一種超短期光伏預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種光伏發(fā)電預(yù)測方法，具體是一種超短期光伏預(yù)測方法。
【背景技術(shù)】
[0002] 太陽能光伏發(fā)電具有轉(zhuǎn)換效率高、使用周期長、無運轉(zhuǎn)部件等優(yōu)點，目前，國外太 陽能光伏發(fā)電已經(jīng)完成初期開發(fā)階段，正向大規(guī)模應(yīng)用階段發(fā)展。但是，由于太陽能具有間 歇性和隨機性等特點，隨著光伏裝機容量的快速擴大，大規(guī)模的光伏并網(wǎng)，將不利于電網(wǎng)的 穩(wěn)定性，對電力市場產(chǎn)生深遠的影響，因此，預(yù)知光伏發(fā)電系統(tǒng)的發(fā)電量，對電網(wǎng)電能的調(diào) 度有著重要的意義。
[0003] 太陽能光伏發(fā)電系統(tǒng)的發(fā)電量受許多方面因素的影響，太陽輻射強度、溫度、天氣 情況、季節(jié)等，這些因素不同程度地影響光伏發(fā)電系統(tǒng)的發(fā)電量，并且呈現(xiàn)出強非線性，而 光伏發(fā)電系統(tǒng)可視為一個不可控的電源，其隨機性將對電網(wǎng)產(chǎn)生沖擊，因此，研究太陽能的 隨機性和光伏發(fā)電預(yù)測技術(shù)有著重要意義。
[0004] 現(xiàn)有的預(yù)測技術(shù)，針對光伏發(fā)電預(yù)測模型，主要以氣象因素和歷史輻射相結(jié)合作 為BP神經(jīng)網(wǎng)絡(luò)的輸入，然而BP神經(jīng)網(wǎng)絡(luò)易受局部最優(yōu)迷惑、且訓(xùn)練速度慢。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種超短期光伏預(yù)測方法，通過改良輸入信息與廣義回歸 神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方式，實現(xiàn)對并網(wǎng)型光伏電站進行輸出功率的預(yù)測，以解決上述背 景技術(shù)中提出的問題。
[0006] 為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：
[0007] -種超短期光伏預(yù)測方法，包含如下步驟：
[0008] ⑴訓(xùn)練數(shù)據(jù)X選取：以某日某地區(qū)氣象因素信息為測試和訓(xùn)練數(shù)據(jù)基礎(chǔ)，數(shù)據(jù)分 辨率為15min，數(shù)據(jù)種類包含全球太陽能輻照度水平、大氣層外直接太陽輻照強度、溫度、濕 度、云層覆蓋率、平均風(fēng)速、氣壓、降雨量、降雪量以及地面接收凈輻射量；
[0009] ⑵訓(xùn)練數(shù)據(jù)歸一化處理：針對訓(xùn)練數(shù)據(jù)作歸一化處理；
[0010] ⑶訓(xùn)練數(shù)據(jù)異?；幚恚横槍w一化的數(shù)據(jù)xl，x2,…，xg，刪除異常數(shù)據(jù)；
[0011] (4)數(shù)據(jù)函數(shù)變換：將第2步處理好的訓(xùn)練數(shù)據(jù)，作為原始訓(xùn)練數(shù)據(jù)組存儲，同時 針對原始訓(xùn)練數(shù)據(jù)組做函數(shù)變換并保存多組變換方案，其中函數(shù)變換包含但不限于數(shù)據(jù)開 方^1自然對數(shù)Inxg和指數(shù)模型Xgn;
[0012] (5)顯著性分析：采用皮爾遜相關(guān)系數(shù)法針對所有訓(xùn)練數(shù)據(jù)組執(zhí)行顯著性分析， 并分別對比多組分析結(jié)果，皮爾遜相關(guān)系數(shù)法的公式為
w為協(xié)方差，S 為標準差；
[0013] (6)廣義回歸神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練：以顯著分析中提取的變換數(shù)據(jù)組為輸入，具體 為預(yù)測時段前2h的變換數(shù)據(jù)，對應(yīng)未來lh輻照度為輸出，訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模 型，其中預(yù)測時段前2h的變換數(shù)據(jù)分為24個時刻點；
[0014](7)廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測：利用訓(xùn)練好的廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，選 取函數(shù)變換數(shù)據(jù)作輸入，光伏電站輸出功率作輸出，實現(xiàn)對未來lh光伏電站輸出功率的超 短期預(yù)測。
[0015] 作為本發(fā)明進一步的方案：第2步中，歸一化處理的公式為=Hs為樣本標準 差，無為樣本平均值。
[0016] 作為本發(fā)明再進一步的方案：第3步中，利用萊以特準則刪除異常數(shù)據(jù)， vg| = |& - - > 3' \為殘差，s'為樣本標準差。
[0017] 作為本發(fā)明再進一步的方案：第4步中，采用自然對數(shù)In\進行函數(shù)變換。
[0018] 作為本發(fā)明再進一步的方案：所述廣義回歸神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出 層3個部分，其中隱含層又包含了模式層和求和層，從神經(jīng)元輸入到模式層、求和層，每個 樣本均有一個對應(yīng)的徑向基神經(jīng)元。
[0019] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：該超短期光伏預(yù)測方法，利用廣義回歸神 經(jīng)網(wǎng)絡(luò)建模理論及方法，通過增加隱層的基函數(shù)，精確了局部逼近，達到全局最優(yōu)，同時針 對模型輸入信息做了顯著性提取和改進，通過函數(shù)變換增強歷史數(shù)據(jù)的相關(guān)性，并作為輸 入信號進入廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，有效提升了預(yù)測精度，另外訓(xùn)練樣本選定后，廣義 回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值會自動確定，只需調(diào)整平滑參數(shù)即可，避免了循環(huán)訓(xùn)練的計算過 程，更加快速地實現(xiàn)全局逼近的學(xué)習(xí)和預(yù)測能力。
【附圖說明】
[0020] 圖1為超短期光伏預(yù)測方法的流程示意圖。
[0021] 圖2為超短期光伏預(yù)測方法中廣義回歸神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。
【具體實施方式】
[0022] 下面結(jié)合【具體實施方式】對本專利的技術(shù)方案作進一步詳細地說明。
[0023] 請參閱圖1，一種超短期光伏預(yù)測方法，包含如下步驟：
[0024] (1)訓(xùn)練數(shù)據(jù)X選?。阂阅橙漳车貐^(qū)氣象因素信息為測試和訓(xùn)練數(shù)據(jù)基礎(chǔ)，數(shù)據(jù)分 辨率為15min，數(shù)據(jù)種類包含全球太陽能輻照度水平、大氣層外直接太陽輻照強度、溫度、濕 度、云層覆蓋率、平均風(fēng)速、氣壓、降雨量、降雪量以及地面接收凈輻射量；
[0025](2)訓(xùn)練數(shù)據(jù)歸一化處理：針對訓(xùn)練數(shù)據(jù)作歸一化處理，歸一化處理的公式為 X-X xs =YS為樣本標準差，1:為樣本平均值；
[0026] ⑶訓(xùn)練數(shù)據(jù)異?；幚恚横槍w一化的數(shù)據(jù)xl，X2,…，xg，利用萊以特準則刪除 異常數(shù)據(jù)，^?| =叭-7|>3^\為殘差，8'為樣本標準差；
[0027] (4)數(shù)據(jù)函數(shù)變換：將第2步處理好的訓(xùn)練數(shù)據(jù)，作為原始訓(xùn)練數(shù)據(jù)組存儲，同時 針對原始訓(xùn)練數(shù)據(jù)組做函數(shù)變換并保存多組變換方案，其中函數(shù)變換包含但不限于數(shù)據(jù)開 方自然對數(shù)Inxg和指數(shù)模型Xgn;
[0028] (5)顯著性分析：采用皮爾遜相關(guān)系數(shù)法針對所有訓(xùn)練數(shù)據(jù)組執(zhí)行顯著性分析， 并分別對比多組分析結(jié)果，經(jīng)過實例證明，數(shù)據(jù)變換后，相關(guān)系數(shù)有所提升，尤其是自然對 數(shù)Inxg函數(shù)變換組，相關(guān)性最佳
y為協(xié)方差，δ為標準差，因此，優(yōu)選 的，第4步中采用自然對數(shù)In1(?進行函數(shù)變換；
[0029] (6)廣義回歸神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練：以顯著分析中提取的變換數(shù)據(jù)組為輸入，具體 為預(yù)測時段前2h的變換數(shù)據(jù)，對應(yīng)未來lh輻照度為輸出，訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模 型，其中預(yù)測時段前2h的變換數(shù)據(jù)分為24個時刻點；
[0030](7)廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測：利用訓(xùn)練好的廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，選 取函數(shù)變換數(shù)據(jù)作輸入，光伏電站輸出功率作輸出，實現(xiàn)對未來lh光伏電站輸出功率的超 短期預(yù)測。
[0031] 請參閱圖2,所述廣義回歸神經(jīng)網(wǎng)絡(luò)是基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模 型。包含輸入層、隱含層、輸出層3個部分，其中隱含層又包含了徑向基隱含層（模式層） 和一個特殊的線性層（求和層），從神經(jīng)元輸入到模式層、求和層，每個樣本均有一個對應(yīng) 的徑向基神經(jīng)元，因此樣本數(shù)據(jù)不變。
[0032] 假設(shè)原始氣象因素信息為X= [Xl，x2…，xj，經(jīng)過函數(shù)變換及顯著性提取得到X' =[Xl'，x2'···，<]，作為網(wǎng)絡(luò)輸入變量。貝隱含層中向量個數(shù)為m，輸入變量X'與其對應(yīng) 的訓(xùn)練樣本V之間的Euclid距離平方為：
[0033] Dx2=(X'-X)T(X'-X,')
[0034] 模式層神經(jīng)元的傳遞函數(shù)：
[0035] T1=expHX'-X/AX'-X/)/^。2]，i= 1，2,…，η，σ為平滑參數(shù)；
[0036] 求和層中包含兩種神經(jīng)元SjPSNj，其中：
[0037]
[0038] 輸出層的神經(jīng)元，由求和層的兩種神經(jīng)元計算得到：
[0039]yj=SNj/Sij= 1，2,…k。
[0040] 由此，訓(xùn)練樣本選定后，廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值會自動確定，只需調(diào)整平滑 參數(shù)即可，避免了循環(huán)訓(xùn)練的計算過程，更加快速地實現(xiàn)全局逼近的學(xué)習(xí)和預(yù)測能力。
[0041] 上面對本專利的較佳實施方式作了詳細說明，但是本專利并不限于上述實施方 式，在本領(lǐng)域的普通技術(shù)人員所具備的知識范圍內(nèi)，還可以在不脫離本專利宗旨的前提下 作出各種變化。
【主權(quán)項】
1. 一種超短期光伏預(yù)測方法，其特征在于，包含如下步驟： (1) 訓(xùn)練數(shù)據(jù)X選?。阂阅橙漳车貐^(qū)氣象因素信息為測試和訓(xùn)練數(shù)據(jù)基礎(chǔ)，數(shù)據(jù)分辨率 為15min，數(shù)據(jù)種類包含全球太陽能輻照度水平、大氣層外直接太陽輻照強度、溫度、濕度、 云層覆蓋率、平均風(fēng)速、氣壓、降雨量、降雪量以及地面接收凈輻射量； (2) 訓(xùn)練數(shù)據(jù)歸一化處理：針對訓(xùn)練數(shù)據(jù)作歸一化處理； (3) 訓(xùn)練數(shù)據(jù)異?；幚恚横槍w一化的數(shù)據(jù)xl，x2,…，Xg，刪除異常數(shù)據(jù)； (4) 數(shù)據(jù)函數(shù)變換：將第2步處理好的訓(xùn)練數(shù)據(jù)，作為原始訓(xùn)練數(shù)據(jù)組存儲，同時針對 原始訓(xùn)練數(shù)據(jù)組做函數(shù)變換并保存多組變換方案，其中函數(shù)變換包含但不限于數(shù)據(jù)開方 ^ >自然對數(shù)Inxg和指數(shù)模型X gn; (5) 顯著性分析：采用皮爾遜相關(guān)系數(shù)法針對所有訓(xùn)練數(shù)據(jù)組執(zhí)行顯著性分析，并分 別對比多組分析結(jié)果，皮爾遜相關(guān)系數(shù)法的公式為COV為協(xié)方差，S為標 準差； (6) 廣義回歸神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練：以顯著分析中提取的變換數(shù)據(jù)組為輸入，具體為預(yù) 測時段前2h的變換數(shù)據(jù)，對應(yīng)未來Ih輻照度為輸出，訓(xùn)練廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，其 中預(yù)測時段前2h的變換數(shù)據(jù)分為24個時刻點； (7) 廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測：利用訓(xùn)練好的廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，選取函 數(shù)變換數(shù)據(jù)作輸入，光伏電站輸出功率作輸出，實現(xiàn)對未來Ih光伏電站輸出功率的超短期 預(yù)測。2. 根據(jù)權(quán)利要求1所述的超短期光伏預(yù)測方法，其特征在于，第2步中，歸一化處理的 公式為s為樣本標準差，X為樣本平均值。3. 根據(jù)權(quán)利要求1或2所述的超短期光伏預(yù)測方法，其特征在于，第3步中，利用萊以 特準則刪除異常數(shù)據(jù)，^為殘差，s'為樣本標準差。4. 根據(jù)權(quán)利要求3所述的超短期光伏預(yù)測方法，其特征在于，第4步中，采用自然對數(shù) lnxg?行函數(shù)變換。5. 根據(jù)權(quán)利要求1或2或4所述的超短期光伏預(yù)測方法，其特征在于，所述廣義回歸神 經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層3個部分，其中隱含層又包含了模式層和求和層，從神 經(jīng)元輸入到模式層、求和層，每個樣本均有一個對應(yīng)的徑向基神經(jīng)元。
【專利摘要】本發(fā)明公開了一種超短期光伏預(yù)測方法，包含如下步驟：訓(xùn)練數(shù)據(jù)x選?。挥?xùn)練數(shù)據(jù)歸一化處理；訓(xùn)練數(shù)據(jù)異常化處理；數(shù)據(jù)函數(shù)變換；顯著性分析；廣義回歸神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練；廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測，該超短期光伏預(yù)測方法，利用廣義回歸神經(jīng)網(wǎng)絡(luò)建模理論及方法，通過增加隱層的基函數(shù)，精確了局部逼近，達到全局最優(yōu)，同時針對模型輸入信息做了顯著性提取和改進，通過函數(shù)變換增強歷史數(shù)據(jù)的相關(guān)性，并作為輸入信號進入廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測模型，有效提升了預(yù)測精度，另外訓(xùn)練樣本選定后，廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值會自動確定，只需調(diào)整平滑參數(shù)即可，避免了循環(huán)訓(xùn)練的計算過程，更加快速地實現(xiàn)全局逼近的學(xué)習(xí)和預(yù)測能力。
【IPC分類】G06N3/02, G06Q50/06, G06N3/08
【公開號】CN105426956
【申請?zhí)枴緾N201510750464
【發(fā)明人】曹欣, 王鐵強, 孫廣輝, 時珉, 王鑫明, 王艷陽, 楊曉東, 魏明磊, 孫辰軍, 劉梅, 趙然, 張華銘, 孫福林, 張維靜
【申請人】國家電網(wǎng)公司, 國網(wǎng)河北省電力公司, 北京清軟創(chuàng)新科技股份有限公司
【公開日】2016年3月23日
【申請日】2015年11月6日