[發明專利]基于二次動態調整的神經網絡光伏功率預測模型及方法

有效

• 申請號: 201910615225.0
• 申請日: 2019-07-09
• 公開（公告）號: CN110309978B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 張騰飛;呂超鋒;岳東;竇春霞;唐平;丁孝華;羅劍波;楊楊;施濤
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 張玉紅

1.基于二次動態調整的神經網絡光伏功率預測方法，其特征在于：預測模型包括數據通信和處理模塊、數據存儲模塊、離線訓練模塊、在線預測學習模塊；

數據通信和處理模塊通過采集外部數據，數據進行預處理，并將得到的預測結果上傳至能量管理系統或區域調度系統；

數據存儲模塊將采集到的數據存儲在數據庫中或以文本文件存儲；

離線訓練模塊基于資源分配網絡學習規則，利用現有的樣本數據作為預測模型的輸入，依據學習規則，調整預測模型結構及參數，獲得可同時用于光伏功率在線預測以及后臺二次動態調節的初始神經網絡預測模型；

在線預測學習模塊包括了：數據采集監測部分和結構調整部分；數據采集監測部分在初始預測模型投入實際預測應用后采集實際的輸入輸出數據，進一步對預測輸出和實際輸出進行比較；結構調整部分主要負責模型結構的二次動態調整，當數據采集監測部分發現當前數據滿足預設的調整策略條件時，對預測模型結構進行二次調整；

所述方法包括以下步驟：

S1、數據通信和處理模塊定時采集外部數據，并對數據進行預處理，并負責在得到預測結果后，將結果上傳至能量管理系統或區域調度系統，最后數據存儲模塊將采集的數據存儲在數據庫中或以文本文件存儲；

S2、離線訓練模塊根據資源分配網絡學習規則，用現有的訓練樣本獲得離線訓練預測模型，獲得可同時用于光伏功率在線預測以及后臺二次動態調節的初始光伏功率預測模型；

S3、將S2中獲得的初始預測模型投入實際功率預測應用，輸入實時數據并得到預測輸出；

S4、數據采集監測部分不斷采集模型輸入/輸出數據，同時監測模型的預測誤差以及輸入數據與現有模型隱節點間的距離差異；

S5、當S4檢測指標滿足預設條件時，將樣本標記為未建模樣本，保存于緩沖區內；

S6、在之后的預測過程中監測滿足S5中條件的樣本數據與候選集中已有樣本數據間的距離差異是否滿足預設條件，并將滿足的數據劃分為同一類，同時增加樣本數據的支持度；

S6-1、需要判斷的預設條件包括緩沖區距離閾值判斷和支持度閾值，首先設為前一時刻的輸入數據，C_c-i為第i個緩沖區數據點，ρ為緩沖區距離閾值；

S6-2、得到預緩沖區距離閾值判斷由公式:min||X_t-1-C_c-i||＜ρ刻畫；

S6-3、支持度閾值由同類特征樣本的出現次數刻畫；

S7、當一類數據的支持度滿足預設閾值時，啟動二次結構調整，調整模型結構以學習該類數據；

二次動態調整策略將滿足預測誤差閾值判斷、隱節點距離閾值判斷的樣本數據標記為未建模樣本，并保存于緩沖區，進一步將之后被存入緩沖區的樣本數據與已保存于緩沖區中的數據進行比較，計算數據與緩沖區中數據的緩沖區距離差異并判斷是否滿足緩沖區距離閾值條件，將滿足緩沖區距離閾值的數據歸為同類未建模特征，增加其支持度。

2.根據權利要求1所述的基于二次動態調整的神經網絡光伏功率預測方法，其特征在于：所述數據通信和處理模塊所采集的外部數據主要包括光伏電站所在位置的相關氣象數據，以及電站實際的光伏發電功率輸出。

3.根據權利要求1所述的基于二次動態調整的神經網絡光伏功率預測方法，其特征在于：所述離線訓練模塊所參考的樣本數據包括歷史光伏功率數據以及對應時刻的氣象數據；在線預測學習模塊所參考的樣本數據包括氣象預報數據以及前一時刻功率數據。

4.根據權利要求1所述的基于二次動態調整的神經網絡光伏功率預測方法，其特征在于：所述離線訓練模塊根據現有的歷史氣象數據和對應的功率數據作為神經網絡模型訓練的輸入數據，基于資源分配網絡學習規則，確定模型的隱節點數目及各項參數，建立初始預測模型。

5.根據權利要求1所述的基于二次動態調整的神經網絡光伏功率預測方法，其特征在于：所述數據采集監測部分采集模型的實時輸入/輸出數據，進一步將預測輸出數據與實際輸出數據比較，計算預測誤差；將輸入數據與現有模型隱層中心比較，計算與各隱節點的距離差異。