一种基于SOA-WNN的光伏短期输出功率预测方法技术

本发明专利技术涉及一种基于SOA‑WNN的光伏短期输出功率预测方法，其技术特点在于：包括以下步骤：步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。本发明专利技术将小波分析与BP神经网络进行融合，可以改善原有算法的固有缺陷，并利用人群搜索法在速度及全局搜索上的优势对小波神经网络进行改进。

【技术实现步骤摘要】
一种基于SOA-WNN的光伏短期输出功率预测方法
本专利技术属于光伏
，涉及光伏短期输出功率预测方法，尤其是一种基于SOA-WNN的光伏短期输出功率预测方法。
技术介绍
随着社会经济的快速发展，能源消耗剧增，化石能源日趋枯竭，加之与日俱增的化石燃料燃烧所造成的环境污染，给地球的生态平衡和人类的生活带来了严重的威胁，所以建设大型的光伏电站来满足人类对能源的需求是当前的发展趋势。太阳能作为一种新型的绿色可再生能源，与其他新能源相比是最理想的可再生能源。特别是近几十年来，随着科学技术的不断进步，光伏及其相关产业成为世界发展最快的行业之一。因为它具有以下的特点：(1)结构简单，体积小且轻；(2)容易安装运输，建设周期短；(3)维护简单，使用方便；(4)清洁、安全、无噪声；(5)可靠性高，寿命长，并且应用范围广。但是由于光伏发电受太阳辐射强度电池组件温度天气云层和一些随机的因素的影响，系统运行过程是一个非平衡的随机过程，其发电量和输出电功率随机性强波动大不可控制，在天气突变时表现得尤为突出这种发电方式在接入电网后必会对电网的安全和管理带来一系列的问题，所以能较为准确的提前对光伏系统的出力本文档来自技高网...

【技术保护点】
1.一种基于SOA‑WNN的光伏短期输出功率预测方法，其特征在于：包括以下步骤：步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。

【技术特征摘要】
1.一种基于SOA-WNN的光伏短期输出功率预测方法，其特征在于：包括以下步骤：步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。2.根据权利要求1所述的一种基于SOA-WNN的光伏短期输出功率预测方法，其特征在于：所述步骤1的具体步骤包括：(1)基于皮尔森相似系数的相似日选取原则采用距离分析法中皮尔森相似系数计算光伏出力与温度、风速、湿度、大气压各影响因素的相关性系数，并由此确定相似日选取。(2)将小波分析和神经网络相结合，并采用紧密型结合的方式，建立小波神经网络。3.根据权利要求1所述的一种基于SOA-WNN的光伏短期输出功率预测方法，其特征在于：所述步骤2的具体步骤包括：(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数；(2)随机函数生成s个初始种群；(3)评价适应度函数值F，计算个体位置，并进行种群间学习；(4)计算个体搜索方向和搜索步长：①采用高斯隶属函数表示搜索步长模糊变量：uA(x)＝exp[-(x-u)2/2δ2]式中，uA为高斯隶属度；x为输入变量；u、δ为隶属函数参数；当输出变量超过[u-3δ，u+3δ]时，若隶属度小于0.0111，则可以忽略；故设定umin＝0.0111采用线性隶属度时，在最佳位置有最大隶属度umax＝1.0；最差位置有最小隶属度，当隶属度在[umin，ummax]时，隶属度则有：uij＝rand(ui，1)，j＝1，2...

【专利技术属性】
技术研发人员：迟福建，葛磊蛟，何平，刘聪，李桂鑫，王哲，张章，张剑，徐晶，羡一鸣，
申请(专利权)人：国网天津市电力公司，国家电网有限公司，天津大学，
类型：发明
国别省市：天津,12