CN110675278A - 一种基于rbf神经网络的光伏功率短期预测方法 - Google Patents

Abstract

本发明公开了一种基于RBF神经网络的光伏功率短期预测方法，涉及光伏功率预测技术领域，解决了现有技术中直接预测及间接预测方法建模复杂，难以超短期快速高精度预测的弊端，其技术方案要点是从实现超短期光伏功率预测的角度出发，在对各种影响因素与光伏发电功率的斯皮尔曼相关系数进行比较后，选取合适的模型输入，并对样本数据进行归一化，采用RBF神经网络建立预测模型，实现对光伏电站未来超短期发电功率的预测，本发明的一种基于RBF神经网络的光伏功率短期预测方法，模型结构简单，预测快速，泛化性好，时间分辨率高，且能实现高精度的预测。

Description

一种基于RBF神经网络的光伏功率短期预测方法

技术领域

本发明涉及光伏功率超短期预测，特别涉及一种基于RBF神经网络的光伏功率短期预测方法。

背景技术

光伏发电功率预测技术在太阳能光伏发电领域具有重要的意义。它需要在气象条件随机变化的环境中，对超短期时间段内的光伏发电输出功率进行预测，从而为电网的稳定运行和调度工作提供参考。光伏发电系统的输出功率受系统内部的参数因素以及外部的气象因素影响。虽然内部参数在短时间内很难发生变化，但是气象因素的随机变化、发电时间只在白天有光照的条件下，使太阳能发电系统的发电量具有高度的不确定性、不连续性和周期性。这就使减少大规模光伏接入电网所产生的周期性的冲击，并且提高清洁能源使用率成为了一个难题。为有效避免这种冲击，作为解决大规模光伏并网的基本优化之一，光伏功率超短期预测技术成为了克服光伏输出功率的不确定性给电网带来不利影响的研究关键。

现有的技术方法中，直接预测方法不需要历史发电数据，而是使用经典的物理建模方法，结合光伏发电站的地理位置和当地天气预报，对光伏电池板和光伏逆变器等组件建立关于光伏发电功率的线性数学模型，建模较为复杂，且对于复杂多变的气象环境考虑较少。间接预测方法主要包括统计方法和学习机方法，该方法对积累的一段时间历史输出功率数据和相关因素进行分析和建模，然后模型预测系统的输出功率，其预测时间跨度较大，多为数小时至一天，且模型结构复杂。均还有待改进的空间。

发明内容

本发明的目的是提供一种基于RBF神经网络的光伏功率短期预测方法，模型结构简单，预测快速，泛化性好，时间分辨率高，且能实现高精度的预测。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种基于RBF神经网络的光伏功率短期预测方法，包括有以下步骤：

确定并选取影响光伏功率短期预测的输入向量；

将选取的输入向量进行归一化预处理作为输入参数；

创建并训练基于RBF神经网络的预测模型；

基于深度学习训练的预测模型根据当前时刻的输入参数进行短期预测并输出对应的预测结果。

作为优选，预测模型的输入量选取包括有：当前时刻太阳辐照度、当前时刻温度、当前时间标识、当前时刻输出功率、历史时刻输出功率一、历史时刻输出功率二。

作为优选，RBF神经网络的基本结构还包括有待预测时刻的输出功率；所述历史时刻输出功率一、历史时刻输出功率二为根据斯皮尔曼相关系数选取的与待预测时刻的输出功率相关的历史数据。

作为优选，预处理将样本数据归一至区间[0.1-0.9]内。

作为优选，预测模型的创建及训练具体步骤如下：

S1、设置误差性能指标MSE及RBF神经网络的隐含层神经元数目的上限值，创建预测模型并进行仿真；RBF神经网络包括有输入层、隐含层及输出层；

S2、获得最大降低网络误差的训练样本；

S3、通过不同的扩展常数多次创建网络并比较误差，获得扩展常数的最佳值；

S4、通过最小二乘法调整线性输出层各节点的权值，以使在隐含层增加新的RBF元后的网络误差MSE最小；

S5、检测误差性能指标MSE，当MSE未满足规定的误差性能指标且隐含层的神经元数目未达到规定的上限值时，重复步骤S2-S4，直到满足规定的误差性能指标和/或达到隐含层神经元数目规定的上限值。

综上所述，本发明具有以下有益效果：

从实现超短期光伏功率预测的角度出发，在对各种影响因素与光伏发电功率的斯皮尔曼相关系数进行比较后，选取合适的模型输入，并对样本数据进行归一化，采用RBF神经网络建立预测模型，从而实现对光伏电站未来短期发电功率的预测，该模型结构简单，预测快速，泛化性好，时间分辨率高，且能实现高精度的预测。

附图说明

图1为径向基神经元传输函数radbas的传输特性图；

图2为径向基神经元模型；

图3为N-M-L形式的RBF神经网络结构简图；

图4为RBF神经网络光伏预测模型结构图；

图5为光伏功率超短期预测模型示意图；

图6为RBF神经网络训练过程中的MSE曲线；

图7为测试集预测结果对比图；

图8为训练集预测结果对比图；

图9为四种广义天气类型下的预测结果对比图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

本实施例公开的一种基于RBF神经网络的光伏功率短期预测方法，通过选取确定影响光伏功率短期预测的输入向量、将选取的输入向量进行归一化预处理作为输入参数、创建并训练基于RBF神经网络的预测模型、基于深度学习训练的预测模型根据当前时刻的输入参数进行短期预测并输出对应的预测结果，实现对光伏功率短期的预测。

本发明基于MATLAB平台提供的RBF神经网络创建并仿真函数，使用间接预测方法对光伏电站的超短期发电功率进行预测，具体技术特征如下：

径向基函数神经网络(Radial Basis Function Neural Network，简记为RBF神经网络)，属于前向神经网络，是一种基于高维空间插值技术的三层前馈神经网络，它使用径向基函数(RBF)作为神经元激活函数，能够以任意精度逼近任意连续函数，常用于函数逼近及分析。

径向基函数(RBF)是径向对称的，往往具有良好的局部响应特征，即只在距离其中心点附近的某一邻域内对输入产生显著的响应，而函数值随着输入与中心点距离的增大呈单调递减趋势，并逐渐趋于零，因此这类径向基函数在实际中应用比较广泛。径向基函数多种多样，其中的高斯函数因为具有光滑性好、径向对称、形式简单的优良特性，常常被选为RBF神经网络中的径向基传递函数。高斯函数也是MATLAB中RBF神经网络默认的传递函数，在MATLAB中即为radbas函数，采用如下公式计算：

高斯函数的详细传输特性如附图1所示。

RBF神经网络中径向基函数的功能由径向基神经元，即RBF神经元来完成，N输入的RBF神经元模型如附图2所示。附图2中的RBF神经元中心向量c，也称为神经元的权值向量，该向量与输入向量具有相同维数；图中的Φ为径向基激活函数。图中的‖dist‖框接收的输入为输入向量x和中心向量c，输出则是此二者的点积，也就是欧几里得距离，即欧氏距离。按下式计算：

RBF神经元的激活函数的输入是x与c之间的向量距离‖dist‖，再乘以该径向基神经元的阈值b。当阈值b默认为1时，图中径向基神经元的输出表达式为：

a＝Φ(‖x-c‖) (3)

RBF神经网络的标准形式为“输入层-隐含层-输出层”固定的三层结构，N-M-L形式的RBF神经网络结构如附图3所示。图中，x_i为第i个输入，N为输入节点个数；c_i为第i个径向基神经元的中心向量，Φ_i为该RBF神经元的激活函数，为该隐含层神经元的输出，M为隐含层径向基神经元个数；y_i为第i个输出，L为输出节点个数。

第一层为输入层，该层节点个数与输入向量维数相同。输入层仅仅起到传输信号的作用，这样就可将输入向量直接映射到隐含层。

第二层为隐含层，是RBF神经网络最关键的一层，该层RBF神经元的数目视所需解决问题的需求而定，所用激活函数是径向基函数。对于某个给定的输入向量，每个径向基神经元都将根据各输入向量与自身的中心向量的距离产生一个响应输出。第i个神经元的输出为：

该层的作用就是对输入向量进行非线性变换，从输入空间R^N变换到高维特征空间R^M(常有M＞N)，然后在该高维特征空间中，采用线性模型对训练样本进行建模，通过空间转换就可以将非线性问题转变为线性问题，从而简化计算。训练隐含层的过程就是对激活函数(一般取高斯函数)的参数进行调整，此过程采用K-means均值聚类算法进行非线性优化。

第三层为输出层，该层节点数目与输出向量维数相同。该层第k个节点的输出可表示为：

其作用是对隐含层神经元的输出进行线性加权，产生输出。对输出层进行训练就是对其线性权值进行调整，采用的是最小二乘法的线性优化策略，因而学习速度较快。

对光伏发电功率的预测，可以看成RBF神经网络对输入数据对未来光伏功率这一未知函数的逼近，任何函数都可以表示成一组基函数的加权和，RBF网络的学习过程为调整各隐含层神经元的参数，使之构成一组满足误差要求的基函数来逼近未知函数的过程。

本发明选取当前时刻的时间标识、环境温度、太阳辐照度和历史时刻的光伏发电功率数据的归一化数值作为输入参数，15min后的光伏发电功率为网络输出，以满足网络均方差或达到隐含层神经元数目上限为条件创建RBF神经网络，不断向隐含层添加神经元来确定网络参数。所用的基于RBF神经网络的光伏功率超短期预测模型如附图4所示。本发明采用的技术方案如下：

I、确定输入向量：

1.气象因素与光伏电站的地理环境因素和内部电气因素不同，即使是在几分钟内也会产生不可忽略的波动，且会对发电功率产生较大的影响，因此太阳辐照度和温度这些气象因素应当作为预测模型的输入量。

2.由于光电效应作用的滞后性，且气象影响因素的变化具有惯性，所以光伏发电功率的时间序列本身呈现出高度的自相关性，也称为序列相关。这意味着下一时刻的输出功率值受前几个历史时刻的功率输出值影响较大，因此除气象环境因素外，还有一类重要的输入就是光伏发电系统的历史发电数据。但是历史数据量太多，作为输入大量引入到网络内，会大幅度降低网络计算速度和精度，增加网络计算量和计算难度，因此，以斯皮尔曼相关系数为依据，选取与待预测时刻(即t+1时刻)的输出功率相关性较高的历史数据作为输入，可以减轻网络的计算负担。其中两个数列之间的斯皮尔曼相关系数ρ按照公式(6)计算。在保证输入质量的前提下精简输入数据维数，选取ρ>0.8的P(t-0)、P(t-1)、P(t-2)作为输入数据的一部分。

最终选取当前时刻的太阳辐照度I(t-0)、温度T(t-0)、时间标识t、输出功率P(t-0)、历史时刻的输出功率P(t-1)和P(t-2)作为网络输入，采用“6输入-1输出”作为RBF神经网络的基本结构，如附图5所示。

II、样本数据归一化处理：

考虑到之后要以平均相对误差百分比的大小来确定隐含层神经元数目，为了避免原输出为0时相对误差为无穷大，将所用数据按照下式归一至区间[0.1,0.9]内，即

III、网络创建及训练：

使用MATLAB中newrb函数创建近似型的RBF神经网络，该方式中隐含层神经元数目小于训练所用的输入数据组数，即使在输入向量非常多时，也可以在一定的误差范围内削减冗余，从而获得较为精简的RBF神经网络，而且在遇到新的输入时，也能很好地逼近期望输出。具体过程如下：

1.设置规定的误差性能指标MES和隐含层神经元数目规定的上限值，创建RBF神经网络，使用所有的训练样本对网络进行仿真。

2.找到能够最大程度降低网络误差的训练样本p。

3.在隐含层中增加一个径向基神经元，令其中心向量c等于该训练样本的输入向量的转置p^T，其阈值统一设置为0.8326/扩展常数，这决定了每个神经元能够响应的输入空间中一个区域的宽度。如果扩展常数值为4，那么对于与该神经元中心向量之间的欧式距离在4以内的任何输入向量，这个RBF神经元将以0.5或更高的输出进行响应。以基本扩展常数若太小，则神经元对输入空间的重叠区不能做出响应；扩展常数若太大，则所有神经元都会对重叠区做出程度相同的响应。扩展常数过大或过小都会使网络选择性减弱，精度降低。因此，需要使用不同的扩展常数多次创建网络并比较误差，以找到扩展常数的最佳值。

4.使用最小二乘法重新调整线性输出层各节点的权值，使在隐含层增加新的RBF神经元后的网络误差MSE最小，误差按照公式(8)计算。

其中N为样本数量，t_i为预测值，T_i为实际值。

5.再次检查网络的规定误差性能指标MSE，当MSE未满足规定的误差性能指标，且网络隐含层的神经元数目未达到规定的最大值时，重复之前的第2至第4步，直到规定的误差性能指标得到满足，或隐含层神经元数目规定的上限值被突破。

在添加神经元过程中，训练集均方误差MSE降低的曲线如附图6所示。图中横坐标表示本次RBF神经网络训练过程中隐含层神经元的个数，纵坐标代表在隐含层中添加相应个数神经元后网络的MSE误差值，且为指数坐标轴，可以更直观地体现误差的数量级。图中曲线显示随着隐含层的径向基神经元个数的不断增加，网络误差的数量级先迅速降低，然后趋于平缓，在向隐含层中加入30个神经元后，训练集的均方误差MSE降到了0.2888％以下，仿真结果表明学习效果较好。

网络训练完成后，使用MATLAB平台提供的神经网络仿真函数sim，对测试集(未参加训练的数据)、训练集和总数据集进行仿真，得到三种样本集的误差，再对仿真得到的预测功率进行反归一化还原后，测试集和训练集的预测值与真实值的对比结果分别如附图7和附图8所示，横坐标为乱序后的样本在各自集合中的编号，纵坐标为预测的和真实的光伏发电功率值，单位为MW。

取较为常用的五类误差评价指标，对测试集、训练集、总样本集三种数据集的各类误差进行计算。此三种数据集的五类误差评价指标具体数值如表1所示。

表1 最终模型的五类误差

由表1中各类误差数据可知：

平均偏置误差MBE均大于等于0，这表明该光伏功率超短期预测模型的预测值整体偏高，总体来说，每一时刻的预测值有高于真实值的倾向。

平均绝对误差MAE大于平均偏置误差MBE，表明该模型预测的时刻中也有不少预测值是低于真实值的。

测试集、训练集和总数据集中的平均绝对百分比误差MAPE均达到10％以下，满足了大部分场合下对预测数据的基本要求。

均方根误差RMSE低于5％或稍高于5％，说明预测值与真实值的偏差很小，模型已经达到了很高的置信度。

模型的泛化性能就是指鲁棒性，即对于没有训练过的数据，预测模型也能给出接近真实值的预测值。于是，若测试集误差大，则说明模型鲁棒性差，难以推广使用。

从测试集的仿真结果来看，由于测试集样本都没有参与网络训练，测试集的低误差(MAPE和RMSE在三种样本集中均为最低，且分别低于10％和5％)充分体现出该模型的泛化能力较高，对于没有学习过的样本也能很好地完成预测任务，实用性好。

从训练集的仿真结果来看，第一，训练集的数据都是参与网络创建的训练过程的，说明了该模型的学习效果较好；第二，该模型隐含层神经元数目为32，远低于训练样本组数177，相比于精确型RBF神经网络，该模型对RBF神经元的利用非常高效，每个神经元的利用率平均提高了5倍；第三，大量的训练集样本数势必对误差产生一定的影响，但即便如此，训练集的误差也达到了要求，即MAPE为10％以下，这也表明该模型优秀的鲁棒性和较强的泛化能力。

从总数据集的仿真结果来看，误差值均达到了较好的结果。由于训练集样本数约为测试集样本数的9倍，训练集对总数据集误差的影响一定会强于测试集。

考虑到天气类型的不同对1日光伏出力变化曲线的影响较大，将通过训练完成的RBF神经网络得到的P(t+1)的预测值与原数据中的P(t+1)的真实值对比，在4种广义天气类型下的结果对比如附图9所示，MAPE和RMSE这两类误差的具体数值如表2所示。

表2 4种广义天气类型下的预测误差对比

由表2的误差数据，尤其是均方根误差RMSE值可以看出，模型在晴天类型中的预测误差最小，多云以及阴天天气状况时的误差次之，雨雪天气状况下预测效果最差。

晴天时，天气状况比较平稳，环境温度和太阳辐照度随时间的变化也比较缓和，光伏功率时间序列的自相关性最强，对于RBF网络来说这种情况下的输出与输入数据相关性高，比较符合训练得到的预测规律，因此预测效果很好。

阴天及多云时，光伏电站的环境温度和太阳辐照度变化的波动就比较大，前几个时刻的输出功率也有波动，光伏出力时间序列的自相关性相比于晴天时变弱，因此预测效果次于晴天天气状况下的效果。

雨雪天气时，天气状况非常不稳定，环境温度以及太阳辐照度受云层变化和雨雪情况的影响很大，短时间内的变化较为剧烈，前几个时刻的光伏输出功率的波动情况较严重，光伏功率时间序列的自相关性很弱，因此预测效果相对最差。

总之，随着天气情况波动的程度逐渐加大，该超短期预测模型的预测精度按晴天、阴天、多云、雨雪的顺序逐渐降低，但总体来说误差都处于可以接受的范围内。

基于以上对该发明方法的分析讨论，可以得知，基于RBF神经网络的光伏功率超短期预测方法，通过选取合适的模型输入，并归一化处理样本数据，采用RBF神经网络建立预测模型，可以实现对光伏电站15min后发电功率的实时预测。由于限制了隐含层神经元数目，该模型结构简单，训练时间短，而RBF神经网络自身泛化性好，无局部极小的特点，使得计算误差小，预测精度高。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (5)

1.一种基于RBF神经网络的光伏功率短期预测方法，其特征是，包括有以下步骤：

确定并选取影响光伏功率短期预测的输入向量；

将选取的输入向量进行归一化预处理作为输入参数；

创建并训练基于RBF神经网络的预测模型；

基于深度学习训练的预测模型根据当前时刻的输入参数进行短期预测并输出对应的预测结果。

2.根据权利要求1所述的基于RBF神经网络的光伏功率短期预测方法，其特征是，预测模型的输入量选取包括有：当前时刻太阳辐照度、当前时刻温度、当前时间标识、当前时刻输出功率、历史时刻输出功率一、历史时刻输出功率二。

3.根据权利要求2所述的基于RBF神经网络的光伏功率短期预测方法，其特征是：构成RBF神经网络的基本结构还包括有待预测时刻的输出功率；所述历史时刻输出功率一、历史时刻输出功率二为根据斯皮尔曼相关系数选取的与待预测时刻的输出功率相关的历史数据。

4.根据权利要求1所述的基于RBF神经网络的光伏功率短期预测方法，其特征是：预处理将样本数据归一至区间[0.1-0.9]内。

5.根据权利要求1所述的基于RBF神经网络的光伏功率短期预测方法，其特征是：预测模型的创建及训练具体步骤如下：

S1、设置误差性能指标MSE及RBF神经网络的隐含层神经元数目的上限值，创建预测模型并进行仿真；RBF神经网络包括有输入层、隐含层及输出层；

S2、获得最大降低网络误差的训练样本；

S3、通过不同的扩展常数多次创建网络并比较误差，获得扩展常数的最佳值；

S4、通过最小二乘法调整线性输出层各节点的权值，以使在隐含层增加新的RBF元后的网络误差MSE最小；

S5、检测误差性能指标MSE，当MSE未满足规定的误差性能指标且隐含层的神经元数目未达到规定的上限值时，重复步骤S2-S4，直到满足规定的误差性能指标和/或达到隐含层神经元数目规定的上限值。

Images