变换包含但不限于数据开 方^1自然对数Inxg和指数模型Xgn; (5)显著性分析：采用皮尔逊相关系数法针对所有训练数据组执行显著性分析， 并分别对比多组分析结果，皮尔逊相关系数法的公式为w为协方差，S 为标准差； (6)广义回归神经网络模型训练：以显著分析中提取的变换数据组为输入，具体 为预测时段前2h的变换数据，对应未来lh辐照度为输出，训练广义回归神经网络预测模 型，其中预测时段前2h的变换数据分为24个时刻点；(7)广义回归神经网络模型预测：利用训练好的广义回归神经网络预测模型，选 取函数变换数据作输入，光伏电站输出功率作输出，实现对未来lh光伏电站输出功率的超 短期预测。 作为本专利技术进一步的方案：第2步中，归一化处理的公式为=Hs为样本标准 差，无为样本平均值。 作为本专利技术再进一步的方案：第3步中，利用莱以特准则删除异常数据， vg| = |& - - > 3' \为残差，s'为样本标准差。 作为本专利技术再进一步的方案：第4步中，采用自然对数In\进行函数变换。 作为本专利技术再进一步的方案：所述广义回归神经网络包含输入层、隐含层和输出 层3个部分，其中隐含层又包含了模式层和求和层，从神经元输入到模式层、求和层，每个 样本均有一个对应的径向基神经元。 与现有技术相比，本专利技术的有益效果是：该超短期光伏预测方法，利用广义回归神 经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针 对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输 入信号进入广义回归神经网络预测模型，有效提升了预测精度，另外训练样本选定后，广义 回归神经网络结构和权值会自动确定，只需调整平滑参数即可，避免了循环训练的计算过 程，更加快速地实现全局逼近的学习和预测能力。【附图说明】 图1为超短期光伏预测方法的流程示意图。 图2为超短期光伏预测方法中广义回归神经网络的结构示意图。【具体实施方式】 下面结合【具体实施方式】对本专利的技术方案作进一步详细地说明。 请参阅图1，，包含如下步骤： (1)训练数据X选取：以某日某地区气象因素信息为测试和训练数据基础，数据分 辨率为15min，数据种类包含全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿 度、云层覆盖率、平均风速、气压、降雨量、降雪量以及地面接收净辐射量；(2)训练数据归一化处理：针对训练数据作归一化处理，归一化处理的公式为 X-X xs =YS为样本标准差，1:为样本平均值； ⑶训练数据异常化处理：针对归一化的数据xl，X2,…，xg，利用莱以特准则删除 异常数据，^?| =叭-7|>3^\为残差，8'为样本标准差； (4)数据函数变换：将第2步处理好的训练数据，作为原始训练数据组存储，同时 针对原始训练数据组做函数变换并保存多组变换方案，其中函数变换包含但不限于数据开 方自然对数Inxg和指数模型Xgn; (5)显著性分析：采用皮尔逊相关系数法针对所有训练数据组执行显著性分析， 并分别对比多组分析结果，经过实例证明，数据变换后，相关系数有所提升，尤其是自然对 数Inxg函数变换组，相关性最佳y为协方差，δ为标准差，因此，优选 的，第4步中采用自然对数In1(?进行函数变换； (6)广义回归神经网络模型训练：以显著分析中提取的变换数据组为输入，具体 为预测时段前2h的变换数据，对应未来lh辐照度为输出，训练广义回归神经网络预测模 型，其中预测时段前2h的变换数据分为24个时刻点；(7)广义回归神经网络模型预测：利用训练好的广义回归神经网络预测模型，选 取函数变换数据作输入，光伏电站输出功率作输出，实现对未来lh光伏电站输出功率的超 短期预测。 请参阅图2,所述广义回归神经网络是基于非线性回归理论的前馈式神经网络模 型。包含输入层、隐含层、输出层3个部分，其中隐含层又包含了径向基隐含层（模式层） 和一个特殊的线性层（求和层），从神经元输入到模式层、求和层，每个样本均有一个对应 的径向基神经元，因此样本数据不变。 假设原始气象因素信息为X= ，作为网络输入变量。贝隐含层中向量个数为m，输入变量X'与其对应 的训练样本V之间的Euclid距离平方为： Dx2=(X'-X)T(X'-X,') 模式层神经元的传递函数： T1=expHX'-X/AX'-X/)/^。2]，i= 1，2,…，η，σ为平滑参数； 求和层中包含两种神经元SjPSNj，其中： 输出层的神经元，由求和层的两种神经元计算得到：yj=SNj/Sij= 1，2,…k。 由此，训练样本选定后，广义回归神经网络结构和权值会自动确定，只需调整平滑 参数即可，避免了循环训练的计算过程，更加快速地实现全局逼近的学习和预测能力。 上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方 式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下 作出各种变化。【主权项】1. ，其特征在于，包含如下步骤： (1) 训练数据X选取：以某日某地区气象因素信息为测试和训练数据基础，数据分辨率 为15min，数据种类包含全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿度、 云层覆盖率、平均风速、气压、降雨量、降雪量以及地面接收净辐射量； (2) 训练数据归一化处理：针对训练数本文档来自技高网...

【技术保护点】
一种超短期光伏预测方法，其特征在于，包含如下步骤：(1)训练数据x选取：以某日某地区气象因素信息为测试和训练数据基础，数据分辨率为15min，数据种类包含全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿度、云层覆盖率、平均风速、气压、降雨量、降雪量以及地面接收净辐射量；(2)训练数据归一化处理：针对训练数据作归一化处理；(3)训练数据异常化处理：针对归一化的数据x1,x2,…，xg，删除异常数据；(4)数据函数变换：将第2步处理好的训练数据，作为原始训练数据组存储，同时针对原始训练数据组做函数变换并保存多组变换方案，其中函数变换包含但不限于数据开方自然对数lnxg和指数模型xgn；(5)显著性分析：采用皮尔逊相关系数法针对所有训练数据组执行显著性分析，并分别对比多组分析结果，皮尔逊相关系数法的公式为cov为协方差，δ为标准差；(6)广义回归神经网络模型训练：以显著分析中提取的变换数据组为输入，具体为预测时段前2h的变换数据，对应未来1h辐照度为输出，训练广义回归神经网络预测模型，其中预测时段前2h的变换数据分为24个时刻点；(7)广义回归神经网络模型预测：利用训练好的广义回归神经网络预测模型，选取函数变换数据作输入，光伏电站输出功率作输出，实现对未来1h光伏电站输出功率的超短期预测。...

【技术特征摘要】

【专利技术属性】
技术研发人员：曹欣，王铁强，孙广辉，时珉，王鑫明，王艳阳，杨晓东，魏明磊，孙辰军，刘梅，赵然，张华铭，孙福林，张维静，
申请(专利权)人：国家电网公司，国网河北省电力公司，北京清软创新科技股份有限公司，
类型：发明
国别省市：北京;11