[發明專利]一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法

在審

• 申請號: 202011025599.6
• 申請日: 2020-09-25
• 公開（公告）號: CN112149905A
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 陳志聰;陳輝煌;吳麗君;程樹英;林培杰
• 申請（專利權）人: 福州大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06F17/14;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 錢莉;蔡學俊

1.一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法，其特征在于，包括以下步驟：

使用相關系數分析影響光伏功率的氣象參數，最后選取與光伏功率最為相關的四種氣象參數作為模型的輸入；

對待預測日之前的設定天數的歷史數據進行處理，剔除異常值和黑夜的值，然后對歷史功率和歷史氣象參數進行歸一化處理，將其作為訓練數據集；

使用小波變換將訓練數據集中的歷史功率數據和歷史氣象數據均分解為穩態分量和非穩態分量；

采用小波神經網絡對經小波變換后的訓練數據集進行學習，針對穩態分量和非穩態分量分別訓練對應的小波神經網絡模型，即穩態部分的功率由穩態部分的氣象參數來進行預測，非穩態部分的功率由非穩態部分的氣象參數來進行預測，并用隨機梯度下降法調整網絡的參數；

將待預測日的NWP氣象參數歸一化并使用小波變換分解為穩態分量和非穩態分量，然后將之作為對應模型的輸入，得出各個預測的功率值分量，各功率分量求和并反歸一化即為預測的最終功率值。

2.根據權利要求1所述的一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法，其特征在于，所述與光伏功率最為相關的四種氣象參數分別為：地面水平輻照度、散射水平輻照度、環境溫度和相對濕度。

3.根據權利要求1所述的一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法，其特征在于，所述剔除異常值和黑夜的值具體為：剔除由非氣象參數引起的功率變化所對應的數據，以及剔除黑夜的數據，取白天6時至19時的數據。

4.根據權利要求1所述的一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法，其特征在于，所采用的小波變換的基函數為Biorthogonal小波系中的bior6.8。

5.根據權利要求1所述的一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法，其特征在于，所述訓練小波神經網絡模型，并用隨機梯度下降法調整網絡的參數具體為：

步驟S11：正向傳播，使用的是小波神經網絡，設其隱含層為N層，第一層隱含層的輸出為：H₁＝f(W₁X+B₁)，第i層的隱含層輸出為：H_i＝f(W_iH_i-1+B_i)，i＝2，3，...，N，輸出為：O＝g(W_oH_N+B_o)；其中，W為權值，B為偏置值，下標表示層數；X是小波神經網絡的輸入；f(·)為隱含層的激活函數，其表達式為g(·)為輸出層的激活函數；

步驟S12，采用隨機梯度下降法對經過步驟S11訓練后的小波神經網絡進行反向傳播。

6.根據權利要求5所述的一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法，其特征在于，步驟S11中，在訓練時和預測時輸出層選擇不同的激活函數，訓練時選擇線性函數，而預測時使用正線性函數，表達式為

7.根據權利要求5所述的一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法，其特征在于，步驟S12具體為：

首先定義一個目標函數其中，p為待調參數，即權值和偏置值；為目標函數；y_t為t時刻的實際功率值；a_t(p)為t時刻的網絡輸出值，即預測值；e_t(p)為對應的誤差；

然后，使用隨機梯度下降法調整參數：其中，α為學習率，為定值或者隨著訓練次數變化；p_t為t時刻的待調參數。

8.根據權利要求7所述的一種基于小波變換和小波神經網絡的光伏電站短期功率預測方法，其特征在于，當學習率α隨著訓練次數變化時，采用下式計算：

式中，α_t為t時刻的學習率，α_max為最大學習率，α_min為最小學習率，t_max為最大訓練時長或周期。