一种基于改进的IHCMAC神经网络的光伏发电功率预测方法技术

本发明专利技术公开了一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，在定量分析气象主要参数与光伏发电输出功率相关性的基础上，采用改进的IHCMAC神经网络作为短期光伏发电功率预测模型。采用动态模糊K均值(K‑MEANS)聚类算法，确定神经网络节点和确定节点数目；利用实时采集的现场气象参数、光伏发电等数据，作为预测模型的学习样本和验证样本。该方法采用动态模糊K均值聚类算法合理改进的IHCMAC神经网络，能有效确定和减少神经网络的节点数目，缩短参数学习时间，提高学习精度。

【技术实现步骤摘要】

本专利技术涉及一种基于改进的IHCMAC神经网络的光伏发电功率预测方法。
技术介绍
能源和环境问题在全球得到日益广泛的关注，新能源与分布式发电成为研究的热点，开发清洁和可再生能源成为当前面临的紧迫问题。太阳能作为理想的清洁绿色能源，是化石能源的最佳替代品，然而太阳能资源具有功率不稳定性、输出时段性、电能波动性和不确定性等特点给电网造成的扰动大大限制了光伏发电系统在电网的大量接入。光伏功率测能够有效的帮助电网调度部门做好各类电源的调度计划，准确的光伏预测可以减小光伏并网给电网的安全运行带来的影响，还可以使电网减少光伏限电，大大提高了电网消纳光能的能力，减少了由于限电给光伏业主带来的经济损失，增加了光伏电站投资回报率。传统的CMAC神经网络、HCMAC神经网络、IHCMAC神经网络的功率预测算法存在诸多不足：第一，CMAC神经网络的网络节点随输入维数的增大呈几何级数增加，使神经网络的运算速率大大降低。第二，HCMAC神经网络输入空间采用等网格量化方式划分，而学习数据在学习空间里分布不均匀，会导致一部分节点无效，而数据集中的点则因承担的信息量过大其学习精度反而下降。第三，IHCMAC算法聚类终止条件是人为给出且根据聚类准则函数的收敛速度来判断聚类数目并不准确可靠，IHCMAC聚类网络节点是聚类子集中所有数据的中心点，并没有均衡反映该聚类子集内的所有数据而聚类中心应该映射出该子集中所有数据的均值。上诉方法难以对光伏发电功率进行快速且准确的预测。
技术实现思路
本专利技术为了解决上述问题，提出了一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，本专利技术详细分析了不同气象因素与光伏发电输出功率的相关性，确定光伏发电主要气象因素作为输入信息，利用归一化方法消除数量级对预测结果的影响，将归一化后的数据利用平均值法进行缺失数据修补，再用拉依达准则剔除异常值，最后通过改进的IHCMAC神经网络进行光伏发电功率预测，能有效确定和减少神经网络的节点数目，缩短参数学习时间，提高学习精度。为了实现上述目的，本专利技术采用如下技术方案：一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，包括以下步骤：(1)采集光伏发电系统的输出功率及气象数据；(2)对数据进行过滤，分析不同气象因素与光伏发电输出功率的相关性，提取主要影响因素作为输入信息；(3)利用归一化方法消除数量级对预测结果的影响，将归一化后的数据利用平均值法进行缺失数据修补，利用拉依达准则剔除异常值；(4)采用K平均聚类算法减少IHCMAC神经网络的节点数目，利用改进后的IHCMAC神经网络对光伏发电功率进行预测。所述步骤(1)中，采集光伏发电站周围的温度、湿度、太阳辐射强度、风速、风向、气压和/或海拔数据。所述步骤(2)中，确定太阳辐射强度、温度、湿度和风速。所述步骤(2)中，太阳辐射强度对光伏发电的影响为辐射量与发电量成正比，一定时间段内的辐射量累计量再乘以光伏发电系统转换效率以估算相应时段的发电量。所述步骤(2)中，在设定的温度范围内光伏发电功率随着温度的升高而增大，当温度超过设定值后发电功率反而下降。所述步骤(2)中，湿度与光伏发电功率呈现负相关。所述步骤(4)中，利用K平均聚类算法对IHCMAC神经网络进行改进的具体方法包括：(4-1)随机选取K个对象作为初始的聚类中心,将样本集中的样本按照最小距离原则分配到最邻近聚类；(4-2)使用每个聚类中的样本均值作为新的聚类中心，重复直到聚类中心不再变化，得到K个聚类；(4-3)经过迭代获得K个聚类中心即网络节点，根据聚类准则函数对于每个聚类中心的偏导数为0，以求得聚类中心，使得聚类准则函数最小。所述步骤(4-1)中，最小距离原则分配到最邻近聚类zj确定为：dij＝min(||xi-zj||),xi∈S,zj∈Zxi为样本集S中的样本xi。所述步骤(4-3)中，聚类准则函数确定为 J = Σ j = 1 k Σ i = 1 n | | x i ( j ) - z j | | 2 - - - ( 2 ) ]]>当J最小的时候，函数对于每个聚类中心的偏导数为0。所述步骤(4)中，计算不同网络节点与聚类中心相对应的高斯基函数参数，确定聚类中心所对应的权值，超闭球中心和超闭球半径，以得到超闭球神经网络输出。所述步骤(4)中，改进的IHCMAC神经网络的权值学习采用改进的C-L算法，具体为： Δq k - 1 = αe k - 1 B ( x k - 1 ) S K - 1 β + S k - 1 T B ( x k - 1 ) B T ( x k - 1 ) S K - 1 本文档来自技高网...

【技术保护点】
一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，其特征是：包括以下步骤：(1)采集光伏发电系统的输出功率及气象数据；(2)对数据进行过滤，分析不同气象因素与光伏发电输出功率的相关性，提取主要影响因素作为输入信息；(3)利用归一化方法消除数量级对预测结果的影响，将归一化后的数据利用平均值法进行缺失数据修补，利用拉依达准则剔除异常值；(4)采用K平均聚类算法减少IHCMAC神经网络的节点数目，利用改进后的IHCMAC神经网络对光伏发电功率进行预测。

【技术特征摘要】
2016.07.15 CN 20161055983451.一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，其特征是：包括以下步骤：(1)采集光伏发电系统的输出功率及气象数据；(2)对数据进行过滤，分析不同气象因素与光伏发电输出功率的相关性，提取主要影响因素作为输入信息；(3)利用归一化方法消除数量级对预测结果的影响，将归一化后的数据利用平均值法进行缺失数据修补，利用拉依达准则剔除异常值；(4)采用K平均聚类算法减少IHCMAC神经网络的节点数目，利用改进后的IHCMAC神经网络对光伏发电功率进行预测。2.如权利要求1所述的一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，其特征是：所述步骤(1)中，采集光伏发电站周围的温度、湿度、太阳辐射强度、风速、风向、气压和/或海拔数据。3.如权利要求1所述的一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，其特征是：所述步骤(2)中，确定太阳辐射强度、温度、湿度和风速。4.如权利要求1所述的一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，其特征是：所述步骤(2)中，太阳辐射强度对光伏发电的影响为辐射量与发电量成正比，一定时间段内的辐射量累计量再乘以光伏发电系统转换效率以估算相应时段的发电量；所述步骤(2)中，在设定的温度范围内光伏发电功率随着温度的升高而增大，当温度超过设定值后发电功率反而下降；所述步骤(2)中，湿度与光伏发电功率呈现负相关。5.如权利要求1所述的一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，其特征是：所述步骤(4)中，利用K平均聚类算法对IHCMAC神经网络进行改进的具体方法包括：(4-1)随机选取K个对象作为初始...

【专利技术属性】
技术研发人员：段培永，张洁珏，崔冲，张震，邹明君，吕东岳，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：山东;37