一种基于BP神经网络估计法和改进比例系数法的光伏功率区间预测方法技术

本发明专利技术提供了一种基于BP神经网络估计法和改进比例系数法的光伏功率区间预测方法，属于新能源发电预测技术领域。首先在区间预测的目标框架下，采用IPSO算法来训练BP神经网络模型直接估计区间上下限及中间值，并提出一种适合区间预测新型点预测评价损失函数；其次，将BP神经网络输出值的中间值y

【技术实现步骤摘要】
一种基于BP神经网络估计法和改进比例系数法的光伏功率区间预测方法


[0001]本专利技术涉及一种利用BP神经网络直接估计区间上下限及中间值，通过粒子群算法优化改进的比例系数获得可靠预测区间的方法，并构建了新的置信区间综合评价系数PICEI，属于新能源发电预测


技术介绍

[0002]近年来，光伏发电并入电网比例不断攀升；随着并网光伏发电的发展，光伏发电装机容量不断扩大，其在电网中所占的比例也逐年增加，当超过一定规模时，接入电网的光伏电站就会对电力系统的安全、稳定运行以及电能质量带来严重的影响，通过对光伏发电功率进行准确预测，可减小大规模光伏并网对电网的影响，而单一的点预测值很难从整体上描述预测结果的不确定性，很难满足电网调度对于预测风险判断、运行可靠性分析等实际需求；区间预测除了可以提供点预测值外，还能量化反映各类不确定因素对于预测值的影响，并以一定的变化曲线将其描绘出来，故而受到愈来愈多地重视。本专利技术利用BP神经网络的直接估计区间上下限及中间值，对于BP神经网络易陷入局部最优这一缺点，本专利技术利用模拟北掠鸟群行为的粒子群算法(IPSO)优化BP神经网络权重以提高准确性，基于改进的比例系数法，对最优系数进行优化以提高预测区间的质量，进而得到满足一定置信概率的光伏功率预测区间，并结合区间可靠性和区间精度构建了一个新的预测区间综合评价系数(PICEI)，本专利技术能够提供较准确的光伏功率预测结果及其变化范围，具有实际意义。

技术实现思路

[0003]本专利技术的目的在于提供较准确的光伏功率预测结果及其变化范围，提供一种利用BP神经网络的直接估计区间上下限及中间值，通过粒子群算法优化改进的比例系数获得可靠预测区间的方法，并构建了新的置信区间综合评价系数PICEI。
[0004]本专利技术所述问题是以下述技术方案实现的：
[0005]1.一种基于BP神经网络估计法和改进比例系数法的光伏区间预测方法，所述方法首先采用粒子群算法优化BP神经网络得到区间上下限及中间值，并提出一种适合区间预测新型点预测评价损失函数。
[0006]本专利技术提出的BP神经网络和区间上下限估计相结合的方法，是不同于现有光伏发电功率区间预测的方法，其最终的输出表达式为：
[0007][0008]式中：x
i
表示与预测值相关性最大的光伏发电功率，本专利技术中x
i
为用来预测y
k
的相关时刻的光伏发电功率y
k
表示最终的预测输出，k＝1，2，3，即输出层有三个节点，分别表示预测区间的上界和下界。ω
jk
为隐含层j与输出层k之间的权重值，ω
ij
为输入层i到隐含层j的权重值，g表示隐含层激活函数，本文中，隐含层激活函数取Sigmoid函数。
[0009]首先，选取输入层节点数，本专利技术中用相关分析法来分析预测值与历史数据的相关性，自相关函数(ACF)和偏自相关函数(PACF)广泛应用于预测任务中，由于光伏发电功率时空的波动性和不确定性，可以认为是平稳的，对其进行ACF和PACF分析，可以得出ACF呈现指数衰减，且滞后3被截断，因此，本专利技术的输入节点数为3，即利用向量{x
t-2
，x
t-1
，x
t
}作为预测x
t+1
的输入；
[0010]然后确定隐含层节点数，BP神经网络隐含层节点数的选取一般采用试凑法，通过在训练中选取不同的节点数，比较预测效果，然后确定相对合适的隐含层节点数目。试凑时应从较小隐含层节点数开始，逐渐增大，在性能相差不大的情况下，尽量取较小的隐含层节点数，同时选取的隐含层节点数不应大于训练样本数，综合考虑计算复杂度和泛化能力，确定较为合适的隐含层节点数目。实验结果表明，本专利技术算例中模型隐含层节点数在7或8的预测精度相差不多，故隐含层节点取7；
[0011]最后，确定输出节点数。本专利技术提出的是一种基于BP神经网络的区间预测方法，区间预测的模型是由上下界估计的方法得到的，因此，本专利技术的BP神经网络的输出节点应为区间上下界及其中间值，输出节点为3。
[0012]本专利技术提出了一种基于IPSO算法来训练BP神经网络的方法，此方法虽然已经在预测领域得到广泛应用，但是主要侧重于点预测，本专利技术在区间预测的目标框架下，采用IPSO算法来训练BP神经网络模型直接估计区间上下限及中间值，得到了较好的预测结果。
[0013]基本PSO算法是模拟鸟群等动物的自发的，不受正常社会规范约束的群体性行为得到的，最初的速度和位置的更新方程为：
[0014][0015][0016]式中：r1、r2为[0，1]上随机产生的常数，上标k表示代数，下标id表示编号，且其速度满足c1、c2表示加速常数；
[0017]然而上述算法在实际应用中由于缺少有效的振荡和变异措施，后期收敛速度较慢，甚至可能陷入局部最优。因此本专利技术中引入基于北掠鸟群行为的IPSO算法，通过模拟鸟群的警觉行为以逃避天敌。与传统的PSO方法相比，该方法可以根据周围粒子不断改变位置和速度以避免陷入局部最小，该算法的速度和位置更新方程可分别表示为：
[0018][0019][0020]式中：表示目前粒子的速度及位置，和表示改变之后的速度和位置。经过本专利技术算例显示，该算法的局部和全局搜索最优解的能力均较好，求解速度也较快；具体的实施步骤为：
[0021]步骤1 对训练样本集[x
i
，y
i
](x
i
∈R
n
)进行归一化处理，确定神经网络的结构为3-7-3，设定隐含层激活函数函数g(
·
)，本专利技术中取Sigmoid函数作为激活函数。
[0022]步骤2 确定粒子群种群的个体数和迭代次数，随机初始化种群个体的位置与速
度。
[0023]步骤3 对种群中的每个个体计算适应值，计算出对应预测结果的误差平均值，作为本专利技术算法的适应值。
[0024]步骤4 更新种群个体的最优值及种群的最优值，对于每个个体，将其适应值与其经过的最好的位置坐比较，如果较好，将其作为当前最好位置。
[0025]步骤5 由更新的速度和位置方程调整种群个体的速度和位置。
[0026]步骤6 判断是否达到最大迭代次数或者是否满足收敛判据，如果是，则结束迭代，如果不是，则继续执行步骤3。
[0027]2.根据上述方法的预测结果，把点预测值放大或缩小一定倍数，以获取预测区间的上界和下界：
[0028][0029]其中，A(x
i
)和B(x
i
)为对应输入量x
i
需获取的预测区间的上界和下界，a和b为放大或缩小的比例系数。通过分析可知，通过比例系数法获取的预测区间极大依赖于比例系数a和b，通过在一定范围内不断更新a和b，直到评价指标最佳时输出最优的a和b，由于使用的点预测模型输出值，它是输出层结果的平均值，平均值容易出现“大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络估计法和改进比例系数法的光伏区间预测方法，所述方法首先采用粒子群算法优化BP神经网络得到区间上下限及中间值，并提出一种适合区间预测新型点预测评价损失函数；本发明提出的BP神经网络和区间上下限估计相结合的方法，是不同于现有光伏发电功率区间预测的方法，其最终的输出表达式为：式中：x
i
表示与预测值相关性最大的光伏发电功率输入值，y
k
表示最终的预测输出，k＝1，2，3，即输出层有三个节点，分别表示预测区间的上界和下界。ω
jk
为隐含层j与输出层k之间的权重值，ω
ij
为输入层i到隐含层j的权重值，g表示隐含层激活函数，本文中，隐含层激活函数取Sigmoid函数；首先，对光伏功率序列进行自相关和偏自相关分析，确定输入层节点数和滞后截断数，本发明输入节点数为3，滞后3被截断，同时利用向量{x
t-2
，x
t-1
，x
t
}作为预测x
t+1
的输入；然后，采用试凑法确定隐含层节点数，本发明算例中模型隐含层节点数为7时预测精度较高，故隐含层节点取7；最后，确定输出节点数，本发明提出的是一种基于BP神经网络的区间预测方法，区间预测的模型是由上下界估计的方法得到的，本发明的BP神经网络的输出节点应为区间上下界及其中间值，取输出节点为3；本发明中引入基于北掠鸟群行为的IPSO算法，通过模拟鸟群的警觉行为以逃避天敌。与传统的PSO方法相比，该方法可以根据周围粒子不断改变位置和速度以避免陷入局部最小，该算法的速度和位置更新方程可分别表示为：小，该算法的速度和位置更新方程可分别表示为：式中：表示目前粒子的速度及位置，和表示改变之后的速度和位置，经过本发明算例显示，该算法的局部和全局搜索最优解的能力均较好，求解速度也较快；由于本发明采用输出节点为3的BP神经网络，假设该神经网络第i个预测输出值的上界为y
u
(i)，下界为y
l
(i)，中间值为y
m
(i)，若预测值对应的真实值为y
i
，那么相应误差为：式中：e
u
(i)、e
l
(i)和e
m
(i)分别为输出值上界、下界和中间值对应的预测误差，点预测一般采用误...

【专利技术属性】
技术研发人员：余加喜，莫若慧，毛李帆，何勇琪，吴锋，谢磊，
申请(专利权)人：海南电网有限责任公司，
类型：发明
国别省市：