[發(fā)明專利]基于RBF神經(jīng)網(wǎng)絡的光伏發(fā)電量預測方法

在審

• 申請?zhí)枺?/td>: 201810620653.8
• 申請日: 2018-06-15
• 公開（公告）號: CN108960491A
• 公開（公告）日: 2018-12-07
• 發(fā)明（設計）人: 薛云燦;孫力;孫德銀
• 申請（專利權）人: 常州瑞信電子科技有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產(chǎn)權代理有限公司 32224
• 代理人: 董建林

1.基于RBF神經(jīng)網(wǎng)絡的光伏發(fā)電量預測方法，其特征在于，包括如下步驟：

根據(jù)光伏發(fā)電量及其擬選取影響因素的歷史數(shù)據(jù)構建訓練樣本；

基于已構建的訓練樣本，采用改進遺傳算法選取光伏發(fā)電量影響因素，并對RBF神經(jīng)網(wǎng)絡進行訓練，得到光伏發(fā)電量影響因素和訓練好的RBF神經(jīng)網(wǎng)絡；

將光伏發(fā)電量影響因素的待預測日數(shù)據(jù)輸入已訓練好的RBF神經(jīng)網(wǎng)絡，得到光伏發(fā)電量預測值。

2.根據(jù)權利要求1所述的基于RBF神經(jīng)網(wǎng)絡的光伏發(fā)電量預測方法，其特征在于，所述擬選取影響因素包括：太陽輻射強度、最高溫度、最低溫度和光伏電池板溫度、風速、相對濕度、天氣類型。

3.根據(jù)權利要求2所述的基于RBF神經(jīng)網(wǎng)絡的光伏發(fā)電量預測方法，其特征在于，構建訓練樣本的具體方法如下：

選取光伏發(fā)電量的擬選取影響因素的歷史數(shù)據(jù)及其對應的實際發(fā)電量；

將光伏發(fā)電量的擬選取影響因素的歷史數(shù)據(jù)作為訓練樣本的輸入向量，將對應的光伏實際發(fā)電量作為輸出向量，并對輸入向量和輸出向量進行歸一化處理。

4.根據(jù)權利要求3所述的基于RBF神經(jīng)網(wǎng)絡的光伏發(fā)電量預測方法，其特征在于，對輸入向量和輸出向量進行歸一化處理的具體方法如下：

將天氣類型劃分為晴、多云、陰、小雨或雪、中雨或雪、大雨或雪，其對應歸一化值分別取1、0.8、0.7、0.5、0.4、0.3，天氣類型發(fā)生變化的，取變化前后天氣類型歸一化值的平均值；

除天氣類型外，其他擬選取影響因素的歷史數(shù)據(jù)作為輸入向量采用以下歸一化公式處理：

實際發(fā)電量作為輸出向量采用以下歸一化公式處理：

其中，n_i為輸入層節(jié)點數(shù)；x_i為歸一化處理前歷史輸入向量中第i個分量；y為歸一化處理前歷史輸出數(shù)據(jù)，x_i,min，x_i,max分別為歸一化處理前歷史輸入向量中第i個分量的最小值和最大值，y_min，y_max分別為歸一化處理前歷史輸出數(shù)據(jù)中的最小值和最大值，為歸一化處理后的歷史輸入向量中第i個分量，為歸一化處理后的歷史輸出數(shù)據(jù)。

5.根據(jù)權利要求1所述的基于RBF神經(jīng)網(wǎng)絡的光伏發(fā)電量預測方法，其特征在于，針對已構建的訓練樣本，采用改進遺傳算法選取光伏發(fā)電量影響因素，并對RBF神經(jīng)網(wǎng)絡進行訓練，得到光伏發(fā)電量影響因素和訓練好的RBF神經(jīng)網(wǎng)絡；具體方法如下：

A、初始化：設置初始種群大小，通過隨機分配0和1創(chuàng)建初始種群，令每個染色體的大小等于光伏發(fā)電量的擬選取影響因素的個數(shù)；約定具有1的特征形成特征子集，RBF神經(jīng)網(wǎng)絡基于該特征子集進行訓練；設置最大迭代次數(shù)，并置初始迭代次數(shù)為1；

B、計算每個染色體的適應度，并計算最佳適應度；

C、迭代次數(shù)加1，如迭代次數(shù)大于最大迭代次數(shù)，則轉步驟H；

D、按復制概率進行復制操作；

E、按交叉概率對種群中染色體進行交叉操作；

F、按變異概率對染色體進行變異操作；

G、循環(huán)步驟B～F；

H、輸出最佳適應度及其對應的最優(yōu)染色體，其中最優(yōu)染色體代表最優(yōu)的光伏發(fā)電量影響因素、最佳適應度代表最優(yōu)的局部泛化誤差模型的誤差界。