CN102999786A - 基于相似日特征分类与极端学习机的光伏发电功率短期预报方法 - Google Patents

Abstract

基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，属于光伏电站发电技术领域，用于光伏发电系统的输出功率预报。本发明包括以下几个方面：(1)以公共气象预报网的气象数据为基础，根据季节、日类型等气象特征、光伏发电功率特征对气象数据、光伏发电系统发电量进行相似日特征分类；(2)以基于极端学习机算法的单隐层神经网络为预报模型，将选取的相似日数据作为训练样本，训练极端学习机算法中的单隐层神经网络(3)最后再将预测日最相近的相似日预测时段的已知发电量序列、最高气温、最低气温以及预测日预测时段的最高气温、最低气温作为神经网络输入，预测出光伏电站未来3小时的发电功率。本算法对设备需求较小，预测模型对区域的针对性强。且易于实现，精确度高。

Description

基于相似日特征分类与极端学习机的光伏发电功率短期预报方法

技术领域

本发明属于太阳能光伏发电技术领域，是一种光伏发电功率短期预报方法。

背景技术

太阳能光伏发电具有能量密度低、间歇性、不确定等特征，特别是输出功率与气象条件密切相关，使得其发电特性与常规电力具有很大区别。光伏发电并网接入是光伏发电实现大规模高效利用的重要形式。由于光伏发电的间歇性、不确定性和不可控性，当大规模、大容量的光伏发电系统接入电网，对公共电网的安全运行带来重大挑战。为此，若能较准确地预测光伏发电系统的发电功率，对于光伏发电系统并网接入运行的安全性和稳定性，以及电网经济调度具有重要意义，可促进电网对这类不稳定能源的接纳和消化，减轻光伏发电系统输出功率的不确定性对公共电网的影响具有重要意义。在此提出的光伏发电功率预报，是基于公共气象网提供的气象数据、光伏发电系统发电功率数据等，通过数据特征分类和基于极端学习机算法神经网络技术实现光伏发电功率短期预报。

通过光伏发电功率的数据分析发现，在同类型天气条件下，光伏发电功率在大部分天数中呈现相近的变化规律。以日预报气象数据、光伏发电系统的日发电功率数据，分别建立日气象特征相似度和日发电功率形状相似度，构建相似日综合判断函数，选取出来的相似日可以直接对预测日的发电功率从进行预测，也可以作为其它算法的输入变量来进行预测。

极端学习机(Extreme Learning Machine，简称ELM)算法对传统的单隐层前馈神经网络进行了很好的完善：通过对网络内权值与阈值的随机选取，将参数训练问题转换为不相容线性方程组的求解问题，然后利用摩尔-彭罗斯(Moore-Penrose)广义逆矩阵理论，解析求得该方程组的最小二乘解作为网络权值参数。这样可以很好地克服传统神经网络存在的训练时间长、过拟合等问题。

发明内容

本发明针对公共气象预报数据、光伏发电功率数据的特点，提出了一种光伏发电功率短期预测方法。

该光伏发电功率预测方法包括如下步骤：

步骤一：已有历史数据的初步筛选确定相似日：

步骤二：通过计算确定相似日；

步骤三：极端学习机神经网络参数确定；

步骤四：预测实际发电功率，并计算预测精度。

作为一种改进，所述的步骤一包括以下步骤：

①将历史发电功率根据季节、气候进行归类，同时将日类型分为：晴、雨、多云；

②依据气象台预报，获取预测日预测时段的气候类型、温度、大气压、湿度、风速；

③根据季节和天气类型的气象参数初步筛选相似日。

作为一种改进，所述的步骤二包括以下步骤：

①设预测日气象特征序列：温度、大气压、湿度、风速为x_ik，历史气象特征序列为x_jk，通过公式(1)计算日特征差异度

$D_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{jk}})}^2}---\left(1\right)$

②计算预测日与历史日的日特征相似度O_ij

O_ij＝1-D_ij      (2)

①将实际预测日的最高、最低气温，天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中，得到实际预测日的预测发电功率值；③以h个小时为一个时段，每隔m分钟为一个采样点获取发电功率数据，共N＝h×m个数据点，设(p_i1，p_i2，p_i3，…，p_in)为预测日发电量序列，(p_j1，p_j2，p_j3，…，p_jn)为历史发电量序列，计算预测日与历史日同一时刻发电量之差p_ijk，p_ijk＝p_ik-p_jk。

④计算预测日与历史日同一时刻发电量之差的平均值r_ij

$r_{\mathrm{ij}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ijk}}---\left(3\right)$

⑤计算预测日与历史日发电量曲线之间的形相似度S_ij

$S_{\mathrm{ij}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|p_{\mathrm{ijk}}-r_{\mathrm{ij}}|---\left(4\right)$

⑥最小二乘法确定公式(5)中的α和β，计算预测日与历史日之间的综合相似度T_ij

T_ij＝αO_ij+βS_ij    (5)

⑦比较各历史日与预测日之间综合相似度的值，得出相似度较高的多组相似日。

作为一种改进，所述的步骤三包括以下步骤：

将相似日数据组按日期排序，取相邻2组数据放入神经网络，日期较早的一组作为模拟输入量，日期较晚一组用于和神经网络输出对比的模拟实际值，输入变量为X(x₁，x₂，...，x_n)，其中x₁，x₂，...，x_n-5为相似日对应时段内的N-5个发电功率，x_n-4，x_n-3，...，x_n分(N＞5)别为上一相似日中的最高气温和最低气温、模拟预测日的最高气温和最低气温以及模拟预测日天气类型指标，对应的输出O＝(o₁，o₂，...，o_m)为预测日对应时段发电功率的预测值；极端学习机训练神经网络，得到最优网络权值β。

作为一种改进，所述的步骤四包括以下步骤：

②将实际发电功率值与预测值做比较，计算预测精度

$\mathrm{rRMSE}=\frac{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j-O_j\left|\right|}^2}}{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j\left|\right|}^2}}---\left(9\right)$

式中，Y_j为真实值所组成的向量，O_j为模型的预测值组成的向量。

有益效果：本发明首先通过数据分类法筛选相似日，再建立极端学习机神经网络模型。相似日判定考虑了季节、日类型、发电功率、温度、大气压、湿度、风速等因素。较好地解决了气象预报数据稀疏、光伏发电功率相似日数量少的缺点。本方法可在有限数据的情况下，取得了较好的短期预测精度。

附图说明

图1为算法流程图。

具体实施方式：

一种光伏发电功率短期预测方法，包括以下步骤：

步骤一：发电功率数据分类整理：从服务器中下载历史日期的温度、大气压、湿度、风速数据、发电量数据。根据历史日的季节和日类型对历史数据进行归类。季节：春夏秋冬；日类型：晴、多云、雨。

步骤二：下载气象数据：根据气象台预测数据获得预测日相关时段的气象类型、温度、大气压、湿度、风速。

步骤三：根据预测日季节和气象类型、气温初步筛选出各因素均较相近的相似日。

步骤四：计算日特征差异度：设预测日气象特征序列(温度、大气压、湿度、风速)为x_ik，历史气象特征序列为x_jk。计算日特征差异度

$D_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{jk}})}^2}---\left(1\right)$

步骤五：计算预测日与历史日的日特征相似度

O_ij＝1-D_ij    (2)

步骤六：计算预测日与历史日同一时刻发电量之差p_ijk，以3个小时为一个时段，每隔5分钟为一个采样点获取发电功率数据。设(p_i1，p_i2，p_i3，…，p_in)为预测日发电量序列，(p_j1，p_j2，p_j3，…，p_jn)为历史发电量序列。

p_ijk＝p_ik-p_jk

步骤七：计算预测日与历史日同一时刻发电量之差的平均值r_ij

$r_{\mathrm{ij}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ijk}}---\left(3\right)$

步骤八：计算预测日与历史日发电量曲线之间的形相似度S_ij

$S_{\mathrm{ij}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|p_{\mathrm{ijk}}-r_{\mathrm{ij}}|---\left(4\right)$

步骤九：最小二乘法确定公式(5)中的α和β，然后计算预测日与历史日之间的综合相似度T_ij

T_ij＝αO_ij+βS_ij  (5)

步骤十：比较各历史日与预测日之间综合相似度的值，得出最相似的15组相似日数据。

步骤十一：选择神经网络训练数据：将15组相似日数据放入极端学习机神经网络。如图1所示，神经网络模型的输入变量X＝[x₁，x₂，…，x₄₁]^/，其中x₁，x₂，…，x₃₆为对应时间段的3个小时36个点的发电功率，x₃₇，x₃₈为上一相似日中的最高气温和最低气温，x₃₉，x₄₀为预测日(此处预测日使用某一历史相似日作为假定预测日)的最高气温和最低气温，x₄₁为天气类型指标。输出变量O＝[o₁，o₂，…，o₃₆]^/为对应预测时段3个小时36个点的预测发电量。

步骤十二：计算神经网络最优网络权值β。极端学习机神经网络结构图如图1所示。数学模型为公式为：

$\underset{i=1}{\overset{\stackrel{\‾}{N}}{\mathrm{\Σ}}}{\mathrm{\β}}_{i}G({\mathrm{\ω}}_i{X}_j+b_i)=O_j,j=\mathrm{1,2},...,N---\left(6\right)$

输入输出模型可由以下方程组描述：

$\left\{\begin{array}{c}{y}_{j1}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{i1}\·G(\underset{K=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_{k1}{x}_{\mathrm{jk}}+b_1)\\ y_{j2}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{i2}\·G(\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ki}}{x}_{\mathrm{jk}}+b_2)\\ .\\ .\\ .\\ y_{\mathrm{jm}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\β}}_{\mathrm{im}}\·G(\underset{K=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{ki}}{x}_{\mathrm{jk}}+b_N)\end{array}\right.---\left(7\right)$

极端学习机的训练目的就是找到最优网络权值β，这样才能使ELM网络的输出值和真实值之间的误差最小。通过最小绝对偏差函数来求取。

$\min E(\mathrm{\β},W)=\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left|\right|Y_j-O_j\left|\right|---\left(8\right)$

其中，W＝(ω_i，i＝1，2，...，N；b_j＝1，2，...N)显然，极端学习机神经网络的训练过程可以看成是一个求解方程最小值的最优化问题。极端学习机作为一个单隐层的前馈神经网络，其隐层神经参数是随机赋值的，训练过程中调整的只有输出的权重值。因此，矩阵H变成了一个常数矩阵，方程组变成了一组线性方程，由此得到方程组的最小二乘解β＝H⁺Y。

步骤十三：发电功率预测：将15组相似日中与预测日时间最近一组数据的发电功率、最高气温、最低气温以及预测日的最高气温和最低气温、气象类型作为神经网络输入量，得到预测日的预测发电功率值。

步骤十四：通过公式(9)计算预测精度

$\mathrm{rRMSE}=\frac{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j-O_j\left|\right|}^2}}{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j\left|\right|}^2}}---\left(9\right)$

式中，Y_j为真实值所组成的向量，O_j为模型的预测值组成的向量。

Claims (10)

1.基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是该方法包括以下步骤：

步骤一：已有历史数据的初步筛选确定相似日：

步骤二：通过计算确定相似日；

步骤三：极端学习机神经网络参数确定；

步骤四：预测实际发电功率，并计算预测精度。

2.根据权利要求1所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤一包括以下步骤：

①将历史发电功率根据季节、气候进行归类，同时将日类型分为：晴、雨、多云；

②依据气象台预报，获取预测日预测时段的气候类型、温度、大气压、湿度、风速；

③根据季节和天气类型的气象参数初步筛选相似日。

3.根据权利要求1或2所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤二包括以下步骤：

①设预测日气象特征序列：温度、大气压、湿度、风速为x_ik，历史气象特征序列为x_jk，通过公式(1)计算日特征差异度

$D_{\mathrm{ij}}=\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-x_{\mathrm{jk}})}^2}---\left(1\right)$

②计算预测日与历史日的日特征相似度O_ij

O_ij＝1-D_ij    (2)

③以h个小时为一个时段，每隔m分钟为一个采样点获取发电功率数据，共N＝h×m个数据点，设(p_i1，p_i2，p_i3，…，p_in)为预测日发电量序列，(p_j1，p_j2，p_j3，…，p_jn)为历史发电量序列，计算预测日与历史日同一时刻发电量之差p_ijk，p_ijk＝p_ik-p_jk。

④计算预测日与历史日同一时刻发电量之差的平均值r_ij

$r_{\mathrm{ij}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ijk}}---\left(3\right)$

⑤计算预测日与历史日发电量曲线之间的形相似度S_ij

$S_{\mathrm{ij}}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|p_{\mathrm{ijk}}-r_{\mathrm{ij}}|---\left(4\right)$

⑥最小二乘法确定公式(5)中的α和β，计算预测日与历史日之间的综合相似度T_ij

T_ij＝αO_ij+βS_ij    (5)

⑦比较各历史日与预测日之间综合相似度的值，得出相似度较高的多组相似日。

4.根据权利要求1或2所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤三包括以下步骤：

将相似日数据组按日期排序，取相邻2组数据放入神经网络，日期较早的一组作为模拟输入量，日期较晚一组用于和神经网络输出对比的模拟实际值，输入变量为X(x₁，x₂，...，x_n)，其中x₁，x₂，...，x_n-5为相似日对应时段内的N-5个发电功率，x_n-4，x_n-3，...，x_n分(N＞5)别为上一相似日中的最高气温和最低气温、模拟预测日的最高气温和最低气温以及模拟预测日天气类型指标，对应的输出O＝(o₁，o₂，...，o_m)为预测日对应时段发电功率的预测值；极端学习机训练神经网络，得到最优网络权值β。

5.根据权利要求3所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤三包括以下步骤：

将相似日数据组按日期排序，取相邻2组数据放入神经网络，日期较早的一组作为模拟输入量，日期较晚一组用于和神经网络输出对比的模拟实际值，输入变量为X(x₁，x₂，...，x_n)，其中x₁，x₂，...，x_n-5为相似日对应时段内的N-5个发电功率，x_n-4，x_n-3，...，x_n分(N＞5)别为上一相似日中的最高气温和最低气温、模拟预测日的最高气温和最低气温以及模拟预测日天气类型指标，对应的输出O＝(o₁，o₂，...，o_m)为预测日对应时段发电功率的预测值；极端学习机训练神经网络，得到最优网络权值β。

6.根据权利要求1或2所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤四包括以下步骤：

①将实际预测日的最高、最低气温，天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中，得到实际预测日的预测发电功率值；

②将实际发电功率值与预测值做比较，计算预测精度

$\mathrm{rRMSE}=\frac{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j-O_j\left|\right|}^2}}{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j\left|\right|}^2}}---\left(9\right)$

式中，Y_j为真实值所组成的向量，O_j为模型的预测值组成的向量。

7.根据权利要求3所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤四包括以下步骤：

①将实际预测日的最高、最低气温，天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中，得到实际预测日的预测发电功率值；

②将实际发电功率值与预测值做比较，计算预测精度

$\mathrm{rRMSE}=\frac{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j-O_j\left|\right|}^2}}{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j\left|\right|}^2}}---\left(9\right)$

式中，Y_j为真实值所组成的向量，O_j为模型的预测值组成的向量。

8.根据权利要求3所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤四包括以下步骤：

①将实际预测日的最高、最低气温，天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中，得到实际预测日的预测发电功率值；

②将实际发电功率值与预测值做比较，计算预测精度

$\mathrm{rRMSE}=\frac{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j-O_j\left|\right|}^2}}{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j\left|\right|}^2}}---\left(9\right)$

式中，Y_j为真实值所组成的向量，O_j为模型的预测值组成的向量。

9.根据权利要求4所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤四包括以下步骤：

①将实际预测日的最高、最低气温，天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中，得到实际预测日的预测发电功率值；

②将实际发电功率值与预测值做比较，计算预测精度

$\mathrm{rRMSE}=\frac{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j-O_j\left|\right|}^2}}{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j\left|\right|}^2}}---\left(9\right)$

式中，Y_j为真实值所组成的向量，O_j为模型的预测值组成的向量。

10.根据权利要求5所述的基于相似日特征分类与极端学习机的光伏发电功率短期预报方法，其特征是所述的步骤四包括以下步骤：

①将实际预测日的最高、最低气温，天气类型参数以及与预测日日期最相近的一组相似日对应时段发功率数据作为输入变量放入神经网络中，得到实际预测日的预测发电功率值；

②将实际发电功率值与预测值做比较，计算预测精度

$\mathrm{rRMSE}=\frac{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j-O_j\left|\right|}^2}}{\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_j\left|\right|}^2}}---\left(9\right)$

式中，Y_j为真实值所组成的向量，O_j为模型的预测值组成的向量。

Images