CN110309978B - 基于二次动态调整的神经网络光伏功率预测模型及方法 - Google Patents

Abstract

本发明公开了一种基于二次动态调整的神经网络光伏功率预测模型及方法，预测模型基于资源分配神经网络，用历史数据离线训练资源分配网络学习规则，得到在线预测以及后台二次动态调节的初始神经网络预测模型；将初始预测模型投入实际光伏功率预测，以实时数据作为模型输入，记录预测结果偏差较大的样本；误差较大的预测结果再次出现时，将与缓冲区的数据进行匹配，若出现特征相似的输入数据，则增加当前类型的输入样本支持度；具有相似特征的输入样本满足出现支持度阈值时，启用二次动态调节，调整预测模型的结构以学习该类样本。本发明在解决神经网络预测模型单一依赖离线训练样本问题的同时，使预测模型具备在线学习能力，更适应光伏功率的特性。

Description

基于二次动态调整的神经网络光伏功率预测模型及方法

技术领域

本发明涉及光伏发电功率预测领域，尤其涉及一种基于二次动态调整的神经网络光伏功率预测模型及方法。

背景技术

如今，太阳能光伏发电因其清洁、安全、便利、高效等特点，已成为世界各国普遍关注和重点发展的新兴产业，也已成为新能源和可再生能源的重要组成部分，发展迅速。然而，光伏发电量与气象条件紧密相关，具有不确定性和波动性。这使得控制光伏系统的输出以及维持总发电量的供需平衡十分困难，极易影响电力系统的效率和可靠性。在这种情况下，光伏功率预测作为一种经济可靠的解决方案得以提出。精确的光伏发电量预测能够减少其波动性对电力系统的影响，增加光伏系统在电网结构中的集成度，控制电能质量，保证系统的稳定运行。

与其他各类预测模型和方法相比较，人工神经网络(ANN)模型因其极强的学习和非线性逼近能力，而被广泛应用于光伏功率预测。传统的基于神经网络的预测模型大多采用离线训练的模式，这类模型单一地依赖训练数据，而训练数据只具有有限的特征覆盖度，不具备代表性，不能包含光伏功率所有的特性。其次，实际光伏功率预测过程中会遇到各种各样动态的变化，这与离线训练过程完全不同，仅经过离线训练的预测模型不能很好适应这类实际情况。除此以外，光伏发电系统本身也处于动态的变化过程中，系统中每个单一模块的变化都会影响最终的功率输出。这些问题都将影响预测模型的预测准确性，仅经过离线训练的预测模型的预测效果将不断下降。

发明内容

本发明针对现有的神经网络光伏功率预测模型单一依赖训练样本特征，不具备在线学习能力，无法适应光伏功率动态变化特性的问题，提出了一种基于二次动态调整的神经网络光伏功率预测模型及方法。

为实现上述目的，本发明提供如下技术方案：基于二次动态调整的神经网络光伏功率预测模型，包括数据通信和处理模块、数据存储模块、离线训练模块、在线预测学习模块；数据通信和处理模块通过采集外部数据，数据进行预处理，并将得到的预测结果后上传至能量管理系统或区域调度系统；数据存储模块将采集到的数据存储在数据库中或以文本文件存储；离线训练模块基于资源分配网络学习规则，利用现有的样本数据作为预测模型的输入，依据学习规则，调整预测模型结构及参数，获得可同时用于光伏功率在线预测以及后台二次动态调节的初始神经网络预测模型；在线预测学习模块包括了：数据采集监测部分和结构调整部分；数据采集监测部分在初始预测模型投入实际预测应用后采集实际的输入输出数据，进一步对预测输出和实际输出进行比较；结构调整部分主要负责模型结构的二次动态调整，当数据采集监测部分发现当前数据满足预设的调整策略条件时，对预测模型结构进行二次调整。

进一步，适用于上述基于二次动态调整的神经网络光伏功率预测模拟的预测方法，还包括以下步骤：

S1、数据通信和处理模块定时采集外部数据，并对数据进行预处理，并负责在得到预测结果后，将结果上传至能量管理系统或区域调度系统，最后数据存储模块将采集的数据存储在数据库中或以文本文件存储；

S2、离线训练模块根据资源分配网络学习规则，用现有的训练样样本获得离线训练预测模型，获得可同时用于光伏功率在线预测以及后台二次动态调节的初始光伏功率预测模型；

S3、将S2中获得的初始预测模型投入实际功率预测应用，输入实时数据并得到预测输出；

S4、数据采集监测部分不断采集模型输入/输出数据，同时监测模型的预测误差以及输入数据与现有模型隐节点间的距离差异；

S5、当S4检测指标满足预设条件时，将该组样本标记为未建模样本，保存于缓冲区内；

S6、在之后的预测过程中监测满足S5中条件的样本数据与候选集中已有样本数据间的距离差异是否满足预设条件，并将满足的数据划分为同一类，同时增加该类样本数据的支持度；

S7、当一类数据的支持度满足预设阈值时，启动二次结构调整，调整模型结构以学习该类数据。

进一步，所述数据通信和处理模块所采集的外部数据主要包括光伏电站所在位置的相关气象数据，以及电站实际的光伏发电功率输出。

进一步，所述离线训练模块所参考的样本数据包括历史光伏功率数据以及对应时刻的气象数据；在线预测学习模块所参考的样本数据包括气象预报数据以及前一时刻功率数据。

进一步，所述离线训练模块根据现有的历史气象数据和对应的功率数据作为神经网络模型训练的输入数据，基于资源分配网络学习规则，确定模型的隐节点数目及各项参数，建立初始预测模型。

进一步，所述数据采集监测部分采集模型的实时输入/输出数据，进一步将预测输出数据与实际输出数据比较，计算预测误差；将输入数据与现有模型隐层中心比较，计算与各隐节点的距离差异。

进一步，S5具体包括以下步骤：

S5-1、需要判断的预设条件包括了预测误差阈值判断和隐节点距离阈值，首先判断两个预设条件，设y_t为当前时刻输出，T_t为对应的期望输出，ε为预测误差阈值；

S5-2、当

为当前输入数据，以C_i为第i个隐节点中心，δ为隐节点距离阈值，则预测误差阈值判断由公式：|y_t-T_t|>ε刻画，隐节点距离阈值判断由公式：

刻画。

进一步，S6具体包括以下步骤：

S6-1、需要判断的预设条件包括缓冲区距离阈值判断和支持度阈值，首先设

为前一时刻的输入数据，C_c-i为第i个缓冲区数据点，ρ为缓冲区距离阈值；

S6-2、得到预缓冲区距离阈值判断由公式:min||X_t-1-C_c-i||＜ρ刻画；

S6-3、支持度阈值由同类特征样本的出现次数刻画。

进一步，二次动态调整策略将满足预测误差阈值判断、隐节点距离阈值判断的样本数据标记为未建模样本，并保存于缓冲区，进一步将之后被存入缓冲区的样本数据与已保存于缓冲区中的数据进行比较，计算该组数据与缓冲区中数据的缓冲区距离差异并判断是否满足缓冲区距离阈值条件，将满足缓冲区距离阈值的数据归为同类未建模特征，增加其支持度。

进一步，所述的二次结构调整过程包括增加预测模型的隐节点，将增加的隐节点中心选为支持度达到阈值的该类数据，并将该节点与输出层间的权值取为预测值与期望值间的偏差。

与现有技术相比，本发明的有益效果是：通过引入二次动态调整策略，神经网络光伏功率预测模型具备了在线学习能力，使其在实际预测过程中能够对模型结构进行进一步调整学习，不再单一依赖训练数据，更好的适应光伏功率动态变化的特性，同时提高预测精度。

附图说明

图1是本发明基于二次动态调整的神经网络光伏功率预测模型及方法的整体实施流程示意图。

图2是本发明基于二次动态调整的神经网络光伏功率预测模型的机构示意图。

图3是本发明基于二次动态调整的神经网络光伏功率预测方法中结构调整策略流程示意图。

图4是本发明实施例中采用本发明得到的预测模型与传统资源分配神经网络模型及径向基神经网络模型对实际光伏功率数据进行预测分析的对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

并且，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

请参阅附图1至 4，本发明实施例中，在本发明实例中，提供了基于二次动态调整的神经网络光伏功率预测模型及方法，所述模型在RAN预测模型基础上引入了二次动态调整策略。通过设计二次动态调整策略并将其引入传统神经网络预测模型，让神经网络预测模型的实现在线学习，使模型不再单一依赖有限的训练数据，进而可以在预测过程中对模型调整学习，更适应光伏功率特性。预测模型的实施方法包括如下具体步骤：

S1，通过数据采集和处理模块对光伏电站所在位置的气象数据以及电站实际的发电功率输出进行定时采集，之后对所采集的数据进行预处理，并采集预测模型的预测结果，同时将结果上传至能量管理系统或区域调度系统，最后通过数据存储模块将所有数据存储到数据库或者以文本形式存储。

S2，根据资源分配网络学习规则，用现有的训练样样本离线训练预测模型，获得可同时用于光伏功率在线预测以及后台二次动态调节的初始光伏功率预测模型。其中，离线训练阶段采用现有的历史气象数据和前一时刻的历史功率数据作为神经网络模型训练的输入数据。优选的，本实施例中选择的历史气象数据包括太阳辐照度、环境气温、光伏阵列板温、环境风速，并和前一时刻的历史功率数据组成1×5矩阵，即X＝(x₁,x₂,...,x₅)^T，每组数据的时间间隔为15分钟，之后使用公式：

进行归一化处理，通过训练确定了模型的隐节点数目及各项参数，得到初始预测模型。在本发明的其他实施例中，也可以将输入数据表示为任意维度的矩阵，并不限于1×5的矩阵，具体情况看选取的影响因素的个数。

S3，将S2中获得的初始预测模型投入实际功率预测应用，输入实时数据并得到预测输出。其中，实际预测阶段模型的输入数据与离线训练阶段模型的输入数据维度及数据类型相同。同时，预设预测误差阈值判断、隐节点距离阈值、缓冲区距离阈值以及支持度阈值，即确定各判定条件：|y_t-T_t|>ε、

以及min||X_t-1-C_c-i||＜ρ中的ε、δ和ρ，以便下一步进行条件的判断。

优选的，本实施例中ε取为0.097，δ取为0.194，ρ取为0.075，支持度阈值取为5，且由于实际功率输出在当前时刻无法获得，因而条件判定的整体过程需延后一个时间间隔，即在当前时刻计算上一时刻的预测误差。

S4，不断采集模型输入/输出数据，同时监测模型的预测误差以及输入数据与现有模型隐节点间的距离差异。预测误差的计算如公式：|y_t-T_t|>ε，输入数据与隐节点间的距离差异由公式：

刻画，其中，y_t为当前时刻输出， T_t为对应的期望输出，ε为预测误差阈值，

为当前输入数据，C_i为第i个隐节点中心，δ为隐节点距离阈值。

S5，当S4步骤检测指标满足预设条件时，将该组样本标记为未建模样本，保存于缓冲区内。其中，缓冲区为一个特定的保存数据的区域，进入缓冲区的数据即被认为无法由当前的神经网络模式实现，但进入缓冲区的数据不会立即被学习，而需要进一步的条件判断，即步骤六中的缓冲区距离阈值条件及数据支持度条件判断。

S6，在之后的预测过程中监测满足S5步骤所述条件的样本数据与候选集中已有样本数据间的距离差异是否满足预设条件，并将满足的数据划分为同一类，同时增加该类样本数据的支持度。缓冲区距离阈值判断由公式: min||X_t-1-C_c-i||＜ρ刻画，其中，

为前一时刻的输入数据，C_c-i为第i个缓冲区数据点，ρ为缓冲区距离阈值，而支持度阈值由同类特征样本的出现次数刻画，即同类数据的个数就是该类数据的支持度。

S7，当一类数据的支持度满足预设阈值时，启动二次结构调整，调整模型结构以学习该类数据。其中，二次结构调整的过程包括：增加预测模型的隐节点，将增加的隐节点中心选为满足支持度阈值条件的该类数据，并将该节点与输出层间的权值取为该类数据预测值与期望值间的偏差，通过增加上述的隐节点，神经经网络预测模型对该类样本特征实现了学习，进而无需重新训练。上述的S4至 S 7 步骤共同构成了结构二次动态调整策略的全过程。

通过上述实施例，实际光伏功率数据通过本发明得到预测模型，将该预测模型与现有模型进行对比分析，进而验证本预测模型和预测方法的有效性，得到的测试对比结果如图4所示。图4中分别使用本发明预测模型(图例中RAN_SA)与传统资源分配神经网络模型(图例中RAN)及径向基神经网络模型(图例中RBF)对实际光伏功率数据进行对比分析，图4中本发明所述方法的曲线拟合效果明显优于两种对比方法，在光伏功率曲线的峰值附近，拟合效果的提升尤为明显，即验证了本发明所述方法通过实现模型的在线学习，使预测模型在预测过程中能够完成结构的进一步的调整学习，从而提升了光伏功率预测的准确性。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (7)

1.基于二次动态调整的神经网络光伏功率预测方法，其特征在于：预测模型包括数据通信和处理模块、数据存储模块、离线训练模块、在线预测学习模块；

数据通信和处理模块通过采集外部数据，数据进行预处理，并将得到的预测结果上传至能量管理系统或区域调度系统；

数据存储模块将采集到的数据存储在数据库中或以文本文件存储；

离线训练模块基于资源分配网络学习规则，利用现有的样本数据作为预测模型的输入，依据学习规则，调整预测模型结构及参数，获得可同时用于光伏功率在线预测以及后台二次动态调节的初始神经网络预测模型；

在线预测学习模块包括了：数据采集监测部分和结构调整部分；数据采集监测部分在初始预测模型投入实际预测应用后采集实际的输入输出数据，进一步对预测输出和实际输出进行比较；结构调整部分主要负责模型结构的二次动态调整，当数据采集监测部分发现当前数据满足预设的调整策略条件时，对预测模型结构进行二次调整；

所述方法包括以下步骤：

S1、数据通信和处理模块定时采集外部数据，并对数据进行预处理，并负责在得到预测结果后，将结果上传至能量管理系统或区域调度系统，最后数据存储模块将采集的数据存储在数据库中或以文本文件存储；

S2、离线训练模块根据资源分配网络学习规则，用现有的训练样本获得离线训练预测模型，获得可同时用于光伏功率在线预测以及后台二次动态调节的初始光伏功率预测模型；

S3、将S2中获得的初始预测模型投入实际功率预测应用，输入实时数据并得到预测输出；

S4、数据采集监测部分不断采集模型输入/输出数据，同时监测模型的预测误差以及输入数据与现有模型隐节点间的距离差异；

S5、当S4检测指标满足预设条件时，将样本标记为未建模样本，保存于缓冲区内；

S6、在之后的预测过程中监测满足S5中条件的样本数据与候选集中已有样本数据间的距离差异是否满足预设条件，并将满足的数据划分为同一类，同时增加样本数据的支持度；

S6-1、需要判断的预设条件包括缓冲区距离阈值判断和支持度阈值，首先设

为前一时刻的输入数据，C_c-i为第i个缓冲区数据点，ρ为缓冲区距离阈值；

S6-2、得到预缓冲区距离阈值判断由公式:min||X_t-1-C_c-i||＜ρ刻画；

S6-3、支持度阈值由同类特征样本的出现次数刻画；

S7、当一类数据的支持度满足预设阈值时，启动二次结构调整，调整模型结构以学习该类数据；

二次动态调整策略将满足预测误差阈值判断、隐节点距离阈值判断的样本数据标记为未建模样本，并保存于缓冲区，进一步将之后被存入缓冲区的样本数据与已保存于缓冲区中的数据进行比较，计算数据与缓冲区中数据的缓冲区距离差异并判断是否满足缓冲区距离阈值条件，将满足缓冲区距离阈值的数据归为同类未建模特征，增加其支持度。

2.根据权利要求1所述的基于二次动态调整的神经网络光伏功率预测方法，其特征在于：所述数据通信和处理模块所采集的外部数据主要包括光伏电站所在位置的相关气象数据，以及电站实际的光伏发电功率输出。

3.根据权利要求1所述的基于二次动态调整的神经网络光伏功率预测方法，其特征在于：所述离线训练模块所参考的样本数据包括历史光伏功率数据以及对应时刻的气象数据；在线预测学习模块所参考的样本数据包括气象预报数据以及前一时刻功率数据。

4.根据权利要求1所述的基于二次动态调整的神经网络光伏功率预测方法，其特征在于：所述离线训练模块根据现有的历史气象数据和对应的功率数据作为神经网络模型训练的输入数据，基于资源分配网络学习规则，确定模型的隐节点数目及各项参数，建立初始预测模型。

5.根据权利要求1所述的基于二次动态调整的神经网络光伏功率预测方法，其特征在于：所述数据采集监测部分采集模型的实时输入/输出数据，进一步将预测输出数据与实际输出数据比较，计算预测误差；将输入数据与现有模型隐层中心比较，计算与各隐节点的距离差异。

6.根据权利要求 1所述的基于二次动态调整的神经网络光伏功率预测方法，其特征在于：S5具体包括以下步骤：

S5-1、需要判断的预设条件包括了预测误差阈值判断和隐节点距离阈值，首先判断两个预设条件，设y_t为当前时刻输出，T_t为对应的期望输出，ε为预测误差阈值；

S5-2、当

为当前输入数据，以C_i为第i个隐节点中心，δ为隐节点距离阈值，则预测误差阈值判断由公式：|y_t-T_t|＞ε刻画，隐节点距离阈值判断由公式：

刻画。

7.根据权利要求1所述的基于二次动态调整的神经网络光伏功率预测方法，其特征在于：二次结构调整过程包括增加预测模型的隐节点，将增加的隐节点中心选为支持度达到阈值的该类数据，并将该节点与输出层间的权值取为预测值与期望值间的偏差。

Images