[發明專利]一種短期光伏功率預測裝置及方法

在審

• 申請號: 202011479990.3
• 申請日: 2020-12-15
• 公開（公告）號: CN112669169A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 單錦寧;陳曉東;王順江;王琛淇;陳剛;呂巖;張爽;曹瀚文;馬艷娟
• 申請（專利權）人: 國網遼寧省電力有限公司阜新供電公司
• 主分類號: G06Q50/06
• 分類號: G06Q50/06;G06Q10/04;G06N3/08
• 代理公司: 沈陽之華益專利事務所有限公司 21218
• 代理人: 鄒琳

1.一種短期光伏功率預測裝置，其特征在于：實時氣象數據收集裝置、歷史數據庫模塊、功率預測模塊、數據傳輸模塊、人機接口、電站監測裝置，所述實時氣象數據接收裝置與歷史數據庫模塊和功率預測模塊相連接，所述電站監測裝置通過人機接口與數據傳輸模塊相連接，同時對數據傳輸模塊、功率預測模塊以及歷史數據庫模塊進行實時監測以及數據管理；所述實時氣象數據收集裝置，對采集到的實時氣象數據以及從氣象臺接受的氣象數據進行對比結合處理，并對所收到的高維度的氣象數據進行降維篩選處理，得到預測氣象數據；所述歷史數據庫模塊中含有的數據包括光伏電站實時及歷史功率、溫度、光照強度，且各數據的分辨率為60分鐘，并且能夠接收電站監測裝置傳送來的光伏電站功率數據以及實時氣象收集裝置傳送來的實時氣象數據，并利用歷史數據與實時數據進行對比分析誤差；所述功率預測模塊包括權值閾值處理模塊以及神經網絡模塊，權值閾值處理模塊將數據的權值閾值利用種群位置以及速度公式蝙蝠化后，更新數據個體得到位置新解，新解通過神經網絡模塊對應為神經網絡結構，并利用神經網絡方法對權值閾值進行再次更新得到新解。

2.根據權利要求1所述的一種短期光伏功率預測裝置，其特征在于：所述電站監測裝置對功率預測模塊進行實時監測，將光伏電站的實時氣象數據以及預測數據送至歷史數據庫模塊，并通過人機接口對傳輸的數據進行實時監測管理，監測的數據包括溫度、光照強度、以及光伏電站實時功率，監測的數據分辨率為60分鐘。

3.根據權利要求1所述的一種短期光伏功率預測裝置的預測方法，其特征在于：所述權值閾值處理模塊采用基于混沌擾動改進TMBA方法，包括以下步驟：

(1)方法初始化，在搜索范圍內隨機生成n只蝙蝠個體，形成初始種群，對每只蝙蝠的位置、速度、頻率、脈沖頻度和脈沖音強賦予初始值，參數beststep表示最優個體連續不變的次數，初始置為0；

(2)評價種群，計算種群中每只蝙蝠的適應值，找到當前全局最優值；

(3)更新種群，在迭代過程中，引入速度權重ω_i^t以及混沌映射分別更新個體的頻率f_i，速度v_i，空間位置x_i；

f_i＝f_min+(f_max-f_min)CM_i (1)

其中CM_i為混沌映射的總稱，CM_i∈[0，1]為混亂數字，X_*是群體中當前局部最優解；

(4)產生隨機數rand，如果rand＞r，通過隨機游走法則由式(5)得到最優蝙蝠個體的局部新解；

(5)評價種群，對當前種群中的每個個體進行評價，若某個個體優于全局最優，則更新為全局最優蝙蝠，并置beststep為0，否則對beststep進行加1更新；

(6)判斷變異條件，beststep是否達到最大值maxstep，或接連兩次迭代全局最優值的變化是否很小(＜η)如果是，則執行(7)，否則執行(8)；

(7)變異操作，①對當前種群中最優蝙蝠個體進行高斯變異，對其他蝙蝠進行t分布變異；②評價新種群適應度，如果某個蝙蝠適應值優于全局最優，則替換，beststep置為0，否則，對beststep進行加1更新；

(8)終止條件判斷：迭代次數是否達到最大值Maxgen或者最優解是否達到預設精度，若不是，對beststep進行加1更新，并轉到(3)繼續執行下一代蝙蝠優化過程，否則轉到(9)執行；

(9)方法終止，輸出最優解；

所述神經網絡模塊為BP神經網絡學習模塊，包括以下步驟：

(1)初始化，首先將模塊中的權值與閾值設置為一任意值，進行更新；

(2)隨機學習輸入向量(X^k,Y^k)到神經網絡當中；

(3)數據給輸入層，傳遞給隱含層，最后到輸出層，輸出節點的數量就是所預測模型得到的向量數；

(4)聯立下列公式得到隱含層相應數據

(5)聯立下列公式得到輸出點相應數據

(6)根據輸出層輸出的相關數據，再利用公式(8)進行相應計算，從而可以求得各個節點相應數值以及修正誤差

(7)根據公式(9)計算相應隱含層節點數值的誤差，

(8)引入混沌映射增強隨機性加快搜索步驟調整隱含層和輸出層之間的連權值V和輸出層的閾值γ，

式中：

CM_i——為混沌映射的總稱，CM_i∈[0，1]，

(9)依據混沌映射來對權值和閾值進行進一步的修正，

(10)選取輸入向量，重復返回到步驟(3)，直到所有數據全部訓練完成；

(11)檢查所有計算的誤差，看是否滿足標準；若滿足，直接轉至步驟(13)；

(12)據需要調整神經網絡模型的訓練次數，若調整后小于等于設定值，直接轉至步驟(2)；

(13)完成神經網絡模型的學習。

4.根據權利要求3所述的一種短期光伏功率預測裝置的預測方法，其特征在于：所述數據傳輸模塊向監測系統傳輸測量數據、告警事件和文件數據，各類數據按DL/T860標準建模。