基于多種神經(jīng)網(wǎng)絡組合算法的光伏電站發(fā)電量短期預測模型的構(gòu)建方法
【技術領域】
[0001] 本發(fā)明屬于光伏發(fā)電與并網(wǎng)技術、太陽能光伏發(fā)電量預報領域。
【背景技術】
[0002] 隨著世界經(jīng)濟的快速發(fā)展，能源的需求量日益增大，傳統(tǒng)的非可再生能源（煤炭、 石油、天然氣等）日漸減少并面臨枯竭，太陽能憑借其清潔無污染、低成本、高效能、儲量 大、可再生及自身的分布范圍廣等優(yōu)點已成為世界各國的研究熱點。在我國太陽能光伏發(fā) 電已成為太陽能應用的重要途徑，并網(wǎng)光伏電站的規(guī)模和數(shù)量都在不斷加大。光伏發(fā)電系 統(tǒng)的輸出受天氣和太陽輻射強度等因素影響，具有波動性和間歇性，對并網(wǎng)來說是不可控 因素，會影響電力系統(tǒng)的安全和穩(wěn)定。因此建立準確度高的預測模型是提高并網(wǎng)后大電網(wǎng) 安全的重要手段，也是技術難點。目前發(fā)明中存在的基于光伏電站發(fā)電量預報模型主要有 以下兩類，一類是原理預測法，該方法沒有考慮天氣環(huán)境因素影響，針對太陽能發(fā)電過程中 在光電轉(zhuǎn)換環(huán)節(jié)和逆變環(huán)節(jié)存在能量損失的現(xiàn)象，建立經(jīng)驗公式和經(jīng)驗系數(shù)，預測光伏發(fā) 電量，此方法的優(yōu)點是原理和計算都非常簡單，但預測的時間尺度短誤差也較大，時間尺度 短的預測模型要求電網(wǎng)有更高的應變能力。另一類為人工智能預測法，主要為基于神經(jīng)網(wǎng) 絡的預測模型，利用神經(jīng)網(wǎng)絡的聯(lián)想、自學習和記憶能力對光伏發(fā)電量進行預測，由于光伏 電站輸出受天氣環(huán)境影響大，不同的氣象因素和特殊環(huán)境條件會使得神經(jīng)網(wǎng)絡在訓練和預 測時產(chǎn)生較大誤差，因此天氣和環(huán)境因素對預測模型準確度的影響不可忽略。
[0003] 目前，發(fā)明中基于神經(jīng)網(wǎng)絡預測模型的建立方法多為選用單一一種神經(jīng)網(wǎng)絡或其 改進算法而建立的，主要如RBF或BP神經(jīng)網(wǎng)絡預測法，其中部分預測模型在其采用的單一 預測算法中考慮了氣象因素和環(huán)境條件的影響，在一定程度上提高了預測的準確度。但目 前尚缺少針對不同季節(jié)及氣象因素環(huán)境條件對不同神經(jīng)網(wǎng)絡算法進行適用性的對比分析 研究，尚未對不同模型在同類天氣下的最優(yōu)模型進行分析，因此在此研究基礎上構(gòu)建的預 測模型對天氣和氣象因素的適應性較弱。此外，目前的針對神經(jīng)網(wǎng)絡算法預測模型的專利 中側(cè)重或停留于算法預測模型的研究較多，而結(jié)合研究出的算法預測模型，進一步設計和 給出一種可供實用的并網(wǎng)光伏電站發(fā)電量輸出功率預測軟件平臺仍很少見。探索將光伏發(fā) 電預測的理論研究成果轉(zhuǎn)化為指導實際預測的實用工具，對促進大規(guī)模光伏電站并網(wǎng)也具 有實用意義。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明為了解決現(xiàn)有構(gòu)建的光伏電站發(fā)電量預測模型所選用的算法單一，通用于 不同天氣的適用性差，容易陷入局部最優(yōu)，進而導致預測模型測量誤差較大的問題。本發(fā)明 提供了一種基于多種神經(jīng)網(wǎng)絡組合算法的光伏電站發(fā)電量短期預測模型的構(gòu)建方法。
[0005] 基于多種神經(jīng)網(wǎng)絡組合算法的光伏電站發(fā)電量短期預測模型的構(gòu)建方法，該構(gòu)建 方法的具體過程為：
[0006] 步驟一：神經(jīng)網(wǎng)絡算法的選??；
[0007] 采用BP、Elman、RBF和GRNN四種神經(jīng)網(wǎng)絡算法分別構(gòu)建神經(jīng)網(wǎng)絡預測子模型A、 B、C和D，以每日電站工作時間段不同時間點的環(huán)境溫度T1、日平均太陽輻射強度I、日平均 風速歹作為光伏發(fā)電量短期預測模型的輸入數(shù)據(jù)，以預測日對應時間點的光伏輸出功率P1作為各個神經(jīng)網(wǎng)絡預測子模型A、B、C和D的輸出數(shù)據(jù)；
[0008] 步驟二：樣本數(shù)據(jù)的選?。?br>[0009] 通過光伏數(shù)據(jù)采集平臺，從歷史數(shù)據(jù)庫中選取同期晴天、多云天氣和陰雨天氣的 環(huán)境參量和發(fā)電參量歷史數(shù)據(jù)，將同期天氣信息進行篩選分類，剔除奇異的數(shù)據(jù)點，結(jié)合同 期天氣信息，分別整理出三種天氣情況下的樣本數(shù)據(jù)，所述的三種天氣情況分別為晴天、多 云天氣和陰雨天氣；
[0010] 步驟三：各神經(jīng)網(wǎng)絡預測子模型的訓練、各神經(jīng)網(wǎng)絡預測子模型的適用性研究分 析以及對光伏發(fā)電量短期預測模型的構(gòu)建；
[0011] 通過步驟二所得結(jié)合同期天氣信息，分別整理出三種天氣情況下的樣本數(shù)據(jù)，分 別對構(gòu)建的神經(jīng)網(wǎng)絡子模型A、B、C和D進行訓練，其中，上述四個神經(jīng)網(wǎng)絡子模型A、B、C和 D的輸入量均包括25個變量，且所述25個變量分別為預測日23個時間點的環(huán)境溫度T1、日 平均太陽輻射強度互和日平均風速P ,所述的預測日23個時間點為在每日電站工作時間段 7 :00至18 :00內(nèi)，以7 :00點為起始時間點，每隔30分鐘為一個時間點，共23個時間點，訓 練后得出三種天氣情況下的神經(jīng)網(wǎng)絡預測子模型A1、B1、C1和D \
[0012] 根據(jù)訓練后的三種天氣情況下的神經(jīng)網(wǎng)絡預測子模型A1、B1、C 1和D \通過均方根 誤差曲線和百分比誤差曲線的對比分析得出BP、Elman、RBF和GRNN四種神經(jīng)網(wǎng)絡算法對 三種天氣情況的適用性結(jié)論，根據(jù)不同氣象條件給出各神經(jīng)網(wǎng)絡預測子模型的權(quán)重模值參 數(shù)，構(gòu)建模值權(quán)重參數(shù)表，進而構(gòu)建組合神經(jīng)網(wǎng)絡預測模型，將組合神經(jīng)網(wǎng)絡預測模型作為 最終的光伏發(fā)電量短期預測模型，完成基于多種神經(jīng)網(wǎng)絡組合算法的光伏電站發(fā)電量短期 預測模型的構(gòu)建。
[0013] 基于多種神經(jīng)網(wǎng)絡組合算法的光伏電站發(fā)電量短期預測模型的構(gòu)建方法，該方法 還包括步驟四：對光伏發(fā)電量短期預測模型的修正；
[0014] a)首先，對步驟二中的樣本數(shù)據(jù)進行歸一化處理，
[0015] b)其次，采用遺傳算法和粒子群算法。
[0016] 基于多種神經(jīng)網(wǎng)絡組合算法的光伏電站發(fā)電量短期預測模型的構(gòu)建方法，該方法 還包括步驟五：對光伏發(fā)電量短期預測模型的評估；
[0017] 采用平均絕對百分比誤差MAPE和均方根誤差RMSE兩種誤差評價方法來對光伏發(fā) 電量短期預測模型進行誤差評估，
[0020] 其中，N表示數(shù)據(jù)總量，i為正整數(shù)，^表示第i個數(shù)據(jù)點的預測值，$表示第i個 數(shù)據(jù)點的實際值。
[0021] 神經(jīng)網(wǎng)絡預測子模型A、B、C和D均包括輸入層、輸出層和隱含層，
[0022] 以預測日23個時間點的環(huán)境溫度T1、日平均太陽輻射強度f和日平均風速P，共 25個變量作為各個神經(jīng)網(wǎng)絡預測子模型A、B、C和D的輸入層輸入數(shù)據(jù)，
[0023] 以預測日對應23個時間點的光伏輸出功率P1均作為各個神經(jīng)網(wǎng)絡預測子模型A、 B、C和D的輸出數(shù)據(jù)，
[0024] 神經(jīng)網(wǎng)絡預測子模型A、B、C和D的輸出層激活函數(shù)均采用pureline函數(shù)實現(xiàn)，
[0025] 神經(jīng)網(wǎng)絡預測子模型A、B、C和D的隱含層均采用單層結(jié)構(gòu)，利用隱含層神經(jīng)元節(jié) 點經(jīng)驗公式得到神經(jīng)網(wǎng)絡初始節(jié)點數(shù)目，采用試湊法，得到隱含層節(jié)點數(shù)目為15,隱含層激 活函數(shù)采用tansig函數(shù)實現(xiàn)。
[0026] 原理分析：通過光伏數(shù)據(jù)采集平臺，將一年的數(shù)據(jù)按春夏秋冬四個不同季節(jié)劃分， 從歷史數(shù)據(jù)庫中選取同季節(jié)晴天、多云天氣和陰雨天氣的環(huán)境參量和發(fā)電參量歷史數(shù)據(jù)， 將同期季節(jié)天氣信息進行篩選分類，剔除誤差較大的數(shù)據(jù)點，結(jié)合同期天氣信息，分別整理 出三種天氣情況下的數(shù)據(jù)，并對樣本數(shù)據(jù)進行歸一化處理，進一步降低神經(jīng)網(wǎng)絡算法訓練 誤差；針對目前發(fā)明中選用的算法單一，預測誤差仍不理想的問題，采用神經(jīng)網(wǎng)絡組合算 法，建立組合神經(jīng)網(wǎng)絡模型。組合模型選用四種不同神經(jīng)網(wǎng)絡算法分別針對三種典型氣象 條件建立神經(jīng)網(wǎng)絡預測子模型，并進行適用性研究和分析，通過權(quán)重模值參數(shù)的選取，針對 不同天氣情況實現(xiàn)采用適用性更