CN106570594A

CN106570594A - 一种基于tmbp的相似日光伏发电短期预测方法

Info

Publication number: CN106570594A
Application number: CN201610994068.5A
Authority: CN
Inventors: 余运俊; 孙旻; 曾伟; 辛建波; 徐在德; 陈波; 何昊; 纪清照
Original assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Priority date: 2016-11-11
Filing date: 2016-11-11
Publication date: 2017-04-19

Abstract

一种基于TMBP的相似日光伏发电短期预测方法，包括以下步骤：（1）收集整理包括气象、发电量的历史数据；（2）运用相似日选择算法提取出季节类型、天气类型和气温相似的样本；（3）选择相似日6:00~19：00每小时的输入功率序列，相似日最高气温，最低气温，预测日最高气温，最低气温作为输入量；并对输入量进行归一化；（4）建立TMBP模型；（5）将输入数据导入导入，得到输出，并将输出数据反归一化。本发明解决了光伏预测在非晴天条件下预测精度低，常规的BP神经网络法训练时间长，收敛速度慢等缺点。本发明较之传统方法提高了在非晴天条件下的预测精度，而且缩短了训练时间，加快了收敛速度。

Description

一种基于TMBP的相似日光伏发电短期预测方法

技术领域

本发明涉及一种基于TMBP的相似日光伏发电短期预测方法，属光伏发电技术领域。

背景技术

随着大量光伏发电设备的并网电网，光伏发电量预测无论对系统稳定运行还是电能优化调度都有着非常重要的作用。而提取对季节类型、天气类型和气温相似的样本，分别建立光伏预测模型，可以大大提高预测精度。

目前光伏发电预测的方法主要有神经网络法、灰色预测法、多元线性回归法、ARIMA预测法、马尔科夫链、支持向量机法，而这些方法都对气象资料的准确性要求高或者对晴天预测的精度较高，训练时间长等缺点。由于光伏预测与气象因素、地理因素密切相关，因此如何综合考虑多方面的影响以缩短预测时间和提高预测精度将成为今后研究的重点和难点。

发明内容

本发明的目的是，为了解决光伏预测在非晴天条件下预测精度低，常规的BP神经网络法训练时间长，收敛速度慢等缺点，提出一种基于TMBP的相似日光伏发电短期预测方法。

本发明是通过以下技术方案实现的。

一种基于TMBP的相似日光伏发电短期预测方法，包括如下步骤：

(1)收集整理包括气象、发电量的历史数据；

(2)运用相似日选择算法提取出季节类型、天气类型和气温相似的样本；

(3)选择相似日6:00～19：00每小时的输入功率序列，相似日最高气温，最低气温，预测日最高气温，最低气温作为输入量；并对输入量进行归一化；

(4)建立TMBP模型；

(5)将输入数据导入导入，得到输出，并将输出数据反归一化。

所述步骤(2)的子步骤为：

(2-1)选择出和预测日天气类型、季节类型一致的n条历史记录，形成样本集D。

(2-2)计算预测日和样本集D中历史记录的气温欧氏距离d_i计，d_i计算公式如式所示：

式中：Y₁、Y₂分别为预测日的最高气温、最低气温；X_i1、X_i2分别为样本集D中第i条记录的最高气温、最低气温。

(2-3)将气温欧氏距离集{d₁,d₂,d₃,...,d_n}按照值的大小升序排序，最小值所对应的日期即为预测日所对应的相似日。

所述TMBP模型建立步骤为：

(4-1)将所有输入提交网络，记网络输入为a⁰＝p。

其中，a表示输入网络的初始数据；p表示输入变量的列向量。

(4-2)计算各层网络输出

a^m+1＝f^m+1(w^m+1a^m+b^m+1)，

其中，w表示第m层的权值矩阵；b表示第m层的偏置列向量。

(4-3)计算相应的网络输出误差

其中，t_q表示第q对样本的目标输出；a_q表示第q对样本对应第m层节点输出。

(4-4)利用式

其中，e_j,q表示第q对S^j个输入变量的网络输出误差；v_i表示网络误差向量；M表示神经网络层数；；S^m(m＝0，1，2...M)表示网络中第m层节点数；Q表示训练集样本总数；

计算所有输入的平方误差和F(x)，计算雅可比矩阵J；

(4-5)解式

△x_k＝x_k+1-x_k＝-[J^T(x_k)J(x_k)+μI]^-1J^T(x_k)v(x_k)

其中，x_k表示权值参数向量；J表示雅可比矩阵；μI表示LM算法里的参数，用于控制LM算法的迭代；v(x_k)表示迭代k次后的误差。

求△x_k，用x_k+△x_k重复计算平方误差和。

本发明的有益效果是，本发明解决了光伏预测在非晴天条件下预测精度低，常规的BP神经网络法训练时间长，收敛速度慢等缺点。本发明较之传统方法提高了在非晴天条件下的预测精度，而且缩短了训练时间，加快了收敛速度。

附图说明

图1为光伏发电预测系统流程图；

图2为2011年5月17日实际值与预测值曲线；

图3为2011年5月25日实际值与预测值曲线；

图4为模型一和模型二在6个预测日所有时间点的RE曲线。

具体实施方式

下面结合附图好人工作原理对本发明的具体实施方试进行详细说明。

如图1所示，为本实施例基于TMBP的相似日光伏发电短期预测流程。通过对收集到的历史气象，光伏发电量，组件状态等不完备和异构数据进行预处理，得到能够利用的数据，然后根据季节，天气，温度进行相似日选择得到训练样本，再选择合适量作为模型输入量导入已经搭建好的TMBP模型，通过训练和预测得到相似日预测发电量。

本实施例包括以下步骤：

(1)对历史数据的收集。本实施例以2011年江西省南昌市南昌大学前湖校区(东经115.94°，北纬28.68°)一台10kW的逆变器为研究对象，采集其2012-2015的历史发电数据和气象数据。首先对30多种天气类型进行分类，如将晴作为一类；多云转晴，晴转多云分为一类；将小雨等下雨天气分为一类，阴天分为一类，共七类天气。对每一种天气进行编码。对光伏发电历史数据进行筛选，计算每天6：00-19:00的每小时发电量，将不连续，不完整数据去除。

(2)运用相似日选择算法，即筛选出季节类型，天气类型，与预测日温度的欧氏距离最小的数据作为训练样本。本实施例预测日为2011-05-17，2011-05-25，2011-07-02，2011-08-08，2011-09-14，2011-10-11。

(3)选择相似日6:00-19:00的每小时发电量，预测日的最高温度和最低温度，相似日的最高最低温度作为输入量，对这些输入量作归一化处理，归一化公式为

(4)建立TMBP模型，包括如下步骤：

第一步：将所有输入提交网络，记网络输入为a⁰＝p；

第二步：计算各层网络输出

a^m+1＝f^m+1(w^m+1a^m+b^m+1) (2)

第三步：计算相应的网络输出误差

第四步：利用式

计算所有输入的平方误差和F(x)，计算雅可比矩阵J；

第五步：解式

△x_k＝x_k+1-x_k＝-[J^T(x_k)J(x_k)+μI]^-1J^T(x_k)v(x_k) (5)

求△x_k，用x_k+△x_k重复计算平方误差和。

如果新的平方误差和小于第四步中计算的和，则用μ除以θ，并设x_k+1＝x_k+△x_k，转第一步；如果平方误差和没有减少，则用μ以θ，转第五步。当平方误差和减小到某个目标误差时，算法被认为收敛。

(5)将输入数据导入导入，得到输出，将输出数据反归一化，反归一化公式为：

x_i＝X_i(x_max-x_min)+x_min (6)

图2将为2011年5月17日作为预测日，得到的光伏发电量实际值与预测值曲线。并比较传统BP神经网络和改进的TLMBP神经网络的预测精度。

图3为2011年5月25日作为预测日，得到的光伏发电量实际值与预测值曲线。并比较传统BP神经网络和改进的TMBP神经网络的预测精度。

图4为模型一和模型二在6个预测日所有时间点的RE曲线。

Claims

1.一种基于TMBP的相似日光伏发电短期预测方法，包括收集整理气象、发电量的历史数据，其特征是，所述方法包括：

运用相似日选择算法提取出季节类型、天气类型和气温相似的样本；

选择相似日6:00～19：00每小时的输入功率序列，相似日最高气温，最低气温，预测日最高气温，最低气温作为输入量；并对输入量进行归一化；

建立TMBP模型；

将输入数据导入导入，得到输出，并将输出数据反归一化。

2.根据权利要求1所述的一种基于TMBP的相似日光伏发电短期预测方法，其特征在于，所述运用相似日选择算法提取出季节类型、天气类型和气温相似的样本的步骤为：

(1)选择出和预测日天气类型、季节类型一致的n条历史记录，形成样本集D；。

(2)计算预测日和样本集D中历史记录的气温欧氏距离d_i计，d_i算公式如式所示：

d_{i} = {[Σ_{j = 1}^{2} {(Y_{j} - X_{i j})}^{2}]}^{\frac{1}{2}}, i = 1, 2, 3, ...,

式中：Y₁、Y₂分别为预测日的最高气温、最低气温；X_i1、X_i2分别为样本集D中第i条记录的最高气温、最低气温；

(3)将气温欧氏距离集{d₁，d₂，d₃，…，d_n}按照值的大小升序排序，最小值所对应的日期即为预测日所对应的相似日。

3.根据权利要求1所述的一种基于TMBP的相似日光伏发电短期预测方法，其特征在于，所述TMBP模型建立的步骤为：

(1)将所有输入提交网络，记网络输入为a⁰＝p；

其中，a表示输入网络的初始数据；p表示输入变量的列向量；

(2)计算各层网络输出

a^m+1＝f^m+1(w^m+1a^m+b^m+1)，

其中，w表示第m层的权值矩阵；b表示第m层的偏置列向量；

(3)计算相应的网络输出误差

e_{q} = t_{q} - a_{q}^{M},

其中，t_q表示第q对样本的目标输出；a_q表示第q对样本对应第m层节点输出；

(4)利用式

F (x) = {(t_{q} - a_{q})}^{2} = Σ_{q = 1}^{Q} e_{q}^{T} e_{q} = Σ_{q = 1}^{Q} Σ_{j = 1}^{S^{M}} {(e_{j, q})}^{2} = Σ_{i = 1}^{N} {(v_{i})}^{2};

其中，e_j,q表示第q对S^j个输入变量的网络输出误差；v_i表示网络误差向量；M表示神经网络层数；S^m(m＝0，1，2...M)表示网络中第m层节点数；Q表示训练集样本总数；

计算所有输入的平方误差和F(x)，计算雅可比矩阵J；

(5)解式

△x_k＝x_k+1-x_k＝-[J^T(x_k)J(x_k)+μI]^-1J^T(x_k)v(x_k)

其中，x_k表示权值参数向量；J表示雅可比矩阵；μI表示表示LM算法里的参数，用于控制LM算法的迭代；v(x_k)表示迭代k次后的误差。