CN113761023A

CN113761023A - 一种基于改进广义神经网络的光伏发电短期功率预测方法

Info

Publication number: CN113761023A
Application number: CN202110974228.0A
Authority: CN
Inventors: 张军; 张中丹; 王洲; 彭婧; 杨婷婷; 李媛; 迟昆; 贾春蓉; 王涛; 程紫运; 尹立夫; 孙亚璐
Original assignee: State Grid Gansu Electric Power Co Ltd; Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Current assignee: State Grid Gansu Electric Power Co Ltd; Economic and Technological Research Institute of State Grid Gansu Electric Power Co Ltd
Priority date: 2021-08-24
Filing date: 2021-08-24
Publication date: 2021-12-07

Abstract

本发明涉及光伏发电技术领域，提出了一种基于改进广义神经网络的光伏发电短期功率预测方法，通过计算气象数据中各气象因素对光伏电站发电功率影响的权重，以及历史日与预测日各气象因素的动态时间弯曲距离，将气象因素权重和动态时间弯曲距离作为相似性的判断依据，可以精准的找出预测日的历史相似日，将历史相似日的数据作为光伏发电短期功率预测模型，大大提高了模型的精度，根据预测日的气象数据输出更为精准的预测发电功率数据，降低了输出功率的不确定性，提高了电网的安全。

Description

一种基于改进广义神经网络的光伏发电短期功率预测方法

技术领域

本发明涉及光伏发电技术领域，具体的，涉及一种基于改进广义神经网络的光伏发电短期功率预测方法。

背景技术

随着环境问题的日益突显、能源需求的不断增长和光伏发电技术的逐步成熟，近年来光伏发电产业得到了快速发展。光伏发电输出功率具有强烈的随机性、波动性，随着光伏发电装机容量占比的不断提高，其输出功率的不确定性带来了一系列的调度运行问题。

对光伏发电输出功率进行准确地预测是降低不确定性影响的有效手段。根据不同的预测方法，光伏发电功率预测可分为物理方法、统计方法、人工智能方法。物理方法根据光伏电站的发电原理，利用地理位置、装机容量、光伏电池板的特性参数、光伏组件的安装倾角等信息，建立描述光伏发电功率与太阳辐照度关系的预测模型；统计方法以光伏电站历史运行数据和历史NWP数据的关联性进行统计分析为基础，建立NWP数据与光伏电站输出功率之间的映射关系。人工智能方法由于其处理复杂和非线性预测模型的能力较强，在光伏发电功率预测方面优于其他统计方法。

光伏发电输出功率受气象因素影响，随着光伏并网容量日益增大，对电网的稳定运行影响也越大，影响电网的安全，如何通过人工智能方法解决气象因素对光伏发电输出功率的影响对提高电网的安全有着很深的意义。

发明内容

本发明提出一种基于改进广义神经网络的光伏发电短期功率预测方法，解决了相关技术中光伏发电短期功率预测方法不够准确的问题。

本发明的技术方案如下：

一种基于改进广义神经网络的光伏发电短期功率预测方法，包括如下步骤，

步骤100：获取光伏电站多组历史日的发电功率数据、气象数据和预测日的气象数据；

步骤200：计算气象数据中各气象因素对光伏电站发电功率影响的权重；

步骤300：计算历史日与预测日各气象因素的动态时间弯曲距离；

步骤400：计算历史日与预测日之间各气象因素的相似性，选择相似性最大的历史日作为预测日的历史相似日；

步骤500：采用改进广义神经网络构建光伏发电短期功率预测模型，输入历史相似日的发电功率数据和气象数据，进行模型训练。

本发明的工作原理及有益效果为：

本发明通过计算气象数据中各气象因素对光伏电站发电功率影响的权重，以及历史日与预测日各气象因素的动态时间弯曲距离，将气象因素权重和动态时间弯曲距离作为相似性的判断依据，可以精准的找出预测日的历史相似日，将历史相似日的数据作为光伏发电短期功率预测模型，大大提高了模型的精度，根据预测日的气象数据输出更为精准的预测发电功率数据，降低了输出功率的不确定性，提高了电网的安全。

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。

附图说明

图1为本发明的流程图；

图2为本发明实施例1中某光伏电站历史日太阳辐照度曲线图；

图3为本发明实施例1中某光伏电站历史日发电功率曲线图。

具体实施方式

下面将结合本发明实施例，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作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。

如图1所示，本发明提出了一种基于改进广义神经网络的光伏发电短期功率预测方法，具体为，

(1)从用电信息采集系统提取光伏电站历史日的发电功率数据，从气象管理系统提取历史日的气象数据和预测日的气象数据；

(2)计算影响光伏电站发电功率的各气象因素的权重；

①标准化处理。计算第i个历史日第j项因素标准化处理后的值，

其中，i＝1，2，……，m，j＝1，2，……，n，m表示获取历史日的气象数据总组数，n 表示历史日的气象数据中包括的因素总项数，x_j为第j项因素值，x_max为所有历史日的气象数据中第j项因素的最大值，x_min为所有历史日的气象数据中第j项因素的最小值；

②计算比重矩阵。计算第j项因素下第i个历史日的比重，

③计算信息熵值。第j项因素的信息熵值，

其中K＝1/lnm；

④计算信息效用值。第j项因素的信息效用值，

d_j＝1-e_j；

⑤计算权重。第j项因素的权重，

(3)计算历史日和预测日各气象因素的动态时间弯曲距离：

若两个气象因素曲线数据分别为A＝{a₁,...,a_i,...,a_e}和B＝{b₁,...,b_j,...,b_f}，e和f分别表示气象曲线A和B的长度，首先构造一个e*f的矩阵M，元素M(i,j)为a_i与b_j之间的距离，然后在矩阵M中寻找一条使两条序列间累积距离最小的弯曲路径；弯曲路径W是矩阵M 一组连续的元素集合，即W＝{w₁,...,w_k,...,w_K}，并且满足以下约束：

①有界约束：max(m,n)≤K≤m+n-1；

②边界约束：元素w₁＝M(1,1)和元素w_K＝M(e,f)分别是弯曲路径的起点和终点；

③连续性约束：给定元素w_k＝M(i,j)，其相邻元素w_k-1＝M(i′,j′)需满足i-i′≤1，j-j′≤1，即弯曲路径中的元素是相邻的；

④单调性约束：给定元素w_k＝M(i,j)，其相邻元素w_k-1＝M(i′,j′)需满足i-i′≥0，j-j′≥0。

弯曲路径采用动态规划的算法求解，其最优解子结构为：

d(i,j)＝M(i,j)+min{d(i-1,j-1),d(i-1,j),d(i,j-1)}；

其中i＝1,2,…,e，j＝1,2,…,f，d(0,0)＝0，d(i,0)＝d(0,j)＝+∞；

上述时间序列A＝{a₁,...,a_i,...,a_e}和B＝{b₁,...,b_j,...,b_f}的动态时间弯曲距离为 D_dtw(A,B)＝d(e,f)。

(4)计算历史日和预测日气象因素的相似性，选择相似性最大的历史日作为预测日的历史相似日。

其中n表示气象数据中包括的因素总项数，w_j为第j项因素的权重，d_j为第j项因素的动态时间弯曲距离。d越小，预测日与该历史日气象因素越相似。；

(5)采用改进广义神经网络构建光伏发电短期功率预测模型

广义回归神经网络具有较强的非线性映射能力和柔性网络结构，对于解决非线性问题，具有较好的容错性和鲁棒性。特别是在逼近能力和学习速度上相比较于径向基神经网络具有优越性，且在样本量数据较少时也同时具有较好的预测效果。一直以来其自适应和高速寻找优化解的能力，且无需数学建模等优势被广泛应用于信号过程、食品科学、医药卫生等领域。

规定随机变量x、y的联合概率密度函数为f(x,y)，x的观测值为X，则y相对于X的回归为：

为输入X下的预测输出。

采用泊松分布非参数估计，其估算密度函数可表示为：

其中，为x，y的样本观测值，n为样本数量；p为x的数学维数；σ为平滑因子。

设置广义神经网络的平滑因子σ∈[0.1,0.2]，采用交叉验证方法训练广义神经网络，以步长0.1循环找出最佳的平滑因子。

将

代替f(X,y)带入上式，可获得为样本观测值Y_i的加权平均值：

当σ较大时，

接近于样本均值；当σ较小时，

接近于训练样本值。

(6)输入历史相似日的发电功率数据和气象数据，进行模型训练。

(7)向光伏发电短期功率预测模型输入预测日的气象数据，输出预测日的发电功率预测值。

实施例1，

应用某地区2020年1月至3月的数值天气数据和光伏发电实测数据，采用光伏发电短期功率作为样本对光伏发电短期功率预测模型进行验证，并对预测结果的精确性进行分析。

数据集包括每15分钟的温度、相对湿度、风速、太阳辐照强度、光伏电站并网功率。

(1)从用电信息采集系统提取光伏电站的历史发电数据，从气象管理系统提取光伏电站的历史气象数据，预测日的气象预测数据；气象数据具体内容如表1所示:

表1气象数据

序号	温度(℃)	湿度(％)	风速(米/秒)	辐照度(W/m2)
					1	6.8	86.6	1.8	16.2
2	6.9	87	1.4	23.1
					3	7.1	87.6	0.9	30.2
4	7.5	87.3	1.3	48.4
					5	7.8	87	0.5	56.6
6	8	86.6	0.6	52.6
					…	…	…	…	…

(2)基于光伏电站的历史气象数据，计算影响光伏电站发电功率的各气象因素比重；经过计算温度、湿度、风速、太阳辐照强度的权重分别为0.063，0.040，0.104，0.793。

(3)计算历史日和预测日各气象因素的动态时间弯曲距离；2月1日至2月4日太阳辐照度曲线如图2所示。2月1日太阳辐照度曲线与2月2日、2月3日、2月4日太阳辐照度曲线之间的欧氏距离、动态时间弯曲距离如表2所示；

表2

	2月2日	2月3日	2月4日
				欧氏距离	1493.066084	1364.198783	1693.188463
动态时间弯曲距离	4137.5	4634.8	1578.3

可以看出，2月1日2月4日太阳辐照度曲线大小、变化趋势都比较相似，但是二者之间的欧氏距离较大，动态时间弯曲距离较小。因此，欧氏距离不能准确计算不同历史日太阳辐照度曲线之间的相似性。与欧氏距离相比，动态时间弯曲距离不仅能够计算不同辐照度曲线之间的距离，而且能够计算不同辐照度曲线之间的时间变化趋势，可以更好地计算不同历史日太阳辐照度曲线之间的相似性。

当两个时间序列等长时,我们可以使用欧氏距离来度量两者的相似性。但是当两个时间序列不等长时,欧氏距离就难以度量两者的相似性了。

(4)计算历史日和预测日气象因素的相似性；从历史日中选择与预测日最相似的历史相似日；对于3月20日，其相似日如表3所示：

表3历史气象相似日

序号	气象DTW	日期
			1	1.478	3.18
2	1.757	3.06
			3	2.430	3.09
4	2.461	3.10
			5	2.564	3.17
6	2.633	3.04

(5)以历史相似日的气象数据和发电功率数据作为训练样本，采用梯度提升树构建光伏发电短期功率预测模型；

采用3月9日、3月10日和3月18日预测日样本进行比较，相似日和预测日并网功率如图3所示。从图3可以看出，相似日和预测日的光伏发电短期功率曲线基本吻合，证明了相似日理论能够有效地筛选出类似于预测日短期功率曲线，验证了本文提出的模型的正确性。

对于每个预测日的光伏发电功率预测，将k个历史相似日的温度、相对湿度、风速、太阳辐照时间序列数据，以及每个历史相似日前一天发电功率时间序列数据作为模型输入变量，将k个历史相似日发电功率数据作为模型的输出变量，构建光伏发电功率预测模型。

为进一步分析本专利模型的正确性与精确性，将BP神经网络、广义神经网络结果与本文所提出的改进广义神经网络模型的预测结果进行对比分析，如表4所示。

表4几种模型预测结果对比分析

其中，RMSE为均方根误差，R-Squared为R平方，MSE为均方误差，MAE为平均绝对误差。从误差角度分析，改进广义神经网络的精度显著提高，误差大大降低。因此，基于改进广义神经网络的光伏发电短期功率预测模型输出的预测发电功率更准确。

以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims

1.一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，包括如下步骤，

2.根据权利要求1所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述历史日和预测日的气象数据中各气象因素均包括温度、湿度、风速和辐照度四项因素。

3.根据权利要求1所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述步骤200包括，

步骤201：对每组历史日的气象数据的各气象因素进行标准化处理，得到第i个历史日第j项因素标准化处理后的值

其中，m表示获取历史日的气象数据总组数，n表示历史日的气象数据中包括的因素总项数，x_j为第j项因素值，x_max为所有历史日的气象数据中第j项因素的最大值，x_min为所有历史日的气象数据中第j项因素的最小值；

步骤202：计算第j项因素下第i个历史日的比重

步骤203：计算第j项因素的信息熵值

其中K＝1/ln m；

步骤204：计算第j项因素的信息效用值d_j＝1-e_j；

步骤205：计算第j项因素的权重

4.根据权利要求1所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述步骤300包括，

步骤301：读取历史日的气象因素曲线数据A＝{a₁,...,a_i,...,a_e}，预测日的气象因素曲线数据B＝{b₁,...,b_j,...,b_f}，其中i＝1,2,…,e，j＝1,2,…,f，e表示曲线A的长度，f表示曲线B的长度；

步骤302：构造一个e*f的矩阵M，元素M(i,j)表示a_i与b_j之间的距离；

步骤303：在矩阵中选择使曲线A和曲线B之间累计距离最小的元素集合，作为弯曲路径W＝{w₁,...,w_k,...,w_K}；

步骤304：采用动态规划的算法对弯曲路径W求解，

d(i,j)＝M(i,j)+min{d(i-1,j-1),d(i-1,j),d(i,j-1)}；得到曲线A和曲线B之间的动态时间弯曲距离为D_dtw(A,B)＝d(e,f)。

5.根据权利要求1所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述步骤400包括，

步骤401：计算历史日与预测日之间各气象因素的相似性

其中n表示气象数据中包括的因素总项数，w_j为第j项因素的权重，d_j为第j项因素的动态时间弯曲距离；

步骤402：选择相似性d小于设定值的历史日作为预测日的历史相似日。

6.根据权利要求4所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述弯曲路径W满足以下约束，

有界约束：max(m,n)≤K≤m+n-1；

边界约束：元素w₁＝M(1,1)和元素w_K＝M(e,f)分别是弯曲路径的起点和终点；

连续性约束：给定元素w_k＝M(i,j)，其相邻元素w_k-1＝M(i′,j′)需满足i-i′≤1，j-j′≤1；

单调性约束：给定元素w_k＝M(i,j)，其相邻元素w_k-1＝M(i′,j′)需满足i-i′≥0，j-j′≥0。