CN105631558A - 基于相似日的bp神经网络光伏发电***功率预测方法 - Google Patents

Abstract

本发明公开了一种提供了一种基于相似日的改进BP神经网络光伏发电***功率预测方法。将天气影响因素量化编码后，根据相似日选取原理，选出与预测日相似度较高的历史日，利用相似历史日的发电量数据和气象数据，结合预测日气象数据，构成训练样本集，对BP神经网络进行训练。训练时，权值调整算法采用结合了附加动量与变学习率的梯度修正法，提高模型收敛速度，并减小模型陷入局部最优解的概率，保证预测模型精度和稳定性。

Description

基于相似日的BP神经网络光伏发电***功率预测方法

技术领域

本发明涉及一种基于相似日的BP神经网络光伏发电***功率预测方法，属于光伏发电技术领域。

背景技术

能源是现代社会经济与发展的根本。能源环境问题的相继出现促使人类逐渐意识到化石燃料的过渡开采和无节制使用所带来的严重危害。光伏发电由于其可再生、环保灵活的特性得到广泛关注和快速发展。但由于光伏发电***的输出受到太阳辐照强度和众多天气因素的影响，其发电量的变化是一个非平稳的随机过程，对大电网而言是一个不可控源，其发电的随机波动性会对电网造成冲击，影响电网运行的可靠性与稳定性。加强光伏发电功率预测的研究，预先获得光伏发电***的日发电量曲线，从而协调电力***制定发电计划，减少光伏发电的随机性对电力***的影响，这对光伏电站和电网都有着重要的经济意义。

按照不同的分类标准，光伏发电功率预测方法分类不同。目前使用较广泛的是利用光伏发电***历史输出功率数据的直接预测方法它需要运用统计原理对光伏发电***历史输出功率统计数据进行分析，找出其内在规律性，建立映射关系用于预测，程序简明，不需要光伏发电***的具体布置资料。常用的统计方法有多元线性回归算法、人工神经网络(ANN)算法和灰色理论算法等。使用差异较大的一组样本训练模型，得到的参数进行校验时往往产生较大的误差，即使重新训练，也得不到很好的效果。现有的一些研究虽然提出了基于历史日数据的提前一天光伏功率预测方法，但当气象条件变化剧烈时，模型预测精度还有待提高，甚至有可能会失效。针对此情况，一种在预测模型中考虑加入合理选取的气象因素的预测方法比较有研究的意义。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于相似日的BP神经网络光伏发电***功率预测方法，解决现有技术因天气类型变化而引起的预测精度降低甚至预测模型失效的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：一种基于相似日的BP神经网络光伏发电***功率预测方法，包括如下步骤：

步骤一：选取气象影响因素，对天气类型编码：将模糊描述的天气类型映射为天气类型指数，量化天气因素对光伏发电功率的影响；

步骤二：计算历史日与预测日的天气相似度：构造天气类型特征向量，并对特征向量各分量进行归一化处理，并采用连乘方式定义并计算相似度；

步骤三：选取相似日：选取与预测日相似度最大的20～50个历史日构成相似历史日训练样本集；

步骤四：构建BP神经网络预测模型：将相似历史日的光伏发电功率数据与天气类型指数作为模型输入量，设计一种双隐层BP神经网络预测模型；

步骤五：训练BP神经网络预测模型：根据相似历史日训练样本集给出BP神经网络预测模型的输入量和理论目标输出，对BP神经网络预测模型的连接权值进行不断修正；

步骤六：光伏发电功率预测与评估：训练完成后利用相似度最高的历史日发电量数据作为BP神经网络预测模型的输出，计算网络输出光伏发电功率，并与理论目标输出光伏发电功率相比较，评估预测精度。

所述天气类型编码的具体方法为：

步骤101：选取太阳辐照强度和温度作为影响光伏发电功率的天气因素；

步骤102：根据单位面积的光伏发电***发电功率计算公式：

P_s＝ηSI(1-0.005(T₀+25))

式中，I为太阳辐照强度，单位为kW/m²；η为光伏***转换效率；T₀为环境温度，单位为℃；S为光伏阵列的面积，单位为m²，对有效的光伏发电***历史发电功率进行统计分析，将模糊描述的天气类型转换为0～1之间可被BP神经网络预测模型所接受的天气类型指数。

计算历史日与预测日的天气相似度的具体方法为：

步骤201：构造天气类型特征向量：

Y＝[T_maxT_minw]

式中，T_max为最高温、T_min为最低温、w为天气类型指数；

步骤202：采用“极差法”进行归一化，公式如下：

$x_i\left(j\right)=\frac{y_i\left(j\right)-m\left(j\right)}{M\left(j\right)-m\left(j\right)}$

式中，y_i(j)是第i日的第j分量；m(j)和M(j)分别为第j个分量的最小值和最大值，j＝1,2,3；

归一化后基准日和第j日的特征向量分别为：

x₀＝[x₀(1),x₀(2),x₀(3)]^T；

x_j＝[x_j(1),x_j(2),x_j(3)]^T；

步骤203：计算x₀和x_j在第k个因素的关联系数：

${\mathrm{\ϵ}}_j\left(k\right)=\frac{\underset{j}{min}\underset{k}{min}|x_0\left(k\right)-x_j\left(k\right)|+\mathrm{\ρ}\underset{j}{max}\underset{k}{max}|x_0\left(k\right)-x_j\left(k\right)|}{|x_0\left(k\right)-x_j\left(k\right)|+\mathrm{\ρ}\underset{j}{max}\underset{k}{max}|x_0\left(k\right)-x_j\left(k\right)|}$

式中，ρ是分辨系数；

步骤204：综合各影响因素的关联系数，采用连乘方式定义并计算x₀和x_j的相似度：

$F_j=\underset{k=1}{\overset{3}{\mathrm{\Π}}}{\mathrm{\ϵ}}_j\left(k\right).$

构建BP神经网络预测模型的具体方法如下：

步骤401：采用16个输入变量，选取白天7:00～18:00的12个发电时间序列作为预测模型的12个输入变量，相似日的最高气温和最低气温作为BP神经网络预测模型的2个输入变量，预测日的最高气温和最低气温作为BP神经网络预测模型的最后2个输入变量；

步骤402：采用12个输出变量，预测模型输出的是预测日白天12个时间点的发电功率，对应预测日的发电量时间序列；

步骤403：采用双隐层，确定隐含层节点数的公式如下：

$m=\sqrt{n+l}+a$

m＝log2ⁿ

$m=\sqrt{nl}$

式中，n表示输入层节点数，m表示隐含层节点数，l表示输出层节点数，a为1～5的常数。

所述BP神经网络预测模型的连接权值采用附加动量与变学习率结合的梯度修正法作为修正算法，具体如下：

加入附加动量后网络权值修改算法：

w_ij(t+1)＝w_ij(t)+Δw_ij(t)+α[w_ij(t)-w_ij(t-1)]

式中，α为动量因子，w_ij(t)为时刻t时前一层的第j个神经元到后一层的第i个神经元的连接权值，Δw_ij(t)为时刻t时w_ij(t)的调整量；

加入变学习率后网络权值修改算法：

w_ij(t+1)＝w_ij(t)+η(t)Δw_ij ^*(t)+α[w_ij(t)-w_ij(t-1)]

η(t)＝η_max-t(η_max-η_min)/t_max

式中，Δw_ij*(t)为Δw_ij(t)提取出因式η(t)后的剩余部分，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数。

与现有技术相比，本发明所达到的有益效果：

光伏发电***的输出功率受气象因素影响较大，将天气类型编码量化后作为预测模型输入量，能降低天气变化对预测精度的影响；不同天气类型的发电功率曲线明显不同，利用相似历史日发电量数据来预测未来光伏电站输出功率比直接利用历史日发电量数据预测精度更高；在训练BP神经网络时，权值的学习算法结合附加动量与变学习率，使模型既能较快收敛，又减少模型陷入局部最优解的概率，保证预测模型精度和稳定性。

附图说明

图1为本发明的流程图。

图2为BP神经网络预测模型的结构示意图。

图3为BP神经网络预测模型的训练流程图。

图4为我国某光伏电站实际预测结果图。

具体实施方式

如图1所示，是本发明的流程图，具体包括如下步骤：

步骤一：选取气象影响因素，对天气类型编码：根据光伏发电功率函数，选取太阳辐照强度和温度为光伏发电功率影响要素，运用统计规律，量化天气因素影响，对天气类型进行数值编码，具体如下：

单位面积的光伏***发电功率P_s计算公式：

P_s＝ηSI(1-0.005(T₀+25))

式中，I为光照强度，单位为kW/m²；η为光伏电池转换效率；T₀为环境温度，单位为℃；S为光伏阵列的面积，单位为m²。

历史发电量数据中已包含阵列转换效率η和阵列面积S等参数，但太阳辐照强度I和环境温度T₀等外界影响因素的变化需在预测模型输入变量中考虑。当天气类型发生变化时太阳辐射强度也会发生变化，为保证天气类型突变时的模型预测精度，将天气类型作为预测模型输入变量之一。天气预报中给出的天气参数一般为比较模糊的类型描述：如晴天、晴天到多云、阴天、阴天有小雨、小雨转大雨等。通过对大量有效的历史发电数据进行统计分析，将模糊的描述性类型转换为可被BP神经网络算法所接受的数值。本发明根据不断完善的光伏监控***数据库将天气类型描述信息映射为0～1之间的天气类型指数作为预测模型的输入变量，具体如下表所示：

步骤二：计算历史日与预测日的天气相似度，具体包括如下步骤：

步骤201：分析光伏发电功率特性，可知光伏电站输出功率主要与历史日发电量数据(包含阵列转换效率η和阵列面积S等参数)、温度(T₀)、太阳辐照强度(I,由天气类型指数w反映)相关。据此构造天气类型特征向量：

Y＝[T_maxT_minw]

式中，T_max为最高温、T_min为最低温、w为天气类型指数；

步骤202：采用“极差法”进行归一化，公式如下：

$x_i\left(j\right)=\frac{y_i\left(j\right)-m\left(j\right)}{M\left(j\right)-m\left(j\right)}$

式中，y_i(j)是第i日的第j分量；m(j)和M(j)分别为第j个分量的最小值和最大值，j＝1,2,3；

归一化后基准日和第j日的特征向量分别为：

x₀＝[x₀(1),x₀(2),x₀(3)]^T；

x_j＝[x_j(1),x_j(2),x_j(3)]^T；

步骤203：计算x₀和x_j在第k个因素的关联系数：

${\mathrm{\ϵ}}_j\left(k\right)=\frac{\underset{j}{min}\underset{k}{min}|x_0\left(k\right)-x_j\left(k\right)|+\mathrm{\ρ}\underset{j}{max}\underset{k}{max}|x_0\left(k\right)-x_j\left(k\right)|}{|x_0\left(k\right)-x_j\left(k\right)|+\mathrm{\ρ}\underset{j}{max}\underset{k}{max}|x_0\left(k\right)-x_j\left(k\right)|}$

式中，ρ是分辨系数，其值一般取0.5。

步骤204：综合各影响因素的关联系数，采用连乘方式定义并计算x₀和x_j的相似度：

$F_j=\underset{k=1}{\overset{3}{\mathrm{\Π}}}{\mathrm{\ϵ}}_j\left(k\right).$

采用连乘方式定义相似度，可以简单自动识别主导因素，解决各因素权重设定问题。

根据上述相似日选取原理，编写相似日选取算法，并利用我国某地实际气象数据，分别选取：(1)日类型为晴天、最高温度30℃、最低温度17℃的20个相似日；(2)日类型为多云、最高温度30℃、最低温度20℃的20个相似日，结果如表1和表2。

步骤三：选取相似日：选取与预测日相似度最大的20～50个历史日构成相似历史日训练样本集，优选30个相似度最大的历史日构成相似历史日训练样本集。

步骤四：构建BP神经网络预测模型：将相似历史日的光伏发电功率数据与天气类型指数作为模型输入量，设计一种双隐层BP神经网络预测模型。BP神经网络预测模型的结构，如附图2所示：

采用16个输入变量，选取白天的12个发电时间序列(7:00-18:00)作为预测模型的12个输入变量，相似日的最高气温和最低气温作为BP神经网络预测模型的2个输入变量，最后2个输入变量是预测日的最高气温和最低气温

采用12个输出变量，BP神经网络预测模型输出的是预测日白天12个时间点的发电功率，对应预测日的发电量序列。

采用双隐层，以训练时间为代价换取更高的预测精度。隐层节点数选取应根据实际情况具体分析。如果隐含层节点数过少,可能无法概括样本数据的内在规律；如果隐含层节点数过多,则可能出现过度拟合。确定隐含层节点数的经验公式如下：

$m=\sqrt{n+l}+a$

m＝log2ⁿ

$m=\sqrt{nl}$

式中，n表示输入层节点数，m表示隐含层节点数，l表示输出层节点数，a为1～5的常数，结合经验公式和试凑法，最终确定隐含层节点数为8时，整个神经网络预测的结果较好。

步骤五：训练BP神经网络预测模型：根据相似历史日训练样本集给出BP神经网络预测模型的输入量和理论目标输出，对BP神经网络预测模型的连接权值进行不断修正。

假设我们采用相似日样本集的第一个样本开始对神经网络进行训练，训练流程如附图3。

首先由样本给出BP神经网络的输入量和理论目标输出；

然后计算隐含层、输出层各节点的输入输出。对于隐含层的第j个节点，其输入的具体表达式为：隐含层输出的表达式为：O_j＝f(net_j)，式中为隐含层的激励函数。隐含层的第j个输出O_j通过隐含层和输出层连接权值w_jk传播到输出层的第k个节点，则第k个节点的输入表达式可表示为：输出层的第k个节点的输出表达式可表示为：O_k＝f(net_k)。如果神经网络的计算输出与理论目标输出(教师数据)不相同，我们需要对神经网络的连接权值进行不断修正，本发明采用附加动量与变学习率相结合的梯度修正算法，具体如下：

传统BP神经网络权值修改算法：

w_ij(t+1)＝w_ij(t)+Δw_ij(t)

加入附加动量后网络权值修改算法：

w_ij(t+1)＝w_ij(t)+Δw_ij(t)+α[w_ij(t)-w_ij(t-1)]

式中，α为动量因子，一般取0.95。w_ij(t)为时刻t时前一层的第j个神经元到后一层的第i个神经元的连接权值，Δw_ij(t)为时刻t时w_ij(t)的调整量。

加入变学习率后网络权值修改算法：

w_ij(t+1)＝w_ij(t)+η(t)Δw_ij ^*(t)+α[w_ij(t)-w_ij(t-1)]

η(t)＝η_max-t(η_max-η_min)/t_max

式中，Δw_ij*(t)为Δw_ij(t)提取出因式η(t)后的剩余部分，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数。

当神经网络的计算输出尽量接近教师数据的目标输出值时，完成一次相似日样本训练。取相似日样本集中其余样本，反复对BP神经网络进行训练。

步骤六：光伏发电功率预测与评估：训练完成后利用相似度最高的历史日发电量数据作为BP神经网络预测模型的输出，计算网络输出光伏发电功率，并与理论目标输出光伏发电功率相比较，评估预测精度。

下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

利用我国某光伏电站实测数据对预测模型进行训练后，对光伏电站某天的输出功率进行预测。预测结果如附图4、表3和表4。

将待预测日的天气类型映射到天气类型指数，构造预测日天气特征向量，根据相似日选取算法，选出20个相似日构成相似日样本集，利用此样本集对BP神经网络进行训练，训练完成后利用相似度最高的历史日发电量数据作为模型输出，计算网络输出P_f，并与目标输出P_a相比较，评估预测精度。

对BP神经网络预测模型的评估有很多方法，如平均绝对偏差、均反差、平均绝对百分比误差等，最常用的还是平均绝对百分比误差MAPE。

$MAPE=\frac{100}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\frac{\left|P_f^i-P_a^i\right|}{P_a^i}\%$

式中，P_a为实际功率输出，P_f为预测功率输出，N为序列数据的总数，i为数据的序号。

如表3、4所示，计算预测模型在晴天的MAPE为5.23871％；而多云天气在处理最后一个时间点的功率误差时，因实际功率值很小，导致功率相对误差太大，剔除这一个时刻的相对误差后计算预测模型在多云天气的MAPE为20.89％。对于晴天的发电功率预测比对于多云天气的预测精度要高。这是因为晴天的光伏功率输出较为平稳，功率随时间变化连续性较高，而多云天气功率输出波动大，功率随时间变化连续性较低，发电量随机性增强，预测难度大。虽然预测模型的预测结果与实际发电量有一定差距，但对于光伏发电***配合电力***调度中心提前制定发电计划仍有较高的参考价值。

本发明能够应用于电网规划、电网调度等场景，预先获得光伏发电***的输出功率曲线，有助于电力***调度部门统筹安排常规能源和光伏发电的协调配合，及时调整调度计划，降低大容量光伏电站并网对电网的影响，提高电网运行的安全性和稳定性。本发明通过对气象影响因素的合理选取，基于差异性和相关性原理，提出相似日选取方法，结合附加动量与变学习率，改进传统BP神经网络权值修正算法。利用相似日历史发电数据训练BP神经网络，有效提高光伏发电功率预测精度，改善因短期内天气类型变化而引起的预测精度降低甚至模型失效的问题。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.基于相似日的BP神经网络光伏发电***功率预测方法，其特征在于，包括如下步骤：

步骤一：选取气象影响因素，对天气类型编码：将模糊描述的天气类型映射为天气类型指数，量化天气因素对光伏发电功率的影响；

步骤二：计算历史日与预测日的天气相似度：构造天气类型特征向量，并对特征向量各分量进行归一化处理，并采用连乘方式定义并计算相似度；

步骤三：选取相似日：选取与预测日相似度最大的20～50个历史日构成相似历史日训练样本集；

步骤四：构建BP神经网络预测模型：将相似历史日的光伏发电功率数据与天气类型指数作为模型输入量，设计一种双隐层BP神经网络预测模型；

步骤五：训练BP神经网络预测模型：根据相似历史日训练样本集给出BP神经网络预测模型的输入量和理论目标输出，对BP神经网络预测模型的连接权值进行不断修正；

步骤六：光伏发电功率预测与评估：训练完成后利用相似度最高的历史日发电量数据作为BP神经网络预测模型的输出，计算网络输出光伏发电功率，并与理论目标输出光伏发电功率相比较，评估预测精度。

2.根据权利要求1所述的基于相似日的BP神经网络光伏发电***功率预测方法，其特征在于，所述天气类型编码的具体方法为：

步骤101：选取太阳辐照强度和温度作为影响光伏发电功率的天气因素；

步骤102：根据单位面积的光伏发电***发电功率计算公式：

P_s＝ηSI(1-0.005(T₀+25))

式中，I为太阳辐照强度，单位为kW/m²；η为光伏***转换效率；T₀为环境温度，单位为℃；S为光伏阵列的面积，单位为m²，对有效的光伏发电***历史发电功率进行统计分析，将模糊描述的天气类型转换为0～1之间可被BP神经网络预测模型所接受的天气类型指数。

3.根据权利要求1所述的基于相似日的BP神经网络光伏发电***功率预测方法，其特征在于，计算历史日与预测日的天气相似度的具体方法为：

步骤201：构造天气类型特征向量：

Y＝[T_maxT_minw]

式中，T_max为最高温、T_min为最低温、w为天气类型指数；

步骤202：采用“极差法”进行归一化，公式如下：

$x_i\left(j\right)=\frac{y_i\left(j\right)-m\left(j\right)}{M\left(j\right)-m\left(j\right)}$

式中，y_i(j)是第i日的第j分量；m(j)和M(j)分别为第j个分量的最小值和最大值，j＝1,2,3；

归一化后基准日和第j日的特征向量分别为：

x₀＝[x₀(1),x₀(2),x₀(3)]^T

x_j＝[x_j(1),x_j(2),x_j(3)]^T

步骤203：计算x₀和x_j在第k个因素的关联系数：

${\mathrm{\ϵ}}_j\left(k\right)=\frac{\underset{j}{min}\underset{k}{min}|x_0\left(k\right)-x_j\left(k\right)|+\mathrm{\ρ}\underset{j}{\max }\underset{k}{\max }|x_0\left(k\right)-x_j\left(k\right)|}{|x_0\left(k\right)-x_j\left(k\right)|+\mathrm{\ρ}\underset{j}{\max }\underset{k}{\max }|x_0\left(k\right)-x_j\left(k\right)|}$

式中，ρ是分辨系数；

步骤204：综合各影响因素的关联系数，采用连乘方式定义并计算x₀和x_j的相似度：

$F_j=\underset{k=1}{\overset{3}{\Π}}{\mathrm{\ϵ}}_j\left(k\right).$

4.根据权利要求1所述的基于相似日的BP神经网络光伏发电***功率预测方法，其特征在于，构建BP神经网络预测模型的具体方法如下：

步骤401：采用16个输入变量，选取白天7:00～18:00的12个发电时间序列作为预测模型的12个输入变量，相似日的最高气温和最低气温作为BP神经网络预测模型的2个输入变量，预测日的最高气温和最低气温作为BP神经网络预测模型的最后2个输入变量；

步骤402：采用12个输出变量，预测模型输出的是预测日白天12个时间点的发电功率，对应预测日的发电量时间序列；

步骤403：采用双隐层，确定隐含层节点数的公式如下：

$m=\sqrt{n+l}+a$

m＝log2ⁿ

$m=\sqrt{nl}$

式中，n表示输入层节点数，m表示隐含层节点数，l表示输出层节点数，a为1～5的常数。

5.根据权利要求1所述的基于相似日的BP神经网络光伏发电***功率预测方法，其特征在于，所述BP神经网络预测模型的连接权值采用附加动量与变学习率结合的梯度修正法作为修正算法，具体如下：

加入附加动量后网络权值修改算法：

w_ij(t+1)＝w_ij(t)+Δw_ij(t)+α[w_ij(t)-w_ij(t-1)]

式中，α为动量因子，w_ij(t)为时刻t时前一层的第j个神经元到后一层的第i个神经元的连接权值，Δw_ij(t)为时刻t时w_ij(t)的调整量；

加入变学习率后网络权值修改算法：

w_ij(t+1)＝w_ij(t)+η(t)Δw_ij ^*(t)+α[w_ij(t)-w_ij(t-1)]

η(t)＝η_max-t(η_max-η_min)/t_max

式中，Δw_ij*(t)为Δw_ij(t)提取出因式η(t)后的剩余部分，η_max为最大学习率，η_min为最小学习率，t_max为最大迭代次数，t为当前迭代次数。