基于相似日的bp神經網絡光伏發電系統功率預測方法
【技術領域】
[0001] 本發明設及一種基于相似日的BP神經網絡光伏發電系統功率預測方法,屬于光伏 發電技術領域。
【背景技術】
[0002] 能源是現代社會經濟與發展的根本。能源環境問題的相繼出現促使人類逐漸意識 到化石燃料的過渡開采和無節制使用所帶來的嚴重危害。光伏發電由于其可再生、環保靈 活的特性得到廣泛關注和快速發展。但由于光伏發電系統的輸出受到太陽福照強度和眾多 天氣因素的影響,其發電量的變化是一個非平穩的隨機過程,對大電網而言是一個不可控 源,其發電的隨機波動性會對電網造成沖擊,影響電網運行的可靠性與穩定性。加強光伏發 電功率預測的研究,預先獲得光伏發電系統的日發電量曲線,從而協調電力系統制定發電 計劃,減少光伏發電的隨機性對電力系統的影響,運對光伏電站和電網都有著重要的經濟 意義。
[0003] 按照不同的分類標準,光伏發電功率預測方法分類不同。目前使用較廣泛的是利 用光伏發電系統歷史輸出功率數據的直接預測方法它需要運用統計原理對光伏發電系統 歷史輸出功率統計數據進行分析,找出其內在規律性,建立映射關系用于預測,程序簡明, 不需要光伏發電系統的具體布置資料。常用的統計方法有多元線性回歸算法、人工神經網 絡(ANN)算法和灰色理論算法等。使用差異較大的一組樣本訓練模型,得到的參數進行校驗 時往往產生較大的誤差,即使重新訓練,也得不到很好的效果。現有的一些研究雖然提出了 基于歷史日數據的提前一天光伏功率預測方法,但當氣象條件變化劇烈時,模型預測精度 還有待提高,甚至有可能會失效。針對此情況,一種在預測模型中考慮加入合理選取的氣象 因素的預測方法比較有研究的意義。
【發明內容】
[0004] 本發明的目的在于克服現有技術中的不足,提供一種基于相似日的BP神經網絡光 伏發電系統功率預測方法,解決現有技術因天氣類型變化而引起的預測精度降低甚至預測 模型失效的技術問題。
[0005] 為解決上述技術問題,本發明所采用的技術方案是:一種基于相似日的BP神經網 絡光伏發電系統功率預測方法,包括如下步驟:
[0006] 步驟一:選取氣象影響因素,對天氣類型編碼:將模糊描述的天氣類型映射為天氣 類型指數,量化天氣因素對光伏發電功率的影響;
[0007] 步驟二:計算歷史日與預測日的天氣相似度:構造天氣類型特征向量,并對特征向 量各分量進行歸一化處理,并采用連乘方式定義并計算相似度;
[000引步驟S:選取相似日:選取與預測日相似度最大的20~50個歷史日構成相似歷史 日訓練樣本集;
[0009]步驟四:構建BP神經網絡預測模型:將相似歷史日的光伏發電功率數據與天氣類 型指數作為模型輸入量,設計一種雙隱層BP神經網絡預測模型;
[0010] 步驟五:訓練BP神經網絡預測模型:根據相似歷史日訓練樣本集給出BP神經網絡 預測模型的輸入量和理論目標輸出,對BP神經網絡預測模型的連接權值進行不斷修正;
[0011] 步驟六:光伏發電功率預測與評估:訓練完成后利用相似度最高的歷史日發電量 數據作為BP神經網絡預測模型的輸出,計算網絡輸出光伏發電功率,并與理論目標輸出光 伏發電功率相比較,評估預測精度。
[0012] 所述天氣類型編碼的具體方法為:
[0013] 步驟101:選取太陽福照強度和溫度作為影響光伏發電功率的天氣因素;
[0014] 步驟102:根據單位面積的光伏發電系統發電功率計算公式:
[0015] Ps = riSI(l-〇.005(ToW5))
[0016] 式中,I為太陽福照強度,單位為kW/m2;ri為光伏系統轉換效率;To為環境溫度,單位 為°C;S為光伏陣列的面積,單位為m2,對有效的光伏發電系統歷史發電功率進行統計分析, 將模糊描述的天氣類型轉換為0~1之間可被BP神經網絡預測模型所接受的天氣類型指數。
[0017] 計算歷史日與預測日的天氣相似度的具體方法為:
[0018] 步驟201:構造天氣類型特征向量:
[0019] Y=[Tmax Tmin w]
[0020] 式中,Tmax為最高溫、Tmin為最低溫、W為天氣類型指數;
[0021 ]步驟202:采用"極差法"進行歸一化,公式如下:
[0022]
[0023] 式中,yi(j)是第i日的第j分量;m(j)和M(j)分別為第j個分量的最小值和最大值, j = 1,2,3;
[0024] 歸一化后基準日和第j日的特征向量分別為:
[0025] x〇= [x0(D ,x0(2) ,xo(3) ]^;
[0026] xj=[xj(l),xj(2),xj(3)]^;
[0027] 步驟203:計算^和^在第k個因素的關聯系數:
[002引
[0029] 式中,P是分辨系數;
[0030] 步驟204:綜合各影響因素的關聯系數,采用連乘方式定義并計算^和^的相似度:
[0031]
田
[0032] 構建BP神經網絡預測模型的具體方法如下:
[0033] 步驟401:采用16個輸入變量,選取白天7:00~18:00的12個發電時間序列作為預 測模型的12個輸入變量,相似日的最高氣溫和最低氣溫作為BP神經網絡預測模型的2個輸 入變量,預測日的最高氣溫和最低氣溫作為BP神經網絡預測模型的最后2個輸入變量;
[0034] 步驟402:采用12個輸出變量,預測模型輸出的是預測日白天12個時間點的發電功 率,對應預測日的發電量時間序列;
[0035]步驟403:采用雙隱層,確定隱含層節點數的公式如下:
[0039] 式中,η表示輸入層節點數,m表示隱含層節點數,1表示輸出層節點數,a為1~5的 常數。
[0040] 所述BP神經網絡預測模型的連接權值采用附加動量與變學習率結合的梯度修正 法作為修正算法,具體如下:
[0041 ]加入附加動量后網絡權值修改算法:
[0042] wij(t+l) =wij(t)+ Δ wij(t)+a[wij(t)-wij(t-l)]
[0043] 式中,α為動量因子,wu(t)為時刻t時前一層的第j個神經元到后一層的第i個神經 元的連接權值,Δ wij (t)為時亥Ij t時wij (t)的調整量;
[0044] 加入變學習率后網絡權值修改算法:
[0045] Wij(t+l)=Wij(t)巧(t) Δ wij*(t)+a[Wij(t)-Wij(t-l)]
[0046] η( t) = nmax-t (nmax-nmin) /tmax
[0047] 式中,Awi計(t)為Awu(t)提取出因式ri(t)后的剩余部分,rWx為最大學習率,rwn 為最小學習率,tmax為最大迭代次數,t為當前迭代次數。
[004引與現有技術相比,本發明所達到的有益效果:
[0049] 光伏發電系統的輸出功率受氣象因素影響較大,將天氣類型編碼量化后作為預測 模型輸入量,能降低天氣變化對預測精度的影響;不同天氣類型的發電功率曲線明顯不同, 利用相似歷史日發電量數據來預測未來光伏電站輸出功率比直接利用歷史日發電量數據 預測精度更高;在訓練BP神經網絡時,權值的學習算法結合附加動量與變學習率,使模型既 能較快收斂,又減少模型陷入局部最優解的概率,保證預測模型精度和穩定性。
【附圖說明】
[0050] 圖1為本發明的流程圖。
[0051 ]圖2為BP神經網絡預測模型的結構示意圖。
[0052] 圖3為BP神經網絡預測模型的