CN103886223B - 功率预测方法和*** - Google Patents

Abstract

本发明涉及一种功率预测方法和***，所述方法包括：定期获取太阳能采集装置输出的功率数据，并将功率数据和功率数据对应的天气类型信息以二元组表示；根据天气类型信息，将二元组存储在的不同的缓存队列中，生成功率历史数据，其中，功率历史数据为相同天气类型时的功率数据的集合；判断缓存队列中是否存在预测时刻的功率历史数据，如果缓存队列中存在预测时刻的功率历史数据，提取功率历史数据，根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。

Description

功率预测方法和***

技术领域

本发明涉及光伏发电领域，尤其涉及一种太阳能采集装置输出功率预测的方法和***。

背景技术

近年来，由于化石能源的不断减少，人们越来越迫切地寻找其他能够代替石油、煤等传统能源的新能源，而太阳能作为一种清洁可再生能源，它的开发和利用日益受到各国的重视。受天气和环境等因素的影响，光伏***输出功率存在高度的间歇性、波动性和随机性。当大规模光伏发电接入电网后，将给电力***的功率平衡、安全稳定与经济运行带来巨大挑战。在不具备良好间歇性电源消纳技术的条件下，从电网调度管理、优化运行和光伏发电产业可持续发展等多个角度出发，如何在满足电网安全稳定和经济运行的前提下，最大限度的开发利用可再生能源，已经成为当前可再生能源电力***领域的研究热点。

高精度的光伏发电功率预测技术是提高电网接纳间歇性可再生能源的关键技术之一。针对输出功率随机波动的光伏***，开展高精度发电功率预测研究已成为当务之急。目前，常用的光伏发电功率预测方法有，统计预测模型、卡尔曼滤波及时间序列法等。然而，上述方法预测效果往往并不理想，主要表现在，无法适应长期预测要求、参数推导困难以及预测精度不高等问题。近年来，人工智能技术快速发展，为进一步提高光伏发电预测精度提供了一个很好地解决途径。但是光伏发电功率具有复杂性、非线性和非平稳性等特点，基于单一机制的预测方案难以进一步提高预测精度。

发明内容

本发明的目的是提供一种功率预测方法和***，以解决太阳能采集装置输出功率预测精度不高的问题。

第一方面，本发明提供了一种功率预测方法，所述方法包括：

定期获取太阳能采集装置输出的功率数据，并将所述功率数据和所述功率数据对应的天气类型信息以二元组表示；

根据所述天气类型信息，将所述二元组存储在的不同的缓存队列中，生成功率历史数据，其中，所述功率历史数据为相同天气类型时的功率数据的集合；

判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据，并将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据所述非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。

结合第一方面，在第一方面的第一种可能的实现方式中，所述根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果具体包括：

利用计算趋势项训练序列{T_n}中第n个功率历史数据中的趋势项T_n，其中，{T_n}为趋势项训练序列，T_n表示第n个功率历史数据中的趋势项，s为多项式阶数，b_j为多项式系数，j=t/15为预测时刻，Δt为采样间隔（Δt=0.25）。

结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，计算趋势项训练序列{T_n}具体包括：

利用 $E\left(\mathrm{\Δt}\right)=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{(p_n-T_n)}^2=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{[p_n-\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{b}_j{\left(\mathrm{n\Δt}\right)}^j]}^2,$ 计算采样间隔Δt的实际值与估计值的误差平方和，其中j=0,1,...,s；

当s=m(0≤m≤M/2)时，利用计算多项式系数{b_j}，其中，M为所述功率历史数据缓存队列中功率数据的个数；

利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型：其中，为自回归系数，θ₁,θ₂,...,θ_q为移动平均系数。

结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，所述利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型具体包括：

利用判断趋势项训练序列{T_n}是否为平稳序列，其中，为自回归系数；

当所述趋势项训练序列{T_n}为平稳序列时，利用AIC定阶的方法选择AIC(p,q)最小的(p,q)设定为ARMA趋势项预测模型中(p,q)的值；

利用计算残差利用计算残差平方和S(β)，使所述残差平方和S(β)达到最小的即为的估计值。

结合第一方面，在第一方面的第四种可能的实现方式中，所述根据所述非趋势项训练序列建立非趋势项预测模型并获取非趋势项预测结果具体包括：

利用C₁=h确定前件网络输入层的节点数，其中，输入层的输入向量为非趋势项训练序列N=[N₁,N₂,",N_h]^T,h为所述T-S模糊神经网络的输入向量的维数；

利用计算前件网络第二层的节点数，利用计算各隶属函数，其中m_i是N_i的模糊分割数，i∈{1,2,...,h},j∈{1,2,…,mi}，为隶属度函数的中心，为隶属度函数的宽度；

利用计算前件网络第三层的节点数，其中，i₁∈{1,2,…,m₁},i₂∈{1,2,…,m₂},…,i_h∈{1,2,…,m_h};j∈{1,2,…,m}，

利用C₄=C₃计算前件网络第四层的节点数，由式完成进行归一化计算，其中，利用计算各模糊算子，j∈{1,2,…,m}；

后件网络由m个结构相同的并列子网络所组成，每个子网络产生一个输出量，子网络的第一层是输入层，其中，第0个节点的输入值N₀=1；

利用 $R_j:\mathrm{if}{N}_1\mathrm{is}{A}_1^j\mathrm{and}{N}_2\mathrm{is}{A}_2^j...\mathrm{and}{N}_h\mathrm{is}{A}_h^j\mathrm{then},$ 确定子网络的第二层m个节点的规则，其中，j∈{1,2,…,m}，N_i(i=1,2,…,h)为T-S模糊神经网络的输入值；为定义在Ni论域上的模糊集合，表示N_i的第j个语言变量值；

利用计算子网络的第三层***的输出；

利用e=y_d-y_c计算学习的性能指标，其中，y_d为网络期望输出；y_c为网络实际输出；e为期望输出和实际输出的误差；

利用 $p_i^j\left(k\right)=p_i^j(k-1)-\mathrm{\α}\frac{\∂e}{{\∂p}_i^j},\frac{\∂e}{{\∂p}_i^j}=(y_d-y_c)a^j/\underset{j=1}{\overset{h}{\mathrm{\Σ}}}{a}^j{N}_i$ 对网络系数进行修正，其中为神经网络系数；α为网络学习率；N_i为网络输入参数；a^j为输入参数隶属度连乘积；分别表示修正前和修正后的系数值；

利用修正隶属度函数的中心，利用修正隶属度函数的宽度，其中，β为隶属度函数参数的学习速率，为隶属度函数修正前的中心值，为隶属度函数修正后的中心值，为隶属度函数修正前的宽度值，为隶属度函数修正后的宽度值。

第二方面，本发明提供了一种功率预测***，所述***包括：太阳能采集装置，检测装置，数据存储装置，预测模型建立装置；

所述检测装置，定期获取太阳能采集装置输出的功率数据，并将所述功率数据和所述功率数据对应的天气类型信息以二元组表示；

所述数据存储装置，根据所述天气类型信息，将所述二元组存储在的不同的缓存队列中，生成功率历史数据，其中，所述功率历史数据为相同天气类型时的功率数据的集合；

所述预测模型建立装置，判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据，并将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据所述趋势项训练序列建立自回归移动平均ARMA趋势项预测模型，获取趋势项预测结果，根据所述非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。

结合第二方面，在第二方面的第一种可能的实现方式中，所述预测模型建立装置具体包括：趋势项预测模块；

所述趋势项预测模块，用于利用计算趋势项训练序列{T_n}中第n个功率历史数据中的趋势项，其中，{T_n}为趋势项训练序列，T_n表示第n个功率历史数据中的趋势项，s为多项式阶数，b_j为多项式系数，j=t/15为预测时刻，Δt为采样间隔（Δt=0.25）。

结合第二方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述趋势项预测模块具体用于：

利用 $E\left(\mathrm{\Δt}\right)=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{(p_n-T_n)}^2=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{[p_n-\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{b}_j{\left(\mathrm{n\Δt}\right)}^j]}^2,$ 计算采样间隔Δt的实际值与估计值的误差平方和，其中j=0,1,...,s；

当s=m(0≤m≤M/2)时，利用计算多项式系数{bj}，其中，M为所述功率历史数据缓存队列中功率数据的个数；

利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型：其中，为自回归系数，θ₁,θ₂,...,θ_q为移动平均系数。

结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，所述趋势项预测模块具体用于：

利用判断趋势项训练序列{T_n}是否为平稳序列，其中，为自回归系数；

当所述趋势项训练序列{T_n}为平稳序列时，利用AIC定阶的方法选择AIC(p,q)最小的(p,q)设定为ARMA趋势项预测模型中(p,q)的值；

利用计算残差利用计算残差平方和S(β)，使所述残差平方和S(β)达到最小的即为的估计值。

结合第二方面，在第二方面的第四种可能的实现方式中，所述预测模型建立装置还包括：非趋势项预测模块；

所述非趋势项预测模块，用于利用C₁=h确定前件网络输入层的节点数，其中，输入层的输入向量为非趋势项训练序列N=[N₁,N₂,…,N_h]^T,h为所述的T-S神经网络的输入向量维数；

利用计算前件网络第二层的节点数，利用计算各隶属函数，其中m_i是N_i的模糊分割数，i∈{1,2,...,h},j∈{1,2,…,mi}，为隶属度函数的中心，为隶属度函数的宽度；

利用计算前件网络第三层的节点数，利用计算各模糊算子，其中，i₁∈{1,2,…,m₁},i₂∈{1,2,…,m₂},…,i_h∈{1,2,…,m_h};j∈{1,2,…,m}， $m=\underset{i=1}{\overset{h}{\mathrm{\Π}}}{m}_i;$

利用计算前件网络第四层的节点数，完成进行归一化计算，其中，j∈{1,2,…,m}；

后件网络由m个结构相同的并列子网络所组成，每个子网络产生一个输出量，子网络的第一层是输入层，其中，第0个节点的输入值N₀=1；

利用 $R_j:\mathrm{if}{N}_1\mathrm{is}{A}_1^j\mathrm{and}{N}_2\mathrm{is}{A}_2^j...\mathrm{and}{N}_h\mathrm{is}{A}_h^j\mathrm{then}$ 确定子网络的第二层m个节点的规则，其中j∈{1,2,…,m}；N_i(i=1,2,…,M)表示T-S模糊神经网络的输入值；为定义在N_i论域上的模糊集合，表示N_i的第j个语言变量值；

利用计算子网络的第三层***的输出；

利用e=y_d-y_c计算学习的性能指标，其中，y_d为网络期望输出；y_c为网络实际输出；e为期望输出和实际输出的误差；

利用 $p_i^j\left(k\right)=p_i^j(k-1)-\mathrm{\α}\frac{\∂e}{{\∂p}_i^j},\frac{\∂e}{{\∂p}_i^j}=(y_d-y_c)a^j/\underset{j=1}{\overset{h}{\mathrm{\Σ}}}{a}^j{N}_i$ 对网络系数进行修正，其中为神经网络系数；α为网络学习率；N_i为网络输入参数；a^j为输入参数隶属度连乘积；分别表示修正前和修正后的系数值；

利用修正隶属度函数的中心，利用修正隶属度函数的宽度，其中，β为隶属度函数参数的学习速率，为隶属度函数修正前的中心值，为隶属度函数修正后的中心值，为隶属度函数修正前的宽度值，为隶属度函数修正后的宽度值。

综上所述，本发明实施例针对预测日天气类型、预测时刻，将自回归滑动平均模型(Auto-Regressive and Moving Average Model，ARMA)和T-S模糊神经网络相结合，提出一种预测光伏发电功率的组合模型，提高了太阳能采集装置输出功率的预测精度。

附图说明

图1为本发明实施例一提供的功率预测方法流程图；

图2为本发明实施例二提供的功率预测***结构图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

图1为本发明实施例一提供的功率预测方法流程图。如图1所示，本实施例包括以下步骤：

步骤S110，定期获取太阳能采集装置输出的功率数据，并将功率数据和功率数据对应的天气类型信息以二元组表示；

具体地，获取太阳能采集装置输出的功率数据可以采用：每隔一定的时间间隔读取太阳能采集装置输出的功率数据，比如，可以每隔15分钟获取一次功率数据，则在一天之内可以获取到功率数据的次数为96次，获取到的功率数据可以以p_n表示，n表示获取的次数。然后根据获取太阳能采集装置输出功率数据时刻的天气类型信息，将获取到的功率数据和天气类型信息以二元组表示，比如，可以以w∈{1,2,3,4}分别表示晴天，多云，阴天和雨天四种天气类型，则生成功率数据和天气类型的二元组为{p_n,w}，其中，p_n为第n次获取到的功率数据，w为天气类型，当w=1时，该二元组表示天气类型为晴天时，第n次获取到的功率数据。

步骤S120，根据天气类型信息，将二元组存储在的不同的缓存队列中，生成功率历史数据，其中，功率历史数据为相同天气类型时的功率数据的集合；

具体地，根据天气类型信息，以时间先后顺序将二元组存储在缓存队列中，生成功率历史数据，比如，当天气类型为晴天，多云，阴天和雨天时，缓存队列的个数与天气类型的个数相等，即缓存队列为Q_i，i∈{1,2,3,4}，每一个缓存队列中存储的是相同天气类型时，按照时间顺序排列的功率数据，其中，可以按照时间顺序排列，也可以按照时间倒序排列。

步骤S130，判断所述缓存队列中是否存在预测时刻的功率历史数据，如果缓存队列中存在预测时刻的功率历史数据，提取功率历史数据，并将功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。

具体地，根据预测时刻天气类型w，判断预测时刻属于哪一个缓存队列，确定预测时刻天气类型对应的缓存队列后，根据预测时刻t判断该缓存队列Q_i中是否有同预测时刻（即，j=t/15）的M（M=150，其中，150为功率历史数据的最低数据要求）组功率历史数据，该M组功率历史数据可以表示为P={p₁,...,p_n,...,p_M}，如果功率历史数据不足，则继续等待，直到功率历史数据满足最低数据要求为止。

如果功率历史数据满足最低数据要求，提取出功率历史数据{p_n}，并将功率历史数据{p_n}分解为趋势项训练序列{T_n}和非趋势项训练序列{N_n}，即p_n=T_n+N_n，其中，T_n表示第n个功率历史数据中的趋势项部分，N_n表示第n个功率历史数据中的非趋势项部分。

进一步地，根据趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果具体包括：

利用计算趋势项训练序列{T_n}中第n个功率历史数据中的趋势项T_n，其中，{T_n}为趋势项训练序列，T_n表示第n个功率历史数据中的趋势项，s为多项式阶数，b_j为多项式系数，j=t/15为预测时刻，Δt为采样间隔（Δt=0.25）；

进一步地，计算趋势项训练序列{T_n}具体包括：

利用 $E\left(\mathrm{\Δt}\right)=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{(p_n-T_n)}^2=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{[p_n-\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{b}_j{\left(\mathrm{n\Δt}\right)}^j]}^2,$ 计算采样间隔Δt的实际值与估计值的误差平方和，其中j=0,1,...,s；

多项式系数{b_j}为方程的解，j=0,1,...,s。

当s=m(0≤m≤M/2)时，利用计算多项式系数{b_j}，其中，M为所述功率历史数据缓存队列中功率数据的个数,s=m(0≤m≤M/2)；

利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型：其中，为自回归系数，θ₁,θ₂,...,θ_q为移动平均系数。

进一步地，所述利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型具体包括：

利用判断趋势项训练序列{T_n}的特征方程的根是否全部落在圆外，如果特征方程的根全部落在圆外，则{T_n}是平稳序列，如果特征方程的根并非全部落在圆外，则{T_n}是非平稳序列，利用T'_n=T_n-T_n-1对{T_n}进行平稳化处理，其中，{T'_n}表示差分后平稳的序列其中，为自回归系数；

当所述趋势项训练序列{T_n}为平稳序列时，利用赤池信息准则（Akaikeinformation criterion，AIC）定阶的方法选择AIC(p,q)最小的(p,q)设定为ARMA趋势项预测模型中(p,q)的值；

其中，AIC定阶的方法包括：利用计算AIC函数，并将AIC(p,q)值最小的(p,q)设定为ARMA模型中(p,q)的值，其中，为拟合ARMA(p,q)趋势预测模型时残差的方差。

利用计算残差利用计算残差平方和S(β)，使所述残差平方和S(β)达到最小的即为的估计值。

其中，利用计算赤池信息准则AIC函数

进一步地，根据所述非趋势项训练序列建立非趋势项预测模型并获取非趋势项预测结果具体包括：

利用C₁=h确定前件网络输入层的节点数，其中，输入层的输入向量为非趋势项训练序列N=[N₁,N₂,",N_h]^T,h为T-S模糊神经网络输入向量的维数；

利用计算前件网络第二层的节点数，即模糊化层的节点数，利用计算各隶属函数，其中m_i是N_i的模糊分割数，i∈{1,2,...,h},j∈{1,2,…,m_i}，为隶属度函数的中心，为隶属度函数的宽度；

利用计算前件网络第三层的节点数，即模糊规划层的节点数，其中，i₁∈{1,2,…,m₁},i₂∈{1,2,…,m₂},…,i_h∈{1,2,…,m_h};j∈{1,2,…,m}，

利用计算前件网络第四层的节点数，完成进行归一化计算，其中，利用计算各模糊算子，j∈{1,2,…,m}；

后件网络由m个结构相同的并列子网络所组成，每个子网络产生一个输出量，子网络的第一层是输入层，其中，第0个节点的输入值N₀=1；

利用 $R_j:\mathrm{if}{N}_1\mathrm{is}{A}_1^j\mathrm{and}{N}_2\mathrm{is}{A}_2^j...\mathrm{and}{N}_h\mathrm{is}{A}_h^j\mathrm{then}$ 确定子网络的第二层m个节点的规则，其中，j∈{1,2,…,m}，Ni(i=1,2,…,h)为T-S模糊神经网络的输入值；为定义在Ni论域上的模糊集合，表示N_i的第j个语言变量值；

利用计算子网络的第三层***的输出；

利用e=y_d-y_c计算学习的性能指标，其中，y_d为网络期望输出；y_c为网络实际输出；e为期望输出和实际输出的误差；

利用 $p_i^j\left(k\right)=p_i^j(k-1)-\mathrm{\α}\frac{\∂e}{{\∂p}_i^j},\frac{\∂e}{{\∂p}_i^j}=(y_d-y_c)a^j/\underset{j=1}{\overset{h}{\mathrm{\Σ}}}{a}^j{N}_i$ 对网络系数进行修正，其中为神经网络系数；α为网络学习率；N_i为网络输入参数；a^j为输入参数隶属度连乘积；分别表示修正前和修正后的系数值；

利用修正隶属度函数的中心，利用修正隶属度函数的宽度，其中，β为隶属度函数参数的学习速率，为隶属度函数修正前的中心值，为隶属度函数修正后的中心值，为隶属度函数修正前的宽度值，为隶属度函数修正后的宽度值。

进一步地，令t=t+1,t=t+2,…，t=t+N可获得[t,t+N]时间范围内，太阳能采集装置输出功率数据的预测值。

应用本发明实施例提供的功率预测方法，定期获取太阳能采集装置输出的功率数据，并将功率数据和功率数据对应的天气类型信息以二元组表示；根据天气类型信息，将二元组存储在的不同的缓存队列中，生成功率历史数据，其中，功率历史数据为相同天气类型时的功率数据的集合；判断缓存队列中是否存在预测时刻的功率历史数据，如果缓存队列中存在预测时刻的功率历史数据，提取功率历史数据，并将功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据，提高了太阳能采集装置输出功率的预测精度。

图2为本发明实施例二提供的功率预测***示意图。如图2所示：本实施例中，功率预测***包括：太阳能采集装置210，检测装置220，数据存储装置230，预测模型建立装置240；

监测装置220，用于定期获取太阳能采集装置210输出的功率数据，并将所述功率数据和所述功率数据对应的天气类型信息以二元组表示；

数据存储装置230，用于根据所述天气类型信息，将所述二元组存储在的不同的缓存队列中，生成功率历史数据，其中，所述功率历史数据为相同天气类型时的功率数据的集合；

其中，数据存储装置230中可以包括和天气类型个数相等的缓存队列，比如当天气类型w∈{1,2,3,4}表示晴天，多云，阴天和雨天四种天气类型时，缓存队列的个数是4个，即第一缓存队列231，第二缓存队列232，第三缓存队列233，第四缓存队列234，其中，第一缓存队列231可以存储晴天时的功率数据，生成第一功率历史数据，第二缓存队列232可以存储多云时的功率数据，生成第二功率历史数据，第三缓存队列233可以存储阴天时的功率数据，生成第三功率历史数据，第四缓存队列234可以存储雨天时的功率数据，生成第四功率历史数据。

预测模型建立装置240，用于判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据，并将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据所述非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据。

具体地，预测模型建立装置240包括：数据提取模块241，数据分类模块242，趋势项预测模块243，非趋势项预测模块244，数据集成模块245。

数据提取模块241，用于判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据；

数据分类模块242，用于将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列；

趋势项预测模块243，用于利用计算趋势项训练序列{T_n}中第n个功率历史数据中的趋势项，其中，{T_n}为趋势项训练序列，T_n表示第n个功率历史数据中的趋势项，s为多项式阶数，b_j为多项式系数，j=t/15为预测时刻，Δt为采样间隔（Δt=0.25）。

进一步地，趋势项预测模块243还用于：利用 $E\left(\mathrm{\Δt}\right)=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{(p_n-T_n)}^2=\underset{n=1}{\overset{M}{\mathrm{\Σ}}}{[p_n-\underset{j=0}{\overset{s}{\mathrm{\Σ}}}{b}_j{\left(\mathrm{n\Δt}\right)}^j]}^2,$ 计算采样间隔Δt的实际值与估计值的误差平方和，其中j=0,1,...,s；

当s=m(0≤m≤M/2)时，利用计算多项式系数{b_j}，其中，M为所述功率历史数据缓存队列中功率数据的个数；

利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型：其中，为自回归系数，θ₁,θ₂,...,θ_q为移动平均系数。

进一步地，趋势项预测模块243还用于：利用判断趋势项训练序列{T_n}是否为平稳序列，其中，为自回归系数；

当趋势项训练序列为非平稳序列时，根据式T'_n=T_n-T_n-1对{T_n}进行平稳化处理，其中，{T'_n}表示差分后平稳的趋势项训练序列；当所述趋势项训练序列{T_n}为平稳序列时，利用AIC定阶的方法选择AIC(p,q)最小的(p,q)设定为ARMA趋势项预测模型中(p,q)的值；

利用计算残差利用计算残差平方和S(β)，使所述残差平方和S(β)达到最小的即为的估计值。

所述预测模型建立装置240还包括：非趋势项预测模块244；

所述非趋势项预测模块244，用于利用C₁=h确定前件网络输入层的节点数，其中，输入层的输入向量为非趋势项训练序列N=[N₁,N₂,…,N_h]^T,h为所述T-S模糊神经网络输入向量的维数；

利用计算前件网络第二层的节点数，利用计算各隶属函数，其中m_i是N_i的模糊分割数，i∈{1,2,...,h},j∈{1,2,…,m_i}，为隶属度函数的中心，为隶属度函数的宽度；

利用计算前件网络第三层的节点数，利用计算各模糊算子，其中，i₁∈{1,2,…,m₁},i₂∈{1,2,…,m₂},…,i_h∈{1,2,…,m_h};j∈{1,2,…,m}， $m=\underset{i=1}{\overset{h}{\mathrm{\Π}}}{m}_i;$

利用计算前件网络第四层的节点数，完成进行归一化计算，其中，j∈{1,2,…,m}；

后件网络由m个结构相同的并列子网络所组成，每个子网络产生一个输出量，子网络的第一层是输入层，其中，第0个节点的输入值N₀=1。

利用 $R_j:\mathrm{if}{N}_1\mathrm{is}{A}_1^j\mathrm{and}{N}_2\mathrm{is}{A}_2^j...\mathrm{and}{N}_h\mathrm{is}{A}_h^j\mathrm{then},$ 确定子网络的第二层m个节点的规则，其中j∈{1,2,…,m}；N_i(i=1,2,…,h)表示T-S模糊神经网络的输入值；为定义在N_i论域上的模糊集合，表示N_i的第j个语言变量值；

利用计算子网络的第三层***的输出；

利用e=y_d-y_c计算学习的性能指标，其中，y_d为网络期望输出；y_c为网络实际输出；e为期望输出和实际输出的误差；

利用 $p_i^j\left(k\right)=p_i^j(k-1)-\mathrm{\α}\frac{\∂e}{{\∂p}_i^j},\frac{\∂e}{{\∂p}_i^j}=(y_d-y_c)a^j/\underset{j=1}{\overset{h}{\mathrm{\Σ}}}{a}^j{N}_i$ 对网络系数进行修正，其中为神经网络系数；α为网络学习率；N_i为网络输入参数；a^j为输入参数隶属度连乘积；分别表示修正前和修正后的系数值；

利用修正隶属度函数的中心，利用修正隶属度函数的宽度，其中，β为隶属度函数参数的学习速率，为隶属度函数修正前的中心值，为隶属度函数修正后的中心值，为隶属度函数修正前的宽度值，为隶属度函数修正后的宽度值。

预测模型建立装置240还包括：数据集成模块245，用于将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据所述数据集成模块245，比如，令t=t+1,t=t+2,…，t=t+N，获得[t,t+N]时间范围内，太阳能采集装置输出功率数据的预测值。

应用本发明实施例提供的功率预测***，所述检测装置，定期获取太阳能采集装置输出的功率数据，并将功率数据和功率数据对应的天气类型信息以二元组表示；数据存储装置，根据所述天气类型信息，将二元组存储在的不同的缓存队列中，生成功率历史数据，其中，功率历史数据为相同天气类型时的功率数据的集合；预测模型建立装置，判断所述缓存队列中是否存在预测时刻的功率历史数据，如果缓存队列中存在所述预测时刻的功率历史数据，提取功率历史数据，并将功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据，提高了太阳能采集装置输出功率的预测精度。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种功率预测方法，其特征在于，所述方法包括：

定期获取太阳能采集装置输出的功率数据，并将所述功率数据和所述功率数据对应的天气类型信息以二元组表示；

根据所述天气类型信息，将所述二元组存储在的不同的缓存队列中，生成功率历史数据，其中，所述功率历史数据为相同天气类型时的功率数据的集合；

判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据，并将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据所述趋势项训练序列建立自回归移动平均ARMA趋势项预测模型，获取趋势项预测结果，根据所述非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据；

所述根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果具体包括：

利用计算趋势项训练序列{T_n}中第n个功率历史数据中的趋势项T_n，其中，{T_n}为趋势项训练序列，T_n表示第n个功率历史数据中的趋势项，s为多项式阶数，b_j为多项式系数，j＝t/15为预测时刻，Δt为采样间隔，所述Δt取值为0.25。

2.如权利要求1所述的方法，其特征在于，计算趋势项训练序列{T_n}具体包括：

利用计算采样间隔Δt的实际值与估计值的误差平方和，其中j＝0,1,...,s，其中p_n为第n次获取到的功率数据；

当s＝m(0≤m≤M/2)时，利用计算多项式系数{b_j}，其中，M为所述功率历史数据缓存队列中功率数据的个数；

利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型：其中，为自回归系数，θ₁,θ₂,...,θ_q为移动平均系数。

3.如权利要求2所述的方法，其特征在于，所述利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型具体包括：

利用判断趋势项训练序列{T_n}是否为平稳序列，其中，为自回归系数；

当所述趋势项训练序列{T_n}为平稳序列时，利用赤池信息准则AIC定阶的方法选择AIC(p,q)最小的(p,q)设定为ARMA趋势项预测模型中(p,q)的值；

利用计算残差利用计算残差平方和S(β)，使所述残差平方和S(β)达到最小的即为的估计值。

4.如权利要求1所述的方法，其特征在于，所述根据所述非趋势项训练序列建立非趋势项预测模型并获取非趋势项预测结果具体包括：

利用C₁＝h确定前件网络输入层的节点数，其中，输入层的输入向量为非趋势项训练序列N＝[N₁,N₂,…,N_h]^T,h为T-S模糊神经网络的输入向量维数；

利用计算前件网络第二层的节点数，利用计算各隶属函数，其中m_i是N_i的模糊分割数，i∈{1,2,...,M},j∈{1,2,…,m_i}，为隶属度函数的中心，为隶属度函数的宽度；

利用计算前件网络第三层的节点数，其中，i₁∈{1,2,…,m₁},i₂∈{1,2,…,m₂},…,i_h∈{1,2,…,m_h}；j∈{1,2,…,m}，

利用计算前件网络第四层的节点数，完成进行归一化计算，其中，利用计算各模糊算子，j∈{1,2,…,m}；

后件网络由m个结构相同的并列子网络所组成，每个子网络产生一个输出量，子网络的第一层是输入层，其中，第0个节点的输入值N₀＝1；

利用

确定子网络的第二层m个节点的规则，其中，j∈{1,2,…,m}，N_i(i＝1,2,…,h)为T-S模糊神经网络的输入值；为定义在N_i论域上的模糊集合，表示N_i的第j个语言变量值；

利用计算子网络的第三层***的输出；

利用e＝y_d-y_c计算学习的性能指标，其中，y_d为网络期望输出；y_c为网络实际输出；e为期望输出和实际输出的误差；

利用对网络系数进行修正，其中为神经网络系数；α为网络学习率；N_i为网络输入参数；a^j为输入参数隶属度连乘积；分别表示修正前和修正后的系数值；

利用修正隶属度函数的中心，利用修正隶属度函数的宽度，其中，β为隶属度函数参数的学习速率，为隶属度函数修正前的中心值，为隶属度函数修正后的中心值，为隶属度函数修正前的宽度值，为隶属度函数修正后的宽度值。

5.一种功率预测***，其特征在于，所述***包括：太阳能采集装置，检测装置，数据存储装置，预测模型建立装置；

所述检测装置，定期获取太阳能采集装置输出的功率数据，并将所述功率数据和所述功率数据对应的天气类型信息以二元组表示；

所述数据存储装置，根据所述天气类型信息，将所述二元组存储在的不同的缓存队列中，生成功率历史数据，其中，所述功率历史数据为相同天气类型时的功率数据的集合；

所述预测模型建立装置，判断所述缓存队列中是否存在预测时刻的功率历史数据，如果所述缓存队列中存在所述预测时刻的功率历史数据，提取所述功率历史数据，并将所述功率历史数据分解为趋势项训练序列和非趋势项训练序列，根据所述趋势项训练序列建立ARMA趋势项预测模型，获取趋势项预测结果，根据所述非趋势项训练序列建立模糊神经网络，获取非趋势项预测结果，并将所述趋势项预测结果和非趋势项预测结果叠加，生成预测时刻的功率数据；

所述预测模型建立装置具体包括：趋势项预测模块；

所述趋势项预测模块，用于利用计算趋势项训练序列{T_n}中第n个功率历史数据中的趋势项，其中，{T_n}为趋势项训练序列，T_n表示第n个功率历史数据中的趋势项，s为多项式阶数，b_j为多项式系数，j＝t/15为预测时刻，Δt为采样间隔，所述Δt取值为0.25。

6.如权利要求5所述的***，其特征在于，所述趋势项预测模块具体用于：

利用计算采样间隔Δt的实际值与估计值的误差平方和，其中j＝0,1,...,s，其中p _n 为第n次获取到的功率数据；

当s＝m(0≤m≤M/2)时，利用计算多项式系数{b_j}，其中，M为所述功率历史数据缓存队列中功率数据的个数；

利用趋势项训练序列{T_n}，建立ARMA趋势项预测模型：其中，为自回归系数，θ₁,θ₂,...,θ_q为移动平均系数。

7.如权利要求6所述的***，其特征在于，所述趋势项预测模块具体用于：

利用判断趋势项训练序列{T_n}是否为平稳序列，其中，为自回归系数；

当所述趋势项训练序列{T_n}为平稳序列时，利用AIC定阶的方法选择AIC(p,q)最小的(p,q)设定为ARMA趋势项预测模型中(p,q)的值；

利用计算残差利用计算残差平方和S(β)，使所述残差平方和S(β)达到最小的即为的估计值。

8.如权利要求5所述的***，其特征在于，所述预测模型建立装置还包括：非趋势项预测模块；

所述非趋势项预测模块，用于利用C₁＝h确定前件网络输入层的节点数，其中，输入层的输入向量为非趋势项训练序列N＝[N₁,N₂,…,N_h]^T,h为T-S模糊神经网络的输入向量的维数；

利用计算前件网络第二层的节点数，利用计算各隶属函数，其中m_i是N_i的模糊分割数，i∈{1,2,...,h},j∈{1,2,…,m_i}，为隶属度函数的中心，为隶属度函数的宽度；

利用计算前件网络第三层的节点数，利用计算各模糊算子，其中，i₁∈{1,2,…,m₁},i₂∈{1,2,…,m₂},…,i_h∈{1,2,…,m_h}；j∈{1,2,…,m}，

利用计算前件网络第四层的节点数，完成进行归一化计算，其中，j∈{1,2,…,m}；

后件网络由m个结构相同的并列子网络所组成，每个子网络产生一个输出量，子网络的第一层是输入层，其中，第0个节点的输入值N₀＝1；

利用

确定子网络的第二层m个节点的规则，其中j∈{1,2,…,m}；N_i(i＝1,2,…,h)表示T-S模糊神经网络的输入值；为定义在N_i论域上的模糊集合，表示N_i的第j个语言变量值；

利用计算子网络的第三层***的输出；

利用e＝y_d-y_c计算学习的性能指标，其中，y_d为网络期望输出；y_c为网络实际输出；e为期望输出和实际输出的误差；

利用对网络系数进行修正，其中为神经网络系数；α为网络学习率；N_i为网络输入参数；a^j为输入参数隶属度连乘积；分别表示修正前和修正后的系数值；

利用修正隶属度函数的中心，利用修正隶属度函数的宽度，其中，β为隶属度函数参数的学习速率，为隶属度函数修正前的中心值，为隶属度函数修正后的中心值，为隶属度函数修正前的宽度值，为隶属度函数修正后的宽度值。