一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法技术

本发明专利技术公开了一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法，包括：以光照和温度为输入信号u(k)，以有功功率和无功功率为输出yk；步骤2：构建BP神经网络，以神经网络的权重系数和阈值作为状态变量xk；步骤3：状态变量初始化；步骤4：计算Sigma点；步骤5：改进卡尔曼滤波中时间更新的状态更新和误差方差更新；步骤6：计算状态变量与测量变量的协方差；步骤7：卡尔曼滤波中测量更新的状态更新和误差协方差更新；步骤8：判断更新后的状态方差矩阵是否收敛；本发明专利技术具有运算速度快，预测精度高，能够自适应不同天气条件下的动态变化，该方法下构建的预测模型对于天气条件具有更广泛的适应性。

【技术实现步骤摘要】

本专利技术涉及到光伏发电
，具体涉及到一种光伏发电模型的预测方法与技术。
技术介绍
近年来，光伏发电作为一种清洁的可再生能源，得到大规模的应用于发展。大规模光伏发电并网系统设计、并网影响分析成为近年研究的热点。光伏电站接入电网时对系统电网有一定影响，主要表现在太阳能光伏电站的实际输出功率随光照强度的变化而变化：白天光照强度最强时，发电装置输出功率最大，夜晚几乎无光照以后，输出功率基本为零。因此输出功率随日照、天气、季节、温度等自然因素而变化，输出功率不稳定。人工神经网络具有较强的学习能力，在一定条件下对任意非线性函数的精确近似，使之成为非线性动态系统预测、建模与控制的有效工具。采用改进的小波神经网络对光伏发电系统进行非线性模型辨识，取得了较好的结果，但天气波动的剧烈程度对辨识结果有一定的影响。
技术实现思路
鉴于此，本专利技术的目的是提供一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法。本专利技术的目的是通过以下技术方案实现的，一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法，该预测方法根据神经元激励函数的非线性特点，利用改进卡尔曼滤波器实现神经网络权值系数的自适应调整，从而自适应模拟复杂的非线性系统，并对其状态进行实时更新。进一步，包括以下步骤：步骤1：以光照和温度为输入信号u(k)，以有功功率和无功功率为输出yk；步骤2：构建BP神经网络，以神经网络的权重系数和阈值作为状态变量xk；步骤3：状态变量初始化；步骤4：计算Sigma点；步骤5：改进卡尔曼滤波中时间更新的状态更新和误差方差更新；步骤6：计算状态变量与测量变量的协方差；步骤7：卡尔曼滤波中测量更新的状态更新和误差协方差更新；步骤8：判断更新后的状态方差矩阵是否收敛，如果不收敛返回到步骤4，如果收敛，输出状态变量估计值，并计算系统输出。进一步，在步骤3中状态变量初始化按公式(1)进行 x ‾ 0 = E ( x 0 ) P 0 = E [ ( x 0 - x ‾ 0 ) ( x 0 - x ‾ 0 ) T ] - - - ( 1 ) ]]>x0是状态量初始值，是x0的期望值，P0是状态量的协方差，E(.)表示期望运算，(.)T是转置运算。进一步，一个n维随机状态变量xk的均值和方差矩阵分别为和Pk，利用其一二阶矩根据公式(2)构造2n+1个Sigma点χk-1： χ k - 1 = x ‾ k - 1 , i = 0 x ‾ k - 1 + ( ( n + 本文档来自技高网...

【技术保护点】
一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法，其特征在于：该预测方法根据神经元激励函数的非线性特点，利用改进卡尔曼滤波器实现神经网络权值系数的自适应调整，从而自适应模拟复杂的非线性系统，并对其状态进行实时更新。

【技术特征摘要】
1.一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法，其特征在于：该预测方法根据神经元激励函数的非线性特点，利用改进卡尔曼滤波器实现神经网络权值系数的自适应调整，从而自适应模拟复杂的非线性系统，并对其状态进行实时更新。2.根据权利要求1所述的基于无迹卡尔曼滤波和神经网络的光伏发电预测方法，其特征在于：包括以下步骤：步骤1：以光照和温度为输入信号u(k)，以有功功率和无功功率为输出yk；步骤2：构建BP神经网络，以神经网络的权重系数和阈值作为状态变量xk；步骤3：状态变量初始化；步骤4：计算Sigma点；步骤5：改进卡尔曼滤波中时间更新的状态更新和误差方差更新；步骤6：计算状态变量与测量变量的协方差；步骤7：卡尔曼滤波中测量更新的状态更新和误差协方差更新；步骤8：判断更新后的状态方差矩阵是否收敛，如果不收敛返回到步骤4，如果收敛，输出状态变量估计值，并计算系统输出。3.根据权利要求2所述的基于无迹卡尔曼滤波和神经网络的光伏发电预测方法，其特征在于：在步骤3中状态变量初始化按公式(1)进行 x ‾ 0 = E ( x 0 ) P 0 = E [ ( x 0 - x ‾ 0 ) ( x 0 - x ‾ 0 ) T ] - - - ( 1 ) ]]>x0是状态量初始值，是x0的期望值，P0是状态量的协方差，E(.)表示期望运算，(.)T是转置运算。4.根据权利要求3所述的基于无迹卡尔曼滤波和神经网络的光伏发电预测方法，其特征在于：一个n维随机变量xk的均值和方差矩阵分别为和Pk，利用其一二阶矩，并根据公式(2)构造2n+1个Sigma点χk-1： χ k - 1 = x ‾ k - 1 , i = 0 x ‾ k - 1 + ( ( n + λ ) P k - 1 ) i , i = 1 , 2 , ... , n x ‾ k - 1 - ( ( n + λ ) P k - 1 ) i , i = n + 1 , n + 2 , ... , 2 n - - - ( 2 ) ]]>公式(2)中λ是常数，是矩阵(n+λ)Pk-1的方根矩阵的第i行；Sigma点χk-1的均值和方差按式(3)计算 ω 0 m = λ n + λ , i = 0 ω 0 c = λ n + λ + ( 1 - α 2 + β ) , i = 0 ω i m = ω i c = λ 2 ( n + λ ) , i = 1 , 2 , ... , 2 n λ = α 2 ( n + κ ) - n - - - ( 3 ) ]]>公式(3)中是均值权值，是方差权值，α、β用于调节Sigma点和均值的距离，κ包含了Sigma点分布信息的加权系数。改进卡尔曼滤波器的时间更新按公式(4)计算： χ k | k - 1 * = f ( χ k - 1 ) x ‾ k | k - 1 = Σ ...

【专利技术属性】
技术研发人员：张海宁，李春来，杨立滨，杨军，李正曦，梁英，王平，杜炜，谢解解，江金洋，李娜，李刚健，
申请(专利权)人：国网青海省电力公司，国网青海省电力公司电力科学研究院，重庆大学，
类型：发明
国别省市：青海;63