CN109376863A - 基于miv-bp神经网络的光伏功率短期分类预测方法 - Google Patents

Abstract

本发明实施例提供的基于MIV‑BP神经网络的光伏功率短期分类预测方法，利用MIV算法筛选不同条件下对光伏功率影响程度较大的天气因素作为预测模型的输入，并根据天气信息中的降雨量数据与数据采样时刻建立分类预测模型进行预测。现有方法多以太阳辐射强度、温度和湿度等作为预测模型的必要输入，通过根据天气因素中的降雨量将原始数据序列分解为降雨时刻序列和非降雨时刻序列，并利用平均影响值算法筛选不同条件下对光伏功率的影响程度较大的天气因素作为预测模型的输入，根据数据的采样时刻进一步将非降雨时刻序列分解，分别对各序列建立子模型进行预测，降低了光伏功率的预测成本，同时提高了预测模型在突变天气下的预测精度，提高了模型的适应性。

Description

基于MIV-BP神经网络的光伏功率短期分类预测方法

技术领域

本发明属于功率预测领域，特别涉及基于MIV-BP神经网络的光伏功率短期分类预测方法。

背景技术

随着能源消费的快速增长和气候环境的不断恶化，近年来，光伏发电技术得到了迅速发展，越来越多的MW级光伏发电系统并入电网。然而受天气条件影响，光伏功率的随机性和间歇性给电网的稳定运行和调度管理带来了巨大挑战。光伏功率精确预测不仅有利于光伏电站出力的协调调度，还能为电网的决策控制行为提供支撑，对提高电力系统运行的安全性和稳定性具有重要意义。

现有光伏功率预测方法主要包含物理法和统计法。物理法通过对光电转换装置和控制系统进行建模来预测光伏出力，其预测准确性取决于待测对象的结构和选用参数的精度，但该方法涉及环节多，过程较为复杂；统计法则是基于大量历史数据，运用数理统计、人工智能算法等获取光伏出力与天气数据、历史运行情况之间的规律，对数据样本的要求较高，且预测精度依赖于样本，难以衡量不同天气条件下，天气因素对光伏的影响程度。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提供了用于提高测量精确性的基于MIV-BP神经网络的光伏功率短期分类预测方法。

为了达到上述技术目的，本发明提供了基于MIV-BP神经网络的光伏功率短期分类预测方法，该方法包括：

步骤1，采集历史光伏功率序列和天气信息，根据天气信息中的降雨量数据将历史光伏功率序列划分为降雨时刻与非降雨时刻序列，并划分后得到的数据序列作标准化处理；

步骤2，建立BP神经网络，多次计算各输入变量的平均影响值，得到输入变量平均影响值绝对值的均值；

步骤3，筛选所述均值中的输入因素，根据数据采样时刻将划分得到的光伏序列进行分解，建立基于BP神经网络的分类预测模型；

步骤4，根据待预测点的天气信息与采样时刻，选取相对应的分类预测模型对各待测点的光伏功率进行预测，得到待测时段的光伏功率序列。

可选的，所述的步骤1，包括：

步骤11，采集历史光伏功率序列和天气信息，所述参数包括历史光伏功率以及各采样时刻的天气条件，包括降雨量、能见度、气温、气压、风速、风向等，即：

Y＝[y₁,y₂…,y_n-1,y_n] (1)

input＝[X₁,X₂,…,X_j] (2)

X_j＝[x_j1,x_j2,…x_jn] (3)

式中，n为采样时刻点总数，j为输入天气因素总数，y_n为时刻点n的光伏功率，input为预测模型的输入天气因素数据集，X_j为第j个天气因素序列，x_jn为时刻点n的第j个天气条件的具体值。

步骤12，利用步骤11，通过判断降雨量将光伏序列划分为降雨时刻序列和非降雨时刻序列，并将分解后的各序列数据标准化，标准化公式为：

式中，x^*为原始采样数据，为原始数据均值，σ为原始采样数据序列标准差。

可选的，所述的步骤2，包括：

步骤21，利用原始数据序列训练一个BP神经网络，其输入输出的映射关系可表示为

output＝net(X₁,X₂,…,X_m,…,X_n) (5)

选择某一输入序列X_im，将序列中每一个样本加/减一个变动值b，其余输入序列不变，构成两个新的输入样本集，利用已得到的映射关系，得到两组新的输出，数学公式可表述为：

计算两组新输出的差值序列，输入序列X_im的平均影响值的绝对值即为差值序列绝对值的均值，数学公式表述为：

式中，MIV_m为第m个天气因素的平均影响值，y_up,i和y_low,i分别为加/减输入变量下时刻点i的光伏功率。

步骤22，按步骤21，多次计算输入序列X_im的平均影响值的绝对值，并根据计算结果的求取MIV绝对值均值；重复上述步骤，遍历每一组输入序列，计算各输入因素的MIV绝对值均值。

可选的，所述的步骤3，包括：

步骤31，根据步骤22，计算所得的各天气因素的MIV绝对值，分别对降雨时刻序列和非降雨时刻序列下的天气因素影响程度排序，筛选影响因素较大的前i个天气因素作为各预测模型的输入；

步骤32，根据数据序列中各样本的采样时刻，将非降雨时刻序列按采样时刻进一步分解得到多个序列，分别对两次分解后的序列建立子模型。两次分解后的子模型映射关系可表示为

Net＝{net₁,net₂,…,net_i,…,net_n,net_rain} (8)

式中，net_i为非降雨时刻下时刻点i的预测子模型所表征的映射关系，net_rain为降雨时刻下预测子模型所表征的映射关系。

BP神经网络的训练算法为附加动量的梯度下降算法，数学公式表述为

△ω(t)＝η[(1-μ)ω(t)+μω(t-1)] (9)

式中，Δω(t)为第t次迭代过程中的权值修正值，ω(t)为第t次迭代过程中的权值，η为网络的学习速率，μ为附加动量因子。自适应学习速率的修正公式可表述为

式中，E(t)为第t次迭代过程中的计算误差。

可选的，所述的步骤4，包括：

获取待测时段的天气因素数据，根据天气因素数据和采样时刻将待测时段分类，利用已建立的各分类子模型预测待测时段内各采样点的光伏功率，整理各采样点的光伏功率预测结果，得到待测时段的光伏功率序列。

本发明提供的技术方案带来的有益效果是：

通过根据天气因素中的降雨量将原始数据序列分解为降雨时刻序列和非降雨时刻序列，并利用平均影响值算法筛选不同条件下对光伏功率的影响程度较大的天气因素作为预测模型的输入，根据数据的采样时刻进一步将非降雨时刻序列分解，分别对各序列建立子模型进行预测，降低了光伏功率的预测成本，同时提高了预测模型在突变天气下的预测精度，提高了模型的适应性。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于MIV-BP神经网络的光伏功率短期分类预测方法的流程示意图；

图2(a)为非降雨时刻各天气因素的MIV绝对值分布；

图2(b)为降雨时刻各天气因素的MIV绝对值分布；

图3为本发明建立的BP神经网络拓扑结构。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

实施例一

本发明提供了基于MIV-BP神经网络的光伏功率短期分类预测方法，该方法包括：

步骤1，采集历史光伏功率序列和天气信息，根据天气信息中的降雨量数据将历史光伏功率序列划分为降雨时刻与非降雨时刻序列，并划分后得到的数据序列作标准化处理；

步骤2，建立BP神经网络，多次计算各输入变量的平均影响值，得到输入变量平均影响值绝对值的均值；

步骤3，筛选所述均值中的输入因素，根据数据采样时刻将划分得到的光伏序列进行分解，建立基于BP神经网络的分类预测模型；

步骤4，根据待预测点的天气信息与采样时刻，选取相对应的分类预测模型对各待测点的光伏功率进行预测，得到待测时段的光伏功率序列。

其中，所述的步骤1，包括：

步骤11，采集历史光伏功率序列和天气信息，所述参数包括历史光伏功率以及各采样时刻的天气条件，包括降雨量、能见度、气温、气压、风速、风向等，即：

Y＝[y₁,y₂…,y_n-1,y_n] (11)

input＝[X₁,X₂,…,X_j] (12)

X_j＝[x_j1,x_j2,…x_jn] (13)

式中，n为采样时刻点总数，j为输入天气因素总数，y_n为时刻点n的光伏功率，input为预测模型的输入天气因素数据集，X_j为第j个天气因素序列，x_jn为时刻点n的第j个天气条件的具体值。

步骤12，利用步骤11，采集的数据，通过判断降雨量是否为，将光伏序列划分为降雨时刻序列和非降雨时刻序列，并将分解后的各序列数据标准化，标准化公式为：

式中，x^*为原始采样数据，x为原始数据均值，σ为原始采样数据序列标准差。

可选的，所述的步骤2，包括：

步骤21，利用原始数据序列训练一个BP神经网络，其输入输出的映射关系可表示为

output＝net(X₁,X₂,…,X_m,…,X_n) (15)

选择某一输入序列X_im，将序列中每一个样本加/减一个变动值b，其余输入序列不变，构成两个新的输入样本集，利用已得到的映射关系，得到两组新的输出，数学公式可表述为：

计算两组新输出的差值序列，输入序列X_im的平均影响值的绝对值即为差值序列绝对值的均值，数学公式表述为：

式中，MIV_m为第m个天气因素的平均影响值，y_up,i和y_low,i分别为加/减输入变量下时刻点i的光伏功率。

步骤22，按步骤21，多次计算输入序列X_im的平均影响值的绝对值，并根据计算结果的求取MIV绝对值均值；重复上述步骤，遍历每一组输入序列，计算各输入因素的MIV绝对值均值。图2(a)为非降雨时刻各天气因素的MIV绝对值分布，图2(b)为降雨时刻各天气因素的MIV绝对值分布。

可选的，所述的步骤3，包括：

步骤31，根据步骤22，计算所得的各天气因素的MIV绝对值，分别对降雨时刻序列和非降雨时刻序列下的天气因素影响程度排序，筛选影响因素较大的前i个天气因素作为各预测模型的输入；

步骤32，根据数据序列中各样本的采样时刻，将非降雨时刻序列按采样时刻进一步分解得到多个序列，分别对两次分解后的序列建立子模型。两次分解后的子模型映射关系可表示为

Net＝{net₁,net₂,…,net_i,…,net_n,net_rain} (18)

式中，net_i为非降雨时刻下时刻点i的预测子模型所表征的映射关系，net_rain为降雨时刻下预测子模型所表征的映射关系。

BP神经网络的训练算法为附加动量的梯度下降算法，数学公式表述为

△ω(t)＝η[(1-μ)ω(t)+μω(t-1)] (19)

式中，Δω(t)为第t次迭代过程中的权值修正值，ω(t)为第t次迭代过程中的权值，η为网络的学习速率，μ为附加动量因子。自适应学习速率的修正公式可表述为

式中，E(t)为第t次迭代过程中的计算误差。

可选的，所述的步骤4，包括：

获取待测时段的天气因素数据，根据天气因素数据和采样时刻将待测时段分类，利用已建立的各分类子模型预测待测时段内各采样点的光伏功率，整理各采样点的光伏功率预测结果，得到待测时段的光伏功率序列。

下面结合附图，对本发明实施例的技术方案做进一步的说明。

本发明实施例提供基于MIV-BP神经网络的光伏功率短期分类预测方法，包括以下步骤：

步骤1)采集历史光伏功率序列和天气信息，根据天气信息中的降雨量数据将数据序列划分为降雨时刻与非降雨时刻序列，并对各数据序列作标准化处理；

步骤2)建立如图3所示的BP神经网络，多次计算各输入变量的平均影响值，得到输入变量平均影响值绝对值的均值；

步骤3)根据各输入变量的平均影响值绝对值均值筛选输入因素，根据数据采样时刻将光伏序列进一步分解，建立基于BP神经网络的分类预测模型；

步骤4)根据待预测点的天气条件与采样时刻，利用相应的分类预测模型预测各待测点的光伏功率，从而得到待测时段的光伏功率序列。

在上述实施例中，所述的步骤1)具体包括：

步骤101)采集历史光伏功率序列和天气信息，所述参数包括历史光伏功率以及各采样时刻的天气条件，包括降雨量、能见度、气温、气压、风速、风向等，即：

Y＝[y₁,y₂…,y_n-1,y_n] (21)

input＝[X₁,X₂,…,X_j] (22)

X_j＝[x_j1,x_j2,…x_jn] (23)

式中，n为采样时刻点总数，j为输入天气因素总数，y_n为时刻点n的光伏功率，input为预测模型的输入天气因素数据集，X_j为第j个天气因素序列，x_jn为时刻点n的第j个天气条件的具体值。

步骤102)利用步骤101)采集的数据，通过判断降雨量是否为0，将光伏序列划分为降雨时刻序列和非降雨时刻序列，并将分解后的各序列数据标准化，标准化公式为：

式中，x^*为原始采样数据，为原始数据均值，σ为原始采样数据序列标准差。

在上述实施例中，所述的步骤20)具体包括：

步骤201)利用原始数据序列训练一个BP神经网络，其输入输出的映射关系可表示为

output＝net(X₁,X₂,…,X_m,…,X_n) (25)

选择某一输入序列X_im，将序列中每一个样本加/减一个变动值b，其余输入序列不变，构成两个新的输入样本集，利用已得到的映射关系，得到两组新的输出，数学公式可表述为：

计算两组新输出的差值序列，输入序列X_im的平均影响值的绝对值即为差值序列绝对值的均值，数学公式表述为：

式中，MIV_m为第m个天气因素的平均影响值，y_up,i和y_low,i分别为加/减输入变量下时刻点i的光伏功率。

步骤202)按步骤201)多次计算输入序列X_im的平均影响值的绝对值，并根据计算结果的求取MIV绝对值均值；重复上述步骤，遍历每一组输入序列，计算各输入因素的MIV绝对值均值。

在上述实施例中，所述的步骤30)具体包括：

步骤301)根据步骤202)计算所得的各天气因素的MIV绝对值，分别对降雨时刻序列和非降雨时刻序列下的天气因素影响程度排序，筛选影响因素较大的前i个天气因素作为各预测模型的输入；

步骤302)根据数据序列中各样本的采样时刻，将非降雨时刻序列按采样时刻进一步分解得到多个序列，分别对两次分解后的序列建立子模型。两次分解后的子模型映射关系可表示为

Net＝{net₁,net₂,…,net_i,…,net_n,net_rain} (28)

式中，net_i为非降雨时刻下时刻点i的预测子模型所表征的映射关系，net_rain为降雨时刻下预测子模型所表征的映射关系。

BP神经网络的训练算法为附加动量的梯度下降算法，数学公式表述为

△ω(t)＝η[(1-μ)ω(t)+μω(t-1)] (29)

式中，Δω(t)为第t次迭代过程中的权值修正值，ω(t)为第t次迭代过程中的权值，η为网络的学习速率，μ为附加动量因子。自适应学习速率的修正公式可表述为

式中，E(t)为第t次迭代过程中的计算误差。

在上述实施例中，所述的步骤40)具体包括：

获取待测时段的天气因素数据，根据天气因素数据和采样时刻将待测时段分类，利用已建立的各分类子模型预测待测时段内各采样点的光伏功率，整理各采样点的光伏功率预测结果，得到待测时段的光伏功率序列。

本发明实施例提供的基于MIV-BP神经网络的光伏功率短期分类预测方法，利用MIV算法筛选不同条件下对光伏功率影响程度较大的天气因素作为预测模型的输入，并根据天气信息中的降雨量数据与数据采样时刻建立分类预测模型进行预测。现有方法多以太阳辐射强度、温度和湿度等作为预测模型的必要输入，然而太阳辐射强度数据采集成本高、误差大，且在不同条件下，天气因素对光伏功率的影响程度存在差异，使得预测模型在突变天气下的预测精度降低。本实施例方法根据天气因素中的降雨量将原始数据序列分解为降雨时刻序列和非降雨时刻序列，并利用平均影响值算法筛选不同条件下对光伏功率的影响程度较大的天气因素作为预测模型的输入，根据数据的采样时刻进一步将非降雨时刻序列分解，分别对各序列建立子模型进行预测，降低了光伏功率的预测成本，同时提高了预测模型在突变天气下的预测精度，提高了模型的适应性。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于MIV-BP神经网络的光伏功率短期分类预测方法，其特征在于，该方法包括：

步骤1，采集历史光伏功率序列和天气信息，根据天气信息中的降雨量数据将历史光伏功率序列划分为降雨时刻与非降雨时刻序列，并划分后得到的数据序列作标准化处理；

步骤2，建立BP神经网络，多次计算各输入变量的平均影响值，得到输入变量平均影响值绝对值的均值；

步骤3，筛选所述均值中的输入因素，根据数据采样时刻将划分得到的光伏序列进行分解，建立基于BP神经网络的分类预测模型；

步骤4，根据待预测点的天气信息与采样时刻，选取相对应的分类预测模型对各待测点的光伏功率进行预测，得到待测时段的光伏功率序列。

2.根据权利要求1所述的基于MIV-BP神经网络的光伏功率短期分类预测方法，其特征在于，所述的步骤1，包括：

步骤11，采集历史光伏功率序列和天气信息，所述参数包括历史光伏功率以及各采样时刻的天气条件，包括降雨量、能见度、气温、气压、风速、风向等，即：

Y＝[y₁,y₂…,y_n-1,y_n] (1)

input＝[X₁,X₂,…,X_j] (2)

X_j＝[x_j1,x_j2,…x_jn] (3)

式中，n为采样时刻点总数，j为输入天气因素总数，y_n为时刻点n的光伏功率，input为预测模型的输入天气因素数据集，X_j为第j个天气因素序列，x_jn为时刻点n的第j个天气条件的具体值；

步骤12，利用步骤11，通过判断降雨量将光伏序列划分为降雨时刻序列和非降雨时刻序列，并将分解后的各序列数据标准化，标准化公式为：

式中，x^*为原始采样数据，为原始数据均值，σ为原始采样数据序列标准差。

3.根据权利要求1所述的基于MIV-BP神经网络的光伏功率短期分类预测方法，其特征在于，所述的步骤2，包括：

步骤21，利用原始数据序列训练一个BP神经网络，其输入输出的映射关系可表示为

output＝net(X₁,X₂,…,X_m,…,X_n) (5)

选择某一输入序列X_im，将序列中每一个样本加/减一个变动值b，其余输入序列不变，构成两个新的输入样本集，利用已得到的映射关系，得到两组新的输出，数学公式可表述为：

计算两组新输出的差值序列，输入序列X_im的平均影响值的绝对值即为差值序列绝对值的均值，数学公式表述为：

式中，MIV_m为第m个天气因素的平均影响值，y_up,i和y_low,i分别为加/减输入变量下时刻点i的光伏功率；

步骤22，按步骤21，多次计算输入序列X_im的平均影响值的绝对值，并根据计算结果的求取MIV绝对值均值；重复上述步骤，遍历每一组输入序列，计算各输入因素的MIV绝对值均值。

4.根据权利要求3所述的基于MIV-BP神经网络的光伏功率短期分类预测方法，其特征在于，所述的步骤3，包括：

步骤31，根据步骤22，计算所得的各天气因素的MIV绝对值，分别对降雨时刻序列和非降雨时刻序列下的天气因素影响程度排序，筛选影响因素较大的前i个天气因素作为各预测模型的输入；

步骤32，根据数据序列中各样本的采样时刻，将非降雨时刻序列按采样时刻进一步分解得到多个序列，分别对两次分解后的序列建立子模型；

两次分解后的子模型映射关系可表示为

Net＝{net₁,net₂,…,net_i,…,net_n,net_rain} (8)

式中，net_i为非降雨时刻下时刻点i的预测子模型所表征的映射关系，net_rain为降雨时刻下预测子模型所表征的映射关系；

BP神经网络的训练算法为附加动量的梯度下降算法，数学公式表述为

△ω(t)＝η[(1-μ)ω(t)+μω(t-1)] (9)

式中，Δω(t)为第t次迭代过程中的权值修正值，ω(t)为第t次迭代过程中的权值，η为网络的学习速率，μ为附加动量因子；

自适应学习速率的修正公式可表述为

式中，E(t)为第t次迭代过程中的计算误差。

5.根据权利要求4所述的基于MIV-BP神经网络的光伏功率短期分类预测方法，其特征在于，所述的步骤4，包括：

获取待测时段的天气因素数据，根据天气因素数据和采样时刻将待测时段分类，利用已建立的各分类子模型预测待测时段内各采样点的光伏功率，整理各采样点的光伏功率预测结果，得到待测时段的光伏功率序列。