[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

本發明公開了一種考慮天氣影響因素的GRNN光伏發電預測方法。該方法包括以下步驟：(1)采用溫度和濕度的一次、二次及指數天氣模型對GRNN網絡輸入神經元進行加權修正；(2)對每種天氣類型所對應的數據根據灰色關聯度的大小來選取單日或多日訓練模型下的訓練樣本；(3)針對點預測和小時預測確定GRNN輸入輸出的神經元；(4)依次采取三種天氣模型建模并進行模型訓練，獲得每種組合下的相對最小誤差下的最優修正GRNN模型；(5)用上述訓練好的最優修正GRNN模型來對測試樣本進行預測，對同一種天氣類型下的單日或多日訓練模型，選擇最小相對誤差對應的天氣模型及參數下的最優GRNN模型。本發明有助于實現光伏微電網的精準預測及經濟發電。

技術領域

本發明涉及一種考慮天氣影響因素的GRNN光伏發電預測方法。

背景技術

光伏發電預測對維護電網安全穩定和協調資源利用具有重要的意義。光伏發電受太陽輻照度、環境溫濕度、通風條件等因素的影響，不同天氣，不同時段的發電量差異巨大。光伏發電具有隨機性、波動性和間歇性的特點，當大規模的光伏系統并網后會對電網的穩定性和安全性造成沖擊。文獻闡述了光伏發電系統并網對電網的電能質量、孤島控制、可靠性、調度以及保護等問題的影響。文獻研究了光伏發電多點接入對配電網電能質量、出力預測等方面的影響。光伏發電滲透率的增大，給電網的安全、穩定、可靠運行帶來了嚴峻的挑戰。提高光伏發電功率預測精度，有助于實現光伏微電網的精準預測及經濟發電。

目前國內外學者對于短期預測也進行了相應的研究。其中一種是結合縱向和橫向相似日樣本的短期負荷二維組合預測方法。該方法通過設置組合加權系數，運用粒子群優化算法尋優系數值，得到最終的二維預測結果。另外一種是基于K均值算法(Kmeans)和支持向量機(SVM)的短期光伏發電功率預測方法。該方法通過K均值算法對訓練樣本集進行聚類分析，在聚類得到的各類別數據上分別訓練支持向量機。預測時根據預測樣本的類別使用相應的支持向量機進行發電功率預測。第三種是預測光伏發電機組太陽能發電量的人工神經網絡(ANN)。這是一種利用Euskalmet數據庫訓練的人工神經網絡(ANN)在10分鐘內預測太陽能的方法。另有文獻表示光伏發電系統受到許多因素的影響。其設計了一個基于兩層神經網絡的光伏功率預測模型。分析了網絡的結構、輸入的選擇、隱含層的設計和訓練樣本的選擇。還有一種基于不同優化準則和廣義回歸神經網絡(GRNN)的風電功率非線性組合預測方法。

因此，本發明提出了一種考慮天氣影響因素的GRNN光伏發電預測模型。先按照天氣預報對光伏發電站的實測光伏發電參數進行分類建模，然后通過對溫度，濕度這兩種影響因素對光伏發電參數進行加權修正，用灰色關聯度選取訓練樣本，分別采用單日和多日訓練模型進行點預測和小時預測，對光伏發電參數進行預測。

發明內容

本發明要解決的技術問題是提供一種考慮天氣影響因素的GRNN光伏發電預測方法。

為了解決上述技術問題，本發明采用的技術方案是，考慮天氣的影響因素的GRNN光伏發電預測方法，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；三種天氣模型為一次模型、二次模型與指數模型；

(2)對天氣預報的各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，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；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；