CN111369046A - 一种基于灰色神经网络的风光互补功率预测方法 - Google Patents

Abstract

本发明涉及一种基于灰色神经网络的风光互补功率预测方法，通过提取不同季节的风光互补发电特征量建立数据库，构建灰色神经网络模型，对风光互补发电功率进行预测。其中特征量包括环境温度、辐射强度、大气风速、大气压强等。根据输入数据的维数确定灰色神经网络的结构，建立风光互补发电功率灰色神经网络预测模型，初始化灰色神经网络模型结构参数，通过输入的每个时间序列训练数据计算每层输出，利用输出预测值与期望输出值的误差修正灰色神经网络模型的参数，完成灰色神经网络的训练，然后根据测试数据，对风光互补发电功率进行预测，最后将风光互补输出功率进行时间序列互补特性计算，预测风光互补输出功率。

Description

一种基于灰色神经网络的风光互补功率预测方法

技术领域

本发明涉及新能源出力预测技术领域，尤其是涉及一种基于灰色神经网络的风光互补功率预测方法。

背景技术

随着我国新能源发电的不断发展，大量的风光发电引入到发电运行中，风光互补发电的管理至关重要，为了能够更好的对风光互补发电进行调度，需要对其进行准确的预测。

灰色模型通过弱化数据序列的随机性，有效克服小样本、少数据等问题。但是，灰色模型缺少自学习和自适应能力。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于灰色神经网络的风光互补功率预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于灰色神经网络的风光互补功率预测方法，该预测方法包括以下步骤：

步骤1：根据气象数据耦合性以及与输出功率相关性提取不同季节尺度风光互补发电特征量数据构建数据库；

步骤2：基于气象数据和风光输出功率建立风光互补发电功率的灰色神经网络预测模型；

步骤3：利用数据库训练风光互补发电功率的灰色神经网络预测模型，得到训练完毕的灰色神经网络预测模型；

步骤4：利用训练完毕的灰色神经网络预测模型对未来风光互补输出功率进行预测，得到不同季节不同时间尺度风光互补功率预测结果。

进一步地，所述的步骤1具体包括：对四季的风光发电特征量数据进行提取，选择不同季节不同尺度的历史发电功率、光照辐射强度、温度、压强和风速，并根据不同时间段分别作为训练数据和测试数据以构建数据库。

进一步地，所述的步骤2中的灰色神经网络预测模型由相互依次连接的LA层、LB层、LC层和LD层组成，所述LA层设有用于输入时间序列的1个节点，所述LB层设有用于过渡连接所述LA层与所述LC层的1个节点，所述LC层设有分别用于输入历史风力发电功率、环境、风速、环境温度和大气压强或者历史光伏发电功率、光照强度、环境温度和大气压强的4个节点，所述LD层设有用于输出发电输出功率预测值的1个节点。

进一步地，所述的步骤2中的灰色神经网络预测模型，其对应的微分方程表达式为：

式中，t为时间序列，y₁为系统风光互补功率输出，y₂、y₃和y₄为光照辐射强度、环境温度与大气压强的组合或环境风速、环境温度与大气压强的组合，a、b₁、b₂、b₃为微分方程系数。

进一步地，所述的步骤2中的灰色神经网络预测模型的风光互补功率预测结果，其描述公式为：

式中，p(t)为风光互补功率预测结果，y₁(0)表示系统风光互补功率输出初始值，d表示灰色神经网络预测模型中LD层的输出。

进一步地，所述的步骤2中的灰色神经网络预测模型的输出节点的阈值，其描述公式为：

θ＝(1+e^-at)(d-y₁(0))

式中，θ为输出节点的阈值。

进一步地，所述的步骤3包括以下分步骤：

步骤31：神经网络初始化：根据数据库中的数据特征初始化灰色神经网络预测模型中的结构参数和权值；

步骤32：数据样本分类：将数据库中的数据分为训练数据和测试数据以训练神经网络；

步骤33：对于每一个作为输入序列的数据，计算获取神经网络中每层的输出；

步骤34：进一步计算获取神经网络预测输出与期望输出的误差，并根据误差调整修正权值和阈值；

步骤35：达到预设的最大迭代步数时，训练结束，得到训练完毕的灰色神经网络预测模型。

进一步地，所述的步骤34中的经过调整修正的权值包括修正后灰色神经网络预测模型中LA层与LB层之间的连接权值和修正后灰色神经网络预测模型中LB层与LC层之间的连接权值，其中：

所述修正后灰色神经网络预测模型中LA层与LB层之间的连接权值，其描述公式为：

式中，

为修正后灰色神经网络预测模型中LA层与LB层之间的连接权值，ω₁₁为原本灰色神经网络预测模型中LA层与LB层之间的连接权值，δ_b为灰色神经网络预测模型中LB层预测输出与期望输出的误差；

所述修正后灰色神经网络预测模型中LB层与LC层之间的连接权值，其描述公式为：

式中，

和

为修正后灰色神经网络预测模型中LB层与LC层之间的连接权值，η为学习速率，δ_c为灰色神经网络预测模型中LC层的误差。

进一步地，所述的步骤34中的经过调整修正的阈值，其描述公式为：

式中，y₂(t)、y₃(t)和y₄(t)分别为t时间序列下灰色神经网络预测模型中LC层的第2、3、4个节点对应的输入，θⁿ为经过调整修正的阈值。

与现有技术相比，本发明具有以下优点：

(1)本发明针对风光互补输出功率预测样本少，预测精度低，运算时间长这一问题，提出了一种基于灰色神经网络的风光互补功率预测方法，采用本发明方法可以根据风光发电特征量之间的耦合特性，对风光互补发电功率进行有效的预测，提高风光互补发电功率预测的精度，减小功率预测运算时间。

(2)本发明方法中采用的神经网络具有较强的自主学习和非线性处理能力，可以弥补灰色模型的不足。通过结合灰色模型和神经网络，构建灰色神经网络组合模型，与单一的预测模型相比，可以同时发挥两个模型的优点，有利于更好地提高模型预测的精度和稳定性。

附图说明

图1为本发明方法的流程示意图；

图2为本发明方法中采用的灰色神经网络结构图。

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，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

本发明的技术方案如下：

图1是基于灰色神经网络的风光互补功率预测流程图。

鉴于灰色预测对小数据量数据预测的优良性能，以及神经网络较强的适用性和容错能力，建立灰色神经预测模型对风光互补发电输出功率进行预测，首先对风光互补发电输出功率特征量进行分析提取，其中特征量包括环境温度、辐射强度、环境风速、大气压强等，由于某些特征量在季节时间上存在互补性，相应的风光发电输出功率具有互补性，建立风光互补短期灰色神经网络预测模型，对输入数据进行处理分类，根据输入数据维数等特征确定灰色神经网络预测模型的结构，然后对灰色神经网络进行初始化，输入训练数据对模型进行训练，使网络具有预测能力，输入测试数据，完成对风力和光伏的输出功率的预测，然后将风光输出功率进行时间序列互补特性计算，预测不同季节不同时间尺度的风光互补输出功率。

具体步骤如下：

1.建立风光互补发电特征量数据集

首先对春秋季、夏季和冬季的风光发电特征量数据进行提取，确定主要的特征量为光照辐射强度、环境温度、大气压强和环境风速，选择不同季节前10天的光照辐射强度、环境温度、大气压强和环境风速作为训练数据，后一天作为测试数据，构建数据集，采用同一个模型分别预测未来一天24小时的风光互补输出功率。

2.构建风光互补灰色神经网络模型

2.1确定模型结构

由于灰色神经网络是根据输入输出维数确定的灰色神经网络的结构，由于本文输入数据是3维，输出是1维，所以灰色神经网络结构为1-1-4-1，对于风力发电来说即LA层1个节点，输入为时间序列，LB层有1个节点，LC层有四个节点，第2-4分别输入风速、温度和压强。LD层为一个节点，输出风力发电输出功率预测值。对于光伏发电来说只有LC和LD层与风力发电不同，LC层有四个节点，第2-4分别输入光照辐射强度、温度和压强，LD层为一个节点，输出光伏发电输出功率预测值。

2.2构建灰色神经网络模型

GM模型是以原始数据序列为基础建立的微分方程，直接将时间序列的数据转为微分方程，利用系统信息，使抽象模型量化，进而在缺乏系统特性知识的情况下预测系统输出。

由此可知4个参数的灰色神经网络模型的微分方程表达式为：

式中，t为时间序列，y₁为系统风光互补功率输出，y₂、y₃和y₄为光照辐射强度、环境温度与大气压强的组合或环境风速、环境温度与大气压强的组合，a、b₁、b₂、b₃为微分方程系数，通过设置随机数初始化。

风光互补功率预测结果用p(t)来表示。

4个参数的灰色神经网络模型的微分方程表达式的时间响应式为：

令

风光互补功率预测结果的计算公式可作如下转化：

将变换后的公式结果映射到神经网络中就得到了4个输入参数、1个输出参数的灰色神经网络。

如图2所示，t为时间序列，y₂,y₃,y₄为风光互补发电特征量参数，y₁为风光互补功率预测值，LA、LB、LC、LD分别表示风光互补灰色神经网络的四层，ω₂₁,ω₂₂,ω₂₃,ω₂₄分别为连接LB和LC层的权重系数，ω₃₁,ω₃₂,ω₃₃,ω₃₄分别为连接LC和LD层的权重系数。

令

网络权值表示为：

ω₁₁＝a,ω₂₁＝-y₁(0),ω₂₂＝u₁,ω₂₃＝u₂,ω₂₄＝u₃

ω₃₁＝ω₃₂＝ω₃₃＝ω₃₄＝1+e^-at

输出节点的阈值为：

θ＝(1+e^-at)(d-y₁(0))

3.灰色神经网络的学习

利用训练数据训练灰色神经网络，设置循环次数，首先用不同季节的前10天的数据作为训练数据，对模型进行训练。

Step1：网络初始化，根据训练数据特征初始化网络结构参数a，b并根据a，b求取u和权值ω₂₁,ω₂₂,ω₂₃,ω₂₄，ω₃₁,ω₃₂,ω₃₃,ω₃₄的值；

Step2：样本分类，把样本分为训练数据和测试数据，其中前10天240小时数据作为训练样本，后一天24小时作为测试样本，训练样本用来训练网络，测试样本用来测试预测精度。

Step3：对每一个输入序列，计算每层的输出。

LA层：a＝ω₁₁t

LB层：

LC层：c₁＝bω₂₁，c₂＝bω₂₂y₂(t)，c₃＝bω₂₃y₃(t)，c₄＝bω₂₄y₄(t)

LD层：d＝ω₃₁c₁+ω₃₂c₂+ω₃₃c₃+ω₃₄c₄-θ

Step4：计算网络预测输出和期望输出的误差，并根据误差调整修正权值阈值

LD层误差：δ＝(d-y₁(t))²

LC层误差：

LB层误差：

修正LB到LC的连接权值：

其中η为学习速率。

修正LA到LB的连接权值：

修正阈值：

Step5：达到最大迭代步数，训练结束

4.对风、光发电输出功率预测

对训练好的灰色神经网络模型分别输入风力和光伏发电测试数据，完成对输出功率未来24小时的预测，

5.对风光输出功率进行时间序列互补特性计算，预测不同季节不同时间尺度风光互补输出功率。

由于环境风速、环境温度和光照辐射强度在时间和季节上具有互补性，往往在18点到6点期间温度比较低，风速比较大，在日间温度相对较高，光照辐射强度比较大，在夏季光照辐射强度比较大，而冬季风速比较大。相应的风光发电的输出功率也具有互补性，在夜间光伏没有输出功率，而风力发电输出功率处于最优状态，日间光伏发出大部分输出功率，风力发电发出少量功率。通过对风力、光伏输出功率进行求和，然后与单独的风力、光伏发电输出功率曲线对比，研究风光互补发电功率的时间序列互补性。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于灰色神经网络的风光互补功率预测方法，其特征在于，该预测方法包括以下步骤：

步骤1：根据气象数据耦合性以及与输出功率相关性提取不同季节风光互补发电特征量数据构建数据库；

步骤2：基于气象数据和风光输出功率建立风光互补发电功率的灰色神经网络预测模型；

步骤3：利用数据库训练风光互补发电功率的灰色神经网络预测模型，得到训练完毕的灰色神经网络预测模型；

步骤4：利用训练完毕的灰色神经网络预测模型对未来风光互补输出功率进行预测，得到不同季节时间尺度的风光互补功率预测结果。

2.根据权利要求1所述的一种基于灰色神经网络的风光互补功率预测方法，其特征在于，所述的步骤1具体包括：对四季的风光发电特征量数据进行提取，选择不同季节不同时间段的光照辐射强度、温度、压强和风速，并将不同时间段数据分别作为训练数据和测试数据以构建数据库。

3.根据权利要求1所述的一种基于灰色神经网络的风光互补功率预测方法，其特征在于，所述的步骤2中的灰色神经网络预测模型由相互依次连接的LA层、LB层、LC层和LD层组成，所述LA层设有用于输入时间序列的1个节点，所述LB层设有用于过渡连接所述LA层与所述LC层的1个节点，所述LC层设有分别用于输入光照辐射强度、风速、温度和压强的4个节点，所述LD层设有用于输出风力或光伏发电输出功率预测值的1个节点。

4.根据权利要求1所述的一种基于灰色神经网络的风光互补功率预测方法，其特征在于，所述的步骤2中的灰色神经网络预测模型，其对应的微分方程表达式为：

式中，t为时间序列，y₁为系统风光互补功率输出，y₂、y₃和y₄为光照辐射强度、环境温度与大气压强的组合或环境风速、环境温度与大气压强的组合，a、b₁、b₂、b₃为微分方程系数。

5.根据权利要求1所述的一种基于灰色神经网络的风光互补功率预测方法，其特征在于，所述的步骤2中的灰色神经网络预测模型的风光互补功率预测结果，其描述公式为：

式中，p(t)为风光互补功率预测结果，y₁(0)表示系统风光互补功率输出初始值，d表示灰色神经网络预测模型中LD层的输出。

6.根据权利要求1所述的一种基于灰色神经网络的风光互补功率预测方法，其特征在于，所述的步骤2中的灰色神经网络预测模型的输出节点的阈值，其描述公式为：

θ＝(1+e^-at)(d-y₁(0))

式中，θ为输出节点的阈值。

7.根据权利要求1所述的一种基于灰色神经网络的风光互补功率预测方法，其特征在于，所述的步骤3包括以下分步骤：

步骤31：神经网络初始化：根据数据库中的数据特征初始化灰色神经网络预测模型中的结构参数和权值；

步骤32：数据样本分类：将数据库中的数据分为训练数据和测试数据以训练神经网络；

步骤33：对于每一个作为输入序列的数据，计算获取神经网络中每层的输出；

步骤34：进一步计算获取神经网络预测输出与期望输出的误差，并根据误差调整修正权值和阈值；

步骤35：达到预设的最大迭代步数时，训练结束，得到训练完毕的灰色神经网络预测模型。

8.根据权利要求7所述的一种基于灰色神经网络的风光互补功率预测方法，其特征在于，所述的步骤34中的经过调整修正的权值包括修正后灰色神经网络预测模型中LA层与LB层之间的连接权值和修正后灰色神经网络预测模型中LB层与LC层之间的连接权值，其中：

所述修正后灰色神经网络预测模型中LA层与LB层之间的连接权值，其描述公式为：

式中，

为修正后灰色神经网络预测模型中LA层与LB层之间的连接权值，ω₁₁为原本灰色神经网络预测模型中LA层与LB层之间的连接权值，δ_b为灰色神经网络预测模型中LB层预测输出与期望输出的误差；

所述修正后灰色神经网络预测模型中LB层与LC层之间的连接权值，其描述公式为：

式中，

和

为修正后灰色神经网络预测模型中LB层与LC层之间的连接权值，η为学习速率，δ_c为灰色神经网络预测模型中LC层的误差。

9.根据权利要求7所述的一种基于灰色神经网络的风光互补功率预测方法，其特征在于，所述的步骤34中的经过调整修正的阈值，其描述公式为：

式中，y₂(t)、y₃(t)和y₄(t)分别为t时间序列下灰色神经网络预测模型中LC层的第2、3、4个节点对应的输入，θⁿ为经过调整修正的阈值。

Images