基于神经网络的光伏发电功率预测方法及系统技术方案

本发明专利技术涉及光伏发电功率预测技术领域，尤其是提供一种基于神经网络的光伏发电功率预测方法及系统，方法包括：获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；构建初始光伏发电功率预测模型；基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果

【技术实现步骤摘要】
基于神经网络的光伏发电功率预测方法及系统


[0001]本专利技术涉及光伏发电功率预测
，具体而言，涉及一种基于神经网络的光伏发电功率预测方法及系统
。

技术介绍

[0002]近年来，随着人口增长和经济发展，全球能源需求不断增加，传统的不可再生能源已经难以满足这种需求
。
因此，分布式可再生能源发电技术，尤其是光伏发电技术，因其高性能
、
高效率和成本低在全球范围内得到了广泛的应用
。
然而，随着光伏发电容量的不断增加，光伏发电的功率输出具有较强的随机性
、
波动性和间歇性，给电力系统的安全稳定运行带来了严重的挑战
。
[0003]为此，结合人工智能技术的发展，越来越多的神经网络算法被应用至光伏发电功率预测领域中，然而现有基于神经网络的光伏发电功率预测方案中，一方面特征数据具有较大的波动性，另一方面利用智能算法对超参数进行寻优易陷入局部最优，随着数据集的增加，会使得超参数寻优效率偏低，进而导致模型预测效率低下
、
预测点存在预测误差
、
预测效果存在随机性的问题，为此，我们提出一种基于神经网络的光伏发电功率预测方法及系统
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于神经网络的光伏发电功率预测方法及系统，用以提升光伏发电功率预测的准确性和稳定性
。
[0005]本专利技术第一方面的技术方案提供了一种基于神经网络的光伏发电功率预测方法，包括如下步骤：获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；构建初始光伏发电功率预测模型；基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果
。
[0006]进一步地，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集具体包括：构建比较数据序列和参考数据序列，并获取比较数据序列和参考数据序列的初始灰色关联系数，初始灰色关联系数的表达式为：
式中，为初始灰色关联系数，为历史运行数据指示量，为气象因子指示量，为比较数据序列的气象因子指示量与参考数据序列的气象因子指示量之间的绝对差值，为绝对差值的最大值，为绝对差值的最小值，为分辨系数；式中，为参考数据序列，，为比较数据序列，，为气象因子总数，为历史运行数据总数；获取比较数据序列的信息熵值，其表达式为：获取比较数据序列的信息熵值，其表达式为：式中，为信息熵值，为比较数据在比较数据序列总和的占比值；根据初始灰色关联系数和信息熵值，获取改进后的灰色关联系数；根据预设的分辨系数和改进后的灰色关联系数筛选比较数据序列，并对历史运行数据集进行划分，获取不同天气类型下的相似日数据集
。
[0007]进一步地，改进后的灰色关联系数的表达式为：式中，为改进后的灰色关联系数
。
[0008]进一步地，利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集具体包括：将不同天气类型下的相似日数据集转换为相似日数据矩阵并构建相似日数据矩阵的转换矩阵，其表达式为：式中，为主成分矩阵，为主成分矩阵的协方差矩阵，为相似日数据矩阵，，为相似日数据集的行向量，为相似日数据矩阵的转换矩阵，为单位特征向量矩阵，为转置，为相似日数据的总数；根据主成分矩阵中备选主成分行向量的方差累计贡献率，选择对应数量的备选主成分作为主成分，其表达式为：
式中，为备选主成分行向量的方差累计贡献率，为主成分的数量，为备选主成分行向量的方差；根据主成分，对不同天气类型下的相似日数据集进行数据降维，获取数据降维后的相似日数据集；对降维后的相似日数据集进行归一化，获取不同天气类型下的历史模型训练数据集
。
[0009]进一步地，不同天气类型下的历史模型训练数据集的表达式为：式中，为归一化后的相似日数据，为归一化前降维后的相似日数据，归一化前降维后的相似日数据的最大值，归一化前降维后的相似日数据的最小值
。
[0010]进一步地，初始光伏发电功率预测模型包括依次连接的输入层
、
基于
CNN
网络构建的空间特征提取层
、
基于
Attention
机制构建的注意力权重层
、
基于
BiGRU
网络构建的特征学习层
、
基于
KELM
网络构建的误差预测层以及输出层
。
[0011]进一步地，基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型具体包括：选取初始光伏发电功率预测模型中的初始参数，将初始参数作为初始寻优目标并将初始寻优目标作为鲸鱼种群中鲸鱼个体的位置；初始化鲸鱼寻优算法参数，利用
Tent
‑
Logistic
‑
Cosine
混沌映射序列获取初始化鲸鱼种群位置，其表达式为：式中，为混沌映射序列获取的鲸鱼种群中鲸鱼个体的初始位置，为随机生成的鲸鱼种群的初始位置，为预设的混沌映射序列参数；计算鲸鱼种群中每个鲸鱼个体的适应度值，并根据适应度值保留初始的最优鲸鱼个体，适应度值的表达式为：式中，为适应度函数，为
BiGRU
网络的输出误差函数，第个
BiGRU
网络节点的真实输出值，第个
BiGRU
网络节点的理想输出值，为网络节点指示量，为网络节点总数；
针对每个鲸鱼个体，根据预设的更新参数和收敛因子优化步长系数，进行包围猎物行为
、
搜索猎物行为或泡泡网攻击行为，更新鲸鱼种群位置；根据更新后的鲸鱼种群进行动态反向学习，获取反向鲸鱼种群；计算更新后的鲸鱼种群和反向鲸鱼种群中每个鲸鱼个体的适应度值，并根据所有鲸鱼个体的适应度值，更新初始的最优鲸鱼个体，得到更新后的最优鲸鱼个体；根据更新后的最优鲸鱼个体获取优化后的初始寻优目标；根据优化后的初始寻优目标，获取优化后的初始光伏发电功率预测模型的初始参数；将优化后初始参数的初始光伏发电功率预测模型，输入历史模型训练数据集进行训练，得到优化后的光伏发电功率预测模型
。
[0012]进一步地，根据更新后的鲸鱼种群进行动态反向学习，获取反向鲸鱼种群具体包括：动态反向学习的表达式为：式中，为第个鲸鱼个体在第维度的反向解位置，为第个鲸鱼个体在第维度的正向解位置，为更新后鲸鱼种群第维度的上界，为更新后鲸鱼种群第维度的下界，为递减惯性因子，，为当前迭代次数，为最大迭代次数；判断当前迭代次数是否达到预设迭代次数要求，输出更新后最优的鲸鱼个体对应的全局最优解的位置
。
[0013]进一步地，获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于神经网络的光伏发电功率预测方法，其特征在于，包括如下步骤：获取光伏发电站的历史运行数据集，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集；利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集；构建初始光伏发电功率预测模型；基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获取优化后的光伏发电功率预测模型；获取光伏发电站的实时气象数据，并输入优化后的光伏发电功率预测模型，得到光伏发电功率预测结果
。2.
根据权利要求1所述的基于神经网络的光伏发电功率预测方法，其特征在于，基于改进后的灰色关联度分析法对历史运行数据集进行关联度聚类，获取不同天气类型下的相似日数据集具体包括：构建比较数据序列和参考数据序列，并获取比较数据序列和参考数据序列的初始灰色关联系数，初始灰色关联系数的表达式为：式中，为初始灰色关联系数，为历史运行数据指示量，为气象因子指示量，为比较数据序列的气象因子指示量与参考数据序列的气象因子指示量之间的绝对差值，为绝对差值的最大值，为绝对差值的最小值，为分辨系数；式中，为参考数据序列，，为比较数据序列，，为气象因子总数，为历史运行数据总数；获取比较数据序列的信息熵值，其表达式为：获取比较数据序列的信息熵值，其表达式为：式中，为信息熵值，为比较数据在比较数据序列总和的占比值；根据初始灰色关联系数和信息熵值，获取改进后的灰色关联系数；根据预设的分辨系数和改进后的灰色关联系数筛选比较数据序列，并对历史运行数据集进行划分，获取不同天气类型下的相似日数据集
。3.
根据权利要求2所述的基于神经网络的光伏发电功率预测方法，其特征在于，改进后的灰色关联系数的表达式为：
式中，为改进后的灰色关联系数
。4.
根据权利要求1所述的基于神经网络的光伏发电功率预测方法，其特征在于，利用主成分分析法对相似日数据集进行预处理，获取历史模型训练数据集具体包括：将不同天气类型下的相似日数据集转换为相似日数据矩阵并构建相似日数据矩阵的转换矩阵，其表达式为：式中，为主成分矩阵，为主成分矩阵的协方差矩阵，为相似日数据矩阵，，为相似日数据集的行向量，为相似日数据矩阵的转换矩阵，为单位特征向量矩阵，为转置，为相似日数据的总数；根据主成分矩阵中备选主成分行向量的方差累计贡献率，选择对应数量的备选主成分作为主成分，其表达式为：式中，为备选主成分行向量的方差累计贡献率，为主成分的数量，为备选主成分行向量的方差；根据主成分，对不同天气类型下的相似日数据集进行数据降维，获取数据降维后的相似日数据集；对降维后的相似日数据集进行归一化，获取不同天气类型下的历史模型训练数据集
。5.
根据权利要求4所述的基于神经网络的光伏发电功率预测方法，其特征在于，不同天气类型下的历史模型训练数据集的表达式为：式中，为归一化后的相似日数据，为归一化前降维后的相似日数据，归一化前降维后的相似日数据的最大值，归一化前降维后的相似日数据的最小值
。6.
根据权利要求1至5任一项所述的基于神经网络的光伏发电功率预测方法，其特征在于，初始光伏发电功率预测模型包括依次连接的输入层
、
基于
CNN
网络构建的空间特征提取层
、
基于
Attention
机制构建的注意力权重层
、
基于
BiGRU
网络构建的特征学习层
、
基于
KELM
网络构建的误差预测层以及输出层
。7.
根据权利要求5所述的基于神经网络的光伏发电功率预测方法，其特征在于，基于改进后的鲸鱼寻优算法，对初始光伏发电功率预测模型进行寻优，获...

【专利技术属性】
技术研发人员：张宏，王海侠，刘剑锋，靖鑫，高宏伟，李岩，赵彦睿，原桦，崔博玮，
申请(专利权)人：华能新能源股份有限公司山西分公司，
类型：发明
国别省市：