CN113112085A - 一种基于bp神经网络的新能源场站发电负荷预测方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络的新能源场站发电负荷预测方法，包括：获取新能源场站所在地区精确到小时的历史气象数据及对应时刻的发电负荷数据，作为训练样本；针对每个整点时刻，分别构建单独的基于BP神经网络的初始预测模型；利用各整点时刻的训练样本分别对各整点时刻对应的初始预测模型进行训练，并输出训练过程中的预测误差；基于预测误差自适应调整BP神经网络的连接权值和阈值，直至预测误差满足预设条件，得到各整点时刻对应的最终预测模型；基于最终预测模型得到待测日全天各整点时刻的发电负荷预测数据。本发明在各种天气类型下均具有较准确的预测能力和较强的适用性，可以对新能源场站次日发电负荷进行精准预测。

Description

一种基于BP神经网络的新能源场站发电负荷预测方法

技术领域

本发明涉及发电负荷预测技术领域，更具体的说是涉及一种基于BP神经网络的新能源场站发电负荷预测方法。

背景技术

近年来，光伏发电、风力发电等新能源发电项目由于清洁能源特性得到了快速发展。但是，由于新能源出力对太阳辐射强度、风力、气温等天气因素很敏感，天气稍有变化，就会引起新能源出力的大幅波动，从而增加了调度电网的难度，进而影响电网的安全、稳定、经济运行。

目前，对于电网以及新能源场站的短期负荷预测仍然主要依靠人工综合考虑历史数据、光照、风力等因素后进行上报，影响因素的不确定性导致负荷规律难以把握、负荷预测准确率偏低。新能源负荷预测方法主要有基于数学统计方法和基于神经网络预测方法。基于数学统计方法主要有建立ARMA模型和马尔科夫链模型，基于神经网络预测方法主要有建立灰色神经网络组合模型以及基于模糊识别方法建立RBF神经网络。

基于数学统计方法的ARMA模型和马尔科夫链模型对于晴天的负荷具有较高的预测精度，但对多云、阴雨天气预测准确率较低。基于模糊识别方法建立RBF神经网络对新能源负荷进行预测，由于只对全天天气进行模糊分类，对具体时刻的天气因素考虑不足，准确率仍旧偏低。

因此，如何提供一种在各种天气下均具有较准确的预测能力和较强的适用性的基于BP神经网络的新能源场站发电负荷预测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于BP神经网络的新能源场站发电负荷预测方法，在各种天气类型下均具有较准确的预测能力和较强的适用性，可以对新能源场站次日发电负荷进行精准预测。

为了实现上述目的，本发明采用如下技术方案：

一种基于BP神经网络的新能源场站发电负荷预测方法，包括以下步骤：

获取新能源场站所在地区精确到小时的历史气象数据及对应时刻的发电负荷数据，作为初始训练样本；

分别提取所述初始训练样本中各整点时刻对应的气象数据和发电负荷数据，对其进行预处理，得到各整点时刻的最终训练样本；

针对每个整点时刻，分别构建单独的基于BP神经网络的初始预测模型；

利用各整点时刻的最终训练样本分别对各整点时刻对应的所述初始预测模型进行训练，并输出训练过程中的预测误差；

基于所述预测误差自适应调整BP神经网络的连接权值和阈值，直至所述预测误差满足预设条件，得到各整点时刻对应的最终预测模型；

获取新能源场站所在地待测日的整点气象数据，并将各整点时刻的气象数据经量化处理后，对应输入至相应的所述最终预测模型；

基于所述最终预测模型得到待测日全天各整点时刻的发电负荷预测数据。

优选的，在上述一种基于BP神经网络的新能源场站发电负荷预测方法中，所述初始训练样本的预处理包括：

采用最大最小值函数对从初始训练样本中提取的各整点时刻的发电负荷数据进行归一化处理；

对初始训练样本中提取的各整点时刻的历史气象数据中进行量化处理；

将各整点时刻中归一化处理后的发点电荷数据和量化处理后的历史气象数据作为各整点时刻的最终训练样本。

优选的，在上述一种基于BP神经网络的新能源场站发电负荷预测方法中，所述初始预测模型包括输入层、隐含层和输出层；所述输入层具有四个输入节点，所述四个输入节点分别对应气象数据中四个输入变量，所述四个输入变量为天气、温度、风力和湿度；所述输出层具有一个输出节点，所述输出节点对应发电负荷；所述隐含层分别按照预设连接权值与所述输入层和所述输出层连接。

优选的，在上述一种基于BP神经网络的新能源场站发电负荷预测方法中，所述初始预测模型的训练过程为：

根据输入层的输入变量、输入层与隐含层各节点间的连接权值以及隐含层各节点的阈值计算隐含层各节点的输出值；

根据隐含层各节点的输出值、隐含层与输出层各节点间的连接权值以及输出层的节点阈值，计算输出层节点输出的预测值；

根据期望值和输出层节点输出的预测值计算预测误差；

根据预测误差更新网络中输入层和隐含层各节点间的连接权值、隐含层与输出层节点间的连接权值、隐含层各节点的阈值和输出层的节点阈值，直至预测误差满足预设条件，得到所述最终预测模型。

优选的，在上述一种基于BP神经网络的新能源场站发电负荷预测方法中，隐含层各节点输出的计算公式如下：

其中，H_j表示隐含层的输出值，l为隐含层节点数，ω_ij表示输入层和隐含层间的连接权值，f为隐含层的激励函数，x_i表示输入变量，n为输入层节点数，a_j表示隐含层j节点的阈值；

输出层节点输出的计算公式如下：

其中，O_k表示输出层k输出节点输出的预测值，m表示输出层节点数，ω_jk表示隐含层和输出层间连接权值，b_k表示输出层k节点的阈值；

预测误差的计算公式如下：

e_k＝Y_k-O_k，k＝1,2,...,m；

其中，e_k表示输出层k输出节点的预测误差，Y_k表示期望值；

利用下式更新BP神经网络连接权值；

ω′_jk＝ω_jk+ηH_je_k，j＝1,2,...,l，k＝1,2,...,m；

其中，η为学习速率，ω′_ij和ω′_jk表示本次迭代过程中的产生的新的连接权值；

分别利用下式更新隐含层节点阈值和输出层节点阈值；

b′_k＝b_k+e_k，k＝1,2,...,m；

其中，a′_j和b′_k分别表示本次迭代过程中产生的新的隐含层节点阈值和输出层节点阈值。

优选的，在上述一种基于BP神经网络的新能源场站发电负荷预测方法中，在所述基于所述最终预测模型得到待测日全天各整点时刻的发电负荷预测数据之后，还包括：

将各整点时刻的发电负荷预测数据进行汇总，得到全天负荷预测总曲线或全天负荷预测总图表。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于BP神经网络的新能源场站发电负荷预测方法，针对新能源发电负荷受日照、气温、风力等天气因素影响较大的特点，借助BP神经网络可以拟合任意非线性关系的优势，同时，依托目前精准到小时的天气预报，对每个整点的负荷都构建一个单独的BP神经网络预测模型，用天气因素和历史负荷对该网络进行训练，将次日此整点的天气因素输入到训练好的网络模型中，可以得到此整点发电负荷预测数据，最后汇总所有整点发电负荷预测数据，便可以得到次日全天发电负荷预测数据。

本发明将新能源负荷的关联性因素量化后纳入预测模型，该预测模型在各种天气类型下均具有较准确的预测能力和较强的适用性，由此可以对新能源场站次日负荷进行精准预测，从而有效提高电网负荷预测精度，实现电力供需平衡，最大限度地满足用户的用电需求，保证电网安全经济运行和实现电网科学管理及调度，提高电力系统的经济效益和社会效益。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的基于BP神经网络的新能源场站发电负荷预测方法的流程图；

图2附图为本发明提供的单独的基于BP神经网络的初始预测模型或最终预测模型；

图3附图为本发明通的最终预测模型的对待测日全天各整点时刻的发电负荷预测流程图。

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。

如图1所示，本发明实施例公开了一种基于BP神经网络的新能源场站发电负荷预测方法，包括以下步骤：

S1、获取新能源场站所在地区精确到小时的历史气象数据及对应时刻的发电负荷数据，作为初始训练样本。

S2、分别提取初始训练样本中各整点时刻对应的气象数据和发电负荷数据，对其进行预处理，得到各整点时刻的最终训练样本。

本实施例收集近10天的气象条件和发电负荷作为初始训练样本，并提取各整点时刻对应的气象条件和发电负荷，进行预处理。

具体为：

1.采用最大最小函数对输出负荷数据进行归一化处理，将输出的发电负荷数据转换到[0,1]区间内，从而消除各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大。最大最小函数如下：

x_k＝(x_k0-x_min)/(x_max-x_min)，

其中，x_k0是需要进行归一化处理的数据，x_k是经过归一化处理后的数据，x_min为原始数据数列中的最小值，x_max为原始数据数列中的最大值。

2.本实施例充分考虑训练时间和精度，对天气、气温、风力、湿度进行如下量化处理。

气温：本地区气温在零下20℃至40℃之间，可按照1中的最大最小函数进行归一化处理。

天气：晴天发电量最大，将其量化为20；将少云天气量化为16；将多云天气量化为12；将阴天天气量化为1.8；雨天发电量最小，将其量化为1。

天气类型	晴天	少云	多云	阴天	雨天
						量化数值	20	16	12	1.8	1

风力：本地区风力一般在0级至7级之间，可以直接输入，无需量化处理。

湿度：本地区空气湿度一般在30％至70％之间，可以直接输入，无需量化处理。

S3、针对每个整点时刻，分别构建单独的基于BP神经网络的初始预测模型。

如图2所示，为本发明实施例中初始预测模型的结构示意图，初始预测模型包括输入层、隐含层和输出层；输入层具有四个输入节点，四个输入节点分别对应气象数据中四个输入变量，四个输入变量为天气、温度、风力和湿度；输出层具有一个输出节点，输出节点对应发电负荷；隐含层分别按照预设连接权值与输入层和输出层连接。输入层与隐含层神经元之间的连接权值为ω_ij，隐含层与输出层神经元之间的连接权值ω_jk。

S4、利用新的训练样本分别对各整点时刻对应的初始预测模型进行训练，并输出训练过程中的预测误差。

具体的训练过程为：

S41、根据输入层的输入变量、输入层与隐含层各节点间的连接权值以及隐含层各节点的阈值计算隐含层各节点的输出值；隐含层各节点输出的计算公式如下：

其中，H_j表示隐含层的输出值，l为隐含层节点数，ω_ij表示输入层和隐含层间的连接权值，f为隐含层的激励函数，x_i表示输入变量，n为输入层节点数，a_j表示隐含层j节点的阈值。

S42、根据隐含层各节点的输出值、隐含层与输出层各节点间的连接权值以及输出层的节点阈值，计算输出层节点输出的预测值。

输出层节点输出的计算公式如下：

其中，O_k表示输出层k输出节点输出的预测值，m表示输出层节点数，ω_jk表示隐含层和输出层间连接权值，b_k表示输出层k节点的阈值。

S43、根据期望值和输出层节点输出的预测值计算预测误差。

预测误差的计算公式如下：

e_k＝Y_k-O_k，k＝1,2,...,m；

其中，e_k表示输出层k输出节点的预测误差，Y_k表示期望值。

S5、基于预测误差自适应调整BP神经网络的权值和阈值，直至预测误差满足预设条件，得到各整点时刻对应的最终预测模型。

具体为：

根据预测误差更新网络中输入层和隐含层各节点间的连接权值、隐含层与输出层节点间的连接权值、隐含层各节点的阈值和输出层的节点阈值，直至预测误差满足预设条件，得到最终预测模型。

利用下式更新BP神经网络连接权值w_ij和w_jk；

ω′_jk＝ω_jk+ηH_je_k，j＝1,2,...,l，k＝1,2,...,m；

其中，η为学习速率，ω′_ij和ω′_jk表示本次迭代过程中的产生的新的连接权值；

分别利用下式更新隐含层节点阈值和输出层节点阈值；

b′_k＝b_k+e_k，k＝1,2,...,m；

其中，a′_j和b′_k分别表示本次迭代过程中产生的新的隐含层节点阈值和输出层节点阈值。

S6、获取新能源场站所在地待测日的整点气象数据，并将各整点时刻的气象数据经量化处理后对应输入至相应的最终预测模型；

S7、基于最终预测模型得到待测日全天各整点时刻的发电负荷预测数据。如图3所示，本实施例各整点时刻的最终预测模型进行发电负荷预测后，将各整点时刻的发电负荷预测数据进行汇总，得到全天负荷预测总曲线或全天负荷预测总图表。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于BP神经网络的新能源场站发电负荷预测方法，其特征在于，包括以下步骤：

获取新能源场站所在地区精确到小时的历史气象数据及对应时刻的发电负荷数据，作为初始训练样本；

分别提取所述初始训练样本中各整点时刻对应的气象数据和发电负荷数据，对其进行预处理，得到各整点时刻的最终训练样本；

针对每个整点时刻，分别构建单独的基于BP神经网络的初始预测模型；

利用各整点时刻的最终训练样本分别对各整点时刻对应的所述初始预测模型进行训练，并输出训练过程中的预测误差；

基于所述预测误差自适应调整BP神经网络的连接权值和阈值，直至所述预测误差满足预设条件，得到各整点时刻对应的最终预测模型；

获取新能源场站所在地待测日的整点气象数据，并将各整点时刻的气象数据进行量化处理后，对应输入至相应的所述最终预测模型；

基于所述最终预测模型得到待测日全天各整点时刻的发电负荷预测数据。

2.根据权利要求1所述的一种基于BP神经网络的新能源场站发电负荷预测方法，其特征在于，所述初始训练样本的预处理包括：

采用最大最小值函数对从初始训练样本中提取的各整点时刻的发电负荷数据进行归一化处理；

对初始训练样本中提取的各整点时刻的历史气象数据中进行量化处理；

将各整点时刻中归一化处理后的发点电荷数据和量化处理后的历史气象数据作为各整点时刻的最终训练样本。

3.根据权利要求1所述的一种基于BP神经网络的新能源场站发电负荷预测方法，其特征在于，所述初始预测模型包括输入层、隐含层和输出层；所述输入层具有四个输入节点，所述四个输入节点分别对应气象数据中四个输入变量，所述四个输入变量为天气、温度、风力和湿度；所述输出层具有一个输出节点，所述输出节点对应发电负荷；所述隐含层分别按照预设连接权值与所述输入层和所述输出层连接。

4.根据权利要求3所述的一种基于BP神经网络的新能源场站发电负荷预测方法，其特征在于，所述初始预测模型的训练过程为：

根据输入层的输入变量、输入层与隐含层各节点间的连接权值以及隐含层各节点的阈值计算隐含层各节点的输出值；

根据隐含层各节点的输出值、隐含层与输出层各节点间的连接权值以及输出层的节点阈值，计算输出层节点输出的预测值；

根据期望值和输出层节点输出的预测值计算预测误差；

根据预测误差更新网络中输入层和隐含层各节点间的连接权值、隐含层与输出层节点间的连接权值、隐含层各节点的阈值和输出层的节点阈值，直至预测误差满足预设条件，得到所述最终预测模型。

5.根据权利要求4所述的一种基于BP神经网络的新能源场站发电负荷预测方法，其特征在于，

隐含层各节点输出的计算公式如下：

其中，H_j表示隐含层的输出值，l为隐含层节点数，ω_ij表示输入层和隐含层间的连接权值，f为隐含层的激励函数，x_i表示输入变量，n为输入层节点数，a_j表示隐含层j节点的阈值；

输出层节点输出的计算公式如下：

其中，O_k表示输出层k输出节点输出的预测值，m表示输出层节点数，ω_jk表示隐含层和输出层间连接权值，b_k表示输出层k节点的阈值；

预测误差的计算公式如下：

e_k＝Y_k-O_k，k＝1,2,...,m；

其中，e_k表示输出层k输出节点的预测误差，Y_k表示期望值；

利用下式更新BP神经网络连接权值；

ω′_jk＝ω_jk+ηH_je_k，j＝1,2,...,l，k＝1,2,...,m；

其中，η为学习速率，ω′_ij和ω′_jk表示本次迭代过程中的产生的新的连接权值；

分别利用下式更新隐含层节点阈值和输出层节点阈值；

b′_k＝b_k+e_k，k＝1,2,...,m；

其中，a′_j和b′_k分别表示本次迭代过程中产生的新的隐含层节点阈值和输出层节点阈值。

6.根据权利要求1所述的一种基于BP神经网络的新能源场站发电负荷预测方法，其特征在于，在所述基于所述最终预测模型得到待测日全天各整点时刻的发电负荷预测数据之后，还包括：

将各整点时刻的发电负荷预测数据进行汇总，得到全天负荷预测总曲线或全天负荷预测总图表。

Images