CN103077300A - 一种基于二型模糊逻辑的分布式光伏电源发电量预测方法 - Google Patents

Abstract

本发明公开了一种基于二型模糊逻辑的分布式光伏电源发电量预测方法，包括如下步骤：累积光照强度、环境温度、湿度、光伏电源发电量历史数据；训练与构造区间二型模糊逻辑预测系统；将实时光照强度、环境温度、湿度作为初始参数输入区间二型模糊逻辑预测系统，输出得到两种类型的光伏电源发电量预测，即单一型预测值和区间二型模糊预测集合。本发明采用中心集降型方法，得到发电量预测的区间二型模糊集合，能很好地描述光伏发电量的波动性；采用解模糊方法，从区间二型模糊集合中提取单一型预测值，有效地提高了预测精度。本发明提出的分布式光伏电源发电量预测方法，既可以用于精确型预测，也可用于模糊型预测，具有较高的实用价值。

Description

一种基于二型模糊逻辑的分布式光伏电源发电量预测方法

技术领域

本发明涉及一种基于二型模糊逻辑的分布式光伏电源发电量预测方法，属于新能源发电领域。 

背景技术

随着化石能源的逐渐枯竭，对环境污染与气候恶化所产生的严要影响，太阳能以及风电、光伏等可再生能源等新型发电技术的发展，分布式发电系统日渐成为满足负荷增长需求、减少环境污染、提高能源综合利用效率和供电可靠性的一种有效途径，在配电网中得到广泛的应用。然而受地理条件、天气情况和外部环境等因素的影响，这些可再生电源的能量输出具有间歇性和随机性，对其发电量的预测也比传统发电方式预测复杂。 

太阳能是一种无污染的可再生能源，太阳能光伏发电具有不消耗燃料、不受地域限制、规模灵活、无污染、安全可靠、维护简单等优点，是一种广泛应用的分布式发电系统。但其发电受太阳辐射强度、电池组件温度、天气、云层和一些随机的因素的影响，系统运行过程是一个非平衡的随机过程，其发电量和输出电功率随机性强、波动大、不可控制，在天气突变时表现的尤为突出。 

发明内容

本发明针对分布式光伏电源间歇性、不确定性，因而难以预测发电量的问题，提出一种基于二型模糊逻辑的分布式光伏电源发电量预测方法。利用区间二型模糊逻辑处理不确定性问题的能力，得到分布式光伏电源发电量的区间二型模糊预测集合及其单一型预测值。其中，区间二型模糊预测集合，明确了光伏电源发电量的波动区间范围；单一型预测值，则具有更高的精确度。本发明的方法既给出了精确的预测值，也能得到预测模糊区间。 

为了实现上述目的，本发明采用如下技术方案： 

一种基于二型模糊逻辑的分布式光伏电源发电量预测方法，累积光照强度、环境温度、湿度、光伏电源发电量历史数据；训练和构造区间二型模糊逻辑系统，包括模糊器、规则库、推理机、降型器和解模糊器五个模块；将实时光照、温度、湿度数据输入到所构造的区间二型模糊逻辑预测系统中，输出得到分布式光伏电源发电量预测精确值，及其区间二型模糊集合。 

为了提高预测准确性，采用多输入单输出方式，累积光照强度、环境温度、湿度和发电量历史数据，将光照强度、环境温度、湿度作为输入，发电量作为输出，训练和构造区间二型模糊逻辑预测系统；对于光照强度、环境温度、湿度采用均方差不确定的高斯函数作为其上、下隶属度函数，将输入的精确值模糊化为单值二型模糊集合。区间二型模糊逻辑系统的规则采用“IF-THEN”形式，Mamdani推理模型；由输入和规则前件产生激活集合，再由激活集合与后件集合计算输出，参与计算的是各集合的上、下隶属度函数；推理过程包括计算适配度、求激励强度、求有效的后件隶属度函数和求总输出隶属度函数。 

为进一步提高准确性，采用中心集降型方法，将各规则发电量集合用质心来代替，然后求质心的加权平均值，最终得到质心区间，计算中采用K-M迭代过程来计算。解模糊化，输出区间二型模糊集合，其中心即为所求发电量的单一型预测值。 

构造区间二型模糊逻辑系统过程如下： 

（1）设计模糊器：对于光照强度、环境温度及湿度均选用均方差不确定的高斯函数作为其上、下隶属度函数，将输入的精确值代入单点模糊化为单值二型模糊集合。所述的上、下隶属度函数形式为： 

${{\stackrel{\‾}{u}}_x}_k\left(x_k\right)=\exp [-\frac{1}{2}\left(\frac{x_k-x_k^{*}}{{\stackrel{\‾}{\mathrm{\σ}}}_k}\right)^2]$

${\underset{\‾}{u}}_{x_k}\left(x_k\right)=\exp [-\frac{1}{2}\left(\frac{x_k-x_k^{*}}{{\underset{\‾}{\mathrm{\σ}}}_k}\right)^2]$

其中，

是输入精确值，

是均方差变化范围，K=1,2…p是输入维数。 

（2）构造规则库：二型模糊系统的规则采用“IF-THEN”的形式，采用Mamdani型，所述的规则形式为： 

$\begin{array}{cccccccccccccc}\mathrm{IF}& x_1& \mathrm{is}& {\tilde{F}}_1^l& \mathrm{and}......x_k& \mathrm{is}& {\tilde{F}}_k^l......\mathrm{and}& x_p& \mathrm{is}& {\tilde{F}}_p^l,& \mathrm{then}& y& \mathrm{is}& {\tilde{G}}^l\end{array}$

其中x_k∈X是系统输入，

是规则前件集合y∈Y是规则输出，是后件集合。l＝1,2…M，M是规则总数。 

（3）构造推理机：区间二型模糊系统的推理由输入和规则前件产生激活集合，再由激活集合与后件集合来计算输出，参与计算的是各集合的上、下隶属度函数。所述的输出形式为： 

$u_{{\tilde{G}}^l}\left(y\right)={\∫}_{b^l\∈[{\underset{\‾}{f}}^l*{\underset{\‾}{u}}_{{\tilde{G}}^{l\left(y\right)}},{\stackrel{\‾}{f}}^l*{\stackrel{\‾}{u}}_{{\tilde{G}}^{l\left(y\right)}}]\frac{1}{b^l}y\∈Y}$

其中：*是t-范数，取最小算子，

分别是后件集合的上、下隶属度函数，

、f ^l分别是激活集合的上、下隶属度函数。 

（4）由过程（2）和（3）得到此多输入单输出多条模糊规则系统的推理模型为： 

取x为光照强度，u为环境温度，v为湿度，y为预测发电量，

为光照强度集合，为环境温度集合，

为湿度集合，

为发电量集合。

均为区间二型模糊集合，其中由于采用中心集降型法选为用质心所表示的区间集合，则

的表达式为： 

$y^l=[{\underset{\‾}{y}}^l,{\stackrel{\‾}{y}}^l]$

具体推理过程为： 

1计算适配度：把事实与模糊规则的前件进行比较，分别求出事实对光照强度、环境温度及湿度三个前件隶属度函数的适配度。 

2求激励强度：用模糊与、或算子，把规则中光照强度、环境温度及湿度三个前件隶属函数的适配度合并，求得激励强度。 

3求有效的后件隶属度函数：用激励强度去切割相应规则的发电量隶属度函数，获得有效的发电量隶属度函数。 

4计算总的输出隶属度函数：将所有的有效发电量隶属度函数进行综合，求光伏发电量的总输出隶属度函数。 

（5）设计降型器：采用中心集降型方法，将各规则发电量集合用质心来代替，然后求质心的加权平均值，最终得到质心区间。计算中采用KM迭代过程来计算，具体表达式为： 

$Y_{\cos }=[\underset{\‾}{y},\stackrel{\‾}{y}]=[\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\stackrel{\‾}{f}}^l\underset{\‾}{y^l}+\underset{l=L+1}{\overset{M}{\mathrm{\Σ}}}\underset{\‾}{f^l}\underset{\‾}{y^l}}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\stackrel{\‾}{f}}^l+\underset{l=L+1}{\overset{M}{\mathrm{\Σ}}}\underset{\‾}{f^l}},\frac{\underset{l=1}{\overset{R}{\mathrm{\Σ}}}\underset{\‾}{f^l}{\stackrel{\‾}{y}}^l+\underset{l=L+1}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{f}}^l{\stackrel{\‾}{y}}^l}{\underset{l=1}{\overset{R}{\mathrm{\Σ}}}\underset{\‾}{f^l}+\underset{l=R+1}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{f}}^l}]$

式中：y ^l 、

分别是各规则发电量集合质心的上、下界，f ^l 、

分别是激活集合的上、下 界，L、R是阈值。 

（6）设计解模糊器：解模糊器将模糊集合通过解模糊化计算转换为一个确定值。对于区间二型模糊系统而言，降型器将区间二型模糊集合降型为隶属度为1的区间一型模糊集合输出，解模糊器计算出这个区间一型模糊集合的中心点，即为所求的发电量单一型预测值。具体公式为： 

$y=\frac{\stackrel{\‾}{y}+\underset{\‾}{y}}{2}$

本发明的有益效果在于，与现有发电量预测方法相比，本发明所用系统无需建立精确的数学模型，能够利用语言形式的人类专家经验，在处理不确定性方面具有独特的优势，其适应性强、鲁棒性好，不依赖于被控对象精确模型的特点，适合光伏发电系统输出的非线性特性，它能够直接利用时变的、含有不确定噪声的对发电量有重要影响作用的光照强度、温度及湿度等原始数据来训练系统参数，有效的提高了预测精度，具有一定的实用价值。 

附图说明

图1为基于区间二型模糊逻辑系统的光伏发电量预测结构图； 

图2为基于区间二型模糊逻辑系统的光伏发电量预测设计流程图。 

具体实施方式

实施例1 

下面结合附图对本发明的方案进行清楚、完整的描述。 

本系统设计流程如图2所示，具体包括如下步骤： 

1）采集光伏发电系统的光照强度、环境温度、湿度及发电量历史数据。 

2）构造如图1所示的区间二型模糊逻辑系统，设置系统的初始参数，构造区间二型模糊逻辑系统过程如下： 

（1）设计模糊器：对于光照强度、环境温度及湿度均选用均方差不确定的高斯函数作为其上、下隶属度函数，将输入的精确值代入单点模糊化为单值二型模糊集合。所述的上、下隶属度函数形式为： 

${{\stackrel{\‾}{u}}_x}_k\left(x_k\right)=\exp [-\frac{1}{2}\left(\frac{x_k-x_k^{*}}{{\stackrel{\‾}{\mathrm{\σ}}}_k}\right)^2]$

${\underset{\‾}{u}}_{x_k}\left(x_k\right)=\exp [-\frac{1}{2}\left(\frac{x_k-x_k^{*}}{{\underset{\‾}{\mathrm{\σ}}}_k}\right)^2]$

其中，

是输入精确值，

是均方差变化范围，K=1,2…p是输入维数。 

（2）构造规则库：二型模糊系统的规则采用“IF-THEN”的形式，采用Mamdani型，所述的规则形式为： 

$\begin{array}{cccccccccccccc}\mathrm{IF}& x_1& \mathrm{is}& {\tilde{F}}_1^l& \mathrm{and}......x_k& \mathrm{is}& {\tilde{F}}_k^l......\mathrm{and}& x_p& \mathrm{is}& {\tilde{F}}_p^l,& \mathrm{then}& y& \mathrm{is}& {\tilde{G}}^l\end{array}$

其中x_k∈X是系统输入，是规则前件集合y∈Y是规则输出，

是后件集合。l＝l，2…Ｍ，M是规则总数。 

（3）构造推理机：区间二型模糊系统的推理由输入和规则前件产生激活集合，再由激活集合与后件集合来计算输出，参与计算的是各集合的上、下隶属度函数。所述的输出形式为： 

$u_{{\tilde{G}}^l}\left(y\right)={\∫}_{b^l\∈[{\underset{\‾}{f}}^l*{\underset{\‾}{u}}_{{\tilde{G}}^{l\left(y\right)}},{\stackrel{\‾}{f}}^l*{\stackrel{\‾}{u}}_{{\tilde{G}}^{l\left(y\right)}}]\frac{1}{b^l}y\∈Y}$

其中：*是t-范数，取最小算子，

分别是后件集合的上、下隶属度函数，

、f ^l分别是激活集合的上、下隶属度函数。 

（4）由过程（2）和（3）得到此多输入单输出多条模糊规则系统的推理模型为： 

取x为光照强度，u为环境温度，v为湿度，y为预测发电量，

为光照强度集合，

为环境温度集合，

为湿度集合，

为发电量集合。

均为区间二型模糊集合，其中由于采用中心集降型法

选为用质心所表示的区间集合，则

的表达式为： 

$y^l=[{\underset{\‾}{y}}^l,{\stackrel{\‾}{y}}^l]$

具体推理过程为： 

5计算适配度：把事实与模糊规则的前件进行比较，分别求出事实对光照强度、环境温度及湿度三个前件隶属度函数的适配度。 

6求激励强度：用模糊与、或算子，把规则中光照强度、环境温度及湿度三个前件隶属函数的适配度合并，求得激励强度。 

7求有效的后件隶属度函数：用激励强度去切割相应规则的发电量隶属度函数，获得有效的发电量隶属度函数。 

8计算总的输出隶属度函数：将所有的有效发电量隶属度函数进行综合，求光伏发电量的总输出隶属度函数。 

（5）设计降型器：采用中心集降型方法，将各规则发电量集合用质心来代替，然后求质心的加权平均值，最终得到质心区间。计算中采用K-M迭代过程来计算，具体表达式为： 

$Y_{\cos }=[\underset{\‾}{y},\stackrel{\‾}{y}]=[\frac{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\stackrel{\‾}{f}}^l\underset{\‾}{y^l}+\underset{l=L+1}{\overset{M}{\mathrm{\Σ}}}\underset{\‾}{f^l}\underset{\‾}{y^l}}{\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{\stackrel{\‾}{f}}^l+\underset{l=L+1}{\overset{M}{\mathrm{\Σ}}}\underset{\‾}{f^l}},\frac{\underset{l=1}{\overset{R}{\mathrm{\Σ}}}\underset{\‾}{f^l}{\stackrel{\‾}{y}}^l+\underset{l=L+1}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{f}}^l{\stackrel{\‾}{y}}^l}{\underset{l=1}{\overset{R}{\mathrm{\Σ}}}\underset{\‾}{f^l}+\underset{l=R+1}{\overset{M}{\mathrm{\Σ}}}{\stackrel{\‾}{f}}^l}]$

式中：y ^l 、

分别是各规则发电量集合质心的上、下界，f ^l 、

分别是激活集合的上、下界，L、R是阈值。 

（6）设计解模糊器：解模糊器将模糊集合通过解模糊化计算转换为一个确定值。对于区间二型模糊系统而言，降型器将区间二型模糊集合降型为隶属度为1的区间一型模糊集合输出，解模糊器计算出这个区间一型模糊集合的中心点，即为所求的发电量单一型预测值。具体公式为： 

$y=\frac{\stackrel{\‾}{y}+\underset{\‾}{y}}{2}$

3）训练区间二型模糊逻辑系统，将采集到的光照强度、环境温度、湿度多次输入到所构造的区间二型模糊系统中推理输出得到发电量预测值。 

4）反馈修正区间二型模糊逻辑系统，根据光伏发电系统的需要事先规定预测误差为ε，同一时刻预测次数最多为N。对步骤3）训练得到的预测数据进行判断，若预测次数小于等于N或前后两次预测误差大于ε，则认为预测结果不满足要求，返回步骤3）重新训练区间二型模糊逻辑系统，修改相关参数。否则认为满足要求，输出预测值即可。 

上述实施例不以任何方式限制本发明，凡是采用等同替换或等效变换的方式获得的技术方案均落在本发明的保护范围内。 

Claims (6)

1.一种基于二型模糊逻辑的分布式光伏电源发电量预测方法，其特征在于：累积光照强度、环境温度、湿度、光伏电源发电量历史数据；训练和构造区间二型模糊逻辑系统，包括模糊器、规则库、推理机、降型器和解模糊器五个模块；将实时光照、温度、湿度数据输入到所构造的区间二型模糊逻辑预测系统中，输出得到分布式光伏电源发电量预测精确值，及其区间二型模糊集合。

2.如权利要求书1所述的基于二型模糊逻辑的分布式光伏电源发电量预测方法，其特征在于：采用多输入单输出方式，累积光照强度、环境温度、湿度和发电量历史数据，将光照强度、环境温度、湿度作为输入，发电量作为输出，训练和构造区间二型模糊逻辑预测系统。

3.如权利要求书1或2所述的基于二型模糊逻辑的分布式光伏电源发电量预测方法，其特征在于：对于光照强度、环境温度、湿度采用均方差不确定的高斯函数作为其上、下隶属度函数，将输入的精确值模糊化为单值二型模糊集合。

4.如权利要求书3所述的基于二型模糊逻辑的分布式光伏电源发电量预测方法，其特征在于：区间二型模糊逻辑系统的规则采用“IF-THEN″形式，Mamdani推理模型；

由输入和规则前件产生激活集合，再由激活集合与后件集合计算输出，参与计算的是各集合的上、下隶属度函数；推理过程包括计算适配度、求激励强度、求有效的后件隶属度函数和求总输出隶属度函数。

5.如权利要求书4所述的基于二型模糊逻辑的分布式光伏电源发电量预测方法，其特征在于：采用中心集降型方法，将各规则发电量集合用质心来代替，然后求质心的加权平均值，最终得到质心区间，计算中采用K-M迭代过程来计算。

6.如权利要求书5所述的基于二型模糊逻辑的分布式光伏电源发电量预测方法，其特征在于：解模糊化，输出区间二型模糊集合，其中心即为所求发电量的单一型预测值。

Images