一种适用于小样本的神经网络光伏发电预测方法及系统技术方案

本发明专利技术公开了一种适用于小样本的神经网络光伏发电预测方法及系统，方法包括：首先获取历史（小样本）光伏发电功率数据、气象数据；根据影响光伏发电的因素建立BP神经网络光伏发电预测模型；为了解决训练数据过少导致预测模型出现的过拟合的问题，采用Dropout策略对神经网络进行优化，为了解决BP神经网络容易陷入极小值的问题，采用遗传算法对神经网络进行优化；将样本数据分为训练数据集和测试数据集，使用训练数据训练神经网络光伏发电预测模型，使用测试数据集测试网络，提高神经网络光伏发电预测模型的泛化能力。采用本发明专利技术的方法，能够有效的解决在小样本历史数据的情况下，神经网络光伏发电预测模型存在过拟合导致精度过低的问题。

A Neural Network Photovoltaic Power Generation Prediction Method and System for Small Samples

The invention discloses a neural network photovoltaic power generation forecasting method and system suitable for small sample, which includes: firstly, obtaining historical (small sample) photovoltaic power generation data and meteorological data; establishing BP neural network photovoltaic power generation forecasting model according to the factors affecting photovoltaic power generation; and in order to solve the problem of over-fitting of forecasting model caused by too little training data, adopting Dr. The opout strategy optimizes the neural network. In order to solve the problem that BP neural network is easy to fall into the minimum value, genetic algorithm is used to optimize the neural network. Sample data are divided into training data set and test data set. The training data is used to train the neural network photovoltaic power generation prediction model, and the test data set is used to test the network to improve the neural network photovoltaic power generation prediction model. Generalization ability. The method of the present invention can effectively solve the problem of over-fitting of the neural network photovoltaic power generation prediction model leading to low accuracy in the case of small sample historical data.

【技术实现步骤摘要】
一种适用于小样本的神经网络光伏发电预测方法及系统
本专利技术属于电力系统
，具体涉及一种适用于小样本的神经网络光伏发电预测方法及系统。
技术介绍
相对于传统化石能源太阳能具有更丰富的资源，几乎取之不尽用之不竭，而且对环境友好。但光伏发电受到天气情况影响极大，具有间歇性和随机性的特点。如果不能对光伏发电进行准确预测，必然在光伏电站并入大电网时，对电网的稳定运行产生严重影响。神经网络因其能够快速、有效地建立非线性输入与输出之间的关系，几乎可以拟合所有的非线性关系，被广泛应用光伏发电预测中。但传统神经网络算法，往往需要2个月以上的样本数据，在训练样本不足情况下极易陷入过拟合的情况，训练出来的模拟无法使用。而在变电站投运初期，历史样本数据不充足，常规的人工智能神经网络并不能适用于这种情况。因此，有必要针对上述情况研究出一种适用于小样本的光伏发电预测方法。
技术实现思路
目的：为了克服现有技术中存在的不足，本专利技术提供一种适用于小样本的神经网络光伏发电预测方法及系统，其可以在历史样本数据不充足情况下，消除神经网络容易陷入过拟合的情况，提高在变电站投运初期光伏发电预测的准确度。技术方案：为解决上述技术问题，本专利技术采用的技术方案为：一种神经网络光伏发电预测方法，其特征在于，包括：获取历史(小样本)光伏发电功率数据、气象数据；根据影响光伏发电的因素建立BP神经网络光伏发电预测模型；为了解决训练数据过少导致预测模型出现的过拟合的问题，采用Dropout策略对神经网络进行优化；为了解决BP神经网络容易陷入极小值的问题，采用遗传算法对神经网络进行优化；将样本数据分为训练数据集和测试数据集，使用训练数据训练神经网络光伏发电预测模型，使用测试数据集测试网络，提高神经网络光伏发电预测模型的泛化能力。具体包括以下步骤：1)构建光伏发电预测模型输入输出量：光伏发电受天气影响，尤其和太阳辐照度有强相关关系，同时受到其他环境因素的影响如：温度，湿度等。此外，天气类型也反映光伏发电的变化情况。因为所构建的光伏发电预测模型中总共有5个输入量，分别是：采样时间ti，ti时刻的太阳辐照度dii，温度dti，湿度dhi，天气类型dmi。1个输出量：为该时刻的光伏发电功率dpi。其中ti取值为1～96的整数(每15min一个点)，辐照度，温度，湿度均为实际值，天气类型(晴1，雨2，阴3，雪4)。为了便于表述，使用Ai指代第i个样本的所有输入属性，即Ai＝{ti，dii，dti，dhi，dmi}公式(1)2)确定BP神经网络的网络结构为3层网络，即是单隐含层的神经网络。确定样本的输入/输出参数。确定神经网络的输入层，隐含层，输出层的节点个数。设置隐含节点Dropout的概率p，确定优化后的神经网络隐含节点个数。21)输入属性Ai由5个属性组成，输出数据为预测的光伏发电功率，故构建的神经网络输入层单元数为5，输出层单元数为1，根据经验公式确定隐含层数确认为14。其经验计算公式为：式中n为输入单元数，m为输出单元数，a为常数。22)Dropout是以概率p舍弃神经元，而其他神经元以概率q＝1-p保留继续工作，这就将与传统神经网络有所区别，其中，传统神经网络(l+1)层输出的计算公式如下所示其中表示l层到(l+1)层第i个神经元的权重矩阵，yl表示l层输出矩阵，表示l层到(l+1)层第i个神经元的未激活前线性输出，表示该隐含层的偏置，表示(l+1)层第i个神经元的输出，f为传递函数。Dropout策略中的神经网络(l+1)层输出的计算公式r(l)＝Bernoulli(p)公式(5)其中r(l)为l层的神经元概率为p的伯努利分布矩阵，y(l)表示l层神经元的输出矩阵，为l层神经元以概率p筛选后的输出矩阵，表示l层到(l+1)层第i个神经元的权重矩阵，表示l层到(l+1)层第i个神经元的未激活前线性输出,表示该隐含层的偏置，表示l层到(l+1)层第i个神经元的输出，f为传递函数。3)使用遗传算优化BP神经网络的权值，确定遗传算法中的适应度函数，确定选择操作的选择策略，确定交叉概率参数以及变异率参数。遗传算法优化权值方法如下；在Dropout策略下，随机生成的神经网络的结构均为5×7×1，因而遗传算法的优化的网络的参数个数为50个，其中输入层到隐含层的具有35个权值，隐含层到输出层具有7个权值，隐含层和输出层分别具有7个和1个阈值。确定种群大小为30，最大遗传代数为50，编码的二进制位数10，代沟为0.9，交叉概率为0.8，变异概率为0.05。将历史样本数据分为训练样本和测试样本，将测试数据集中相对误差的倒数作为遗传算法的适应度函数，个体的误差越小，则适应度越强，该个体越优，其相对误差F的计算公式为：式中，S为预测时间的总长度，xi为训练时的预测期望值，yxi为预测值。4)对神经网络计算得到的权值重新调节，即将每个隐含层权值w*(1-p)。5)将由优化后的权值赋给BP神经网络得到最终的BP神经网络。6)得到训练模型后，从公共气象网站获取气象信息，组成输入属性Ai，使用训练好的模型得到预测数据。7)对于功率预测准确度的评价，本专利技术选择均方误差(MeanSquareError，MSE)作为评价标准，其计算方法为：式中S为预测时间的总长度，xi为预测期望值，yxi为神经网络的预测值。MSE计算得到的值越小，训练得到的模型越准确，预测准确度越高。另一方面，本专利技术还提供一种神经网络光伏发电预测系统，包括：数据获取模块，用于获取历史光伏发电功率数据、气象数据，以及天气预报数据；模型构建模块，用于基于历史光伏发电功率数据、气象数据，根据影响光伏发电的因素建立BP神经网络光伏发电预测模型；模型优化模块，用于采用Dropout策略对神经网络进行优化，采用遗传算法对神经网络进行优化；确定Dropout概率p，分解神经网络子模型，对神经网络子模型ga函数参数寻优，权值重计算，将优化后的权值赋给BP神经网络得到最终的BP神经网络光伏发电预测模型；输入模块，用于基于获取的天气预报数据，得到模型输入属性，将得到的模型输入属性输入最终的BP神经网络光伏发电预测模型，输出模块，用于获取预测模型模型输出输入属性对应的输出属性，即预测数据。本专利技术提供的适用于小样本的神经网络光伏发电预测方法及系统，解决了以下问题：(1)变电站投运初期，光伏发电历史数据不充足，使用传统神经网络方法，容易陷入过拟合的情况，泛化能力差，训练的模型无法使用，采用Dropout策略优化，可以有效的解决训练数据过少导致的过拟合的问题。(2)为了解决BP神经网络容易陷入极小值导致光伏发电预测精度不准确的问题，使用遗传算法对BP神经网络的权值和阈值进行了优化。利用遗传算法交叉变异的特性，可以有效的降低陷入极小值的概率，提高光伏发电预测的准确度有益效果：本专利技术提供的适用于小样本的神经网络光伏发电预测方法及系统，具有以下优点：本专利技术方法建立了光伏发电预测模型，解决了在变电站投运初期，光伏发电历史数据不充足，若使用传统神经网络算法，往往需要2个月以上的样本数据，若训练样本不足，则极易陷入过拟合的情况，训练出来的模拟无法使用。本专利技术提出的使用Dropout策略优化的BP神经网络方法，可以有效的解决变电站投运初期光伏发电历史数据不本文档来自技高网...

【技术保护点】
1.一种神经网络光伏发电预测方法，其特征在于，包括：获取历史光伏发电功率数据、气象数据；基于历史光伏发电功率数据、气象数据，根据影响光伏发电的因素建立BP神经网络光伏发电预测模型；采用Dropout策略对神经网络进行优化，采用遗传算法对神经网络进行优化；确定Dropout概率p，分解神经网络子模型，对神经网络子模型ga函数参数寻优，权值重计算，将优化后的权值赋给BP神经网络得到最终的BP神经网络光伏发电预测模型；获取天气预报数据，得到模型输入属性；将得到的模型输入属性输入最终的BP神经网络光伏发电预测模型，模型输出输入属性对应的输出属性，即预测数据。

【技术特征摘要】
1.一种神经网络光伏发电预测方法，其特征在于，包括：获取历史光伏发电功率数据、气象数据；基于历史光伏发电功率数据、气象数据，根据影响光伏发电的因素建立BP神经网络光伏发电预测模型；采用Dropout策略对神经网络进行优化，采用遗传算法对神经网络进行优化；确定Dropout概率p，分解神经网络子模型，对神经网络子模型ga函数参数寻优，权值重计算，将优化后的权值赋给BP神经网络得到最终的BP神经网络光伏发电预测模型；获取天气预报数据，得到模型输入属性；将得到的模型输入属性输入最终的BP神经网络光伏发电预测模型，模型输出输入属性对应的输出属性，即预测数据。2.根据权利要求1所述的神经网络光伏发电预测方法，其特征在于，包括以下步骤：1)基于获取的历史光伏发电功率数据、气象数据，根据影响光伏发电的因素构建BP神经网络光伏发电预测模型输入输出属性；2)确定BP神经网络的网络结构为3层网络，即是单隐含层的神经网络；确定神经网络的输入层、隐含层、输出层的节点个数；3)采用Dropout策略对神经网络进行优化；基于预设的隐含层节点Dropout的概率p，确定优化后的神经网络隐含层节点个数；4)使用遗传算优化BP神经网络的权值，确定遗传算法中的适应度函数，确定选择操作的选择策略，确定交叉概率参数以及变异率参数；5)对神经网络计算得到的权值w重新调节，将每个隐含层权值调整为w*(1-p)；6)将由优化后的权值赋给BP神经网络得到最终的BP神经网络光伏发电预测模型；7)获取天气预报数据，得到模型输入属性；将得到的模型输入属性输入最终的BP神经网络光伏发电预测模型，模型输出输入属性对应的输出属性，即预测数据。3.根据权利要求2所述的神经网络光伏发电预测方法，其特征在于，步骤1)中构建光伏发电预测模型输入输出属性具体包括：光伏发电预测模型中总共有5个输入属性和1个输出属性，5个输入属性分别是：采样时间ti及ti时刻的太阳辐照度dii、温度dti、湿度dhi、天气类型dmi；1个输出属性为该时刻的光伏发电功率dpi；Ai为第i个样本的所有输入属性，即Ai＝{ti，dii，dti，dhi，dmi}公式(1)。4.根据权利要求3所述的神经网络光伏发电预测方法，其特征在于其中ti取值为1～96的整数，太阳辐照度、温度、湿度均为实际值，天气类型包括晴1，雨2，阴3，雪4。5.根据权利要求2所述的神经网络光伏发电预测方法，其特征在于，步骤2)确定BP神经网络的网络结构为3层网络，即是单隐含层的神经网络；确定神经网络的输入层、隐含层、输出层的节点个数；具体包括：输入属性Ai由5个输入属性组成，输出属性为预测的光伏发电功率，故构建的神经网络输入层节点个数为5，输出层节点个数为1，隐含层节点个数n1为：式中n为输入层节点个数，m为输出层节点个数，a为常数；...

【专利技术属性】
技术研发人员：明镜，何华伟，邹宇，温富光，欧阳逸风，
申请(专利权)人：南京国电南自电网自动化有限公司，
类型：发明
国别省市：江苏,32