CN104616078A - 基于Spiking神经网络的光伏系统发电功率预测方法 - Google Patents

Abstract

本发明公开一种基于Spiking神经网络的光伏系统发电功率预测方法。本发明方法包括以下步骤：1)通过计算并排序欧氏距离(Euclidean distance)的方法确定各种天气类型下预测日的相似日集合；2)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；3)利用Spiking神经网络(Spiking Neural Network,SNN)对转换后的时间样本进行建模预测。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系统发电功率预测问题。

Description

基于Spiking神经网络的光伏系统发电功率预测方法

技术领域

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

背景技术

积极推广光伏发电系统的应用，有利于缓解化石能源的日益枯竭、温室效应、空气污染等能源和环境问题。但是光伏系统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，对电网调度部门的出力安排提出了新的挑战。因此有必要对光伏系统的发电功率进行准确预测，预先获得其发电功率曲线，从而有助于电网调度部门统筹安排，有效降低大规模光伏接入对电力系统的影响，提高系统安全性和稳定性。

目前，针对光伏系统输出功率的随机性，国内外提出的用于发电功率预测的传统模型主要是基于数学统计理论的预测模型如马尔可夫链(Markov Chain)模型、自回归滑动平均(Auto Regressive Moving Average,ARMA)模型。但是这些方法在考虑天气变化等不稳定因素的影响以及系统的非线性时，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，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(Artificial Neural Network,ANN)可以模仿人脑训练已有的信息，掌握不同因素间的内部规律，执行复杂的数学映射，特别适合处理光伏发电功率和外部影响因素间的非线性关系。其中，反向传播人工神经网络(Back Propagation Artificial Neural Network,BP-ANN)因具有很强的学习能力、组织性、容错性和推理意识功能等优点而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：针对现有技术中存在的问本发明针对现有光伏系统发电功率预测技术中考虑天气类型、太阳辐照强度、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Spiking神经网络的光伏系统发电功率预测方法。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，改善了预测模型的精度和泛化能力。

技术方案：一种基于Spiking神经网络的光伏系统发电功率预测方法，包括以下步骤：

1)获取光伏系统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，原始气象数据包括天气类型、太阳辐照强度、环境温度等影响因素；

2)按照天气类型将原始数据集分为4种类型粗选集：晴天、多云天、阴天和雨天；

3)在4种天气类型粗选集中，根据最高气温、最低气温、太阳辐照强度计算各历史发电日与预测日的欧氏距离，并将欧式距离按照升序排列，选取前6个对应的历史发电日组成预测日的相似日集；

4)初始化：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；

5)使用Time-to-first-Spike编码方法将归一化后的模拟量数据转换成相应的脉冲时间数据；

6)利用SpikeProp算法对Spiking神经网络进行训练，直到训练样本集中的输入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；

7)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Spiking网络，其输出即为待预测日的发电功率预测值；

8)使用Time-to-first-Spike编码方法将预测得到的脉冲时间数据反向转化成相应的模拟量数据，并反归一化得到光伏发电功率的预测值(功率值)。

有益效果：本发明的光伏系统发电功率预测方法利用Spiking神经网络进行建模预测，利用其良好的非线性函数逼近能力和强大的计算能力，改善预测模型的精度和泛化能力。

附图说明

图1为本发明实施例的基于Spiking神经网络的光伏系统发电功率预测方法的流程图；

图2为本发明实施例的Spiking神经网络采用的SRM神经元模型结构示意图；

图3为本发明实施例的3层前向Spiking神经网络预测模型结构示意图；

图4为本发明实施例的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(a)为本发明实施例测试的天气类型为晴天时光伏发电功率预测曲线与实际曲线图；

图5(b)为本发明实施例测试的天气类型为多云时光伏发电功率预测曲线与实际曲线图；

图5(c)为本发明实施例测试的天气类型为阴天时光伏发电功率预测曲线与实际曲线图；

图5(d)为本发明实施例测试的天气类型为雨天时光伏发电功率预测曲线与实际曲线图。

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Spiking神经网络引入光伏系统发电功率预测中，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来提高光伏系统发电功率预测精度。

Spiking神经网络(Spiking Neural Network,SNN)是基于Spiking神经元建立的神经网络。Spiking神经元模型采用精确的脉冲发射时间编码方法进行信息的传递和计算，因此能够更加接近的描述真实生物神经系统中的神经元，具有强大的计算能力和良好的适用性。常用的Spiking神经元模型有LIF模型(LeakyIntegrate-and-Fire model)，HH模型(Hodgkin-Huxley model)和SRM模型(SpikeResponse 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。

Spiking神经元的输入和输出为一系列离散的脉冲发射时间被称为脉冲序列，脉冲发射时间是指神经元发射脉冲的瞬间。当Spiking神经元受到外界的刺激(外界的输入和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，该神经元发射一个脉冲(Spike)，并发送一个输出信号，称为突触后电位(Post Synaptic Potential,PSP)。所有的输入脉冲产生的PSP在其各自传输突触权值和突触延迟作用下的总和构成了神经元的内部状态即膜电位值(Membrane Potential)。一个输入Spike产生的PSP的性能由脉冲响应函数(SpikeResponse Function,SRF)来表示。脉冲响应函数有多种，比如α函数，双曲正弦函数，α积分函数等，本文选用α函数ε(t)，其数学公式可表达为：

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

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

Spiking神经网络可以用Spiking神经元构成前向网络、反馈网络等各种网络。本发明采用的SNN结构是3层前向网络结构，每层中的任意一个神经元只与相邻层中的神经元相连，而与同一层中的其他神经元无连接，结构如图3所示。其中H代表输入层，I代表隐含层，J代表输出层；各层神经元的个数分别为n、p、q；各层中任意一个神经元分别用h∈[1,n]，i∈[1,p]和j∈[1,q]表示。

Spiking神经网络和BP人工神经网络结构上最大的区别是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和连接权值，结构如图3所示。多突触的不同延时使得突触前神经元输入的脉冲能够在更长的时间范围和更具体的时间水平上对突触后神经元的脉冲发射产生影响，使模型更加接近真实的生物神经系统。

由图3可以看出，在输入层任意神经元h和隐含层任意神经元i之间，神经元h接收一系列脉冲，并发射PSP，其发射时间为t_h。PSP在由h传递到i的过程中受到突触子连接上的权值W_hi和延迟d^k作用，传递到神经元i的所有PSP总和即为神经元i的膜电位值。

神经元h发射的PSP经第k个突触子连接传递而得到的对隐含层神经元未加权值的激励为其数学表达式如下：

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

式中：t_h为神经元h的脉冲发射时间，ms；d^k为任意两个神经元间第k个突触子连接的突触延迟，ms。

神经元i的膜电位值用内部状态变量X_i(t)表示，单位mv，其数学表达式如式(3)所示。

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

式中：m为连续层任意两神经元间突触子连接的个数；为神经元h和i之间第k个突触子连接的权值；为输入层神经元h对隐含层层神经元未加权值的激励。

当神经元i的膜电位X_i(t)由低到高超过神经元i预先设定的激发阈值θ时，神经元i发射脉冲。膜电位值超过阈值的瞬间t_i即为神经元i的脉冲发射时间，ms。用数学公式可表达为：

式中：θ为神经元i预先设定的激发阈值，mv，对于网络中所有的神经元，θ相等且为定值。

本发明中Spiking神经网络采用SpikeProp有监督学习算法。SpikeProp算法规定网络中每一个神经元只能激发一个Spike，其公式推导来自于图3所示的3层前向Spiking神经网络，但同样适用于多隐含层前向网络。

首先计算输出层J任意神经元j的实际脉冲发射时间

$X_j\left(t\right)=\underset{i}{\mathrm{\Σ}}\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}^k{Y}_i^k\left(t\right)---\left(5\right)$

式中：X_j(t)为输出层神经元j的膜电位值，mv；为神经元i和j之间第k个突触子连接的权值；为隐含层神经元i对输出层神经元未加权值的激励。

式中：为神经元j的实际脉冲发射时间，ms；θ为神经元j预先设定的激发阈值，mv。

SpikeProp算法的目标是最小化网络误差函数，这里采用最小均方误差函数作为网络误差函数：

$E=\frac{1}{2}\underset{j\∈J}{\mathrm{\Σ}}{(t_j^a-t_j^d)}^2---\left(7\right)$

式中：E为网络的训练误差；为输出层神经元j∈J实际发射脉冲的时间；为期望的脉冲发射时间。

隐含层I和输出层J之间的权值修正量为其计算如下：

$\mathrm{\Δ}{W}_{\mathrm{ij}}^k=-\mathrm{\η}{\mathrm{\δ}}_j{Y}_i^k\left(t_j^a\right)---\left(8\right)$

式中：η为网络学习率；δ_j为便于公式推导引入的中间变量，其表达式如公式(9)；为隐含层神经元i对输出层神经元未加权值的激励。

${\mathrm{\δ}}_j=\frac{(t_j^d-t_j^a)}{\underset{i\∈{\mathrm{\Γ}}_j}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{W}_{\mathrm{ij}}^k\frac{\∂{Y_i}^k\left(t_j^a\right)}{\∂t_j^a}}---\left(9\right)$

式中：为神经元i和j之间第k个突触子连接的权值；Γ_j为与输出层神经元j直接相连的隐含层中的神经元的集合。

输入层H和隐含层I之间的权值修正量为其计算如下：

$\mathrm{\Δ}{W}_{\mathrm{hi}}^k=-\mathrm{\η}{\mathrm{\δ}}_i{Y}_h^k\left(t_j^a\right)---\left(10\right)$

式中：η为网络学习率；δ_i为便于公式推导引入的中间变量，其表达式如公式(11)；为输入层神经元h对隐含层神经元未加权值的激励。

${\mathrm{\δ}}_i=\frac{\underset{j\∈{\mathrm{\Γ}}^i}{\mathrm{\Σ}}{\mathrm{\δ}}_j\left\{\underset{k}{\mathrm{\Σ}}{W}_{\mathrm{ij}}^k\frac{\∂{Y_i}^k\left(t_j^a\right)}{\∂t_j^a}\right\}}{\underset{h\∈{\mathrm{\Γ}}_i}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{W}_{\mathrm{hi}}^k\frac{\∂Y_h^k\left(t_i^a\right)}{\∂t_i^a}}---\left(11\right)$

式中：为神经元h和i之间第k个突触子连接的权值；Γ_i为与隐含层神经元i直接相连的输入层中的神经元的集合；Γⁱ为与隐含层神经元i直接相连的输出层中的神经元的集合。

更新输入层H和隐含层I以及隐含层I和输出层J之间的权值，计算如下：

$W_{\mathrm{ij}}^{k*}=W_{\mathrm{ij}}^k+\mathrm{\Δ}{W}_{\mathrm{ij}}^k---\left(12\right)$

$W_{\mathrm{hi}}^{k*}=W_{\mathrm{hi}}^k+\mathrm{\Δ}{W}_{\mathrm{hi}}^k---\left(13\right)$

式中：为更新前的权值；为更新后的权值；为权值修正量。

采用该方案时，如果只是将光伏预测模型做晴天、多云、阴天、雨天的简单分类会对气候因素处理不够精细，导致模型的失效。因此，本发明在上述简单分类的基础上，通过计算和排序欧式距离的方法来确定相似日，具体步骤如下。

1)根据预测日的天气类型预报信息从样本库中挑选出相同日类型的历史发电日组成粗选集。粗选集是将各种天气类型大致划分为4类：晴天、多云、阴天和雨天；

2)计算粗选集中每个历史发电日与预测日的最高、最低温度和太阳辐照强度的欧氏距离：

$d_i={[{(t_{0h}-t_{\mathrm{ih}})}^2+{(t_{0l}-t_{\mathrm{il}})}^2+{(I_0-I_i)}^2]}^{1/2}---\left(14\right)$

式中：t_0h、t_0l为预测日的最高、最低温度预报值；t_ih、t_il为粗选集中第i个历史发电日的最高、最低温度；I₀为预测日太阳辐照强度预报值；I_i为粗选集中第i个历史发电日的太阳辐照强度。

3)将计算出的每个历史发电日的欧氏距离d_i，按照升序排列，并选取前a个，本文a＝6；

4)选取这a个欧式距离对应的历史发电日组成预测日的相似日集。

本发明测试时采用的是光伏发电数据采集系统数据库中的原始气象数据和历史发电数据，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。本发明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，预测模型中的光伏系统历史发电功率、温度和太阳辐照强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。在对网络进行测试之前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，有利于提高网络的泛化能力和预测精度。本发明采用变换式(15)对不同量纲数据进行归一化处理：

$p*=\frac{p-p_{\min }}{p_{\max }-p_{\min }}---\left(15\right)$

式中：p为原始的样本数据；p_max、p_min分别为样本数据p中最大值和最小值；p^*为归一化后的样本数据。

本发明中的Spiking神经网络是基于精确的脉冲发射时间进行信息的传递和计算的，因此必须将输入模拟量数据编码成脉冲时间。可采用的数据编码方法主要有Time-to-first-Spike编码、相位编码、阈值编码和群体编码等方法。本发明优选采用Time-to-first-Spike编码方法对SNN的输入、输出数据进行编码。

Time-to-first-Spike编码方法的前提条件是假设Spiking神经元只发射一个脉冲。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。在经归一化到区间[0,1]内的数据中，最大值1对应的神经元将首先发射脉冲，并记该脉冲发射时间为0ms。而数据中最小值0对应的神经元最后发射脉冲，并记该脉冲发射时间为T_max ms。将模拟量转换成脉冲时间的公式如下：

T＝T_max(1-p^*)       (16)

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。

本发明的光伏系统发电功率预测方法利用Spiking神经网络进行建模预测，利用其良好的非线性函数逼近能力和强大的计算能力，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：利用江苏省某光伏发电系统2011年7月至2012年5月的历史发电数据和其对应的气象数据对SNN、BP-ANN和SVM三种预测模型进行仿真实验，并对三种模型的预测结果进行对比验证分析。

模型参数设置如表1所示，各种天气类型下预测结果的平均绝对百分比误差(Mean Absolute Percent Error,MAPE)如表2所示。

表1 SNN、BP-ANN和SVM预测模型的最优结构参数

Table 1Optimum Structural Parameters for SNN，BP-ANN and SVMforecasting model

注：表中“\”表示预测模型中不存在此参数。

表2 SVM、BP-ANN和SNN预测模型的MAPE(％)

Table 2MAPE(％)of SVM,BP-ANN and SNN forecasting model

从表2可以看出：在晴天天气类型时，三种预测模型的MAPE均小于10％，预测结果均较为准确。其中，SNN预测模型预测结果的MAPE较SVM低2.37％，较BP-ANN低2.85％。在多云天、阴天、雨天等发电功率波动较大的天气类型时，由于训练样本中样本数较少，而且天气情况复杂多变，云团厚薄和移动趋势难以预测，光伏电站的发电具有更多的不确定性和随机性。因此三种模型的预测结果相对于晴天都有较大的误差，但是SNN的整体预测结果相比于SVM和BP-ANN明显具有更高的精度，说明SNN预测模型更加适用于随机性和波动性较大的天气类型。

图5(a)给出了天气类型为晴天时三种模型的光伏发电功率预测曲线与实际曲线。

图5(b)给出了天气类型为多云时三种模型的光伏发电功率预测曲线与实际曲线。

图5(c)给出了天气类型为阴天时三种模型的光伏发电功率预测曲线与实际曲线。

图5(d)给出了天气类型为雨天时三种模型的光伏发电功率预测曲线与实际曲线。

从图5中可以看出：由于晴天的光伏电站的发电功率曲线波动不大，SNN，BP-ANN和SVM预测曲线与实际曲线基本吻合。在多云天、阴天、雨天等发电功率波动较大的天气类型时，相对于晴天的预测结果，这三种天气类型下三种模型的预测曲线波动较大。然而，相比于BP-ANN和SVM的预测曲线，SNN的预测曲线更接近实际曲线，更能反映实际功率的变化趋势，局部预测效果更好，SNN的适应性更好。

综上所述，从测试结果可以看出，本发明基于Spiking神经网络光伏系统发电功率预测法具有如下优势：可明显减小预测误差，提高预测精度，对非线性数据的处理能力和适应性也较高。对于光伏发电系统配合电力系统制定发电计划有一定的参考价值。

Claims (5)

1.一种基于Spiking神经网络的光伏系统发电功率预测方法，其特征在于：包括以下步骤：

(1)获取光伏系统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)按照天气类型将原始数据集分为4种类型粗选集：晴天、多云天、阴天和雨天；

(3)在4种天气类型粗选集中，根据最高气温、最低气温、太阳辐照强度计算各历史发电日与预测日的欧氏距离，并将欧式距离按照升序排列，选取前6个对应的历史发电日组成预测日的相似日集；

(4)初始化：对训练和测试样本集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；

(5)使用Time-to-first-Spike编码方法将归一化后的模拟量数据转换成相应的脉冲时间数据；

(6)利用SpikeProp算法对Spiking神经网络进行训练，直到训练样本集中的输入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；

(7)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Spiking网络，其输出即为待预测日的发电功率预测值；

(8)使用Time-to-first-Spike编码方法将预测得到的脉冲时间数据反向转化成相应的模拟量数据，并反归一化得到光伏发电功率的预测值。

2.如权利要求1所述的基于Spiking神经网络的光伏系统发电功率预测方法，其特征在于：

计算粗选集中每个历史发电日与预测日的最高、最低温度和太阳辐照强度的欧氏距离：

d_i＝[(t_0h-t_ih)²+(t_0l-t_il)²+(I₀-I_i)²]^1/2    (14)

式中：t_0h、t_0l为预测日的最高、最低温度预报值；t_ih、t_il为粗选集中第i个历史发电日的最高、最低温度；I₀为预测日太阳辐照强度预报值；I_i为粗选集中第i个历史发电日的太阳辐照强度。

3.如权利要求1所述的基于Spiking神经网络的光伏系统发电功率预测方法，其特征在于：采用变换式(15)对不同量纲数据进行归一化处理：

$p^{*}=\frac{p-p_{\min }}{p_{\max }-p_{\min }}---\left(15\right)$

式中：p为原始的样本数据；p_max、p_min分别为样本数据p中最大值和最小值；p^*为归一化后的样本数据。

4.如权利要求1所述的基于Spiking神经网络的光伏系统发电功率预测方法，其特征在于：采用最小均方误差函数作为网络误差函数：

$E=\frac{1}{2}\underset{j\∈J}{\mathrm{\Σ}}{(t_j^a-t_j^d)}^2---\left(7\right)$

式中：E为网络的训练误差；为输出层神经元j∈J实际发射脉冲的时间；为期望的脉冲发射时间。

5.如权利要求1所述的基于Spiking神经网络的光伏系统发电功率预测方法，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^*)    (16)

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。