一种光伏发电短期功率预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种光伏发电短期功率预测方法、装置及存储介质，方法包括：计算待预测日和每个历史日的综合相似值，获取综合相似值最高的历史日的光伏功率实际值；根据光伏功率实际值，构建适应度函数；根据适应度函数和自适应步长更新初始天牛群位置；计算Elman神经网络的输出

【技术实现步骤摘要】
一种光伏发电短期功率预测方法、装置及存储介质


[0001]本专利技术涉及电力系统
，尤其涉及一种光伏发电短期功率预测方法、装置及存储介质。

技术介绍

[0002]光伏发电因其无污染、能源储备量巨大及发电效率高等优势逐渐成为了新能源发电的主要形式，其年增长率突破40％，成为全球增长速度最快、能源利用领域最广泛的新能源。
[0003]同时，光伏发电容易受太阳辐射度等天气因素的影响，其新能源发电处理具有随机性、波动性和不稳定性等缺点。越来越多的光伏发电系统并入电网，对电力系统的稳定及安全运行造成不好的影响，增加电力系统调度的复杂程度。因此，提高光伏发电短期功率预测精度，对于实现电力系统准确调度、多种能源互补和电力系统安全可靠运行具有重要意义。Elman神经网络预测法逐渐应用到光伏发电预测中，目前的Elman神经网络存在着泛化性能差的缺点，其内部网络结构性能差，对光伏发电的预测精度差。

技术实现思路

[0004]本专利技术提供了一种光伏发电短期功率预测方法、装置及存储介质，利用天牛群搜索算法优化Elman神经网络内部结构，并通过优化后的Elman神经网络对光伏发电短期功率进行预测，实现提高光伏发电短期功率预测的精度，增强电力系统运行的可靠性和稳定性。
[0005]为了实现提高光伏发电短期功率预测的精度，本专利技术实施例提供了一种光伏发电短期功率预测方法，包括：获取待预测日和若干个历史日的天气影响因子，计算待预测日和每个历史日的综合相似值，获取与待预测日的综合相似值最高的第一历史日的光伏功率实际值；
[0006]根据待预测日的光伏功率输出值和第一历史日的光伏功率实际值，构建适应度函数；根据待预测日的天气影响因子确定初始天牛群位置，根据所述适应度函数和自适应步长对初始天牛群进行寻优，更新初始天牛群位置；
[0007]根据当前的自适应步长和当前的天牛群位置，计算Elman神经网络的输出
‑
隐含、隐含
‑
承接和隐含
‑
输出的各自的权值和阈值，以使所述Elman神经网络根据当前的所有权值和阈值输出一个预测值；根据所述预测值，计算更新后的天牛群位置的第一适应度函数值；
[0008]当所述第一适应度函数值满足迭代终止条件，则将当前的三个权值和当前的三个阈值作为最优参数，以使所述Elman神经网络根据所述最优参数进行功率预测；所述迭代终止条件为大于预设数值且维持在恒定的数值。
[0009]作为优选方案，本专利技术通过计算待预测日和每个历史日的综合相似值，获取与待预测日的综合相似值最高的第一历史日的光伏功率实际值，并利用综合相似值最高的第一历史日的光伏功率实际值构建适应度函数，该适应度函数以综合相似度为核心，在此基础
上使用自适应天牛群搜索算法确定Elman神经网络的输出
‑
隐含、隐含
‑
承接以及隐含
‑
输出的权值和阈值，优化了Elman神经网络的参数，通过天牛群搜索算法优化的Elman神经网络具有更加精准的光伏发电短期功率预测效果，提高了光伏发电短期功率预测精度，直接预测过程更为便捷；对于电网而言，精准的发电短期功率预测为电网调度提供了数据基础，节省大量电能，提高了电力系统运行的经济型，也使得电力系统运行更为稳定且安全。
[0010]作为优选方案，获取待预测日和若干个历史日的天气影响因子，计算待预测日和每个历史日的综合相似值，具体为：
[0011]根据待预测日和若干个历史日的天气影响因子，构建待预测日的第一影响因子矩阵和历史日的第二影响因子矩阵，将所述第一影响因子矩阵与第二影响因子矩阵相减，获得距离矩阵；将所述距离矩阵的元素相加，获得待预测日和若干个历史日的距离相似值；
[0012]分别将第一影响因子矩阵和第二影响因子矩阵的每一行的数值映射到三维空间中，获得待预测日的第一趋势矩阵和历史日的第二趋势矩阵；所述第一影响因子矩阵和第二影响因子矩阵的每一行的数值分别为每一天的若干个天气因素的特征向量；
[0013]计算所述第一趋势矩阵与所述第二趋势矩阵对应向量的角度余弦值，将所述角度余弦值投射到[0,1]的区间中，将每个时刻的角度余弦值叠加，获得趋势相似值；
[0014]根据所述距离相似值和趋势相似值，计算综合相似度。
[0015]作为优选方案，本专利技术设计了趋势相似值与距离相似值的计算，综合趋势相似值与距离相似值考虑待预测日和每个历史日的综合相似度，用于选取相似日的选取与待预测日的综合相似值最高的第一历史日的光伏功率实际值；通过趋势相似值与距离相似值的计算，能够提高待预测日和每个历史日的相似度的计算精度，获取到的第一历史日的光伏功率实际值与待预测日具有更相似的精度，利用获取到的第一历史日的光伏功率实际值参与适应度函数的计算，利用适应度函数优化Elman神经网络内部结构，从而提高了光伏发电短期功率预测精度。
[0016]作为优选方案，根据待预测日的光伏功率输出值和第一历史日的光伏功率实际值，构建适应度函数，具体为：
[0017][0018]α＝P
t+1,e
‑
P
t,e
[0019]β＝P
t+1,o
‑
P
t,o
；
[0020]其中，f为适应度函数，P
t+1,e
与P
t,e
为第t+1和t个时刻的第一历史日的光伏功率实际值，P
t+1,o
与P
t,o
为第t+1和t个时刻的待预测日光伏功率输出值。
[0021]作为优选方案，利用获取到与待预测日具有最高相似值的第一历史日的光伏功率实际值参与适应度函数的计算，利用适应度函数优化Elman神经网络内部结构，从而提高了光伏发电短期功率预测精度。
[0022]作为优选方案，根据待预测日的天气影响因子确定初始天牛群位置之前，还包括：
[0023]确定天牛群搜索算法的自适应步长：
[0024]μ
n
＝
‑
arctan[a(n+b)]+c；
[0025]其中，μ
n
为自适应步长，n为迭代次数，步长参数a、b和c为预设参数值；
[0026]初始化天牛群搜索方向：
[0027][0028]式中，表示第k只天牛的搜索方向，k∈1,2,3,
…
K；K为天牛种群规模；rand表示随机函数；g表示空间维度；
[0029]选取[
‑
1,1]之间的随机数作为天牛群搜索算法的初始解集和天牛群初始位置；
[0030]根据所述自适应步长，计算天牛初始位置的第二适应度函数值；
[0031]初始天牛群左右须位置计算：
[0032][0033]式中，x
rk
和x
lk
分别表示第k只天牛的左右须位置，n为当前迭代次数，x
nk
表示第k只天牛在第n次迭代时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏发电短期功率预测方法，其特征在于，包括：获取待预测日和若干个历史日的天气影响因子，计算待预测日和每个历史日的综合相似值，获取与待预测日的综合相似值最高的第一历史日的光伏功率实际值；根据待预测日的光伏功率输出值和第一历史日的光伏功率实际值，构建适应度函数；根据待预测日的天气影响因子确定初始天牛群位置，根据所述适应度函数和自适应步长对初始天牛群进行寻优，更新初始天牛群位置；根据当前的自适应步长和当前的天牛群位置，计算Elman神经网络的输出
‑
隐含、隐含
‑
承接和隐含
‑
输出的各自的权值和阈值，以使所述Elman神经网络根据当前的所有权值和阈值输出一个预测值；根据所述预测值，计算更新后的天牛群位置的第一适应度函数值；当所述第一适应度函数值满足迭代终止条件，则将当前的三个权值和当前的三个阈值作为最优参数，以使所述Elman神经网络根据所述最优参数进行功率预测；所述迭代终止条件为大于预设数值且维持在恒定的数值。2.如权利要求1所述的一种光伏发电短期功率预测方法，其特征在于，所述获取待预测日和若干个历史日的天气影响因子，计算待预测日和每个历史日的综合相似值，具体为：根据待预测日和若干个历史日的天气影响因子，构建待预测日的第一影响因子矩阵和历史日的第二影响因子矩阵，将所述第一影响因子矩阵与第二影响因子矩阵相减，获得距离矩阵；将所述距离矩阵的元素相加，获得待预测日和若干个历史日的距离相似值；分别将第一影响因子矩阵和第二影响因子矩阵的每一行的数值映射到三维空间中，获得待预测日的第一趋势矩阵和历史日的第二趋势矩阵；所述第一影响因子矩阵和第二影响因子矩阵的每一行的数值分别为每一天的若干个天气因素的特征向量；计算所述第一趋势矩阵与所述第二趋势矩阵对应向量的角度余弦值，将所述角度余弦值投射到[0,1]的区间中，将每个时刻的角度余弦值叠加，获得趋势相似值；根据所述距离相似值和趋势相似值，计算综合相似度。3.如权利要求1所述的一种光伏发电短期功率预测方法，其特征在于，所述根据待预测日的光伏功率输出值和第一历史日的光伏功率实际值，构建适应度函数，具体为：α＝P
t+1,e
‑
P
t,e
β＝P
t+1,o
‑
P
t,o
；其中，f为适应度函数，P
t+1,e
与P
t,e
为第t+1和t个时刻的第一历史日的光伏功率实际值，P
t+1,o
与P
t,o
为第t+1和t个时刻的待预测日光伏功率输出值。4.如权利要求1所述的一种光伏发电短期功率预测方法，其特征在于，所述根据待预测日的天气影响因子确定初始天牛群位置之前，还包括：确定天牛群搜索算法的自适应步长：μ
n
＝
‑
arctan[a(n+b)]+c；其中，μ
n
为自适应步长，n为迭代次数，步长参数a、b和c为预设参数值；初始化天牛群搜索方向：
式中，表示第k只天牛的搜索方向，k∈1,2,3,
…
K；K为天牛种群规模；rand表示随机函数；g表示空间维度；选取[
‑
1,1]之间的随机数作为天牛群搜索算法的初始解集和天牛群初始位置；根据所述自适应步长，计算天牛初始位置的第二适应度函数值；初始天牛群左右须位置计算：式中，x
rk
和x
lk
分别表示第k只天牛的左右须位置，n为当前迭代次数，x
nk
表示第k只天牛在第n次迭代时的位置，d
nk
为第k只天牛在第n次迭代时天牛须与天牛位置之间的距离，计算公式为：d
n
＝η
a
d
n
‑1+d0；式中，η
a
d为天牛须与天牛位置之间的距离衰减因子，d0为初始距离。5.如权利要求4所述的一种光伏发电短期功率预测方法，其特征在于，所述根据待预测日的天气影响因子确定初始天牛群位置，根据所述适应度函数和自适应步长对初始天牛群进行寻优，更新初始天牛群位置，具体为：将待预测日的第n类天气因素的特征向量作为第k只天牛的左右须位置，进行天牛群位置更新，其表示如下：式中，f为适应度函数，sign表示符号函数，μ
n
为第n次迭代的自适应步长，f(x
r
)和f(x
l
)分别为天牛群左右须的适应度函数值。6.如权利要求5所述的一种光伏发电短期功率预测方法，其特征在于，所述根据当前的自适应步长和当前的天牛群位置，计算Elman神经网络的输出
‑
隐含、隐含

【专利技术属性】
技术研发人员：蔡新雷，孟子杰，喻振帆，王乃啸，林旭，祝锦舟，刘佳乐，李超，侯珏，
申请(专利权)人：广东电网有限责任公司电力调度控制中心，
类型：发明
国别省市：