[發明專利]考慮天氣影響因素的GRNN光伏發電預測方法

有效

• 申請號: 202010650281.0
• 申請日: 2020-07-06
• 公開（公告）號: CN111815051B
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 高翠云;程秀秀;唐歡歡;劉亞如;劉潔;趙陽;何曉紅;李艷秋
• 申請（專利權）人: 安徽建筑大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 合肥云道爾知識產權代理事務所(特殊普通合伙) 34230
• 代理人: 閆興貴

1.考慮天氣影響因素的GRNN光伏發電預測方法，其特征在于，包括步驟如下：

(1)考慮溫度濕度天氣因素對GRNN網絡輸入神經元進行加權修正建模，即采用溫度、濕度這兩種天氣影響因素對等間隔采樣的光伏發電參數進行加權修正，分別采用三種天氣模型進行建模，將該修正網絡與GRNN模型的組合稱之為修正GRNN模型；所述三種天氣模型為一次模型、二次模型與指數模型；

所述的步驟(1)中，以一組特定加權系數組合修正的輸入神經元組合來訓練GRNN網絡，選擇預測誤差最小的做為相對最優修正GRNN模型；由于溫度與光伏發電參數呈正相關，故溫度參數的加權系數在0～1之間，而濕度與其呈負相關，故濕度參數的加權系數在-1～0之間，原始數據為光伏發電參數X，經過加權修正模型之后的參數為I，預測之后得到的參數為X＝(X₁,X₂,…,X_i,…,X_a)，X_i＝(X_i,1,X_i,2,…,X_i,j,…,X_i,b),I＝(I₁,I₂,…,I_i,…,I_a)，I_i＝(I_i,1,I_i,2,…,I_i,j,…,I_i,b)，其中i代表天數的序號，總天數為a，j代表一天中的原始樣點序號，一天的總原始樣點數為b；

一次模型的計算公式為

I_ij＝(1+a₁×t_ij+a₂×h_ij)×X_ij (1)

二次模型的計算公式為

I_ij＝(1+a₁₁×t_ij²+a₁₂×t_ij+a₂₁×h_ij²+a₂₂×h_ij)×X_ij (2)

指數模型的計算公式為

以上公式中，t_ij為歸一化溫度參數，h_ij為歸一化濕度參數，a₁為一次模型的溫度參數的加權系數，a₂為一次模型的濕度參數的加權系數，a₁₁,a₁₂為二次模型的溫度參數的加權系數，a₂₁,a₂₂為二次模型的濕度參數的加權系數，a₃為指數模型的溫度參數的加權系數，a₄為指數模型的濕度參數的加權系數；

(2)對天氣預報的各種天氣類型條件下的光伏數據，根據灰色關聯度的大小選取單日和多日訓練模型下的訓練數據；

(3)利用步驟(2)得到的訓練數據，分別針對點預測和小時預測確定GRNN輸入輸出的神經元構成，所述點預測表示預測目標為以最小采樣間隔定標的一個數據點，即GRNN輸出的為一個神經元；所述小時預測表示預測目標為以小時為單位的若干段以最小采樣間隔相鄰的連續數據點，即GRNN輸出的神經元個數為大于1的整數；

(4)基于修正GRNN模型進行訓練，分別獲得各種天氣類型條件下的單日或多日訓練模型下的三種天氣模型的所有組合，其中在每一種組合下相對最小預測誤差下的最優系數組合及神經網絡模型即為全局相對最優修正GRNN模型；

所述的步驟(4)中，首先確定神經網絡的輸入輸出神經元，以設定的步長在加權系數的取值范圍內改變取值，要求遍歷相應各步長下的所有系數組合，記錄每一組系數訓練獲得的相對最優修正GRNN模型下的最小預測誤差，上述最小預測誤差中最小值所對應的加權系數組合即為相對最優加權系數；

(5)用上述訓練好的每一種組合下的全局相對最優修正GRNN模型來對測試樣本進行預測；對同一種天氣類型的點預測或小時預測，分別比較單日或多日訓練模型下的三種天氣模型及系數組合的預測誤差，所得的最小誤差對應的全局相對最優修正GRNN模型為最終相對最優模型。