[發明專利]一種基于多維信息人工神經網絡算法的光伏發電功率預測方法

在審

• 申請號: 201410704747.5
• 申請日: 2014-11-27
• 公開（公告）號: CN104463356A
• 公開（公告）日: 2015-03-25
• 發明（設計）人: 王堅敏;韓志軍;周衛國;金山紅;陳國恩;趙仰東;王躍強;張磊;王業平;任志翔;羅里志;董成明;陳春
• 申請（專利權）人: 國網浙江省電力公司嘉興供電公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 杭州九洲專利事務所有限公司 33101
• 代理人: 翁霽明

1.一種基于多維信息人工神經網絡算法的光伏發電功率預測方法，其特征在于該光伏發電功率預測方法包括如下步驟：

1)相似度的計算：利用氣象局提供的日特征數據，包括平均溫度、最高溫度、最低溫度等，以及氣象局提供的比較模糊描述日類型，包括晴天、多云、陰天、雨天等作為相似度計算的向量；所述日類型信息主要是根據歷史數據的統計分析及經驗將晴天、多云、陰天、雨天等日類型信息映射為0-1之間的一個日類型指數并作為預測模型的輸入變量；對于模型中用到的原始數據可能帶來的不利，對數據進行歸一化處理；

2)相似日的選擇：從最臨近歷史日開始，逆向逐日計算第j日與第i日的相似度值F_N；選取最近一段時間中相似度最高的m日或者相似度大于0.80m日作為預測日的相似日，m的取值大于3，以滿足訓練網絡有較強的外推性；

3)預測模型的確立和模型的訓練：采用三層BP神經網絡，包含輸入層、輸出層和隱含層，建立不同的訓練樣本,并不斷注入新的測試數據,對歷史日以及其相似光伏發電功率樣本進行BP神經網絡訓練；

4)預測結果的輸出：選擇預測日的m個相似日，將相似日樣本輸入訓練好的BP神經網絡，得出預測日的光伏電場發電功率；

5)預測誤差分析：為保證模型預測誤差的平穩性，采用均方根誤差作為模型評估方法；

RMSE=Σi=0N(Pfi-Pai)2N]]>

式中：N為數據的個數；為預測值；為實際值。

2.根據權利要求1所述的基于多維信息人工神經網絡算法的光伏發電功率預測方法，其特征在于：

所述的步驟1)中，主要是利用氣象局提供的日特征氣象信息來挑選相似日；

光伏發電功率的影響因素構成如下向量：

Y=[T‾,Tmin,Tmax,X]]]>

式中：為平均溫度，T_min、T_max分別為最低溫度和最高溫度，X為日類型；

所述的歸一化公式是：

Pn=pn-pminpmax-pmin]]>

Nn=nn-nminnmax-nmin]]>

式中：p_n,n_n——原始輸入、目標數據；

p_min，p_max，n_min,n_max——p和n中的最小值和最大值；

P_n，N_n——歸一化后的輸入、目標數據

影響向量：

Yp=[Yp(1),Yp(2),Yp(3),Yp(4)]T]]>

YN=[YN(1),YN(2),YN(3),YN(4)]T]]>

Y_P與Y_N在第k個因素的關聯系數為

ϵN(k)=minNmink|YP(k)-YN(k)|+ρmaxNmaxk|YP(k)-YN(k)||YP(k)-YN(k)|+ρmaxNmaxk|YP(k)-YN(k)|]]>

式中：ρ是分辨系數，其值一般取0.5；綜合各點的關聯系數，定義整個Y_P與Y_N的相似度為

FN=Πk=14ϵN(k)]]>

采用這種連乘方式定義相似度，可簡單、自動地識別主導因素，并解決各因素權重設定問題。

步驟3)中：三層BP神經網絡節點的確定有：

a、輸入層節點的確定：

輸入層節點對應于模型的輸入變量，模型采用10個輸入變量，這10個輸入變量為相似日的光伏發電數據；

b、輸出層節點的確定：

這是由要預測的內容決定的。本文的輸出向量(目標向量)為預測日的發電功率，因此輸出層節點個數為1；

c、隱含層及隱節點數的確定：

隱含層節點常用的經驗計算公式：

m=n+l+α]]>

m＝log2ⁿ

m=nl]]>

以上各式中m為隱層節點數，n為輸入層節點數，l為輸出節點數，α為1-10之間的常數。由于輸入層節點為10點，輸出層節點為1點，綜合考慮以上各式，終確定隱層節點數為5。