基于LM-BP神经网络的光伏超短期功率预测方法技术

本发明专利技术涉及一种基于LM-BP神经网络的光伏超短期功率预测方法，包括以下步骤：根据环境因素建立LM-BP神经网络预测模型并确定输入层数据和输出层数据；LM-BP神经网络预测模型对输入的数据进行归一化处理；采用LM算法进行LM-BP神经网络训练，得到更新权值的LM算法；计算光伏电站的光伏功率得到预测结果。本发明专利技术将LM算法与BP神经网络结合在一起，在BP神经网络预测结构基础上，建立LM-BP神经网络的预测模型，采用LM算法进行光伏超短期功率预测，能够按照任意精度逼近任何连续的非线性函数，可快速准确地解决光伏功率预测这一动态随机问题，提高了预测速度与精度，且具有较好的鲁棒性。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种基于LM-BP神经网络的光伏超短期功率预测方法，包括以下步骤：根据环境因素建立LM-BP神经网络预测模型并确定输入层数据和输出层数据；LM-BP神经网络预测模型对输入的数据进行归一化处理；采用LM算法进行LM-BP神经网络训练，得到更新权值的LM算法；计算光伏电站的光伏功率得到预测结果。本专利技术将LM算法与BP神经网络结合在一起，在BP神经网络预测结构基础上，建立LM-BP神经网络的预测模型，采用LM算法进行光伏超短期功率预测，能够按照任意精度逼近任何连续的非线性函数，可快速准确地解决光伏功率预测这一动态随机问题，提高了预测速度与精度，且具有较好的鲁棒性。【专利说明】基于LM-BP神经网络的光伏超短期功率预测方法
本专利技术属于光伏发电领域，尤其是一种基于LM-BP神经网络的光伏超短期功率预测方法。
技术介绍
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，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也将会对电网的安全和管理带来一系列问题，因此，准确对光伏系统的出力做出预测变得尤为重要，同时也可为电网的调度及安全运行提供依据。辐照强度、温度及光伏电站功率的预测是一个涉及因素繁多、十分复杂的非线性过程，并且具有高度的不确定性，传统算法无法胜任，目前对光伏发电具有随机性的预测技术研究主要采用的是神经网络技术，其具有良好的自适应、自学习和非线性转换能力，避免了复杂的数学推导，解决了传统智能方法在辨识及预测等方面的缺陷。但是神经网络也具有一定局限性，主要包括有:学习算法的收敛速度较慢，容易收敛于局部极小值等问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于LM-BP神经网络的光伏超短期功率预测方法，解决以下问题:(I)解决有光伏电站功率预测中功率的非线性变换问题；(2)解决目前神经网络算法具有收敛速度较慢，容易收敛于局部极小值等问题；(3)解决随着光伏电站规模的增大以及随太阳辐照和温度的非线性变化造成光伏功率预测鲁棒性较差的问题。本专利技术解决其技术问题是采取以下技术方案实现的:一种基于LM-BP神经网络的光伏超短期功率预测方法，包括以下步骤:步骤1:根据环境因素建立LM-BP神经网络预测模型并确定输入层数据和输出层数据；步骤2 =LM-BP神经网络预测模型对输入的数据进行归一化处理；步骤3:采用LM算法进行LM-BP神经网络训练，得到更新权值的LM算法；步骤4:计算光伏电站的光伏功率得到预测结果。而且，所述步骤4后还包括预测结果校正的步骤:将已过去最近一小时的温度光照与数据库中同时段的历史情况进行对比，若其数据与当前预测结果类似时可通过相似天数据情况对预测值进行修正调整；同时通过与数据库中同时段的历史最大、最小值进行比较，若大于历史最大值，或小于历史最小值，则需要修正其结果为历史最大值或历史最小值。而且，所述的LM-BP神经网络预测模型包括按季节构建的四个预测子模型:春季模型、夏季模型、秋季模型和冬季模型以及按照天气情况构建的三个子模型:晴天模型、多云模型、雨天模型模型。而且，所述的输入层数据包括光照及温度序列、预测日季节和日类型。而且，所述的光照及温度序列包括前一天白天6:00到18:00期间12小时逐小时的光照及温度序列、预测日白天12小时逐小时的光照及温度序列；所述的预测日季节为春季、夏季、秋季或冬季，所述的日类型为晴天、多云或雨天类型。而且，所述输出层数据为预测日6:00到18:00期间每小时的光伏发电预测量。而且，所述步骤2的归一化处理是将原始目标、输入数据转换到区间内，其归一化公式为:【权利要求】1.一种基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:包括以下步骤: 步骤1:根据环境因素建立LM-BP神经网络预测模型并确定输入层数据和输出层数据； 步骤2 =LM-BP神经网络预测模型对输入的数据进行归一化处理； 步骤3:采用LM算法进行LM-BP神经网络训练，得到更新权值的LM算法； 步骤4:计算光伏电站的光伏功率得到预测结果。2.根据权利要求1所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:所述步骤4后还包括预测结果校正的步骤:将已过去最近一小时的温度光照与数据库中同时段的历史情况进行对比，若其数据与当前预测结果类似时可通过相似天数据情况对预测值进行修正调整；同时通过与数据库中同时段的历史最大、最小值进行比较，若大于历史最大值，或小于历史最 小值，则需要修正其结果为历史最大值或历史最小值。3.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:所述的LM-BP神经网络预测模型包括按季节构建的四个预测子模型:春季模型、夏季模型、秋季模型和冬季模型以及按照天气情况构建的三个子模型:晴天模型、多云模型、雨天模型模型。4.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:所述的输入层数据包括光照及温度序列、预测日季节和日类型。5.根据权利要求4所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:所述的光照及温度序列包括前一天白天6:00到18:00期间12小时逐小时的光照及温度序列、预测日白天12小时逐小时的光照及温度序列；所述的预测日季节为春季、夏季、秋季或冬季，所述的日类型为晴天、多云或雨天类型。6.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:所述输出层数据为预测日6:00到18:00期间每小时的光伏发电预测量。7.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:所述步骤2的归一化处理是将原始目标、输入数据转换到区间内，其归一化公式为: 广:P -Pnm — P -P.fnax Jttin 式中:P*为归一化后的数据，P为样本数据，Pfflax, Pfflin分别为P的最大值和最小值。8.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:所述步骤3得到的更新权值的LM算法为:Aff = -[Jt(X).J(X)+ μ IF1Jt(X).e (X) 式中，μ为大于O的常数，I为单位矩阵，ei(X)为神经网络实际输出与期望输出的误差，J(X)是Jacobian矩阵，Jt(X)是Jacobian矩阵的逆矩阵。9.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于:所述步骤4的预测结果是通过以下方式计算得到:根据LM-BP神经网络预测模型得到的输出层数据，逐个计算光伏站中每个光伏阵列的出力，然后求和得到整个光伏电站的出力预测结果；或者选取其中几个有代表性的光伏阵列预测其出力，然后等效得到其他光伏阵列的出力预测结果 。【文档编号】G06Q50/06GK103489038SQ201310405590【公开日】2014年1月1日 申请日期:2013年9月9日 优先权日:2013年9月9日 【专利技术者】王永杰, 宋兴旺, 陈向东, 高峻, 门浩, 张黎元, 李昕, 王蓓, 刘宪栩本文档来自技高网...

【技术保护点】
一种基于LM?BP神经网络的光伏超短期功率预测方法，其特征在于：包括以下步骤：步骤1：根据环境因素建立LM?BP神经网络预测模型并确定输入层数据和输出层数据；步骤2：LM?BP神经网络预测模型对输入的数据进行归一化处理；步骤3：采用LM算法进行LM?BP神经网络训练，得到更新权值的LM算法；步骤4：计算光伏电站的光伏功率得到预测结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：王永杰，宋兴旺，陈向东，高峻，门浩，张黎元，李昕，王蓓，刘宪栩，沈妍，李晓永，孙洁，邹广宇，
申请(专利权)人：国家电网公司，国网天津市电力公司，
类型：发明
国别省市：