CN114943359A - 基于仿生模糊模型的光伏系统发电功率预测方法及装置 - Google Patents

基于仿生模糊模型的光伏系统发电功率预测方法及装置 Download PDF

Info

Publication number
CN114943359A
CN114943359A CN202111604037.1A CN202111604037A CN114943359A CN 114943359 A CN114943359 A CN 114943359A CN 202111604037 A CN202111604037 A CN 202111604037A CN 114943359 A CN114943359 A CN 114943359A
Authority
CN
China
Prior art keywords
data
cluster
vector
model
clustering
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111604037.1A
Other languages
English (en)
Inventor
徐硕
张玉刚
陈德为
张澈
王洋
梁泰宇
杨继明
王军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Jilin Power Generation Co ltd
Beijing Huaneng Xinrui Control Technology Co Ltd
Original Assignee
Huaneng Jilin Power Generation Co ltd
Beijing Huaneng Xinrui Control Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaneng Jilin Power Generation Co ltd, Beijing Huaneng Xinrui Control Technology Co Ltd filed Critical Huaneng Jilin Power Generation Co ltd
Priority to CN202111604037.1A priority Critical patent/CN114943359A/zh
Publication of CN114943359A publication Critical patent/CN114943359A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明实施例公开了一种基于仿生模糊模型的光伏系统功率预测方法及装置，首先，采用主元分析法在预设输入变量中选取模型输入变量，根据模型输入变量构建T‑S(Takagi‑Sugeno)模糊模型，T‑S模糊模型通过If‑Then规则将数据所属数据聚类情况，以及数据聚类对应的局部模型相结合。其次，获取光伏系统的多组采样数据，采样数据包含所有模型输入变量的数据类型，且在不同的季节和气候进行采集。利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径。最后，根据聚类中心和聚类半径获得每个数据聚类对应的局部模型，利用已知所有数据聚类和每个数据聚类对应局部模型的T‑S模糊模型计算光伏系统的发电功率。

Description

基于仿生模糊模型的光伏系统发电功率预测方法及装置
技术领域
本发明涉及光伏发电技术领域，特别是涉及一种基于仿生模糊模型的光伏系统发电功率预测方法及装置。
背景技术
为应对全球范围内的能源环境危机，我国提出“碳达峰、碳中和”战略目标。作为碳排放占比较高的产业，发电行业的转型刻不容缓。在此背景下，以风电、光伏、地热为代表的新能源发电成为备受关注的焦点。相较于风能、地热能和潮汐能等受地域限制严重的能源，太阳能资源在具有显著环境友好性之外，还表现出覆盖范围广、能量巨大且较易获取等优势，已成为最受推崇的能源之一。
目前，太阳能发电通常采用光伏发电的方式。光伏发电是指利用半导体界面的光生伏特效应将光能直接转变为电能的一种技术，该技术所采用的光伏系统一般由光伏阵列、逆变器、控制单元及其余组件构成。在一定辐照条件和外界温度下，光伏阵列通过光伏效应将太阳能转化为直流电，然后基于所设计的控制结构，通过逆变器将直流电转化为和电网频率相同的可并网交流电。
但是，由于太阳能受环境影响较大，光伏系统对辐照度和环境温度变化敏感，使得每个光伏系统的发电功率都不同，其大规模并网将对电网的安全稳定运行造成极大挑战。因此，如何提高光伏系统发电功率预测水平成为当前亟待解决的问题。
发明内容
本发明实施例中提供了一种特别是涉及一种基于仿生模糊模型的光伏系统发电功率预测方法及装置，以解决现有技术中预测光伏系统发电功率水平较低的问题。
为了解决上述技术问题，本发明实施例公开了如下技术方案：
一种基于仿生模糊模型的光伏系统发电功率预测方法，包括：
采用主元分析法在预设输入变量中选取模型输入变量；
根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型，所述T-S模糊模型通过If-Then规则将前件部分和后件部分相结合，其中，所述前件部分为数据所属数据聚类情况，后件部分为数据聚类对应的局部模型；
获取光伏系统的多组采样数据，所述采样数据包含所有模型输入变量的数据类型，且在不同的季节和气候进行采集；
利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径；
根据聚类中心和聚类半径获得每个数据聚类对应的局部模型；
利用已知所有数据聚类和每个数据聚类对应局部模型的T-S模糊模型计算光伏系统的发电功率。
可选的，所述根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型，包括：
利用If-Then规则构建T-S模糊模型，所述T-S模糊模型由下式表示：
Figure RE-GDA0003758141160000021
其中，Ri指T-S模糊模型中的第i条模糊规则，ci和ri分别表示T-S模糊模型中第i个数据聚类的聚类中心和聚类半径，
Figure RE-GDA0003758141160000031
和
Figure RE-GDA0003758141160000032
分别是第i个局部模型的模型输出变量和参数向量；
v(t)为增量向量，由下式表示：
v(t)＝[Δu1(t),Δu2(t),Δu3(t),…,Δum(t),Δy(t)]Tt＝(2,…,N)
Figure RE-GDA0003758141160000033
Figure RE-GDA0003758141160000034
其中，Δum(t)为在第t个时刻获取的采样数据中，第m个模型输入变量的增量，Δy(t) 为在第t个时刻获取的采样数据中，输出变量的增量，u(t)为在第t个时刻获取的采样数据，即所有模型输入变量构成的数据向量，y(t)为在第t个时刻获取的采样数据中的输出变量，即在第t个时刻光伏系统的发电功率，
Figure RE-GDA0003758141160000035
为模型输入变量与第i个数据聚类对应的稳态值向量，
Figure RE-GDA0003758141160000036
为输出变量与第i个数据聚类对应的稳态值，所述稳态值为变量与数据聚类的聚类中心相对应的数值。
可选的，所述获取光伏系统的多组采样数据，包括：
以预设时间间隔为采样周期获得光伏系统的运行数据并构成数据向量，将所述数据向量作为采样数据，所述运行数据至少包括数据采集时刻、太阳光辐照强度、地表地外辐照强度、气象信息以及光伏系统的发电功率。
可选的，所述利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径，包括：
对所有采样数据按照采集时间进行排序，获得数据向量列表；
设置一个初始数据聚类，将数据向量列表中的首个数据向量作为初始数据聚类的首个元素及聚类中心；
由初始数据聚类开始，将数据向量列表中的数据向量划分为多个数据聚类，并计算每个数据聚类的聚类中心，包括以下步骤：
判断当前划分的数据聚类所包含的元素总数是否小于预设聚类规模，
如果所述元素总数小于预设聚类规模，在数据向量列表中选取一个数据向量；
判断所述数据向量与当前聚类中心之间的距离是否小于预设阈值，
如果是，利用选取的数据向量重新计算聚类中心，将所述数据向量加入到当前划分的数据聚类中，并继续判断当前划分的数据聚类所包含的元素总数是否小于预设聚类规模；如果否，重新在数据向量列表内选取一个未参与过计算的数据向量，并继续判断所述数据向量与当前聚类中心之间的距离是否小于预设阈值；
如果所述元素总数不小于预设聚类规模，将当前划分的数据聚类作为一个完整的数据聚类；
在数据向量列表中继续选取一个未参与过计算的数据向量，作为新划分的数据聚类的首个元素及聚类中心，按照以上步骤重新划分新的数据聚类并计算聚类中心，直到数据向量列表中未参与过计算的元素总数小于预设聚类规模为止；
在划分出所有数据聚类并计算出对应的聚类中心之后，利用每个数据聚类的聚类中心计算对应的聚类半径。
可选的，所述利用选取的数据向量重新计算聚类中心，包括：
在(0,1)范围内随机生成一个常数，判断所述常数是否大于预设转换概率P，
如果是，按照以下方式计算聚类中心：
采用花粉传粉算法中的全局传粉过程方式，按照下式计算聚类中心：
Figure RE-GDA0003758141160000041
其中，xi(n)是第n次计算数据聚类i的聚类中心时，在数据向量列表中选取的数据向量；
Figure RE-GDA0003758141160000051
为数据聚类i当前的最佳聚类中心(
Figure RE-GDA0003758141160000052
的初始值为数据聚类i中的首个元素)，按照以下方式获得
Figure RE-GDA0003758141160000053
计算ci(n+1)以及当前的
Figure RE-GDA0003758141160000054
分别与数据聚类i中各个元素之间的平均欧式距离，作为各自的适应度值，将适应度值最小的作为下一次计算聚类中心时的最佳聚类中心
Figure RE-GDA0003758141160000055
η为预设的比例因子；M为计算聚类中心时预设的最大计算次数，其数值等于预设聚类规模；
L(λ)表示Levy分布，如下式所示：
Figure RE-GDA0003758141160000056
其中，Γ(λ)是标准伽马函数，S是远大于零的预设步长，λ的值为1.5；
如果否，按照以下方式计算每个数据聚类的聚类中心：
采用花粉传粉算法中的局部传粉过程方式，按照下式计算聚类中心：
ci(n+1)＝xi(n)+ε[xi(n)-xi(j)](n＝1,2,…,M)
其中，xi(j)是在数据聚类i已有的元素中，随机选取的一个元素，ε是从均匀分布[0,1]中随机选取的一个数值。
可选的，所述利用每个数据聚类的聚类中心计算对应的聚类半径，包括：
针对数据向量列表中的每个数据向量，均按照以下方法参与计算聚类半径：
根据下式分别计算每个数据向量与最临近的聚类中心之间的距离ds(t)：
ds(t)＝min||v(t)-ci||(i＝1,…,k)
其中，k为数据聚类的总数量；
根据下式得到所述最邻近的聚类中心对应的当前聚类半径rs：
rs＝max{ds(t),rs}
在所有数据向量均参与过计算后，将每个当前聚类半径确定为所对应数据聚类的聚类半径。
可选的所述根据聚类中心和聚类半径获得每个数据聚类对应的局部模型，包括：
将受控自回归滑动平均模型作为所述局部模型的模型结构；
通过指数加权最小二乘法获得每个数据聚类对应局部模型的未知参数。
可选的，所述通过指数加权最小二乘法获得每个数据聚类对应局部模型的未知参数，包括：
按照以下方式设置一个初始矩阵Pi
Pi＝σI(i＝1,…,k)
其中，σ取极大值105，I为单位矩阵；
由数据向量列表中的第一个数据向量开始，针对每个数据向量，均进行以下步骤：
计算所述数据向量与所有数据聚类的聚类中心之差的绝对值；
针对每个数据聚类，均判断对应的绝对值是否小于或等于所述数据聚类的聚类半径，
如果对应的绝对值小于或等于所述数据聚类的聚类半径，按照下式计算所述数据聚类对应局部模型的参数向量θi
Figure RE-GDA0003758141160000061
θi(t+1)＝θi(t)+Pi(t+1)(Δyi(t)-v(t)Tθi(t))v(t)
λi(t)＝λ0λi(t-1)+1-λ0
其中：λi的初值λ0为0.6，Δyi(t)为输出变量的增量，由输出变量减去对应稳态值得到，Q为指数加权因子，Q＝e-t/m；
判断所述局部模型在当前的参数向量下，输出变量的误差是否小于预设的误差阈值，如果是，将当前的参数向量确定为所述局部模型的参数向量；如果否，继续利用新的数据向量计算所述局部模型的参数向量；
如果对应的绝对值大于所述数据聚类的聚类半径，所述数据聚类当前的参数向量保持不变；
在没有新的数据向量可参与计算时，将每个局部模型当前的参数向量确定为所述局部模型最终的参数向量。
可选的，所述利用已知所有数据聚类和每个数据聚类对应局部模型的T-S模糊模型计算光伏系统的发电功率，包括：
获取待预测输入向量；
判断所述待预测输入向量是否属于任意一个或多个数据聚类，
如果是，根据所述待预测输入向量所属的数据聚类计算输入向量增量Δxi(t)；
其中，
Figure RE-GDA0003758141160000071
x(t)为待预测输入向量，Δum(t)为待预测输入向量中第m个输入变量的增量，由第m个输入变量减去对应稳定值得到；
按照下式计算待预测输入向量对应于每个所属数据聚类的输出向量增量：
Figure RE-GDA0003758141160000073
其中，θ′i为第i个局部模型参数向量中去除输出变量对应参数后的参数向量；
按照下式计算每个输出向量增量对应的发电功率预测值：
Figure RE-GDA0003758141160000072
其中，
Figure RE-GDA0003758141160000081
为数据聚类i中输出变量对应的稳态值；
按照下式计算出待预测输入向量最终对应的发电功率：
Figure RE-GDA0003758141160000082
其中，ωi(t)为待预测输入向量对不同数据聚类的隶属度，可通过下式计算得到：
Figure RE-GDA0003758141160000083
其中，c′i为在数据聚类i的聚类中心中去除输出变量对应元素后的聚类中心，r′i为在数据聚类i的聚类半径中去除输出变量对应元素后的聚类半径；
如果否，确定与待预测输入向量最近的聚类中心；
将所述最近的聚类中心对应的数据聚类作为待预测输入向量所属的数据聚类，按照以上方式计算待预测输入向量对应所述数据聚类的发电功率预测值并作为最终的发电功率。
一种基于仿生模糊模型的光伏系统发电功率预测装置，包括：
模型输入变量选取单元，用于采用主元分析法在预设输入变量中选取模型输入变量；
模糊模型构建单元，用于根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型，所述T-S模糊模型通过If-Then规则将前件部分和后件部分相结合，其中，所述前件部分为数据所属数据聚类情况，后件部分为数据聚类对应的局部模型；
采样数据获取单元，用于获取光伏系统的多组采样数据，所述采样数据包含所有模型输入变量的数据类型，且在不同的季节和气候进行采集；
自动聚类单元，用于利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径；
局部模型确定单元，用于根据聚类中心和聚类半径获得每个数据聚类对应的局部模型；
发电功率计算单元，用于利用已知所有数据聚类和每个数据聚类对应局部模型的T- S模糊模型计算光伏系统的发电功率。
由以上技术方案可见，本发明实施例提供的基于仿生模糊模型的光伏系统发电功率预测方法及装置，首先，采用主元分析法在预设输入变量中选取模型输入变量，根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型，T-S模糊模型通过If-Then规则将数据所属数据聚类情况，以及数据聚类对应的局部模型相结合。其次，获取光伏系统的多组采样数据，采样数据包含所有模型输入变量的数据类型，且在不同的季节和气候进行采集。利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径。最后，根据聚类中心和聚类半径获得每个数据聚类对应的局部模型，利用已知所有数据聚类和每个数据聚类对应局部模型的T-S模糊模型计算光伏系统的发电功率。
本发明实施例提供的基于仿生模糊模型的光伏系统发电功率预测方法及装置，从建模的角度出发，快速、精确预测光伏系统的发电功率，进而保证光伏并网下电网的安全稳定运行。并且，在光伏系统发电功率预测过程中充分考虑了系统在不同时间尺度和天气类型下的动态特性变化，使建模过程尽可能贴近光伏系统实际特性，表现出更为显著的功率预测精确性。
同时，本发明设计了融合花粉传粉算法的数据驱动T-S模糊辨识方法，使建模过程更为快速、精确。并且，基于数据聚类方法进行采样数据的自动划分，有效消除了聚类过程的主观影响，提高聚类结果的公平性和合理性。
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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于仿生模糊模型的光伏系统发电功率预测方法的流程示意图；
图2为本发明实施例提供的一种基于仿生模糊模型的光伏系统发电功率预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
图1为一种基于仿生模糊模型的光伏系统发电功率预测方法的流程示意图，如图1所示，该方法包含以下步骤：
步骤S101：采用主元分析法在预设输入变量中选取模型输入变量。
光伏系统的发电功率与太阳辐照强度、温度、地表地外辐照强度相关系数等环境因素息息相关，与此同时，在系统实际运行中，太阳辐照强度和温度等又受到风速、风向、大气相对湿度和云层移动速度等因素的影响。
在本发明公开的一个具体实施例中，选取辐照强度、环境温度、风速、风向、大气相对湿度、云层移动速度和地表地外辐照强度相关系数这7种可测量的变量作为预设输入变量，即预设输入向量{u1,u2,…,un}中元素个数n＝7。
考虑到不同输入变量对发电功率影响程度的不同及建模过程复杂度，通过主元分析法确定太阳辐照强度、环境温度、风速、大气相对湿度和地表地外辐照强度相关系数组成最终所用的模型输入变量{u1,u2,…,um},m＝5。
步骤S102：根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型。
T-S模糊模型通过If-Then规则将前件部分和后件部分相结合，其中，所述前件部分为数据所属数据聚类情况，后件部分为数据聚类对应的局部模型。
在本发明公开的一个实施例中，采用以下方式构建T-S模糊模型：
利用If-Then规则构建T-S模糊模型，该T-S模糊模型由下式表示：
Figure RE-GDA0003758141160000111
其中，Ri指T-S模糊模型中的第i条模糊规则，ci和ri分别表示T-S模糊模型中第 i个数据聚类的聚类中心和聚类半径，
Figure RE-GDA0003758141160000112
和
Figure RE-GDA0003758141160000113
分别是第i个局部模型的模型输出变量和参数向量。
v(t)为增量向量，由下式表示：
v(t)＝[Δu1(t),Δu2(t),Δu3(t),…,Δum(t),Δy(t)]Tt＝(2,…,N)
Figure RE-GDA0003758141160000114
Figure RE-GDA0003758141160000115
其中，Δum(t)为在第t个时刻获取的采样数据中，第m个模型输入变量的增量，Δy(t) 为在第t个时刻获取的采样数据中，输出变量的增量，u(t)为在第t个时刻获取的采样数据中，所有模型输入变量构成的输入向量，y(t)为在第t个时刻获取的采样数据中的输出变量，即在第t个时刻光伏系统的发电功率，
Figure RE-GDA0003758141160000121
为模型输入变量与第i个数据聚类对应的稳态值向量，
Figure RE-GDA0003758141160000122
为输出变量与第i个数据聚类对应的稳态值，所述稳态值为变量与数据聚类的聚类中心对应的数值。
由于复杂非线性系统中数据增量间的线性关系明显强于数据本身，因此构建T-S模糊模型的新型增量结构有利于处理变量间的非线性和不确定性，提高功率预测结果的有效性和精确性。
步骤S103:获取光伏系统的多组采样数据。
采样数据包含所有模型输入变量的数据类型，且在不同的季节和气候进行采集。
在本发明公开的一个实施例中，以预设时间间隔为采样周期获得光伏系统的运行数据，将这些运行数据构成数据向量并作为采样数据。运行数据至少包括数据采集时刻、太阳光辐照强度、地表地外辐照强度、气象信息以及光伏系统的发电功率。
例如，以5分钟为预设时间间隔得到光伏系统在当前时刻之前的N(N＝8000)组实时运行数据，所得运行数据充分涵盖不同时间尺度和气象类型。从而，使建模过程尽可能贴近光伏系统实际特性。
步骤S104：利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径。
基于所有采样数据，通过花粉传粉算法(Flower Pollination Algorithm,FPA)进行数据自动聚类,将具有相似性的采样数据划分为一个数据聚类，从而将所有采样数据自动归类。同时，计算出每个数据聚类的聚类中心以及聚类半径。花粉传粉是植物繁殖的基础。传粉的实现通常取决于非生物和生物两种主要形式。其中生物形式的传粉由蜜蜂、蝙蝠和鸟类等特定种类的昆虫或动物完成，该方式覆盖了约90％的开花植物。其余10％开花植物的授粉依赖于风或液体(例如水)等非生物形态。此外，自花授粉和异花授粉是FPA 主要遵循的两个过程。以风为媒介，同一物种的花之间发生自花传粉，而异花传粉则是通过昆虫或动物在不同物种的花之间传播花粉。在本发明公开的实施例中，将花粉传粉算法应用于采样数据的数据聚类中，具体可由以下子步骤完成：
步骤一：对所有采样数据按照采集时间进行排序，获得数据向量列表。
采样数据中包含多种变量，每个采样数据均以向量的形式表达。按照数据采集时间从早到晚的顺序，对所有的采样数据进行排序，最终获得所有采样数据构成的数据向量列表。
步骤二：设置一个初始数据聚类，将数据向量列表中的首个数据向量作为初始数据聚类的首个元素及聚类中心。
从步骤二开始，对所有采样数据进行聚类。首先，设置一个初始数据聚类，同时，将数据向量列表中的首个数据向量，即采集时间最早的一个采样数据对应的向量，作为该初始数据聚类的第一个元素，以及该初始数据聚类的聚类中心，从而在数据向量列表中，筛选出属于该初始数据聚类的采样数据。
步骤三：由初始数据聚类开始，将数据向量列表中的数据向量划分为多个数据聚类，并计算每个数据聚类的聚类中心，包括以下子步骤：
1)判断当前划分的数据聚类所包含的元素总数是否小于预设聚类规模。
判断当前正在划分的数据聚类中所包含的元素总数是否小于预设聚类规模，例如，该预设聚类规模为100，即，当数据聚类中的元素总数达到100时，该数据聚类已经划分完整，该数据聚类中已有的元素便是构成该数据聚类的所有元素，其他未确定聚类的数据将划分至其他数据聚类中。
例如，初始数据聚类目前仅包含一个元素，则未达到预设聚类规模，继续进行以下步骤。
2)如果当前划分的数据聚类所包含的元素总数小于预设聚类规模，在数据向量列表中选取一个数据向量。
在数据聚类中所包含元素的总数小于预设聚类规模时，在数据向量列表中继续选取一个数据向量，在本发明公开的实施例中，可按照在数据向量列表中的排序继续选取数据向量。
3)判断所述数据向量与当前聚类中心之间的距离是否小于预设阈值。
计算再次选取的数据向量与当前划分的数据聚类的聚类中心之间的距离，若该距离小于预设阈值。
4)如果新选取的数据向量与当前聚类中心之间的距离小于预设阈值，则利用新选取的数据向量重新计算当前划分的数据聚类的聚类中心，同时，将该新选取的数据向量加入到当前划分的数据聚类中。
如果新选取的数据向量与当前聚类中心之间的距离大于或等于预设阈值，则说明新选取的数据向量与当前聚类中心之间的差异较大，不属于当前划分的数据聚类，因此，不利用该新选取的数据向量计算当前划分数据聚类的聚类中心。
在将新选取的数据向量加入到当前划分的数据聚类中之后，重新判断当前划分的数据聚类所包含的元素总数是否小于预设聚类规模。如果未达到预设聚类规模，则重新在数据向量列表内选取一个未参与过聚类中心计算的数据向量，并继续判断新选取的数据向量与当前聚类中心之间的距离是否小于预设阈值。
5)如果当前划分的数据聚类所包含的元素总数大于或等于预设聚类规模，将当前划分的数据聚类作为一个完整的数据聚类，将当前的聚类中心确定为该数据聚类最终的聚类中心。
6)当完成一个数据聚类的划分后，继续在数据向量列表中选取一个未参与过计算的数据向量，作为新划分的数据聚类的首个元素及聚类中心，按照以上步骤重新划分新的数据聚类并计算聚类中心，直到数据向量列表中未参与过计算的元素总数小于预设聚类规模为止，例如，当数据向量列表中未参与过计算聚类中心的元素的总数小于100时，结束数据聚类的划分，将现有的数据聚类确定为最终的数据聚类。
在本发明公开的一个实施例中，采用以下方式计算数据聚类的聚类中心：
1)在(0,1)范围内随机生成一个常数，判断所述常数是否大于预设转换概率P。
在0至1的范围之内随机生成一个常数，并将其与预设转换概率P进行比较。在本发明公开的一个具体实施例中，P＝0.8。判断随机生成的常数是否大于预设转换概率。
如果随机生成的常数大于预设转换概率，采用花粉传粉算法中的全局传粉过程方式，按照下式计算当前划分数据聚类的聚类中心：
Figure RE-GDA0003758141160000151
其中，xi(n)是第n次计算数据聚类i的聚类中心时，在数据向量列表中选取的数据向量；
Figure RE-GDA0003758141160000152
为数据聚类i当前计算出的最佳聚类中心(
Figure RE-GDA0003758141160000153
的初始值为数据聚类i中的首个元素)，按照以下方式获得
Figure RE-GDA0003758141160000154
计算ci(n+1)以及当前的
Figure RE-GDA0003758141160000155
分别与数据聚类i中各个元素之间的平均欧式距离，作为各自的适应度值，将适应度值最小的作为下一次计算聚类中心时的最佳聚类中心
Figure RE-GDA0003758141160000156
η为预设的比例因子；M为计算聚类中心时预设的最大计算次数，其数值等于预设聚类规模；
L(λ)表示Levy分布，如下式所示：
Figure RE-GDA0003758141160000157
Γ(λ)是标准伽马函数，S是远大于零的预设步长，λ的值为1.5；
如果随机生成的常数小于或等于预设转换概率，采用花粉传粉算法中的局部传粉过程方式，按照下式计算当前划分数据聚类的聚类中心：
ci(n+1)＝xi(n)+ε[xi(n)-xi(j)](n＝1,2,…,M)
其中，xi(j)是在数据聚类i已有的元素中，随机选取的一个元素，ε是从均匀分布[0,1]中随机选取的一个数值。
步骤四：在划分出所有数据聚类并计算出对应的聚类中心之后，利用每个数据聚类的聚类中心计算对应的聚类半径。
在按照上述步骤完成数据聚类的划分之后，同时也可获得每个数据聚类的聚类中心，利用每个数据聚类的聚类中心，计算对应数据聚类的聚类半径，即，使每个数据聚类都对应有确定的聚类中心和聚类半径。
在本发明公开的一个实施例中，按照以下方式计算每个数据聚类的聚类半径。
按照数据向量列表的顺序，依次针对每个数据向量均进行以下处理：
1)按照以下方式计算数据向量与最临近的聚类中心之间的距离ds(t)，
ds(t)＝min||x(t)-ci||(i＝1,…,k)
其中，k为数据聚类的总数量。在获知数据向量的ds(t)之后，同样也能获知与数据向量最邻近的聚类中心。
2)根据下式得到该最邻近聚类中心当前的聚类半径rs：
rs＝max{ds(t),rs}
即，比较正在参与计算的数据向量的ds(t)与最邻近聚类中心在上一次计算时确定的聚类半径，将二者中的较大者作为该最邻近数据聚类当前的聚类半径。
在所有数据向量均参与过计算后，将每个数据聚类当前的聚类半径确定为该数据聚类最终的聚类半径。
步骤S105：根据聚类中心和聚类半径获得每个数据聚类对应的局部模型。
将受控自回归滑动平均模型作为所述局部模型的模型结构，通过指数加权最小二乘法获得每个数据聚类对应局部模型的未知参数。其中，按照以下方式获得各个局部模型的未知参数:
按照以下方式设置一个初始矩阵Pi：
Pi＝σI(i＝1,…,k)
其中，σ取极大值105，I为单位矩阵。
由数据向量列表中的第一个数据向量开始，针对每个数据向量，均进行以下步骤：
计算数据向量与所有数据聚类的聚类中心之差的绝对值。
针对每个数据聚类，均判断对应的绝对值是否小于或等于该数据聚类的聚类半径。
如果对应的绝对值大于某数据聚类的聚类半径，则不利用这个数据向量计算该数据聚类的参数向量，该数据聚类的参数向量保持不变。
如果对应的绝对值小于或等于某数据聚类的聚类半径，利用所述数据向量计算该数据聚类对应局部模型的参数向量θi：
Figure RE-GDA0003758141160000171
θi(t+1)＝θi(t)+Pi(t+1)(Δyi(t)-v(t)Tθi(t))v(t)
λi(t)＝λ0λi(t-1)+1-λ0
其中：λi的初值λ0为0.6，Δyi(t)为输出变量的增量，由输出变量减去对应稳态值得到，Q为指数加权因子，Q＝e-t/m。
判断这个局部模型在当前的参数向量下，输出变量的误差是否小于预设的误差阈值。如果是，将当前的参数向量确定为该局部模型的参数向量；如果否，继续利用新的数据向量计算该局部模型的参数向量。
按照以上方式计算每个局部模型的参数向量，直至没有新的数据向量可参与计算时，将每个局部模型当前的参数向量作为其最终的参数向量。从而，获得每个数据聚类对应的局部模型。
步骤S106：利用已知所有数据聚类和每个数据聚类对应局部模型的T-S模糊模型计算光伏系统的发电功率。
在本发明公开的实施例中，可采用以下方式计算光伏系统的发电功率。
1)获取待预测输入向量。待预测输入向量的数据类型与模型输入向量一致，例如，待预测输入向量包含太阳辐射强度、环境温度、湿度等可测量数据。
2)判断所述待预测输入向量是否属于任意一个或多个数据聚类。
依次计算待预测输入向量与每个数据聚类的聚类中心之间的距离，如果二者之间的距离小于或等于对应数据聚类的聚类半径，确定待预测输入向量属于该数据聚类。
如果待预测输入向量属于任意一个或多个数据聚类，根据待预测输入向量所属的数据聚类计算输入向量增量Δxi(t)。
其中，
Figure RE-GDA0003758141160000181
x(t)为待预测输入向量，Δum(t)为待预测输入向量中第m个输入变量的增量，由第m个输入变量减去对应稳定值得到。
按照下式计算待预测输入向量对应于每个所属数据聚类的输出向量增量：
Figure RE-GDA0003758141160000195
其中，θ′i为第i个局部模型参数向量中去除输出变量对应参数后的参数向量。
按照下式计算每个输出向量增量对应的发电功率预测值：
Figure RE-GDA0003758141160000191
其中，
Figure RE-GDA0003758141160000192
为数据聚类i中输出变量对应的稳态值。
按照下式计算出待预测输入向量最终对应的发电功率：
Figure RE-GDA0003758141160000193
其中，ωi(t)为待预测输入向量对不同数据聚类的隶属度，可通过下式计算得到：
Figure RE-GDA0003758141160000194
其中，c′i为在数据聚类i的聚类中心中去除输出变量对应元素后的聚类中心，r′i为在数据聚类i的聚类半径中去除输出变量对应元素后的聚类半径。
如果否，确定与待预测输入向量最近的聚类中心。
按照下式确定与待预测输入向量最近的聚类中心：
||x(t)-c′s||＝min||x(t)-c′i||(i＝1,2,…,k)
其中，c′s为与待预测输入向量最近的聚类中心，该聚类中心是在原聚类中心中去除输出变量对应元素之后的聚类中心，根据该聚类中心可确定与其对应的数据聚类。
将最近的聚类中心对应的数据聚类作为待预测输入向量所属的数据聚类，根据待预测输入向量对应的数据聚类，按照以上方式计算待预测输入向量对应的发电功率预测值并作为最终的发电功率。
图2为一种基于仿生模糊模型的光伏系统发电功率预测装置的结构示意图，如图2所示，该装置包括以下单元：
模型输入变量选取单元11，被配置为采用主元分析法在预设输入变量中选取模型输入变量。
模糊模型构建单元12，被配置为根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型，所述T-S模糊模型通过If-Then规则将前件部分和后件部分相结合，其中，所述前件部分为数据所属数据聚类情况，后件部分为数据聚类对应的局部模型。
采样数据获取单元13，被配置为获取光伏系统的多组采样数据，所述采样数据包含所有模型输入变量的数据类型，且在不同的季节和气候进行采集。
自动聚类单元14，被配置为利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径。
局部模型确定单元15，被配置为根据聚类中心和聚类半径获得每个数据聚类对应的局部模型。
发电功率计算单元16，被配置为利用已知所有数据聚类和每个数据聚类对应局部模型的T-S模糊模型计算光伏系统的发电功率。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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 (10)

1.一种基于仿生模糊模型的光伏系统发电功率预测方法，其特征在于，包括：
采用主元分析法在预设输入变量中选取模型输入变量；
根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型，所述T-S模糊模型通过If-Then规则将前件部分和后件部分相结合，其中，所述前件部分为数据所属数据聚类情况，后件部分为数据聚类对应的局部模型；
获取光伏系统的多组采样数据，所述采样数据包含所有模型输入变量的数据类型，且在不同的季节和气候进行采集；
利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径；
根据聚类中心和聚类半径获得每个数据聚类对应的局部模型；
利用已知所有数据聚类和每个数据聚类对应局部模型的T-S模糊模型计算光伏系统的发电功率。
2.根据权利要求1所述的方法，其特征在于，所述根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型，包括：
利用If-Then规则构建T-S模糊模型，所述T-S模糊模型由下式表示：
Ri:If v(t)∈(ci,ri),Then
Figure RE-FDA0003758141150000011
其中，Ri指T-S模糊模型中的第i条模糊规则，ci和ri分别表示T-S模糊模型中第i个数据聚类的聚类中心和聚类半径，
Figure RE-FDA0003758141150000012
和
Figure RE-FDA0003758141150000013
分别是第i个局部模型的模型输出变量和参数向量；
v(t)为增量向量，由下式表示：
v(t)＝[Δu1(t),Δu2(t),Δu3(t),…,Δum(t),Δy(t)]T t＝(2,…,N)
Figure RE-FDA0003758141150000021
Figure RE-FDA0003758141150000022
其中，Δum(t)为在第t个时刻获取的采样数据中，第m个模型输入变量的增量，Δy(t)为在第t个时刻获取的采样数据中，输出变量的增量，u(t)为在第t个时刻获取的采样数据，即所有模型输入变量构成的数据向量，y(t)为在第t个时刻获取的采样数据中的输出变量，即在第t个时刻光伏系统的发电功率，
Figure RE-FDA0003758141150000023
为模型输入变量与第i个数据聚类对应的稳态值向量，
Figure RE-FDA0003758141150000024
为输出变量与第i个数据聚类对应的稳态值，所述稳态值为变量与数据聚类的聚类中心相对应的数值。
3.根据权利要求2所述的方法，其特征在于，所述获取光伏系统的多组采样数据，包括：
以预设时间间隔为采样周期获得光伏系统的运行数据并构成数据向量，将所述数据向量作为采样数据，所述运行数据至少包括数据采集时刻、太阳光辐照强度、地表地外辐照强度、气象信息以及光伏系统的发电功率。
4.根据权利要求3所述的方法，其特征在于，所述利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径，包括：
对所有采样数据按照采集时间进行排序，获得数据向量列表；
设置一个初始数据聚类，将数据向量列表中的首个数据向量作为初始数据聚类的首个元素及聚类中心；
由初始数据聚类开始，将数据向量列表中的数据向量划分为多个数据聚类，并计算每个数据聚类的聚类中心，包括以下步骤：
判断当前划分的数据聚类所包含的元素总数是否小于预设聚类规模，
如果所述元素总数小于预设聚类规模，在数据向量列表中选取一个数据向量；
判断所述数据向量与当前聚类中心之间的距离是否小于预设阈值，
如果是，利用选取的数据向量重新计算聚类中心，将所述数据向量加入到当前划分的数据聚类中，并继续判断当前划分的数据聚类所包含的元素总数是否小于预设聚类规模；如果否，重新在数据向量列表内选取一个未参与过计算的数据向量，并继续判断所述数据向量与当前聚类中心之间的距离是否小于预设阈值；
如果所述元素总数不小于预设聚类规模，将当前划分的数据聚类作为一个完整的数据聚类；
在数据向量列表中继续选取一个未参与过计算的数据向量，作为新划分的数据聚类的首个元素及聚类中心，按照以上步骤重新划分新的数据聚类并计算聚类中心，直到数据向量列表中未参与过计算的元素总数小于预设聚类规模为止；
在划分出所有数据聚类并计算出对应的聚类中心之后，利用每个数据聚类的聚类中心计算对应的聚类半径。
5.根据权利要求4所述的方法，其特征在于，所述利用选取的数据向量重新计算聚类中心，包括：
在(0,1)范围内随机生成一个常数，判断所述常数是否大于预设转换概率P，
如果是，按照以下方式计算聚类中心：
采用花粉传粉算法中的全局传粉过程方式，按照下式计算聚类中心：
Figure RE-FDA0003758141150000031
其中，xi(n)是第n次计算数据聚类i的聚类中心时，在数据向量列表中选取的数据向量；
Figure RE-FDA0003758141150000041
为数据聚类i当前的最佳聚类中心(
Figure RE-FDA0003758141150000042
的初始值为数据聚类i中的首个元素)，按照以下方式获得
Figure RE-FDA0003758141150000043
计算ci(n+1)以及当前的
Figure RE-FDA0003758141150000044
分别与数据聚类i中各个元素之间的平均欧式距离，作为各自的适应度值，将二者中适应度值最小的作为下一次计算聚类中心时的最佳聚类中心
Figure RE-FDA0003758141150000045
η为预设的比例因子；M为计算聚类中心时预设的最大计算次数，其数值等于预设聚类规模；
L(λ)表示Levy分布，如下式所示：
Figure RE-FDA0003758141150000046
其中，Γ(λ)是标准伽马函数，S是远大于零的预设步长，λ的值为1.5；
如果否，按照以下方式计算每个数据聚类的聚类中心：
采用花粉传粉算法中的局部传粉过程方式，按照下式计算聚类中心：
ci(n+1)＝xi(n)+ε[xi(n)-xi(j)](n＝1,2,…,M)
其中，xi(j)是在数据聚类i已有的元素中，随机选取的一个元素，ε是从均匀分布[0,1]中随机选取的一个数值。
6.根据权利要求5所述的方法，其特征在于，所述利用每个数据聚类的聚类中心计算对应的聚类半径，包括：
针对数据向量列表中的每个数据向量，均按照以下方法参与计算聚类半径：
根据下式分别计算数据向量与最临近的聚类中心之间的距离ds(t)：
ds(t)＝min||v(t)-ci|| (i＝1,…,k)
其中，k为数据聚类的总数量；
根据下式得到所述最邻近的聚类中心对应的当前聚类半径rs：
rs＝max{ds(t),rs}
在所有数据向量均参与过计算后，将每个当前聚类半径确定为所对应数据聚类的聚类半径。
7.根据权利要求6所述的方法，其特征在于，所述根据聚类中心和聚类半径获得每个数据聚类对应的局部模型，包括：
将受控自回归滑动平均模型作为所述局部模型的模型结构；
通过指数加权最小二乘法获得每个数据聚类对应局部模型的未知参数。
8.根据权利要求7所述的方法，其特征在于，所述通过指数加权最小二乘法获得每个数据聚类对应局部模型的未知参数，包括：
按照以下方式设置一个初始矩阵Pi
Pi＝σI(i＝1,…,k)
其中，σ取极大值105，I为单位矩阵；
由数据向量列表中的第一个数据向量开始，针对每个数据向量，均进行以下步骤：
计算所述数据向量与所有数据聚类的聚类中心之差的绝对值；
针对每个数据聚类，均判断对应的绝对值是否小于或等于所述数据聚类的聚类半径，
如果对应的绝对值小于或等于所述数据聚类的聚类半径，按照下式计算所述数据聚类对应局部模型的参数向量θi
Figure RE-FDA0003758141150000051
θi(t+1)＝θi(t)+Pi(t+1)(Δyi(t)-v(t)Tθi(t))v(t)
λi(t)＝λ0λi(t-1)+1-λ0
其中：λ1的初值λ0为0.6，Δyi(t)为输出变量的增量，由输出变量减去对应稳态值得到，Q为指数加权因子，Q＝e-t/m；
判断所述局部模型在当前的参数向量下，输出变量的误差是否小于预设的误差阈值，如果是，将当前的参数向量确定为所述局部模型的参数向量；如果否，继续利用新的数据向量计算所述局部模型的参数向量；
如果对应的绝对值大于所述数据聚类的聚类半径，所述数据聚类当前的参数向量保持不变；
在没有新的数据向量可参与计算时，将每个局部模型当前的参数向量确定为所述局部模型最终的参数向量。
9.根据权利要求8所述的方法，其特征在于，所述利用已知所有数据聚类和每个数据聚类对应局部模型的T-S模糊模型计算光伏系统的发电功率，包括：
获取待预测输入向量；
判断所述待预测输入向量是否属于任意一个或多个数据聚类，
如果是，根据所述待预测输入向量所属的数据聚类计算输入向量增量Δxi(t)；
其中，
Figure RE-FDA0003758141150000061
x(t)为待预测输入向量，Δum(t)为待预测输入向量中第m个输入变量的增量，由第m个输入变量减去对应稳定值得到；
按照下式计算待预测输入向量对应于每个所属数据聚类的输出向量增量：
Figure RE-FDA0003758141150000062
其中，θi′为第i个局部模型参数向量中去除输出变量对应参数后的参数向量；
按照下式计算每个输出向量增量对应的发电功率预测值：
Figure RE-FDA0003758141150000071
其中，
Figure RE-FDA0003758141150000072
为数据聚类i中输出变量对应的稳态值；
按照下式计算出待预测输入向量最终对应的发电功率：
Figure RE-FDA0003758141150000073
其中，ωii(t)为待预测输入向量对不同数据聚类的隶属度，可通过下式计算得到：
Figure RE-FDA0003758141150000074
其中，c′i为在数据聚类i的聚类中心中去除输出变量对应元素后的聚类中心，r′i为在数据聚类i的聚类半径中去除输出变量对应元素后的聚类半径；
如果否，确定与待预测输入向量最近的聚类中心；
将所述最近的聚类中心对应的数据聚类作为待预测输入向量所属的数据聚类，根据待预测输入向量对应的所述数据聚类，按照以上方式计算待预测输入向量对应的发电功率预测值并作为最终的发电功率。
10.一种基于仿生模糊模型的光伏系统发电功率预测装置，其特征在于，包括：
模型输入变量选取单元，用于采用主元分析法在预设输入变量中选取模型输入变量；
模糊模型构建单元，用于根据模型输入变量构建T-S(Takagi-Sugeno)模糊模型，所述T-S模糊模型通过If-Then规则将前件部分和后件部分相结合，其中，所述前件部分为数据所属数据聚类情况，后件部分为数据聚类对应的局部模型；
采样数据获取单元，用于获取光伏系统的多组采样数据，所述采样数据包含所有模型输入变量的数据类型，且在不同的季节和气候进行采集；
自动聚类单元，用于利用花粉传粉算法对所有采样数据进行自动聚类，生成多个数据聚类，并计算每个数据聚类的聚类中心和聚类半径；
局部模型确定单元，用于根据聚类中心和聚类半径获得每个数据聚类对应的局部模型；
发电功率计算单元，用于利用已知所有数据聚类和每个数据聚类对应局部模型的T-S模糊模型计算光伏系统的发电功率。
CN202111604037.1A 2021-12-24 2021-12-24 基于仿生模糊模型的光伏系统发电功率预测方法及装置 Pending CN114943359A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111604037.1A CN114943359A (zh) 2021-12-24 2021-12-24 基于仿生模糊模型的光伏系统发电功率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111604037.1A CN114943359A (zh) 2021-12-24 2021-12-24 基于仿生模糊模型的光伏系统发电功率预测方法及装置

Publications (1)

Publication Number Publication Date
CN114943359A true CN114943359A (zh) 2022-08-26

Family

ID=82906223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111604037.1A Pending CN114943359A (zh) 2021-12-24 2021-12-24 基于仿生模糊模型的光伏系统发电功率预测方法及装置

Country Status (1)

Country Link
CN (1) CN114943359A (zh)

Similar Documents

Publication Publication Date Title
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN109802430B (zh) 一种基于LSTM-Attention网络的风电电网控制方法
CN108197744B (zh) 一种光伏发电功率的确定方法及系统
CN107766990B (zh) 一种光伏电站发电功率的预测方法
CN108388956B (zh) 考虑辐射衰减的光伏功率预测方法
CN108280552B (zh) 基于深度学习的电力负荷预测方法和系统、存储介质
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
CN113837499A (zh) 一种超短期风电功率预测方法及系统
CN112100911B (zh) 一种基于深度bilstm的太阳辐射预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
Wahid et al. Statistical features based approach (SFBA) for hourly energy consumption prediction using neural network
CN111461404A (zh) 一种基于神经网络预测区间的短期负荷和水电预测方法
CN112418346A (zh) 一种数值天气预报总辐射系统误差分类计算方法
CN116702937A (zh) 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法
Al-Hajj et al. Estimating solar irradiance using genetic programming technique and meteorological records.
CN108510097B (zh) 基于卫星遥感的输电线路走廊积雪灾害监测方法及系统
CN117374941A (zh) 一种基于神经网络的光伏发电功率预测方法
CN114943359A (zh) 基于仿生模糊模型的光伏系统发电功率预测方法及装置
CN116029440A (zh) 光伏电站超短期功率预测方法和装置
El Badaoui et al. The prediction of moisture through the use of neural networks MLP type
CN113902492A (zh) 一种分时电价预测方法及系统
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
Wang et al. Prediction of direct normal irradiance using a novel multi-model algorithm
CN117828488B (zh) 一种基于随机森林与稳健回归的太阳辐射度预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination