CN104820877A - 基于云自适应pso-snn的光伏***发电功率预测方法 - Google Patents

Abstract

本发明公开一种基于云自适应PSO-SNN的光伏***发电功率预测方法。方法包括以下步骤：1)根据预测日的季节和天气类型预报信息从样本库中挑选出相同季节和日类型的历史发电日组成初步样本；2)对样本数据进行坏数据剔除、补充以及归一化预处理；3)考虑最高、最低和平均温度，通过灰色关联分析法计算并排序关联度以确定各种天气类型下预测日的相似日集合；4)采用Time-to-first-Spike方法将模拟量数据转换成相应的脉冲时间数据；5)利用转换后的时间样本训练集对云自适应PSO-SNN预测模型进行训练；6)用训练后的预测模型对测试样本进行测试。本发明提供的方法有效地提高了预测精度，能够较好地解决光伏***发电功率预测问题。

Description

基于云自适应PSO-SNN的光伏***发电功率预测方法

技术领域

本发明涉及一种光伏***发电功率预测方法，对光伏***发电功率进行预测，属于电力***技术领域。

背景技术

光伏***的发电功率受到太阳辐照强度和环境温度等因素的影响，其功率的变化具有随机性和波动性，会对电力***的安全、稳定和经济运行造成冲击。因此，为协助电网调度部门统筹安排，降低大规模光伏接入对电力***的影响，保障***安全和经济运行，有必要对光伏***的发电功率进行准确预测。

目前，应用较多的光伏***发电功率预测统计方法主要有基于数理统计理论的马尔可夫链(markov chain)、自回归滑动平均(auto regressive moving average,ARMA)。但是这些方法在考虑天气变化等不稳定因素的影响以及***的非线性时，预测结果精度不高。支持向量机(support vector machine,SVM)模型能较好解决小样本、非线性、高维数等问题，但是必须给定一个误差参数c，数据处理时间较长，且核函数必须满足Mercer条件。人工神经网络特别是反向传播人工神经网络(back propagation artificial neural network,BP-ANN)可以模仿人脑训练已有的信息，执行复杂的非线性映射，具有较强的自学习、自适应和容错能力，被广泛应用于光伏功率预测中，但是其在处理大量历史数据以及预测精度方面仍面临着巨大的挑战。

发明内容

发明目的：本发明针对现有光伏***发电功率预测技术中存在的问题，考虑季节类型、天气类型、环境温度等影响因素时，导致预测结果准确度不高的缺陷，提供一种基于云自适应PSO-SNN的光伏***发电功率预测方法。以SNN强大的计算能力和善于处理基于时间的问题等特点为基础，利用CAPSO算法搜索的随机性和稳定倾向性，优化SNN的多突触连接权值，减少了对权值的约束，而且提高算法的收敛精度，全局收敛性好，进而改善了预测模型的精度和泛化能力。

技术方案：一种基于云自适应PSO-SNN的光伏***发电功率预测方法，包括以下步骤：

1)获取光伏***发电功率预测所需的基本数据：历史发电数据和原始气象数据；其中历史发电数据为历史日每日08:00～17:00每间隔1h的整点时刻发电功率，原始气象数据包括季节类型、天气类型、环境温度等影响因素；

2)根据预测日的季节和天气类型预报信息从原始数据中挑选出相同季节和日类型的历史发电日组成初步样本；

3)统计初步样本中的日最高温度、最低温度、平均温度等信息，构成每日气象特征向量，并对特征向量作归一化处理；

4)计算第i日和预测日的总关联度R_i，取R_i≥0.8的历史发电日按日期顺序排列，选取靠近预测日的6个历史发电日组成预测日的相似日集；

5)数据预处理：对训练和测试样本集数据中坏数据进行剔除和补充，并对数据进行归一化处理，将样本数据尺度变换到区间[0,1]内，并设置网络初试参数；

6)网络时间编码：使用Time-to-first-Spike编码方法将归一化后的模拟量数据样本转换成相应的脉冲时间数据样本；

7)利用训练样本数据对云自适应PSO-SNN进行训练，直到训练样本集中的输出样本和期望输出样本的网络训练误差E≤预先设定的允许误差e_max；

8)根据预测日前一个相似日的历史发电数据和影响因素生成预测输入向量，并将预测输入向量输入训练后的云自适应PSO-SNN预测模型，其输出即为待预测日的发电功率预测值。

有益效果：本发明的光伏***发电功率预测方法利用云自适应粒子群优化(cloud adaptive particle swarm optimization,CAPSO)算法优化Spiking神经网络进行建模预测，利用SNN其良好的非线性函数逼近能力和强大的计算能力，结合CAPSO算法搜索的随机性和稳定倾向性，提高算法的收敛性能，进而改善预测模型的精度和泛化能力。

附图说明

图1为基于云自适应PSO-SNN的光伏***发电功率预测方法的流程图；

图2为Spiking神经网络采用的SRM神经元模型结构示意图；

图3为3层前向Spiking神经网络预测模型结构示意图；

图4为Spiking神经网络内部神经元间有延迟突触终端连接的结构示意图；

图5为云自适应PSO算法的加速因子收敛曲线图；

图6为云自适应PSO-SNN训练算法流程图；

图7(a)为测试的SNN预测模型对预测日连续7日发电功率的预测曲线与实际曲线图；

图7(b)为测试的PSO-SNN预测模型对预测日连续7日发电功率的预测曲线与实际曲线图；

图7(c)为测试的CAPSO-SNN预测模型对预测日连续7日发电功率的预测曲线与实际曲线图；

图8(a)为测试的SNN预测模型对预测日连续7日预测结果的相对误差曲线图；

图8(b)为测试的PSO-SNN预测模型对预测日连续7日预测结果的相对误差曲线图；

图8(c)为测试的CAPSO-SNN预测模型对预测日连续7日预测结果的相对误差曲线图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明的思路是将云自适应粒子群优化算法和Spiking神经网络引入光伏***发电功率预测中，利用Spiking神经网络良好的非线性函数逼近能力和强大的计算能力和CAPSO算法搜索的随机性和稳定倾向性，提高算法的收敛精度，进而提高光伏***发电功率预测精度。

Spiking神经网络(Spiking Neural Network,SNN)的基本单元是Spiking神经元，常用的Spiking神经元模型有LIF模型(Leaky Integrate-and-Fire model)，HH模型(Hodgkin-Huxley model)和SRM模型(Spike Response Model)。本发明中Spiking网络采用的Spiking神经元模型是SRM模型即脉冲响应模型，其结构如图2所示。

本文采用3层前向Spiking神经网络，网络结构如图3所示，其连续层中任意神经元h和i间的连接结构如图4所示。

SNN连续层中任意两个神经元如h和i之间有多个突触子连接，而且每个突触子连接具有可调节的突触延时d^k和连接权值W_hi ^k。当神经元i接收到突触前神经元的输入，使其膜电位值由低到高超过预先设定的神经元激发阈值θ时，其就发射一个脉冲(spike)，并发送一个输出信号，称为突触后电位(post synapticpotential,PSP)。一个输入spike产生的PSP的性能由脉冲响应函数(spike responsefunction,SRF)来表示，其数学表达式为：

       $\mathrm{\ϵ}\left(t\right)=\left\{\begin{array}{cc}\frac{t}{\mathrm{\τ}}{e}^{1-\frac{t}{\mathrm{\τ}}}& t>0\\ 0& t\≤0\end{array}\right.---\left(1\right)$

式中：t为脉冲时间，单位ms；τ为PSP衰减时间常数，单位ms，其值决定PSP的上升、衰减时间。

神经元i的实际脉冲发射时间计算的数学表达式为：

       $Y_h^k\left(t\right)=\mathrm{\ϵ}(t-t_h-d^k)---\left(2\right)$

       $X_i\left(t\right)=\underset{h}{\mathrm{\Σ}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{W}_{\mathrm{hi}}^k{Y}_h^k\left(t\right)---\left(3\right)$

      

式中：为输入层H中神经元h对隐含层I神经元未加权重的激励；t_h为神经元h的脉冲发射时间，单位ms；X_i(t)为中间层神经元i的膜电位值，mv；m为连续层任意两神经元间突触子连接的个数。

SNN是基于精确的脉冲发射时间进行信息的传递和计算的，因此必须将模拟量数据转换成脉冲时间，本文采用Time-to-first-Spike方法对SNN的输入、输出进行编码。神经元发射脉冲的时刻与模拟量的值成比例，一般模拟量的值越大，对应发射脉冲的时间越早。将模拟量转换成脉冲时间的公式如下：

T＝T_max(1-p^*)               (5)

式中：p^*为归一化后的样本模拟量数据；T_max为最大脉冲发射时间；T为神经元的脉冲发射时间，ms。

SNN特有的多突触网络结构以及时间编码方式，使其能够更逼真的反映实际生物神经***，具有计算能力强、善于处理基于时间的问题等优点。但是，网络采用的训练算法SpikeProp(spike propagation,SpikeProp)算法的实质是将传统的EBP(error back propagation,EBP)算法和SNN结合，利用梯度信息进行连接权值的调整。该算法易于陷入局部最优解，且网络只允许使用正的连接权值，否则算法将不收敛。

粒子群优化(particle swarm optimization,PSO)算法源于对鸟群觅食行为的模拟研究，是一种结构简单、收敛快的智能优化算法，已经被广泛应用于解决非线性优化问题。

设D维解空间中第i个粒子的位置和速度分别为x_i＝(x_i1,x_i2,…,x_iD)和v_i＝(v_i1,v_i2,…,v_iD)，各粒子通过跟踪个体极值点(粒子自身最优解)P_best和群体极值点(群体目前的最优解)G_best完成速度与位置的更新，更新公式如下：

       $v_{\mathrm{ij}}^{k+1}={\mathrm{wv}}_{\mathrm{ij}}^k+c_1{r}_1(p_{\mathrm{ij}}^k-x_{\mathrm{ij}}^k)+c_2{r}_2(p_{\mathrm{gj}}^k-x_{\mathrm{ij}}^k)---\left(\text{6}\right)$

       $x_{\mathrm{ij}}^{k+1}=x_{\mathrm{ij}}^k+v_{\mathrm{ij}}^{k+1}---\left(7\right)$

式中：w为惯性权重；c₁，c₂为加速因子；r₁,r₂∈R_and[0,1]；和分别为粒子i在第k次迭代中第j维的速度和位置；和为粒子i在第k次迭代中第j维的个体极值和群体极值的位置；粒子位置和速度的范围分别为[x_min,x_max]、[v_min,v_max]。

标准PSO算法中，惯性权重和学习因子都是常数，在寻优过程中，所有粒子的移动方向同一化于最优粒子，使群体逐渐失去多样性。因此，其在处理高维问题时易陷入局部极值、收敛速度慢。

云模型是在概率论和模糊理论的基础上提出的，是用语言描述的定性概念与其定量数据之间的不确定性转换模型，能够对客观世界、人类知识等领域中包含模糊性和随机性的不确定性事物进行定量分析。

设U为可以用数值表示的一维或多维定量论域，C是U上的定性概念，映射u：其中，定量值x∈U是定性概念C的一次随机实现，u(x)∈[0,1]是x对C的确定度，它是有稳定倾向的随机数，则x在论域U上的分布称为云，x就称为一个云滴。当x对C的确定度u(x)服从正态分布时，此时的云模型称为正态云模型，是一个服从正态分布规律的具有稳定倾向性的随机数集，记做C(E_x,E_n,H_e)。

其中，期望值E_x、熵E_n和超熵H_e分别为它的3个数字特征量：E_x表示云团的重心位置，反映了云滴基本的空间分布，其是在数域空间中最能代表定性概念的点，对不确定事物在一定程度上进行了确定性的转化；E_n是一种确定性概念的度量粒度，它揭示了不确定事物中模糊性和随机性的关联性。E_n越大概念越宏观，云滴的分布范围越大，反之越小；H_e是熵的不确定度量，反映了云层的厚度和离散度，即云滴的凝聚度。H_e越大云层越厚越离散，反之越薄越集中。

PSO算法中惯性权重w是一个重要的参数，它主要用于平衡算法的全局和局部寻优能力。当w较大时，算法全局搜索能力较强；当w较小时，算法局部搜索能力较强，利于算法收敛。合理的设置w可以提高算法的寻优和挖掘能力，本文采用云算子对w进行自适应调整，其随机性可以避免搜索陷入局部极值，而稳定倾向性又可以很好地定位全局最值。

云自适应PSO算法中的w调整策略如下：对适应度高的粒子，w取最大值，可以加快全局搜索，提高寻优能力；适应度低的粒子，由于已经接近最优解，w取最小值，使得局部寻优能力加强；适应度适中的粒子，在迭代前期具有很强的全局搜索能力，而后期局部搜索能力增强。

生成云滴的算法称为云发生器，本文使用X-条件云发生器：给定云的3个参数(E_x E_n H_e)和论域U上的某个值x₀，即产生云滴(x₀,u)。算法如下：

1)输入云的3个参数E_x、E_n、H_e和x₀；

2)生成服从正态分布的随机数E'_n，E'_n＝normrnd(E_n,H_e,1,1)，(E_n为该正态分布的期望，H_e为标准差)；

3)计算确定度则(x₀,u)为云滴。

设粒子的总数为N，第k次迭代中粒子x_i在的适应度值为则N个粒子的平均适应度值为：

       ${\stackrel{\‾}{f}}_0^k=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{f}_i^k---\left(8\right)$

适应度优于的N₁个粒子的均值为：

       ${\stackrel{\&OverBar;}{f}}_1^k=\frac{1}{N_1}\underset{i=1}{\overset{N_1}{\mathrm{\&Sigma;}}}{f}_i^k,f_i^k<{\stackrel{\&OverBar;}{f}}_0^k---\left(9\right)$

适应度非优于的N₂个粒子的均值为：

       ${\stackrel{\&OverBar;}{f}}_2^k=\frac{1}{N_2}\underset{i=1}{\overset{N_2}{\mathrm{\&Sigma;}}}{f}_i^k,f_i^k\&GreaterEqual;{\stackrel{\&OverBar;}{f}}_0^k---\left(10\right)$

则第k代惯性权重w^k计算公式如下：

       $E_x={\stackrel{\&OverBar;}{f}}_0^k,E_n=({\stackrel{\&OverBar;}{f}}_0^k-f_{\min }^k)/k_1,H_e=E_n/k_2---\left(11\right)$

       $w^k=\left\{\begin{array}{cc}{w}_{\min }& (f_i^k\&le;{\stackrel{\&OverBar;}{f}}_1^k)\\ w_{\max }-0.5u\left(f_i^k\right)& ({\stackrel{\&OverBar;}{f}}_1^k>f_i^k>{\stackrel{\&OverBar;}{f}}_2^k)\\ w_{\max }& (f_i^k\&GreaterEqual;{\stackrel{\&OverBar;}{f}}_2^k)\end{array}\right.---\left(12\right)$

式中：w_min，w_max分别为w的最小和最大值；为对应的确定度；k₁，k₂为调整系数；

加速因子包括认知因子c₁和社会因子c₂，其决定了粒子之间信息的交换。搜索初期粒子飞行主要参考本身的历史信息，较大的c₁可以加快进化速度，较小的c₂可以保持粒子的多样性；在搜索后期，更加注重群体信息，需要各粒子在最优解附近寻优，此时c₁较小而c₂较大。因此需要对其进行动态调整：c₁由大变小，c₂由小变大。此外，为了保证算法收敛，必须满足c₁+c₂>4，且c₁，c₂均为正数。综上所述，文中对c₁，c₂的调整按照图3所示的收敛曲线L进行，曲线L是以原点为圆心半径为R的一段圆弧，按照收敛曲线动态随进化过程调整c₁，c₂取值，能够保证算法收敛并提高算法性能，计算公式如下：

       $R=2\sqrt{2}{\cos }^{-1}(\mathrm{\&pi;}/4-{\mathrm{\&gamma;}}_{\min })---\left(13\right)$

c₁＝Rcos[γ_min+(π/2-2γ_min)k/K]             (14)

c₂＝Rsin[γ_min+(π/2-2γ_min)k/K]             (15)

式中：R为收敛曲线半径；γ_min为收敛曲线初始角；K为迭代总次数。

采用该方案时，首先在4种季节类型下将历史发电日按照晴天、多云天、阴天和雨天等4种广义天气类型分类，然后在上述简单分类的基础上采用灰色关联分析法确定与预测日温度最接近的相似日，具体步骤如下：

1)根据预测日的季节和天气类型预报信息从样本库中挑选出相同季节和日类型的历史发电日组成初步样本。

2)统计初步样本中的日最高温度、最低温度、平均温度等信息，构成每日气象特征向量：

       $X_i=[T_{\mathrm{ih}},T_{\mathrm{il}},\stackrel{\&OverBar;}{T_i}]---\left(16\right)$

式中：T_ih、T_il、分别为第i个历史发电日的最高、最低和平均温度，单位℃。

3)对气象特征向量按照下式进行归一化处理：

       $x_i^{\&prime;}\left(k\right)=\frac{x_i\left(k\right)-x_{i\min }\left(k\right)}{x_{i\max }\left(k\right)-x_{i\min }\left(k\right)}---\left(17\right)$

式中：x_i(k)为第i个历史日的第k个气象特征分量；x_imin(k)和x_imax(k)分别为第k个气象特征分量的最小值和最大值。

4)计算预测日和第i个历史日第k个气象特征分量的关联系数：

       ${\mathrm{\&epsiv;}}_i\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x^{\&prime;}\left(k\right)-x_i^{\&prime;}\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\min }|x^{\&prime;}\left(k\right)-x_i^{\&prime;}\left(k\right)|}{|x^{\&prime;}\left(k\right)-x_i^{\&prime;}\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\max }|x^{\&prime;}\left(k\right)-x_i^{\&prime;}\left(k\right)|}---\left(18\right)$

式中：x'(k)、x'_i(k)分别为归一化后的预测日和第i日第k个气象特征分量；ρ为常数，本文取为0.5。

5)计算第i日和预测日的总关联度R_i，取R_i≥0.8的历史发电日按日期顺序排列，选取靠近预测日的b天，本发明实施例中b＝6。

       $R_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i\left(k\right)---\left(19\right)$

式中：m为气象特征向量的分量个数。

本发明实施例采用的是光伏发电数据采集***数据库中的原始历史发电数据和气象数据，由于数据通道通信错误、数据整理错误等原因，量测数据中会出现一些异常数据。因此，本发明实施例采用解析分析法对异常数据进行剔除和补充以提高预测精度。

同时，预测模型中的光伏***历史发电功率、温度等各个数据具有不同的物理意义而且数量级也相差很大，不具有可比性。因此，在对网络进行测试之前还必须对数据进行归一化处理，将训练和测试样本数据尺度变换到区间[0,1]内，以消除原始数据形式不同所带来的不利，进而提高网络的泛化能力和预测精度。

输入、输出层神经元的个数n和q分别对应于模型输入、输出变量的个数，预测模型输入、输出变量见表1。

表1 预测模型输入、输出变量

      

注：表中“x”表示输入变量，“y”表示输出变量。

SNN隐含层神经元个数p的确定是网络结构的重要内容之一，目前关于其个数的选取没有明确的方法和公式可以应用。本发明实施例按照确定BP-ANN隐含层神经元个数的经验公式(20)，经过多次试验以确定SNN隐含层最佳神经元数为15。

       $p=\sqrt{n+q}+a---\left(20\right)$

式中：n，p，q分别为各层神经元个数；a为1～10之间的整数。

将表1中归一化后的输入、输出变量数据按照公式(5)进行Time-to-first-spike时间编码，并将编码后的数据输入CAPSO-SNN预测网络中进行网络训练。采用CAPSO算法优化SNN的实质是一个高维、多变量的非线性优化问题，将SNN中需要调整的各层中的连接权值映射为CAPSO中的粒子，算法适应度函数选取为网络训练误差函数E，如式(21)所示。

       $E=\frac{1}{P}\underset{p\&Element;P}{\mathrm{\&Sigma;}}\underset{j\&Element;J}{\mathrm{\&Sigma;}}{(t_j^a-t_j^d)}^2---\left(21\right)$

式中：P为训练模式对数；分别为输出层J中神经元的实际和期望脉冲发射时间。

通过粒子相互间的信息交流，使适应度值最小化，即可找到最好的连接权值使得SNN能产生正确的输出。CAPSO-SNN训练算法能较好地改善传统SNN和PSO算法的缺陷，提高寻优精度和收敛速度，减少了对网络连接权值的约束。同时，采用可正、可负的权值，进一步体现了生物神经元的激励和抑制特性。训练算法流程如图6所示：

本发明的光伏***发电功率预测方法利用云自适应PSO-SNN进行建模预测，利用SNN良好的非线性函数逼近能力和强大的计算能力，结合云自适应PSO算法的良好的收敛性能，改善预测模型的精度和泛化能力。

为了验证本发明方法的有效性，进行以下实验：以江苏省某光伏发电***作为研究对象，选取2011年1月1日至2011年11月30日的历史发电数据和其对应的气象数据作为样本。利用SNN、PSO-SNN和CAPSO-SNN三种预测模型对光伏***2011年11月1日至30日每日08:00～17:00共10个整点时刻的发电功率进行预测，其中晴天6天、阴天2天、雨天7天、多云天15天，并对三种模型的预测结果进行比较验证分析。

经过多次试验，最终设置可获得最佳预测结果的CAPSO-SNN参数如下：

CAPSO的种群规模popsize＝30，控制系数k₁＝0.5，k₂＝10，惯性权重w∈[0.3,0.7]，收敛曲线初始角γ_min＝π/6，迭代总次数K＝500，权值搜索范围W∈[-50,50]，速度范围V∈[-1,1]。

SNN连续层任意两个神经元之间突触子连接个数m值减小时，网络计算能力减弱；m值增大会提高计算能力，但同时也会增加CAPSO粒子的变量维度，使学习速度变慢。本文选取m值为2，相应的突触延时d^k选取从1～2递增的整数值。

编码窗口中最大脉冲时间T_max为5ms，则脉冲在0ms和5ms时从输入层H传递输出层J，突触延迟d^k最小1ms、最大2ms。因此SNN的输入、输出之间有时间延时ΔT，范围从0+2*1＝2ms到5+2*2＝9ms。本文经过多次试验选取ΔT为6ms，因此，输入层的[0,5]ms对应于输出层的[6,11]ms。

PSP衰减时间常数τ取为6ms；对所有的神经元其激发阈值θ相同均为1mv；计算步长为0.1ms；初始权值和取区间[-1,1]内的随机值。

图7(a)为SNN预测模型对预测日连续7日发电功率的预测曲线与实际曲线图；

图7(b)为PSO-SNN预测模型对预测日连续7日发电功率的预测曲线与实际曲线图；

图7(c)为CAPSO-SNN预测模型对预测日连续7日发电功率的预测曲线与实际曲线图；

从图7中可以看出：晴天光伏***的发电功率曲线变化较有规律性，三种模型的预测曲线与实际曲线较接近，预测效果较理想。相对于晴天，多云天和阴、雨天的天气情况复杂多变，如云团厚薄和移动趋势难以预测等，光伏电站的发电具有更多的不确定性和随机性，所以三种模型的预测曲线在某些时段较实际曲线偏差较大。然而，CAPSO-SNN的预测曲线更能反映实际功率的整体变化趋势，可明显降低预测误差。

图8(a)为测试的SNN预测模型对预测日连续7日预测结果的相对误差曲线图；

图8(b)为测试的PSO-SNN预测模型对预测日连续7日预测结果的相对误差曲线图；

图8(c)为测试的CAPSO-SNN预测模型对预测日连续7日预测结果的相对误差曲线图；

从图8中可以看出：预测模型CAPSO-SNN相对于PSO-SNN和SNN，预测精度有所提高，预测结果稳定性也有了较好的改善。

为了定量分析各种天气类型下三种预测模型的预测误差情况，本发明实施例采用平均绝对百分比误差(mean absolute percent error,MAPE)和希尔不等系数(theil inequality coefficient,TIC)2种评价指标对预测结果进行分析，其中MAPE采用百分数(％)表示，TIC的计算公式如下：

       $T_{\mathrm{heil}}\mathrm{IC}=\frac{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{(X_r-X_f)}^2/N}}{\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{X_f}^2/N}+\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{X_r}^2/N}}---\left(22\right)$

式中：X_r为预测日实际发电功率；X_f为预测发电功率；N为数据总数；i为数据序号。

表2给出了11月份30天各种天气类型预测误差统计。

表2 三种预测模型多日的预测误差统计

      

从表2可以看出：在晴天时，三种预测模型预测误差的MAPE和TIC均较小，预测结果均较为准确。在阴天、雨天和多云天等发电功率波动较大的天气类型时，三种模型预测误差的MAPE和TIC相对于晴天较大，但是CAPSO-SNN的整体预测结果相比于SNN和PSO-SNN在2种评价指标上表现出更优越的性能，可有效提高模型预测精度。

综上所述，本发明基于云自适应PSO-SNN光伏***发电功率预测法具有如下优势：提高算法的全局和局部搜索能力，弥补了传统SNN和PSO算法学习容易陷入局部最优以及训练时间长等不足，可提高预测精度，对非线性数据的处理能力和适应性也较高。对于光伏发电***配合电力***制定发电计划有一定的参考价值。

Claims (7)

1.一种基于云自适应PSO-SNN的光伏***发电功率预测方法，其特征在于：包括以下步骤：

(1)获取光伏***发电功率预测所需的基本数据：历史发电数据和原始气象数据；

(2)根据预测日的季节和天气类型预报信息从原始数据中挑选出相同季节和日类型的历史发电日组成初步样本；

(3)统计初步样本中的日最高温度、最低温度、平均温度等信息，构成每日气象特征向量，并对特征向量作归一化处理；

(4)计算第i日和预测日的总关联度R_i，取R_i≥0.8的历史发电日按日期顺序排列，选取靠近预测日的6个历史发电日组成预测日的相似日集；

(5)数据预处理：对训练和测试样本集数据中坏数据进行剔除和补充，并对数据进行归一化处理，将样本数据尺度变换到区间[0,1]内，并设置网络初试参数；

(6)网络时间编码：使用Time-to-first-Spike编码方法将归一化后的模拟量数据样本转换成相应的脉冲时间数据样本；

(7)利用训练样本数据对云自适应PSO-SNN进行训练，直到训练样本集中的输出样本和期望输出样本的网络训练误差E≤预先设定的允许误差e_max；

(8)根据预测日前一个相似日的历史发电数据和影响因素生成预测输入向量，并将预测输入向量输入训练后的云自适应PSO-SNN预测模型，其输出即为待预测日的发电功率预测值。

2.如权利要求1所述的基于云自适应PSO-SNN的光伏***发电功率预测方法，其特征在于：统计初步样本中的日最高温度、最低温度、平均温度等信息，构成每日气象特征向量：

$X_i=[T_{\mathrm{ih}},T_{\mathrm{il}},{\stackrel{\&OverBar;}{T}}_i]$

式中：T_ih、T_il、分别为第i个历史发电日的最高、最低和平均温度，℃。

3.如权利要求1所述的基于云自适应PSO-SNN的光伏***发电功率预测方法，其特征在于：对气象特征向量按照下式进行归一化处理：

$x_i^{\&prime;}\left(k\right)=\frac{x_i\left(k\right)-x_{i\min }\left(k\right)}{x_{i\max }\left(k\right)-x_{i\min }\left(k\right)}$

式中：x_i(k)为第i个历史日的第k个气象特征分量；x_imin(k)和x_imax(k)分别为第k个气象特征分量的最小值和最大值。

4.如权利要求1所述的基于云自适应PSO-SNN的光伏***发电功率预测方法，其特征在于：计算预测日和第i个历史日第k个气象特征分量的关联系数：

${\mathrm{\&epsiv;}}_i\left(k\right)=\frac{\underset{i}{\min }\underset{k}{\min }|x^{\&prime;}\left(k\right)-x_i^{\&prime;}\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\min }|x^{\&prime;}\left(k\right)-x_i^{\&prime;}\left(k\right)|}{|x^{\&prime;}\left(k\right)-x_i^{\&prime;}\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\max }|x^{\&prime;}\left(k\right)-x_i^{\&prime;}\left(k\right)|}$

式中：x'(k)、x′_i(k)分别为归一化后的预测日和第i日第k个气象特征分量；ρ为常数，本文取为0.5。

5.如权利要求1所述的基于云自适应PSO-SNN的光伏***发电功率预测方法，其特征在于：计算第i日和预测日的总关联度R_i：

$R_i=\frac{1}{m}\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i\left(k\right)$

式中：m为气象特征向量的分量个数。

6.如权利要求1所述的基于云自适应PSO-SNN的光伏***发电功率预测方法，其特征在于：采用最小均方误差函数作为网络误差函数：

$E=\frac{1}{P}\underset{p\&Element;P}{\mathrm{\&Sigma;}}\underset{j\&Element;J}{\mathrm{\&Sigma;}}{(t_j^a-t_j^d)}^2$

式中：P为训练模式对数；为输出层J的神经元实际发射脉冲的时间；为期望的脉冲发射时间。

7.如权利要求1所述的基于云自适应PSO-SNN的光伏***发电功率预测方法，其特征在于：将模拟量转换成脉冲时间的公式如下：

T＝T_max(1-p^*)

式中：p^*为归一化后的样本模拟量数据；T_max为最大脉冲发射时间；T为神经元的脉冲发射时间，ms。