基于RBF神经网络的光伏发电量预测方法技术

本发明专利技术公开了一种基于RBF神经网络的光伏发电量预测方法，包括步骤：根据光伏发电量及其拟选取影响因素的历史数据构建训练样本；基于已构建的训练样本，采用改进遗传算法选取光伏发电量影响因素，并对RBF神经网络进行训练，得到光伏发电量影响因素和训练好的RBF神经网络；将光伏发电量影响因素的待预测日数据输入已训练好的RBF神经网络，得到光伏发电量预测值。本发明专利技术能够较好地解决RBF神经网络的泛化问题，提高光伏发电预测结果的准确性。

【技术实现步骤摘要】
基于RBF神经网络的光伏发电量预测方法
本专利技术涉及光伏发电
，尤其涉及一种基于局部泛化误差模型(LocalizedGeneralizationErrorModel，简写为L-GEM)的径向基函数(RadialBasisFunction，简写为RBF)神经网络的光伏发电量预测方法。
技术介绍
大规模光伏发电是一种利用太阳能的有效方式，但太阳辐射、大气温度、天气类型和电池板温度等因素容易对光伏发电产生影响，并且呈非线性。因此，光伏发电量的预测对合理安排电器使用时间和最大限度利用太阳能资源、减小用电成本有着重要的意义。而光伏发电量的精确预测依赖于光伏发电量影响因素的合理选择。径向基函数(RadialBasisFunction，RBF)神经网络是一种性能优良的前馈型神经网络，可以任意精度逼近任意的非线性函数，且具有全局逼近能力，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。但采用RBF神经网络进行光伏发电量预测，往往会出现训练好的网络对训练集中的数据产生的误差很小，但对测试集中的数据表现不是很好的情况，即所谓神经网络的泛化能力差的问题；而且，在RBF神经网络应用中，神经网络的参数选择是否合理，会严重影响神经网络的预测。
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RBF神经网络的光伏发电量预测方法，解决光伏发电量预测精确度偏低的技术问题。为解决上述技术问题，本专利技术所采用的技术方案是：基于RBF神经网络的光伏发电量预测方法，包括如下步骤：根据光伏发电量及其拟选取影响因素的历史数据构建训练样本；基于已构建的训练样本，采用改进遗传算法选取光伏发电量影响因素，并对RBF神经网络进行训练，得到光伏发电量影响因素和训练好的RBF神经网络；将光伏发电量影响因素的待预测日数据输入已训练好的RBF神经网络，得到光伏发电量预测值。进一步的，所述拟选取影响因素包括：太阳辐射强度、最高温度、最低温度和光伏电池板温度、风速、相对湿度、天气类型。进一步的，构建训练样本的具体方法如下：选取光伏发电量的拟选取影响因素的历史数据及其对应的实际发电量；将光伏发电量的拟选取影响因素的历史数据作为训练样本的输入向量，将对应的光伏实际发电量作为输出向量，并对输入向量和输出向量进行归一化处理。进一步的，对输入向量和输出向量进行归一化处理的具体方法如下：将天气类型划分为晴、多云、阴、小雨或雪、中雨或雪、大雨或雪，其对应归一化值分别取1、0.8、0.7、0.5、0.4、0.3，天气类型发生变化的，取变化前后天气类型归一化值的平均值；除天气类型外，其他拟选取影响因素的历史数据作为输入向量采用以下归一化公式处理：实际发电量作为输出向量采用以下归一化公式处理：其中，ni为输入层节点数；xi为归一化处理前历史输入向量中第i个分量；y为归一化处理前历史输出数据，xi,min，xi,max分别为归一化处理前历史输入向量中第i个分量的最小值和最大值，ymin，ymax分别为归一化处理前历史输出数据中的最小值和最大值，为归一化处理后的历史输入向量中第i个分量，为归一化处理后的历史输出数据。进一步的，针对已构建的训练样本，采用改进遗传算法选取光伏发电量影响因素，并对RBF神经网络进行训练，得到光伏发电量影响因素和训练好的RBF神经网络；具体方法如下：A、初始化：设置初始种群大小，通过随机分配0和1创建初始种群，令每个染色体的大小等于光伏发电量的拟选取影响因素的个数；约定具有1的特征形成特征子集，RBF神经网络基于该特征子集进行训练；设置最大迭代次数，并置初始迭代次数为1；B、计算每个染色体的适应度，并计算最佳适应度；C、迭代次数加1，如迭代次数大于最大迭代次数，则转步骤H；D、按复制概率进行复制操作；E、按交叉概率对种群中染色体进行交叉操作；F、按变异概率对染色体进行变异操作；G、循环步骤B～F；H、输出最佳适应度及其对应的最优染色体，其中最优染色体代表最优的光伏发电量影响因素、最佳适应度代表最优的局部泛化误差模型的误差界。进一步的，计算每个染色体适应度的公式为：其中，fitnessi为第i个染色体的适应度，是利用局部泛化误差模型计算得到的第i个RBF神经网络的误差界；SQ代表全部样本点的Q邻域的并集；RBF神经网络为单输出径向基函数神经网络，表达形式如下：其中，f(x)是RBF神经网络的真实输出，M代表隐层节点数，由公式求得；N为训练样本输入向量中的特征数；a为1至10之间的常数；wj代表第j个隐层神经元连接到输出层神经元的权重；uj为第j个隐层神经元的中心向量值；vj为第j个隐层神经元的高斯基函数的宽度；x为RBF神经网络的输入；采用下述公式求得：其中：其中，F(x)为RBF神经网络的期望输出；l是训练样本数；和分别代表第i个特征的期望与方差；c为一正常数；Q为一给定的正实数；ED[]为数学期望，uji为uj的第i个分量，Remp为RBF神经网络输出的均方差；γj、ξj、sj均为中间变量，无实际含义。进一步的，所述RBF神经网络的中心由K-means聚类算法求得，具体方法如下：1-a、从nn个数据对象中任意选择kk个数据对象作为初始聚类中心；1-b、计算每个数据对象与聚类中心的距离，并根据最小距离对相应数据对象进行划分；1-c、重新计算每个有变化聚类的均值，将求得的均值作为聚类中心；1-d、重复步骤1-b、1-c，直到所有均值的变化小于给定阈值；在RBF神经网络的中心已经确定的情况下，采用下述方法求取RBF神经网络的宽度，具体方法如下：2-a、求出所有聚类中心对的距离m1＝1,2,...,M，n1＝m1+1,m1+2,...,M，且m1≠n1；其中，代表第m1个聚类中心；代表第n1个聚类中心；M表示需要求解的权值数；2-b、对所得聚类中心对的距离排序，每个RBF神经网络宽度vj取相同的值v，且正比于前p个最小距离的平均值。进一步的，采用改进头脑风暴算法求得RBF神经网络的权重，具体方法如下：3-a、随机产生n2个个体，每个个体有M维，每一维代表一RBF神经网络权值；3-b、用k-means将这n2个个体分为m2类；3-c、评估这n2个个体；3-d、将每一类中的个体进行排序，选出每一类内最优的个体作为该类的聚类中心；3-e、随机产生一个0到1间的数值r1；(3-e1)如果r1<概率参数p1，i.随机选择一个聚类中心；ii.随机产生一个个体代替该聚类中心；3-f、进行个体的更新：(3-f1)随机产生一个0到1间的数值r2；(3-f2)如果r2小于概率参数p2；i.按概率随机选择一个聚类；ii.随机产生一个0到1间的数值r3；iii.如果r3小于概率参数p3，选择聚类中心加上随机扰动产生新个体；iv.否则，随机产生一个0到1间的数值r4；v.如果r4小于概率参数p4，从该类中随机选择一个个体，加上随机扰动产生新个体；vi.否则，从该类中随机选择2个个体，互相融合加上随机扰动产生一个新个体；(3-f3)否则，随机选择两个类产生新个体i.随机产生一个0到1间的数值r5；ii.如果r5小于概率参数p5，将两个类的聚类中心互相融合加上随机扰动产生一个新个体；iii.否则，随机产生一个0到1间的数值r6；iv.如果r6小于概率参本文档来自技高网...

【技术保护点】
1.基于RBF神经网络的光伏发电量预测方法，其特征在于，包括如下步骤：根据光伏发电量及其拟选取影响因素的历史数据构建训练样本；基于已构建的训练样本，采用改进遗传算法选取光伏发电量影响因素，并对RBF神经网络进行训练，得到光伏发电量影响因素和训练好的RBF神经网络；将光伏发电量影响因素的待预测日数据输入已训练好的RBF神经网络，得到光伏发电量预测值。

【技术特征摘要】
1.基于RBF神经网络的光伏发电量预测方法，其特征在于，包括如下步骤：根据光伏发电量及其拟选取影响因素的历史数据构建训练样本；基于已构建的训练样本，采用改进遗传算法选取光伏发电量影响因素，并对RBF神经网络进行训练，得到光伏发电量影响因素和训练好的RBF神经网络；将光伏发电量影响因素的待预测日数据输入已训练好的RBF神经网络，得到光伏发电量预测值。2.根据权利要求1所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，所述拟选取影响因素包括：太阳辐射强度、最高温度、最低温度和光伏电池板温度、风速、相对湿度、天气类型。3.根据权利要求2所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，构建训练样本的具体方法如下：选取光伏发电量的拟选取影响因素的历史数据及其对应的实际发电量；将光伏发电量的拟选取影响因素的历史数据作为训练样本的输入向量，将对应的光伏实际发电量作为输出向量，并对输入向量和输出向量进行归一化处理。4.根据权利要求3所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，对输入向量和输出向量进行归一化处理的具体方法如下：将天气类型划分为晴、多云、阴、小雨或雪、中雨或雪、大雨或雪，其对应归一化值分别取1、0.8、0.7、0.5、0.4、0.3，天气类型发生变化的，取变化前后天气类型归一化值的平均值；除天气类型外，其他拟选取影响因素的历史数据作为输入向量采用以下归一化公式处理：实际发电量作为输出向量采用以下归一化公式处理：其中，ni为输入层节点数；xi为归一化处理前历史输入向量中第i个分量；y为归一化处理前历史输出数据，xi,min，xi,max分别为归一化处理前历史输入向量中第i个分量的最小值和最大值，ymin，ymax分别为归一化处理前历史输出数据中的最小值和最大值，为归一化处理后的历史输入向量中第i个分量，为归一化处理后的历史输出数据。5.根据权利要求1所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，针对已构建的训练样本，采用改进遗传算法选取光伏发电量影响因素，并对RBF神经网络进行训练，得到光伏发电量影响因素和训练好的RBF神经网络；具体方法如下：A、初始化：设置初始种群大小，通过随机分配0和1创建初始种群，令每个染色体的大小等于光伏发电量的拟选取影响因素的个数；约定具有1的特征形成特征子集，RBF神经网络基于该特征子集进行训练；设置最大迭代次数，并置初始迭代次数为1；B、计算每个染色体的适应度，并计算最佳适应度；C、迭代次数加1，如迭代次数大于最大迭代次数，则转步骤H；D、按复制概率进行复制操作；E、按交叉概率对种群中染色体进行交叉操作；F、按变异概率对染色体进行变异操作；G、循环步骤B～F；H、输出最佳适应度及其对应的最优染色体，其中最优染色体代表最优的光伏发电量影响因素、最佳适应度代表最优的局部泛化误差模型的误差界。6.根据权利要求5所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，计算每个染色体适应度的公式为：其中，fitnessi为第i个染色体的适应度，是利用局部泛化误差模型计算得到的第i个RBF神经网络的误差界；SQ代表全部样本点的Q邻域的并集；RBF神经网络为单输出径向基函数神经网络，表达形式如下：其中，f(x)是RBF神经网络的真实输出，M代表隐层节点数，由公式求得；N为训练样本输入向量中的特征数；a为1至10之间的常数；wj代表第j个隐层神经元连接到输出层神经元的权重；uj为第j个隐层神经元的中心向量值；vj为第j个隐层神经元的高斯基函数的宽度；x为RBF神经网络的输入；采用下述公式求得：其中：其中，F(x)为RBF神经网络的期望输出；l是训练样本数；和分别代表第i个特征的期望与方差；c为一正常数；Q为一给定的正实数；ED[]为数学期望，uji为uj的第i个分量，Remp为RBF神经网络输出的均方差；γj、ξj、sj均为中间变量，无实际含义。7.根据权利要求6所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，所述RBF神经网络的中心由K-means聚类算法求得，具体方法如下：1-a、从nn个数据...

【专利技术属性】
技术研发人员：薛云灿，孙力，孙德银，
申请(专利权)人：常州瑞信电子科技有限公司，
类型：发明
国别省市：江苏,32