CN111815051B - 考虑天气影响因素的grnn光伏发电预测方法 - Google Patents

Abstract

本发明公开了一种考虑天气影响因素的GRNN光伏发电预测方法。该方法包括以下步骤：(1)采用温度和湿度的一次、二次及指数天气模型对GRNN网络输入神经元进行加权修正；(2)对每种天气类型所对应的数据根据灰色关联度的大小来选取单日或多日训练模型下的训练样本；(3)针对点预测和小时预测确定GRNN输入输出的神经元；(4)依次采取三种天气模型建模并进行模型训练，获得每种组合下的相对最小误差下的最优修正GRNN模型；(5)用上述训练好的最优修正GRNN模型来对测试样本进行预测，对同一种天气类型下的单日或多日训练模型，选择最小相对误差对应的天气模型及参数下的最优GRNN模型。本发明有助于实现光伏微电网的精准预测及经济发电。

Description

考虑天气影响因素的GRNN光伏发电预测方法

技术领域

本发明涉及一种考虑天气影响因素的GRNN光伏发电预测方法。

背景技术

光伏发电预测对维护电网安全稳定和协调资源利用具有重要的意义。光伏发电受太阳辐照度、环境温湿度、通风条件等因素的影响，不同天气，不同时段的发电量差异巨大。光伏发电具有随机性、波动性和间歇性的特点，当大规模的光伏系统并网后会对电网的稳定性和安全性造成冲击。文献阐述了光伏发电系统并网对电网的电能质量、孤岛控制、可靠性、调度以及保护等问题的影响。文献研究了光伏发电多点接入对配电网电能质量、出力预测等方面的影响。光伏发电渗透率的增大，给电网的安全、稳定、可靠运行带来了严峻的挑战。提高光伏发电功率预测精度，有助于实现光伏微电网的精准预测及经济发电。

目前国内外学者对于短期预测也进行了相应的研究。其中一种是结合纵向和横向相似日样本的短期负荷二维组合预测方法。该方法通过设置组合加权系数，运用粒子群优化算法寻优系数值，得到最终的二维预测结果。另外一种是基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。该方法通过K均值算法对训练样本集进行聚类分析，在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。第三种是预测光伏发电机组太阳能发电量的人工神经网络(ANN)。这是一种利用Euskalmet数据库训练的人工神经网络(ANN)在10分钟内预测太阳能的方法。另有文献表示光伏发电系统受到许多因素的影响。其设计了一个基于两层神经网络的光伏功率预测模型。分析了网络的结构、输入的选择、隐含层的设计和训练样本的选择。还有一种基于不同优化准则和广义回归神经网络(GRNN)的风电功率非线性组合预测方法。

因此，本发明提出了一种考虑天气影响因素的GRNN光伏发电预测模型。先按照天气预报对光伏发电站的实测光伏发电参数进行分类建模，然后通过对温度，湿度这两种影响因素对光伏发电参数进行加权修正，用灰色关联度选取训练样本，分别采用单日和多日训练模型进行点预测和小时预测，对光伏发电参数进行预测。

发明内容

本发明要解决的技术问题是提供一种考虑天气影响因素的GRNN光伏发电预测方法。

为了解决上述技术问题，本发明采用的技术方案是，考虑天气的影响因素的GRNN光伏发电预测方法，包括步骤如下：

(1)考虑温度湿度天气因素对GRNN网络输入神经元进行加权修正建模，即采用温度、湿度这两种天气影响因素对等间隔采样的光伏发电参数进行加权修正，分别采用三种天气模型进行建模，将该修正网络与GRNN模型的组合称之为修正GRNN模型；三种天气模型为一次模型、二次模型与指数模型；

(2)对天气预报的各天气类型条件下的光伏数据，根据灰色关联度的大小选取单日和多日训练模型下的训练数据；

(3)利用步骤(2)得到的训练数据，分别针对点预测和小时预测确定GRNN输入输出的神经元构成，点预测表示预测目标为以最小采样间隔定标的一个数据点，即GRNN输出的为一个神经元；小时预测表示预测目标为以小时为单位的若干段以最小采样间隔相邻的连续数据点，即GRNN输出的神经元个数为大于1的整数；

(4)基于修正GRNN模型进行训练，分别获得各种天气类型条件下的单日或多日训练模型下的三种天气模型的所有组合，其中在每一种组合下相对最小预测误差下的最优系数组合及神经网络模型即为全局相对最优修正GRNN模型；

(5)用上述训练好的每一种组合下的全局相对最优修正GRNN模型来对测试样本进行预测；对同一种天气类型的点预测或小时预测，分别比较单日或多日训练模型下的三种天气模型及系数组合的预测误差，所得的最小误差对应的全局相对最优修正GRNN模型为最终相对最优模型。

作为优选，步骤(1)中，以一组特定加权系数组合修正的输入神经元组合来训练GRNN网络,选择预测误差最小的做为相对最优修正GRNN模型；由于温度与光伏发电参数呈正相关，故温度参数的加权系数在0～1之间，而湿度与其呈负相关，故湿度参数的加权系数在-1～0之间，原始数据为光伏发电参数X，经过加权修正模型之后的参数为I，预测之后得到的参数为

X＝(X₁，X₂，...，X_i，...，X_a)，X_i＝(X_i，1，X_i，2，...，X_i，j，...，X_i，b)，I＝(I₁，I₂，...，I_i，...，I_a)，I_i＝(I_i，1，I_i，2，...，I_i，j，...，I_i，b)，

其中i代表天数的序号，总天数为a，j代表一天中的原始样点序号，一天的总原始样点数为b；

一次模型的计算公式为

I_ij＝(1+a₁×t_ij+a₂×h_ij)×X_ij (1)

二次模型的计算公式为

I_ij＝(1+a₁₁×t_ij ²+a₁₂×t_ij+a₂₁×h_ij ²+a₂₂×h_ij)×X_ij (2)

指数模型的计算公式为

以上公式中，t_ij为归一化温度参数，h_ij为归一化湿度参数，a₁为一次模型的温度参数的加权系数，a₂为一次模型的湿度参数的加权系数，a₁₁，a₁₂为二次模型的温度参数的加权系数，a₂₁，a₂₂为二次模型的湿度参数的加权系数，a₃为指数模型的温度参数的加权系数，a₄为指数模型的湿度参数的加权系数。

作为进一步优选，在步骤(2)中，I是规模为a×b的向量矩阵即a天的修正数据序列，将a组b维序列作为比较序列，参考序列A也是一b维序列，序列的每一个元素是I矩阵中对应序号列的所有元素的平均值，参见公式：

式中i代表天数的序号，j代表一天中的原始样点序号；

根据灰色关联度的大小选取单日和多日训练模型下的训练数据的具体步骤是：对于单日训练模型，将与参考序列灰色关联度最高的比较序列即某一日的修正数据作为修正GRNN模型的训练数据源，其余各比较序列即其余各日的修正数据依次作为修正GRNN模型的测试数据源；在多日训练模型中，采用c天的修正数据作为修正GRNN模型的训练数据源，其中c≥0.5a，该c天的修正数据是由比较序列与参考序列进行灰色关联度排序得到的前c名比较序列组成的规模为c×b的向量矩阵，剩余d天且d＝a-c的修正数据作为修正GRNN模型的测试数据源。

进一步的优选是，步骤(3)中，在点预测过程中，采用一个小时的数据预测一个点数据，即若一小时点数为n，第1到第n个点作为输入，对应的输出为第n+1个点，第2到第n+1个点输入，对应的输出为第n+2个点，每次移动一点滚动建立输入样本；输入神经元为n个，输出神经元为1个；

在小时预测过程中，采取k个小时的数据按点滚动预测f个小时数据，其中k＞f且f≥1；此处按点滚动预测的具体做法：若一小时点数为n，输入为1到k×n个点，对应的输出为k×n+1到(k+f)n点，第2到第k×n+1个点输入，对应的输出为第k×n+2到(k+f)×n+1个点，每次移动一点滚动建立输入样本；则输入神经元为k×n个，输出神经元为f×n个。

更进一步的优选是，步骤(4)中，首先确定神经网络的输入输出神经元，以设定的步长在加权系数的取值范围内改变取值，要求遍历相应各步长下的所有系数组合，记录每一组系数训练获得的相对最优修正GRNN模型下的最小预测误差，上述最小预测误差中最小值所对应的加权系数组合即为相对最优加权系数。

再进一步优选是，步骤(5)中，用上述训练好的全局最优修正GRNN模型来对测试样本进行预测；与实际曲线进行比较，得到预测误差；针对三种天气模型所得的误差，通过比较，选择相对最优模型；单目测试模型以及多日测试模型下的均方根误差计算方式均与训练时计算方式相同；

单日训练模型下，在训练完毕，对每一种天气模型仅获得唯一一组相对最优加权系数组合，依次将除训练数据外的任意一天作为测试样本，记录下每次预测的光伏参数序列

再将a-1天预测的光伏参考序列

以及对应实际的光伏参考序列分别拼接成一个整体，计算误差，比较一次模型、二次模型和指数模型得到的最小误差选择相对最优模型；

多日训练模型下，记录下最优加权系数组合以及误差；比较一次模型、二次模型和指数模型得到的最小误差来选择相对最优模型。

本发明的有益效果是：

本发明公开了考虑天气影响因素的GRNN光伏发电预测方法。在单日训练模型和多日训练模型中进行点预测和小时预测，可以很明显降低光伏发电预测误差，有助于实现光伏微电网的精准预测及经济发电。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明实施例的网络总体框架图。

图2是本发明实施例的GRNN网络模型。

图3是本发明实施例的网络总体框架图。

图4是本发明实施例的一次模型训练流程图

图5是本发明实施例的指数模型训练流程图

图6是本发明实施例的二次模型训练流程图

图7是本发明实施例的单日训练模型测试流程图

图8是本发明实施例的多日训练模型测试流程图

具体实施方式

本实施例根据现场的数据进行实施,实施数据为某110kV光伏电站监控数据。该监控数据从光伏系统接受光照开始发电到停止发电期间，即每天7:00-19:00期间每隔3min记录一次光伏发电系统电流的最大值、最小值、平均值。根据2018年1月份的天气预报数据选取当月里天数≥3天的同一种天气类型进行分类，再以天数≥3天的同一种天气类型所对应的每3分钟光伏发电电流平均值来作为GRNN训练和测试数据源。温度、湿度的历史天气数据由该光伏电站所在地的气象部门提供，每隔1小时记录一次，即每个整点记录一个数据。为与光伏发电参数匹配，每个整点及之后的1小时内20个温度、湿度均采用整点数据。在上述实验条件下采用本发明的方法进行具体实施验证比较提出的包括一次模型、二次模型和指数模型的三种天气模型的GRNN模型效果。

根据该地区天气预报历史数据按天数大于等于3天的同一种天气类型将2018年1月份的31天分为晴天、阴天、多云、小雪4种天气类型。其中天气预报为晴天的日期是1日、8日、9日、11日、12日、13日和14日；天气预报为阴天的日期是2日、20日、21日；天气预报为多云的日期是5日、15日、17日、18日、19日、22日、23日、26日、28日、29日、30日和31日；天气预报为小雪的日期是6日、7日、24日、25日、27日。

下面以晴天为例来具体说明实施方式。

如图1所示，考虑天气影响因素的GRNN光伏发电预测方法包括下列步骤：

步骤1：针对晴天、阴天、多云、小雪4种天气类型，将原始数据分别代入一次模型、二次模型、指数模型的三种天气模型的计算公式。原始数据为光伏发电参数X，经过加权修正模型之后的参数为I，预测之后得到的参数为

X＝(X₁，X₂，...，X_i，...，X₇)，X_i＝(x_i，1，x_i，2，...，x_i，j，...，x_i，260)；I＝(I₁，I₂，...，I_i，...，I₇)，I_i＝(I_i，1，I_i，2，...，I_i，j，...，I_i，260)；

其中i代表天数的序号，总天数为7，j代表一天中的原始样点序号，一天的总原始样点数为260，对温度、湿度参数进行归一化。

为归一化温度参数，

为归一化湿度参数，

其中t＝(t₁，t₂，...，t_i，...，t₇)，t_i＝(t_i，1，t_i，2，...，t_i，j，...，t_i，260)，h＝(h₁，h₂，...，h_i，...，h₇)，h_i＝(h_i，1，h_i，2，...，h_i，j，...，h_i，260)。

一次模型的计算公式为：

I_ij＝(1+a₁×t_ij+a₂×h_ij)×X_ij (1)

二次模型的计算公式为：

I_ij＝(1+a₁₁×t_ij ²+a₁₂×t_ij+a₂₁×h_ij ²+a₂₂×h_ij)×X_ij (2)

指数模型的计算公式为：

以上公式中，t_ij为归一化温度参数，h_ij为归一化湿度参数，a₁为一次模型的温度参数的加权系数，a₂为一次模型的湿度参数的加权系数，a₁₁，a₁₂为二次模型的温度参数的加权系数，a₂₁，a₂₂为二次模型的湿度参数的加权系数，a₃为指数模型的温度参数的加权系数，a₄为指数模型的湿度参数的加权系数。

步骤2：I是规模为7×260的向量矩阵即7天的修正数据序列，将7组260维序列作为比较序列，参考序列A也是一260维序列，序列的每一个元素是I矩阵中对应序号列的所有元素的平均值，参见公式：

步骤3：在点预测过程中，采取用一个小时的样本预测一个点，即若一小时点数为20，第1到第20个点作为输入，对应的输出为第21个点，第2到第21个点输入，对应的输出为第22个点，每次移动一点滚动建立输入样本。输入神经元为20个，输出神经元为1个。

在小时预测过程中，采取3个小时的样本预测紧接着的1个小时。若一小时点数为20，1到60个点输入，对应的输出为61到80点，第2到第61个点输入，对应的输出为第62到81个点，每次移动一点滚动建立输入样本。则输入神经元为60个，输出神经元为20个。

(1)单日点预测：将与参考序列灰色关联度最高的比较序列即某一日的修正数据作为修正GRNN模型的训练数据，其余各比较序列即其余各日的修正数据依次作为修正GRNN模型的测试数据源，即训练和测试时通用模型的输入矩阵为

输出矩阵为

(2)单日小时预测：将与参考序列灰色关联度最高的比较序列即某一日的修正数据作为修正GRNN模型的训练数据，其余各比较序列即其余各日的修正数据依次作为修正GRNN模型的测试数据源，即训练和测试时通用模型如下所示：输入矩阵为

输出矩阵为

(3)多日点预测：采用4天的修正数据作为修正GRNN模型的训练数据源，该4天的修正数据是由比较序列与参考序列进行灰色关联度排序得到的前4名比较序列组成的规模为4×260的向量矩阵，其余3天的修正数据作为修正GRNN模型的测试数据源。训练时通用模型的输入矩阵为

输出矩阵为

测试时通用模型的输入矩阵为

输出矩阵为

(4)多日小时预测：采用4天的修正数据作为修正GRNN模型的训练数据源，该4天的修正数据是由比较序列与参考序列进行灰色关联度排序得到的前4名比较序列组成的规模为4×260的向量矩阵，其余3天的修正数据作为修正GRNN模型的测试数据源。训练时通用模型如下所示：输入矩阵为

输出矩阵为

测试时通用模型如下所示：输入矩阵为

输出矩阵为

步骤4：首先确定神经网络的输入输出神经元，以0.05的步长在加权系数的取值范围内改变取值，要求遍历相应各步长下的所有系数组合，记录每一组系数训练获得的相对最优修正GRNN模型下的最小预测误差，上述最小预测误差中最小值所对应的加权系数组合即为相对最优加权系数。其中图4是一次模型训练流程图，图5是指数模型训练流程图，图6是二次模型训练流程图。求均方根相对误差的具体步骤如下：

(1)单日点预测中实际光伏参数X＝(x_1，21，...，x_1，260)，通过修正GRNN模型预测的光伏参数为

故均方根相对误差的公式为

(2)单日小时预测模型中，实际光伏参数

预测光伏参数

均方根相对误差的公式为

(3)参照上述步骤3中的多日点预测输入输出矩阵表达，把输出矩阵按照每天分割成规模为4×240的矩阵表达形式，每一行代表一天的实际光伏参数或预测光伏参数，即实际光伏参数

预测光伏参数

则均方根相对误差的公式为

(4)多日小时预测输入输出矩阵表达，

实际光伏参数

预测光伏参数

均方根相对误差的公式为

步骤5：单日训练模型下，在训练完毕，对每一种天气模型仅获得唯一一组相对最优加权系数组合，依次将除训练数据外的任意一天作为测试样本，记录下每次预测的光伏参数序列

再将6天预测的光伏参考序列

以及对应实际的光伏参考序列分别拼接成一个整体，计算误差，比较一次模型、二次模型和指数模型得到的最小误差选择相对最优模型，单日训练模型测试流程图如图7所示。

多日训练模型下，记录下最优加权系数组合以及误差。比较一次模型、二次模型和指数模型得到的最小误差来选择相对最优模型，多日训练模型测试流程图如图8所示。

实验表明：考虑天气影响因素的GRNN预测模型比不考虑天气影响因素的GRNN预测模型的预测精度要高。在点预测时，指数模型的适应度最好；在小时预测时，一次模型的适应度最好。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。

Claims (4)

1.考虑天气影响因素的GRNN光伏发电预测方法，其特征在于，包括步骤如下：

(1)考虑温度湿度天气因素对GRNN网络输入神经元进行加权修正建模，即采用温度、湿度这两种天气影响因素对等间隔采样的光伏发电参数进行加权修正，分别采用三种天气模型进行建模，将该修正网络与GRNN模型的组合称之为修正GRNN模型；所述三种天气模型为一次模型、二次模型与指数模型；

所述的步骤(1)中，以一组特定加权系数组合修正的输入神经元组合来训练GRNN网络，选择预测误差最小的做为相对最优修正GRNN模型；由于温度与光伏发电参数呈正相关，故温度参数的加权系数在0～1之间，而湿度与其呈负相关，故湿度参数的加权系数在-1～0之间，原始数据为光伏发电参数X，经过加权修正模型之后的参数为I，预测之后得到的参数为

X＝(X₁,X₂,…,X_i,…,X_a)，X_i＝(X_i,1,X_i,2,…,X_i,j,…,X_i,b),I＝(I₁,I₂,…,I_i,…,I_a)，I_i＝(I_i,1,I_i,2,…,I_i,j,…,I_i,b)，

其中i代表天数的序号，总天数为a，j代表一天中的原始样点序号，一天的总原始样点数为b；

一次模型的计算公式为

I_ij＝(1+a₁×t_ij+a₂×h_ij)×X_ij (1)

二次模型的计算公式为

I_ij＝(1+a₁₁×t_ij ²+a₁₂×t_ij+a₂₁×h_ij ²+a₂₂×h_ij)×X_ij (2)

指数模型的计算公式为

以上公式中，t_ij为归一化温度参数，h_ij为归一化湿度参数，a₁为一次模型的温度参数的加权系数，a₂为一次模型的湿度参数的加权系数，a₁₁,a₁₂为二次模型的温度参数的加权系数，a₂₁,a₂₂为二次模型的湿度参数的加权系数，a₃为指数模型的温度参数的加权系数，a₄为指数模型的湿度参数的加权系数；

(2)对天气预报的各种天气类型条件下的光伏数据，根据灰色关联度的大小选取单日和多日训练模型下的训练数据；

(3)利用步骤(2)得到的训练数据，分别针对点预测和小时预测确定GRNN输入输出的神经元构成，所述点预测表示预测目标为以最小采样间隔定标的一个数据点，即GRNN输出的为一个神经元；所述小时预测表示预测目标为以小时为单位的若干段以最小采样间隔相邻的连续数据点，即GRNN输出的神经元个数为大于1的整数；

(4)基于修正GRNN模型进行训练，分别获得各种天气类型条件下的单日或多日训练模型下的三种天气模型的所有组合，其中在每一种组合下相对最小预测误差下的最优系数组合及神经网络模型即为全局相对最优修正GRNN模型；

所述的步骤(4)中，首先确定神经网络的输入输出神经元，以设定的步长在加权系数的取值范围内改变取值，要求遍历相应各步长下的所有系数组合，记录每一组系数训练获得的相对最优修正GRNN模型下的最小预测误差，上述最小预测误差中最小值所对应的加权系数组合即为相对最优加权系数；

(5)用上述训练好的每一种组合下的全局相对最优修正GRNN模型来对测试样本进行预测；对同一种天气类型的点预测或小时预测，分别比较单日或多日训练模型下的三种天气模型及系数组合的预测误差，所得的最小误差对应的全局相对最优修正GRNN模型为最终相对最优模型。

2.根据权利要求1所述的GRNN光伏发电预测方法，其特征在于，在步骤(2)中，I是规模为a×b的向量矩阵即a天的修正数据序列，将a组b维序列作为比较序列，参考序列A也是一b维序列，序列的每一个元素是I矩阵中对应序号列的所有元素的平均值，参见公式：

式中i代表天数的序号，j代表一天中的原始样点序号；

所述根据灰色关联度的大小选取单日和多日训练模型下的训练数据的具体步骤是：对于单日训练模型，将与参考序列灰色关联度最高的比较序列即某一日的修正数据作为修正GRNN模型的训练数据源，其余各比较序列即其余各日的修正数据依次作为修正GRNN模型的测试数据源；在多日训练模型中，采用c天的修正数据作为修正GRNN模型的训练数据源，其中c≥0.5a，该c天的修正数据是由比较序列与参考序列进行灰色关联度排序得到的前c名比较序列组成的规模为c×b的向量矩阵，剩余d天且d＝a-c的修正数据作为修正GRNN模型的测试数据源。

3.根据权利要求2所述的GRNN光伏发电预测方法，其特征在于，步骤(3)中,在点预测过程中，采用一个小时的数据预测一个点数据，即若一小时点数为n，第1到第n个点作为输入，对应的输出为第n+1个点，第2到第n+1个点输入，对应的输出为第n+2个点，每次移动一点滚动建立输入样本；输入神经元为n个，输出神经元为1个；

在小时预测过程中，采取k个小时的数据按点滚动预测f个小时数据,其中k﹥f且f≥1；此处按点滚动预测的具体做法：若一小时点数为n，输入为1到k×n个点，对应的输出为k×n+1到(k+f)n点，第2到第k×n+1个点输入，对应的输出为第k×n+2到(k+f)×n+1个点，每次移动一点滚动建立输入样本；则输入神经元为k×n个，输出神经元为f×n个。

4.根据权利要求3所述的GRNN光伏发电预测方法，其特征在于，步骤(5)中，用上述训练好的全局最优修正GRNN模型来对测试样本进行预测；与实际曲线进行比较，得到预测误差；针对三种天气模型所得的误差，通过比较，选择相对最优模型；单日测试模型以及多日测试模型下的均方根误差计算方式均与训练时计算方式相同；

单日训练模型下，在训练完毕，对每一种天气模型仅获得唯一一组相对最优加权系数组合，依次将除训练数据外的任意一天作为测试样本，记录下每次预测的光伏参数序列

再将a-1天预测的光伏参考序列

以及对应实际的光伏参考序列分别拼接成一个整体，计算误差，比较一次模型、二次模型和指数模型得到的最小误差选择相对最优模型；

多日训练模型下，记录下最优加权系数组合以及误差；比较一次模型、二次模型和指数模型得到的最小误差来选择相对最优模型。

Images