[發(fā)明專利]基于受限玻爾茲曼機(jī)的光伏發(fā)電短期功率概率預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201611097237.1
• 申請日: 2016-12-02
• 公開（公告）號: CN106600041A
• 公開（公告）日: 2017-04-26
• 發(fā)明（設(shè)計）人: 王繼東;冉冉;宋智林
• 申請（專利權(quán)）人: 天津大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 天津市北洋有限責(zé)任專利代理事務(wù)所12201
• 代理人: 程毓英

技術(shù)領(lǐng)域

本發(fā)明涉及一種光伏發(fā)電功率預(yù)測方法。

背景技術(shù)

光伏發(fā)電具有污染少、規(guī)模靈活等優(yōu)點(diǎn)，得到了廣泛應(yīng)用。但由于光伏發(fā)電系統(tǒng)受環(huán)境因素影響明顯，存在不確定性、波動性、間歇性等特點(diǎn)，不利于電網(wǎng)的安全調(diào)度和能量管理，增加了電網(wǎng)的運(yùn)行風(fēng)險。而光伏發(fā)電系統(tǒng)的波動性越大，對其發(fā)電功率進(jìn)行確定性預(yù)測的預(yù)測精度就會越低，因此，對光伏發(fā)電的短期功率進(jìn)行概率預(yù)測，可以更加全面的反映光伏發(fā)電信息，對于電網(wǎng)的安全調(diào)度和能量管理具有重要的意義。

目前針對光伏發(fā)電功率的預(yù)測方法多為確定性預(yù)測，即利用統(tǒng)計學(xué)原理，根據(jù)影響光伏發(fā)電功率的環(huán)境因素數(shù)據(jù)和歷史發(fā)電數(shù)據(jù)，建立各種數(shù)學(xué)預(yù)測模型，實現(xiàn)對未來光伏發(fā)電系統(tǒng)出力的短期功率預(yù)測。有很多文獻(xiàn)光伏發(fā)電功率短期預(yù)測方法進(jìn)行了研究，例如：BP神經(jīng)網(wǎng)絡(luò)法、灰色神經(jīng)網(wǎng)絡(luò)法。

對于光伏發(fā)電系統(tǒng)而言，由于其發(fā)電功率受自然環(huán)境因素的影響較為明顯，對光伏發(fā)電短期功率進(jìn)行預(yù)測的精確度難以準(zhǔn)確保證。

發(fā)明內(nèi)容

本發(fā)明的目的是克服現(xiàn)有技術(shù)的上述不足，提供一種可以保證在滿足給定精確度的要求之下獲取更加全面的光伏發(fā)電功率數(shù)據(jù)的光伏發(fā)電短期功率概率預(yù)測方法。本發(fā)明基于改進(jìn)深度受限玻爾茲曼機(jī)算法(RBM)構(gòu)建光伏發(fā)電短期功率概率預(yù)測模型，通過灰色關(guān)聯(lián)系數(shù)法尋找待預(yù)測日的相似日，并利用遺傳算法對RBM算法進(jìn)行參數(shù)優(yōu)化，避免模型參數(shù)尋優(yōu)陷入局部最優(yōu)，以提高預(yù)測模型的預(yù)測精度。技術(shù)方案如下：

一種基于受限玻爾茲曼機(jī)的光伏發(fā)電短期功率概率預(yù)測方法，該方法采用改進(jìn)深度受限玻爾茲曼機(jī)算法，包括：建立基于遺傳算法優(yōu)化的深度受限玻爾茲曼機(jī)學(xué)習(xí)預(yù)測模型，通過灰色關(guān)聯(lián)系數(shù)法尋找待預(yù)測日的相似日，以相似日的歷史發(fā)電功率數(shù)據(jù)和來自數(shù)據(jù)天氣預(yù)報的預(yù)測日的天氣因素信息為模型的輸入量，以光伏發(fā)電系統(tǒng)在預(yù)測日的輸出功率信息為預(yù)測模型的輸出量，以一個月的實測信息作為預(yù)測模型樣本數(shù)據(jù)，預(yù)測未來1-24小時的光伏發(fā)電輸出功率，并且得到預(yù)測點(diǎn)的概率密度函數(shù)，采用遺傳算法作為優(yōu)化模型，其中遺傳算法的交叉率為0.6，變異率的取值為0.2，初始群體規(guī)模設(shè)定為50，最大迭代次數(shù)為200，深度受限玻爾茲曼機(jī)的結(jié)構(gòu)層數(shù)選定為四層。

附圖說明

圖1受限玻爾茲曼機(jī)結(jié)構(gòu)圖

圖2深度受限玻爾茲曼機(jī)結(jié)構(gòu)圖

圖3改進(jìn)深度受限玻爾茲曼機(jī)模型的流程圖

圖4單點(diǎn)預(yù)測值的正態(tài)分布曲線圖

圖5改進(jìn)受限玻爾茲曼機(jī)模型在置信水平為80％的概率上下限值預(yù)測圖

圖6改進(jìn)深度受限玻爾茲曼機(jī)模型在置信水平為80％的概率上下限值預(yù)測圖

圖7改進(jìn)受限玻爾茲曼機(jī)模型在置信水平為90％的概率上下限值預(yù)測圖

圖8改進(jìn)深度受限玻爾茲曼機(jī)模型在置信水平為90％的概率上下限值預(yù)測圖

具體實施方式

本發(fā)明基于改進(jìn)深度受限玻爾茲曼機(jī)(Restricted Boltzmann Machine，RBM)算法構(gòu)建光伏發(fā)電短期功率概率預(yù)測模型，通過灰色關(guān)聯(lián)系數(shù)法尋找待預(yù)測日的相似日，并利用遺傳算法(Genetic Algorithm，GA)對RBM算法進(jìn)行參數(shù)優(yōu)化，避免模型參數(shù)尋優(yōu)陷入局部最優(yōu)，以提高預(yù)測模型的預(yù)測精度。

(1)相似日的選取

光伏系統(tǒng)的發(fā)電出力受諸多因素的影響，包括地理位置、輻照角度等固定環(huán)境因素，也包括光照強(qiáng)度、溫度、濕度、云量等可變環(huán)境因素，還有轉(zhuǎn)換效率等與自身裝置特性相關(guān)的因素。通過分析不同的環(huán)境因素對光伏發(fā)電功率的影響作用，最終，選擇以對光伏發(fā)電功率影響最為明顯的光照強(qiáng)度與溫度數(shù)據(jù)作為相似日選擇的環(huán)境因素判別依據(jù)。

選取的每日氣象特征向量如式(1)所示：

x_i＝[x_i(1),x_i(2),x_i(3),x_i(4)]＝[t_hi,t_li,l_hi,l_li](1)

其中，t_hi表示第i日最高溫度，t_li表示第i日最低溫度，l_hi表示第i日最大光照強(qiáng)度，l_li表示第i日最小光照強(qiáng)度。

以x₀表示待預(yù)測日，則待預(yù)測日x₀與第i個歷史日x_i的第j個特征分量的關(guān)聯(lián)系數(shù)技術(shù)方式如式(2)所示：

其中，ρ一般取為0.5。