CN103489038A - 基于lm-bp神经网络的光伏超短期功率预测方法 - Google Patents

Abstract

本发明涉及一种基于LM-BP神经网络的光伏超短期功率预测方法，包括以下步骤：根据环境因素建立LM-BP神经网络预测模型并确定输入层数据和输出层数据；LM-BP神经网络预测模型对输入的数据进行归一化处理；采用LM算法进行LM-BP神经网络训练，得到更新权值的LM算法；计算光伏电站的光伏功率得到预测结果。本发明将LM算法与BP神经网络结合在一起，在BP神经网络预测结构基础上，建立LM-BP神经网络的预测模型，采用LM算法进行光伏超短期功率预测，能够按照任意精度逼近任何连续的非线性函数，可快速准确地解决光伏功率预测这一动态随机问题，提高了预测速度与精度，且具有较好的鲁棒性。

Description

基于LM-BP神经网络的光伏超短期功率预测方法

技术领域

本发明属于光伏发电领域，尤其是一种基于LM-BP神经网络的光伏超短期功率预测方法。

背景技术

由于光伏发电受太阳辐射强度、电池组件温度、天气云层和一些随机因素的影响，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，在天气突变时表现得尤为突出，这种发电方式在接入电网后也将会对电网的安全和管理带来一系列问题，因此，准确对光伏系统的出力做出预测变得尤为重要，同时也可为电网的调度及安全运行提供依据。

辐照强度、温度及光伏电站功率的预测是一个涉及因素繁多、十分复杂的非线性过程，并且具有高度的不确定性，传统算法无法胜任，目前对光伏发电具有随机性的预测技术研究主要采用的是神经网络技术，其具有良好的自适应、自学习和非线性转换能力，避免了复杂的数学推导，解决了传统智能方法在辨识及预测等方面的缺陷。但是神经网络也具有一定局限性，主要包括有：学习算法的收敛速度较慢，容易收敛于局部极小值等问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于LM-BP神经网络的光伏超短期功率预测方法，解决以下问题：（1）解决有光伏电站功率预测中功率的非线性变换问题；（2）解决目前神经网络算法具有收敛速度较慢，容易收敛于局部极小值等问题；（3）解决随着光伏电站规模的增大以及随太阳辐照和温度的非线性变化造成光伏功率预测鲁棒性较差的问题。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于LM-BP神经网络的光伏超短期功率预测方法，包括以下步骤：

步骤1：根据环境因素建立LM-BP神经网络预测模型并确定输入层数据和输出层数据；

步骤2：LM-BP神经网络预测模型对输入的数据进行归一化处理；

步骤3：采用LM算法进行LM-BP神经网络训练，得到更新权值的LM算法；

步骤4：计算光伏电站的光伏功率得到预测结果。

而且，所述步骤4后还包括预测结果校正的步骤：将已过去最近一小时的温度光照与数据库中同时段的历史情况进行对比，若其数据与当前预测结果类似时可通过相似天数据情况对预测值进行修正调整；同时通过与数据库中同时段的历史最大、最小值进行比较，若大于历史最大值，或小于历史最小值，则需要修正其结果为历史最大值或历史最小值。

而且，所述的LM-BP神经网络预测模型包括按季节构建的四个预测子模型：春季模型、夏季模型、秋季模型和冬季模型以及按照天气情况构建的三个子模型：晴天模型、多云模型、雨天模型模型。

而且，所述的输入层数据包括光照及温度序列、预测日季节和日类型。

而且，所述的光照及温度序列包括前一天白天6：00到18：00期间12小时逐小时的光照及温度序列、预测日白天12小时逐小时的光照及温度序列；所述的预测日季节为春季、夏季、秋季或冬季，所述的日类型为晴天、多云或雨天类型。

而且，所述输出层数据为预测日6：00到18：00期间每小时的光伏发电预测量。

而且，所述步骤2的归一化处理是将原始目标、输入数据转换到[0，1]区间内，其归一化公式为：

$P^{*}=\frac{P-P_{\min }}{P_{\max }-P_{\min }}$

式中：P^*为归一化后的数据，P为样本数据，P_max，P_min分别为P的最大值和最小值。

而且，所述步骤3得到的更新权值的LM算法为：

ΔW＝-[J^T(X)·J(X)+μI]^-1J^T(X)·e(X)

式中，μ为大于0的常数，I为单位矩阵，e_i(X)为神经网络实际输出与期望输出的误差，J(X)是Jacobian矩阵，J^T(X)是Jacobian矩阵的逆矩阵。

而且，所述步骤4的预测结果是通过以下方式计算得到：根据LM-BP神经网络预测模型得到的输出层数据，逐个计算光伏站中每个光伏阵列的出力，然后求和得到整个光伏电站的出力预测结果；或者选取其中几个有代表性的光伏阵列预测其出力，然后等效得到其他光伏阵列的出力预测结果。

本发明的优点和积极效果是：

本发明将LM（Levenberg-Marquardt）算法与BP神经网络（Back-PropagationNeural Networks）技术结合在一起，在BP神经网络预测结构基础上，建立LM-BP神经网络的预测模型，采用LM算法进行光伏超短期功率预测，能够按照任意精度逼近任何连续的非线性函数，可快速准确地解决光伏功率预测这一动态随机问题，提高了预测速度与精度，且具有较好的鲁棒性。

附图说明

图1是BP神经网络模型示意图；

图2是光伏发电功率预测的流程图；

图3是LM-BP神经网络预测的结构图；

图4是LM-BP神经网络训练过程的示意图。

具体实施方式

以下结合附图对本发明实施例做进一步详述：

一种基于LM-BP神经网络的光伏超短期功率预测方法，是将LM（Levenberg-Marquardt）算法与BP神经网络（Back-Propagation NeuralNetworks）技术结合在一起，建立LM-BP神经网络的预测模型，采用LM算法进行超短期光伏功率预测。本发明采用基于LM-BP神经网络的光伏超短期功率预测方法（Super short term wind power prediction），可以对光伏电站未来15min-4h的输出功率进行预测，时间分辨率为15min。下面，首先对BP神经网络和LM算法分别进行说明：

BP神经网络（Back-Propagation Neural Networks）为多层前馈网络，是人工神经网络的一种。BP神经网络能以任意精度逼近非线性映射，具有自学习、自适应能力，具有并行处理和分布式存储的特性，具有很强的鲁棒性和容错性，因此构造出来的系统具有良好的适应性，适合处理复杂问题。如图1所示，BP神经网络中以单隐层的三层网络应用最为普遍，它包括一个输入层（InputLayer）、一个隐层（Implicit Layer）和一个输出层（Output Layer）。

三层前馈网络中，设输入层、隐层、输出层神经元数分别为n₁，n₂，n₃，

输入向量为 $P={(p_1,p_2,...,p_i,...,p_{n_1})}^T$

隐层输入为 $S={(s_1,s_2,...,s_j,...,s_{n_2})}^T$

隐层输出为 $B={(b_i,b_2,...,b_j,...,b_{n_2})}^T$

输出层输入为 $L={(l_1,l_2,...,l_j,...,l_{n_3})}^T$

输出层输出为 $C={(c_1,c_2,...,c_j,...,c_{n_3})}^T$

输入层与隐层的连接权值为W＝(w_i,j)(i＝1,2...n₁,j＝1,2...n₂)

隐层与输出层的连接权值为V＝(v_i,j)(j＝1,2...n₂,k＝1,2...n₃)

则各层信号之间的数学关系为：

对于隐层有

$s_j=\underset{i=1}{\overset{n_1}{\mathrm{\Σ}}}{p}_i{w}_{i,j},j=\mathrm{1,2}...n_2---\left(1\right)$

b_j＝f(s_j)   j=1,2...n₂          (2)

对于输出层有

$l_k=\underset{j=1}{\overset{n_2}{\mathrm{\Σ}}}{b}_j{v}_{j,k},k=\mathrm{1,2}...n_3---\left(3\right)$

c_k＝f(l_k)   k=1,2...n₃           (4)

对于隐层，传递函数f(x)常选择S型的对数或双曲正切函数；对输出层，传递函数可以选择S型函数或线性型函数。

BP网络能以任意精度逼近非线性映射，这一特性可通过BP神经网络的训练过程实现。

LM神经网络训练算法

由于标准BP算法用于三层前馈网络时，可以以任意精度逼近任何非线性函数，但易形成局部极小而无法达到全局最优；学习效率较低，需要经过多次训练才能收敛；选取隐层节点数时缺乏理论依据等问题。因此，本发明采用LM算法来提高神经网络收敛速度，具体说明如下：

LM算法又称为阻尼最小二乘算法，它是非线性最小二乘无约束优化的主要算法，对于一些将均方误差作为性能函数的网络，是一种极好的训练算法。

LM算法具有二阶收敛速度，是牛顿法和梯度下降法的融合算法，因此同时具有局部收敛性和全局特性，而且省略了对Hessian矩阵的计算，因此，该方法是一种快速有效的训练算法适用于参数数目不太大的网络模型。

设神经网络的输入样本为x，则神经网络的误差指标函数可由下式表示：

$E\left(x\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|Y_i-{\hat{Y}}_i\left|\right|}^2=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_i^2\left(x\right)---\left(5\right)$

式中，Y_i为神经网络期望的输出向量，为神经网络实际的输出向量，e_i(x)为误差。

设e(x)＝[e₁(x),e₂(x),…e_N(x)]^T，w(k)为第k次迭代的权值向量，维数为M，新的权值向量w(k+1)可由以下规则求得：

$w(k+1)=w\left(k\right)+\mathrm{\Δw}\left(k\right)=w\left(k\right)-H_k^{-1}{g}_k---\left(6\right)$

H_k＝▽²E(x)|_x＝w(k)＝J^T(x)J(x)+S(x)   （7）

g_k＝▽E(x)|_x＝w(k)＝J^T(x)e(x)   （8）

其中，J是Jacobian矩阵，即：

$S\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_i\left(x\right){\▿}^2{e}_i\left(x\right)---\left(10\right)$

矩阵S的元素会在逼近误差指标函数的最小值时变得很小，则

H＝J^T(x)J(x)   （11）

因H要求逆，则取

H＝J^T(x)J(x)+μI   （12）

其中，比例系数μ＞0，取值很小，I为单位矩阵。

最终得到权值修正方法为：

Δw＝-[J^T(x)J(x)+μI]^-1J^T(x)e(x)   （13）

基于上述分析，本发明采用LM-BP神经网络对光伏超短期功率进行预测包括以下步骤：

步骤1：根据环境因素建立LM-BP神经网络预测模型并确定输入层数据和输出层数据。

如图2及图3所示，考虑神经网络结构主要包括有输入层、隐藏层（单隐层结构）和输出层。其中输入层节点包括辐射照度序列和环境温度序列共26个输入变量，分别为：为前一天白天6：00到18：00期间12小时逐小时的光照及温度序列（辐射照度序列）、预测日白天12小时逐小时的光照及温度序列（辐射照度序列）、预测日季节和日类型。

隐藏层为LM-BP神经网络预测模型，该神经网络预测模型根据环境因素来建立。LM-BP神经网络预测模型包括按季节构建的四个预测子模型：春季模型、夏季模型、秋季模型和冬季模型，同时，还包括按照天气情况构建的三个子模型：晴天模型、多云模型、雨天模型模型，LM-BP神经网络预测模型根据输入层输入的季节和日类型确定括辐射照度序列应该属于哪个子模型。LM-BP神经网络预测模型中的隐藏层神经元数目通过多次试验获得。

输出层是通过LM-BP神经网络预测模型对采集到的预测日的太阳辐照强度及环境温度等信息，判断发电功率预测值，预测模型的输出为预测日6：00到18：00期间每小时的光伏发电预测量，共12个输出变量。

步骤2：LM-BP神经网络预测模型对输入的数据进行归一化处理。

由于输入数据中不同的分量数据范围不一样，对网络进行训练之前必须对数据进行预处理，以消除由于原始数据形式的不同所产生的不利影响，通常需采用归一化处理的方式，将原始目标、输入数据转换到[0，1]区间内，归一化公式如下：

$P^{*}=\frac{P-P_{\min }}{P_{\max }-P_{\min }}---\left(14\right)$

式中：P^*为归一化后的数据，P为样本数据，P_max，P_min分别为P的最大值和最小值。

步骤3：采用LM算法进行LM-BP神经网络训练，得到更新权值的LM算法。

由于每个月的辐照强度和温度变化规律不太一样，因此对每个月的场景分别建立预测模型。用前20天的数据建立训练样本集，后10天的数据测试网络。为加速网络的收敛速度，采用LM算法训练网络，其权值调整及训练流程如图4所示。

设X＝(x₁,x₂,…,x₂₆)^T是LM-BP神经网络的输入样本，W^(k)是第k次迭代的权值微量，新的权值向量为W^(k+1)，根据以下规则求得：

W^(k+1)＝W^(k)+ΔW   (15)

根据牛顿法，有权值修正为：

ΔW＝-[▽²E(X)]^-1▽E(X)   (16)

式中，E(X)是误差指标函数，▽²E(X)是E(X)的Hessian矩阵，▽E(X)是E(X)的梯度。

设误差指标函数为：

$E\left(X\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{e}_i^2\left(X\right)=\frac{1}{2}{e}^T\left(X\right)e\left(X\right)---\left(17\right)$

其中，e_i(X)为神经网络实际输出与期望输出的误差，由于输出层有12个神经元，即：

e(X)＝[e₁(X),e₂(X),…,e₁₂(X)]^T   (18)

▽E(X)＝J^T(X)·e(X)   (19)

▽²E(X)＝J^T(X)·e(X)+J(X)   (20)

在式(19)和(20)中J(X)为Jacobian矩阵，即：

J(X)＝[▽r₁…▽r_m]^T   (21)

式中： $\▿r=[\frac{\∂e_i\left(X\right)}{\∂x_1}...\frac{\∂e_i\left(X\right)}{\∂x_{26}}].$

得到更新权值的LM算法，其形式为：

ΔW＝-[J^T(X)·J(X)+μI]^-1J^T(X)·e(X)   (22)

式中，μ—大于0的常数，I—单位矩阵。

由于LM-BP算法方法采用了近似二阶导数的信息，所以比使用梯度下降法要快得多。因此，LM算法具有二阶收敛速度，迭代次数少，同时具有局部收敛和全局特性。

步骤4：计算光伏电站的光伏功率得到预测结果

由于光伏电站的输出功率模型预测的是预测日6：00-18：00的每小时输出功率平均值，因此模型得到的输出层变量12个。

对于整个光伏电站的出力预测，可以逐个预测光伏电站中每个光伏阵列的出力，然后求和得到整个光伏电站的出力预测结果；也可以选取其中几个有代表性的光伏阵列预测其出力，然后等效得到其他光伏阵列的出力预测结果。

步骤5：预测结果校正

为了可以根据历史数据来预测未来发电功率，同时结合当前天气预报趋势对后续时间的预测数据进行调整，可对得到的预测结果，将已过去最近一小时的温度光照与数据库中同时段的历史情况进行对比，若其数据与当前预测结果类似时可通过相似天数据情况对预测值进行修正调整；同时可通过与数据库中同时段的历史最大、最小值进行比较，若大于历史最大值，或小于历史最小值，则需要修正其结果为历史最大值或历史最小值。经过良好训练的网络，对不是经集中训练的输入也能给出合适的输出，具有一定的泛化能力，从而为预测提供了可能。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (9)

1.一种基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：包括以下步骤：

步骤1：根据环境因素建立LM-BP神经网络预测模型并确定输入层数据和输出层数据；

步骤2：LM-BP神经网络预测模型对输入的数据进行归一化处理；

步骤3：采用LM算法进行LM-BP神经网络训练，得到更新权值的LM算法；

步骤4：计算光伏电站的光伏功率得到预测结果。

2.根据权利要求1所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：所述步骤4后还包括预测结果校正的步骤：将已过去最近一小时的温度光照与数据库中同时段的历史情况进行对比，若其数据与当前预测结果类似时可通过相似天数据情况对预测值进行修正调整；同时通过与数据库中同时段的历史最大、最小值进行比较，若大于历史最大值，或小于历史最小值，则需要修正其结果为历史最大值或历史最小值。

3.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：所述的LM-BP神经网络预测模型包括按季节构建的四个预测子模型：春季模型、夏季模型、秋季模型和冬季模型以及按照天气情况构建的三个子模型：晴天模型、多云模型、雨天模型模型。

4.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：所述的输入层数据包括光照及温度序列、预测日季节和日类型。

5.根据权利要求4所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：所述的光照及温度序列包括前一天白天6：00到18：00期间12小时逐小时的光照及温度序列、预测日白天12小时逐小时的光照及温度序列；所述的预测日季节为春季、夏季、秋季或冬季，所述的日类型为晴天、多云或雨天类型。

6.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：所述输出层数据为预测日6：00到18：00期间每小时的光伏发电预测量。

7.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：所述步骤2的归一化处理是将原始目标、输入数据转换到[0，1]区间内，其归一化公式为：

$P^{*}=\frac{P-P_{\min }}{P_{\max }-P_{\min }}$

式中：P^*为归一化后的数据，P为样本数据，P_max，P_min分别为P的最大值和最小值。

8.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：所述步骤3得到的更新权值的LM算法为：

ΔW＝-[J^T(X)·J(X)+μI]^-1J^T(X)·e(X)

式中，μ为大于0的常数，I为单位矩阵，e_i(X)为神经网络实际输出与期望输出的误差，J(X)是Jacobian矩阵，J^T(X)是Jacobian矩阵的逆矩阵。

9.根据权利要求1或2所述的基于LM-BP神经网络的光伏超短期功率预测方法，其特征在于：所述步骤4的预测结果是通过以下方式计算得到：根据LM-BP神经网络预测模型得到的输出层数据，逐个计算光伏站中每个光伏阵列的出力，然后求和得到整个光伏电站的出力预测结果；或者选取其中几个有代表性的光伏阵列预测其出力，然后等效得到其他光伏阵列的出力预测结果。

Images