[發(fā)明專利]考慮天氣影響因素的GRNN光伏發(fā)電預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010650281.0
• 申請(qǐng)日: 2020-07-06
• 公開（公告）號(hào): CN111815051B
• 公開（公告）日: 2022-09-23
• 發(fā)明（設(shè)計(jì)）人: 高翠云;程秀秀;唐歡歡;劉亞如;劉潔;趙陽(yáng);何曉紅;李艷秋
• 申請(qǐng)（專利權(quán)）人: 安徽建筑大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 合肥云道爾知識(shí)產(chǎn)權(quán)代理事務(wù)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(fā)電預(yù)測(cè)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(duì)GRNN網(wǎng)絡(luò)輸入神經(jīng)元進(jìn)行加權(quán)修正建模，即采用溫度、濕度這兩種天氣影響因素對(duì)等間隔采樣的光伏發(fā)電參數(shù)進(jìn)行加權(quán)修正，分別采用三種天氣模型進(jìn)行建模，將該修正網(wǎng)絡(luò)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(shù)模型；

所述的步驟(1)中，以一組特定加權(quán)系數(shù)組合修正的輸入神經(jīng)元組合來(lái)訓(xùn)練GRNN網(wǎng)絡(luò)，選擇預(yù)測(cè)誤差最小的做為相對(duì)最優(yōu)修正GRNN模型；由于溫度與光伏發(fā)電參數(shù)呈正相關(guān)，故溫度參數(shù)的加權(quán)系數(shù)在0～1之間，而濕度與其呈負(fù)相關(guān)，故濕度參數(shù)的加權(quán)系數(shù)在-1～0之間，原始數(shù)據(jù)為光伏發(fā)電參數(shù)X，經(jīng)過加權(quán)修正模型之后的參數(shù)為I，預(yù)測(cè)之后得到的參數(shù)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(shù)的序號(hào)，總天數(shù)為a，j代表一天中的原始樣點(diǎn)序號(hào)，一天的總原始樣點(diǎn)數(shù)為b；

一次模型的計(jì)算公式為

I_ij＝(1+a₁×t_ij+a₂×h_ij)×X_ij (1)

二次模型的計(jì)算公式為

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

指數(shù)模型的計(jì)算公式為

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

(2)對(duì)天氣預(yù)報(bào)的各種天氣類型條件下的光伏數(shù)據(jù)，根據(jù)灰色關(guān)聯(lián)度的大小選取單日和多日訓(xùn)練模型下的訓(xùn)練數(shù)據(jù)；

(3)利用步驟(2)得到的訓(xùn)練數(shù)據(jù)，分別針對(duì)點(diǎn)預(yù)測(cè)和小時(shí)預(yù)測(cè)確定GRNN輸入輸出的神經(jīng)元構(gòu)成，所述點(diǎn)預(yù)測(cè)表示預(yù)測(cè)目標(biāo)為以最小采樣間隔定標(biāo)的一個(gè)數(shù)據(jù)點(diǎn)，即GRNN輸出的為一個(gè)神經(jīng)元；所述小時(shí)預(yù)測(cè)表示預(yù)測(cè)目標(biāo)為以小時(shí)為單位的若干段以最小采樣間隔相鄰的連續(xù)數(shù)據(jù)點(diǎn)，即GRNN輸出的神經(jīng)元個(gè)數(shù)為大于1的整數(shù)；

(4)基于修正GRNN模型進(jìn)行訓(xùn)練，分別獲得各種天氣類型條件下的單日或多日訓(xùn)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(duì)最小預(yù)測(cè)誤差下的最優(yōu)系數(shù)組合及神經(jīng)網(wǎng)絡(luò)模型即為全局相對(duì)最優(yōu)修正GRNN模型；

所述的步驟(4)中，首先確定神經(jīng)網(wǎng)絡(luò)的輸入輸出神經(jīng)元，以設(shè)定的步長(zhǎng)在加權(quán)系數(shù)的取值范圍內(nèi)改變?nèi)≈?，要求遍歷相應(yīng)各步長(zhǎng)下的所有系數(shù)組合，記錄每一組系數(shù)訓(xùn)練獲得的相對(duì)最優(yōu)修正GRNN模型下的最小預(yù)測(cè)誤差，上述最小預(yù)測(cè)誤差中最小值所對(duì)應(yīng)的加權(quán)系數(shù)組合即為相對(duì)最優(yōu)加權(quán)系數(shù)；

(5)用上述訓(xùn)練好的每一種組合下的全局相對(duì)最優(yōu)修正GRNN模型來(lái)對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)；對(duì)同一種天氣類型的點(diǎn)預(yù)測(cè)或小時(shí)預(yù)測(cè)，分別比較單日或多日訓(xùn)練模型下的三種天氣模型及系數(shù)組合的預(yù)測(cè)誤差，所得的最小誤差對(duì)應(yīng)的全局相對(duì)最優(yōu)修正GRNN模型為最終相對(duì)最優(yōu)模型。