基于相似日的BP神经网络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提供了一种基于相似日的改进BP神经网络光伏发电系统功率预测方法。将天气影响因素量化编码后，根据相似日选取原理，选出与预测日相似度较高的历史日，利用相似历史日的发电量数据和气象数据，结合预测日气象数据，构成训练样本集，对BP神经网络进行训练。训练时，权值调整算法采用结合了附加动量与变学习率的梯度修正法，提高模型收敛速度，并减小模型陷入局部最优解的概率，保证预测模型精度和稳定性。

【技术实现步骤摘要】

本专利技术涉及一种基于相似日的BP神经网络光伏发电系统功率预测方法，属于光伏发电

技术介绍
能源是现代社会经济与发展的根本。能源环境问题的相继出现促使人类逐渐意识到化石燃料的过渡开采和无节制使用所带来的严重危害。光伏发电由于其可再生、环保灵活的特性得到广泛关注和快速发展。但由于光伏发电系统的输出受到太阳辐照强度和众多天气因素的影响，其发电量的变化是一个非平稳的随机过程，对大电网而言是一个不可控源，其发电的随机波动性会对电网造成冲击，影响电网运行的可靠性与稳定性。加强光伏发电功率预测的研究，预先获得光伏发电系统的日发电量曲线，从而协调电力系统制定发电计划，减少光伏发电的随机性对电力系统的影响，这对光伏电站和电网都有着重要的经济意义。按照不同的分类标准，光伏发电功率预测方法分类不同。目前使用较广泛的是利用光伏发电系统历史输出功率数据的直接预测方法它需要运用统计原理对光伏发电系统历史输出功率统计数据进行分析，找出其内在规律性，建立映射关系用于预测，程序简明，不需要光伏发电系统的具体布置资料。常用的统计方法有多元线性回归算法、人工神经网络(ANN)算法和灰色理论算法等。使用差异较大的一组样本训练模型，得到的参数进行校验时往往产生较大的误差，即使重新训练，也得不到很好的效果。现有的一些研究虽然提出了基于历史日数据的提前一天光伏功率预测方法，但当气象条件变化剧烈时，模型预测精度还有待提高，甚至有可能会失效。针对此情况，一种在预测模型中考虑加入合理选取的气象因素的预测方法比较有研究的意义。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种基于相似日的BP神经网络光伏发电系统功率预测方法，解决现有技术因天气类型变化而引起的预测精度降低甚至预测模型失效的技术问题。为解决上述技术问题，本专利技术所采用的技术方案是：一种基于相似日的BP神经网络光伏发电系统功率预测方法，包括如下步骤：步骤一：选取气象影响因素，对天气类型编码：将模糊描述的天气类型映射为天气类型指数，量化天气因素对光伏发电功率的影响；步骤二：计算历史日与预测日的天气相似度：构造天气类型特征向量，并对特征向量各分量进行归一化处理，并采用连乘方式定义并计算相似度；步骤三：选取相似日：选取与预测日相似度最大的20～50个历史日构成相似历史日训练样本集；步骤四：构建BP神经网络预测模型：将相似历史日的光伏发电功率数据与天气类型指数作为模型输入量，设计一种双隐层BP神经网络预测模型；步骤五：训练BP神经网络预测模型：根据相似历史日训练样本集给出BP神经网络预测模型的输入量和理论目标输出，对BP神经网络预测模型的连接权值进行不断修正；步骤六：光伏发电功率预测与评估：训练完成后利用相似度最高的历史日发电量数据作为BP神经网络预测模型的输出，计算网络输出光伏发电功率，并与理论目标输出光伏发电功率相比较，评估预测精度。所述天气类型编码的具体方法为：步骤101：选取太阳辐照强度和温度作为影响光伏发电功率的天气因素；步骤102：根据单位面积的光伏发电系统发电功率计算公式：Ps＝ηSI(1-0.005(T0+25))式中，I为太阳辐照强度，单位为kW/m2；η为光伏系统转换效率；T0为环境温度，单位为℃；S为光伏阵列的面积，单位为m2，对有效的光伏发电系统历史发电功率进行统计分析，将模糊描述的天气类型转换为0～1之间可被BP神经网络预测模型所接受的天气类型指数。计算历史日与预测日的天气相似度的具体方法为：步骤201：构造天气类型特征向量：Y＝[TmaxTminw]式中，Tmax为最高温、Tmin为最低温、w为天气类型指数；步骤202：采用“极差法”进行归一化，公式如下：xi(j)=yi(j)-m(j)M(j)-m(j)]]>式中，yi(j)是第i日的第j分量；m(j)和M(j)分别为第j个分量的最小值和最大值，j＝1,2,3；归一化后基准日和第j日的特征向量分别为：x0＝[x0(1),x0(2),x0(3)]T；xj＝[xj(1),xj(2),xj(3)]T；步骤203：计算x0和xj在第k个因素的关联系数：ϵj(k)=minjmink|x0(k)-xj(k)|+ρmaxjmaxk|x0(k)-xj(k)||x0(k)-xj(k)|+ρmaxjmaxk|x0(k)-xj(k)|]]>式中，ρ是分辨系数；步骤204：综合各影响因素的关联系数，采用连乘方式定义并计算x0和xj的相似度：Fj=Πk=13ϵj(k).]]>构建BP神经网络预测模型的具体方法如下：步骤401：采用16个输入变量，选取白天7:00～18:00的12个发电时间序列作为预测模型的12个输入变量，相似日的最高气温和最低气温作为BP神经网络预测模型的2个输入变量，预测日的最高气温和最低气温作为BP神经网络预测模型的最后2个输入变量；步骤402：采用12个输出变量，预测模型输出的是预测日白天12个时间点的发电功率，对应预测日的发电量时间序列；步骤403：采用双隐层，确定隐含层节点数的公式如下：m=n+l+a]]>m＝log2nm=nl]]>式中，n表示输入层节点数，m表示隐含层节点数，l表示输出层节点数，a为1～5的常数。所述BP神经网络预测模型的连接权值采用附加动量与变学习率结合的梯度修正法作为修正算法，具体如下：加入附加动量后网络权值修改算法：wij(t+1)＝wij(t)+Δwij(t)+α[wij(t)-wij(t-1)]式中，α为动量因子，wij(t)为时刻t时前一层的第j个神经元到后一层的第i个神经元的连接权值，Δwij(t)为时刻t时wij(t)的调整量；加入变学习率后网络权值修改算法：wij(t+1)＝wij(t)+η(t)Δwij*(t)+α[wij(t)-wij(t-1)]η(t)＝ηmax-t(ηmax-ηmin)/tmax式中，Δwij*(t)为Δwij(t)提取出因式η(t)后的剩余部分，ηmax为最大学习率，ηmin为最小学习率，tmax为最大迭代次数，t为当前迭代次数。与现有技术相比，本专利技术所达到的有益效果：光伏发电系统的输出功率受气象因素影响较大，将天气类型编码量化后作为预测模型输入量，能降低天气变化对预测精度的影响；不同天气类型的发电功率曲线明显不同，利用相似历史日发电量数据来预测未来光伏电站输出功率比直接利用历史日发电量数据预测精度更高；在训练BP神经网络时，权值的学习算法结合附加动量与变学习率，使模型既能较快收敛，又减少模型陷入局部最优解的概率，保证预测模型精度和稳定性。附图说明图1为本专利技术的流程图。图2为BP神经网络预测模型的结构示意图。图3为BP神经网络预测模型的训练流程图。图4为我国某光伏电站实际预测结果图。具体本文档来自技高网...

【技术保护点】
基于相似日的BP神经网络光伏发电系统功率预测方法，其特征在于，包括如下步骤：步骤一：选取气象影响因素，对天气类型编码：将模糊描述的天气类型映射为天气类型指数，量化天气因素对光伏发电功率的影响；步骤二：计算历史日与预测日的天气相似度：构造天气类型特征向量，并对特征向量各分量进行归一化处理，并采用连乘方式定义并计算相似度；步骤三：选取相似日：选取与预测日相似度最大的20～50个历史日构成相似历史日训练样本集；步骤四：构建BP神经网络预测模型：将相似历史日的光伏发电功率数据与天气类型指数作为模型输入量，设计一种双隐层BP神经网络预测模型；步骤五：训练BP神经网络预测模型：根据相似历史日训练样本集给出BP神经网络预测模型的输入量和理论目标输出，对BP神经网络预测模型的连接权值进行不断修正；步骤六：光伏发电功率预测与评估：训练完成后利用相似度最高的历史日发电量数据作为BP神经网络预测模型的输出，计算网络输出光伏发电功率，并与理论目标输出光伏发电功率相比较，评估预测精度。

【技术特征摘要】
1.基于相似日的BP神经网络光伏发电系统功率预测方法，其特征在于，包
括如下步骤：
步骤一：选取气象影响因素，对天气类型编码：将模糊描述的天气类型映
射为天气类型指数，量化天气因素对光伏发电功率的影响；
步骤二：计算历史日与预测日的天气相似度：构造天气类型特征向量，并
对特征向量各分量进行归一化处理，并采用连乘方式定义并计算相似度；
步骤三：选取相似日：选取与预测日相似度最大的20～50个历史日构成相
似历史日训练样本集；
步骤四：构建BP神经网络预测模型：将相似历史日的光伏发电功率数据与
天气类型指数作为模型输入量，设计一种双隐层BP神经网络预测模型；
步骤五：训练BP神经网络预测模型：根据相似历史日训练样本集给出BP
神经网络预测模型的输入量和理论目标输出，对BP神经网络预测模型的连接权
值进行不断修正；
步骤六：光伏发电功率预测与评估：训练完成后利用相似度最高的历史日
发电量数据作为BP神经网络预测模型的输出，计算网络输出光伏发电功率，并
与理论目标输出光伏发电功率相比较，评估预测精度。
2.根据权利要求1所述的基于相似日的BP神经网络光伏发电系统功率预测
方法，其特征在于，所述天气类型编码的具体方法为：
步骤101：选取太阳辐照强度和温度作为影响光伏发电功率的天气因素；
步骤102：根据单位面积的光伏发电系统发电功率计算公式：
Ps＝ηSI(1-0.005(T0+25))
式中，I为太阳辐照强度，单位为kW/m2；η为光伏系统转换效率；T0为环境温
度，单位为℃；S为光伏阵列的面积，单位为m2，对有效的光伏发电系统历史发
电功率进行统计分析，将模糊描述的天气类型转换为0～1之间可被BP神经网络
预测模型所接受的天气类型指数。
3.根据权利要求1所述的基于相似日的BP神经网络光伏发电系统功率预测
方法，其特征在于，计算历史日与预测日的天气相似度的具体方法为：
步骤201：构造天气类型特征向量：
Y＝[TmaxTminw]
式中，Tmax为最高温、Tmin为最低温、w为天气类型指数；
步骤202：采用“极差法”进行归一化，公式如下：
xi(j)=yi(j)-m(j)M(j)-m(j)]]>式中，yi(j)是第i日的第j分量；m(j)和M(j)分别为第j个分量的最小值和最
大值，j＝1,2,3；
归一化后基准日和第j日的特征向量分...

【专利技术属性】
技术研发人员：吴琳，陈春，王丙文，郭剑虹，吴爽，黄素娟，吴婧妤，付明，贾玮，侍必胜，祝进，
申请(专利权)人：国家电网公司，国电南瑞科技股份有限公司，国网江苏省电力公司，国电南瑞南京控制系统有限公司，南京南瑞集团公司，国网江苏省电力公司电力科学研究院，
类型：发明
国别省市：北京;11