[發明專利]基于RBF神經網絡的光伏發電量預測方法

在審

• 申請號: 201810620653.8
• 申請日: 2018-06-15
• 公開（公告）號: CN108960491A
• 公開（公告）日: 2018-12-07
• 發明（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: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

本發明公開了一種基于RBF神經網絡的光伏發電量預測方法，包括步驟：根據光伏發電量及其擬選取影響因素的歷史數據構建訓練樣本；基于已構建的訓練樣本，采用改進遺傳算法選取光伏發電量影響因素，并對RBF神經網絡進行訓練，得到光伏發電量影響因素和訓練好的RBF神經網絡；將光伏發電量影響因素的待預測日數據輸入已訓練好的RBF神經網絡，得到光伏發電量預測值。本發明能夠較好地解決RBF神經網絡的泛化問題，提高光伏發電預測結果的準確性。

技術領域

本發明涉及光伏發電技術領域，尤其涉及一種基于局部泛化誤差模型(LocalizedGeneralization Error Model，簡寫為L-GEM)的徑向基函數(Radial Basis Function，簡寫為RBF)神經網絡的光伏發電量預測方法。

背景技術

大規模光伏發電是一種利用太陽能的有效方式，但太陽輻射、大氣溫度、天氣類型和電池板溫度等因素容易對光伏發電產生影響，并且呈非線性。因此，光伏發電量的預測對合理安排電器使用時間和最大限度利用太陽能資源、減小用電成本有著重要的意義。而光伏發電量的精確預測依賴于光伏發電量影響因素的合理選擇。

徑向基函數(Radial Basis Function，RBF)神經網絡是一種性能優良的前饋型神經網絡，可以任意精度逼近任意的非線性函數，且具有全局逼近能力，而且拓撲結構緊湊，結構參數可實現分離學習，收斂速度快。但采用RBF神經網絡進行光伏發電量預測，往往會出現訓練好的網絡對訓練集中的數據產生的誤差很小，但對測試集中的數據表現不是很好的情況，即所謂神經網絡的泛化能力差的問題；而且，在RBF神經網絡應用中，神經網絡的參數選擇是否合理，會嚴重影響神經網絡的預測。

發明內容

本發明的目的在于克服現有技術中的不足，提供一種基于RBF神經網絡的光伏發電量預測方法，解決光伏發電量預測精確度偏低的技術問題。

為解決上述技術問題，本發明所采用的技術方案是：基于RBF神經網絡的光伏發電量預測方法，包括如下步驟：

根據光伏發電量及其擬選取影響因素的歷史數據構建訓練樣本；

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

將光伏發電量影響因素的待預測日數據輸入已訓練好的RBF神經網絡，得到光伏發電量預測值。

進一步的，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。

進一步的，構建訓練樣本的具體方法如下：

選取光伏發電量的擬選取影響因素的歷史數據及其對應的實際發電量；

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

進一步的，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據作為輸入向量采用以下歸一化公式處理：

實際發電量作為輸出向量采用以下歸一化公式處理：