一种基于混合神经网络模型的光伏发电功率分时预测方法技术

本发明专利技术公开了一种基于混合神经网络模型的光法发电功率分时预测方法，包括获取光伏发电站的历史数据；对历史气象数据进行综合聚类分组；按分组结果，将所述的历史数据构建成组数个训练集；建立神经网络预测模型，每一个训练集训练出一个神经网络预测模型；获得现实气象数据并划分分组；使用所述分组训练出的预测模型对光伏发电功率进行预测。本发明专利技术针对每一特定的训练集建立预测模型，使得预测的准确度和精度大大提高，利用差分算法以及萤火虫算法的混合算法对神经网络的参数进行优化，同时采用分支进化和全局进化相结合，使得模型更具有鲁棒性，更容易获得全局最优值，优化解的能力更强。

A Time-Shared Prediction Method of Photovoltaic Power Based on Hybrid Neural Network Model

【技术实现步骤摘要】
一种基于混合神经网络模型的光伏发电功率分时预测方法
本专利技术属于光伏发电功率预测领域，具体涉及一种基于混合神经网络模型的光伏发电功率分时预测方法。
技术介绍
光伏发电的原理是光伏效应，所谓光伏效应是指光照使不均匀半导体或者金属与半导体结合的不同部位之间产生电位差的一种现象。一方面，它是由光子转化为电子、光能转化为电能的现象；另一方面，它形成了电压，有了电压，如果两者之间连通，便可形成电流回路。由此可知，光伏发电与太阳的活动息息相关，受环境的影响非常大，其白天发电量大，晚上几乎没有发电量。并且，发电量受气候和地域等因素的影响较为明显，具有日变化特征以及气候变化特征；海拔、气候、辐照强度不同，光伏发电量差距相应比较大。与风速预测不同的是，光伏发电功率的预测具有明显的周期性和时间性。如果不考虑光伏发电的时间特性，那么对其进行的功率预测，则颗粒度太大，精度和准确度难以达到现实需求，由此，本专利技术针对光伏发电的物理特性，提出了一种基于混合神经网络模型的光伏发电功率分时预测方法，分时的思想在于，将原来全部的学习样本按时进行分组，分组的样本越准确，预测的精度就越高，但是在光伏发电的实际运行过程中，时间仅仅只是用于样本分组的一个参考标准，并非绝对标准，因为比如两天同一时刻，但是由于一天为阴天，另一天为晴天，则这两个样本所得出结果可能差异较大，所以要对样本进行更切实际的分组，则需要对样本数据进行聚类，将相似的样本划分为一类，以该类样本训练模型，用以获得该类数据的预测值，这样才能获得更高的准确度。由此，本专利技术提出的预测方法，一方面，对学习样本进行精细化预处理，对预测模型进行精细化训练，另一方面，对神经网络模型进行改进，增强其训练参数获得最优参数的能力和时间，由此，本专利技术提出的方法才能一方面提高预测模型的准确度，另一方面也能保证计算时间在一个实际可控的范围内。
技术实现思路
本专利技术的主要目的在于分组刻画外部环境对光伏发电功率预测的影响，以便获得更加细粒度的预测模型，提供预测准确度和精度更高的方法，为实现上述目的，本专利技术提供如下技术方案，包括以下步骤：步骤1，获取光伏发电站的历史数据，所述的历史数据包括以历史气象数据和发电功率数据；步骤2，对所述的历史气象数据进行综合聚类分组；步骤3，按分组结果，将所述的历史数据构建成组数个训练集；步骤4，建立神经网络预测模型，确定输入层、隐含层和输出层数量，利用现代优化算法对预测模型中的参数进行训练，每一个训练集训练出一个神经网络预测模型；步骤5，获得现实气象数据，根据所述的综合聚类结果对现实气象数据划分分组；步骤6，根据分组结果，使用所述分组训练出的预测模型对光伏发电功率进行预测。步骤4中所述的现代优化算法为差分算法和萤火虫算法的混合算法，对预测模型中的参数进行训练包括以下步骤：步骤401，将所述的BP神经网络中隐含层的神经元按序分为两组，将每一组隐含层神经元相关的待优化参数分为一支；步骤402，进行分支训练，包括，步骤40201，分别将每支待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；步骤40202，分别用萤火虫算法更新所述的两个种群；步骤40203，分别对两个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；步骤40204，分别让两支训练达到预设的最大迭代次数或达到指定精度；步骤403，进行全局训练，包括步骤40301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为一个种群；步骤40302，用萤火虫算法更新所述的一个种群；步骤40303，对所述的一个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；步骤40304，让全局训练达到预设的最大迭代次数或达到指定精度；步骤404，选择最优的个体，计算出各参数的优化值和输出层神经元的阈值的参数值。步骤2中所述的综合聚类分组是综合考量样本之间的距离值和夹角值而确定的聚类方法，样本之间的相似度表示为：其中，Max(d(X,Y))表示样本集中两个样本之间的最大曼哈顿距离，α为预设的可调参数，用于调整距离度量和夹角度量之间的权重值，所述的曼哈顿距离表示为d(x,y)＝|x1-y1|+|x2-y2|+…+|xp-yp|，x和y为两个样本，x1,x2,…xp为样本x中的各个属性值，y1,y2,…,yp为样本y中的各个属性值，每个样本中有p个属性，其中，||x||是样本向量x＝(x1,x2,…xp)的欧几里得范数，||y||是样本向量y＝(y1,y2,…yp)的欧几里得范数。步骤2中所述的综合聚类分组的步骤包括：步骤201：在历史气候数据样本中，随机挑选k个点作为聚类中心，C＝{c1,c2,…ck}；步骤202：遍历样本集中的样本，如果x与聚类中心ci的相似度大于它到聚类中心cj的相似度，那么就把x划分到ci类中；步骤203：获得每个类别中，两两样本的相似度矩阵simi(x,y)；步骤204：计算每个类别中每一个样本与该类别中其他样本的相似值之和，获取最大的相似值和，将该类别中最大的相似和值的样本重新确定为聚类中心；重复步骤202、203和204，直到聚类中心不发生变化，或者达到最大迭代次数为止；步骤5中所述的对现实气象数据划分分组包括，分别计算现实气象数据样本xt与所述的k个的聚类中心的相似度，将xt划分到与之相似度值最大的类组中；步骤6中使用所述的现实气象数据划分分组训练出的预测模型对光伏发电功率进行预测。所述的历史气象数据包括辐照强度、温度、湿度和气压，所述的输入层神经元数量为4、隐含层神经元数量为8和输出层神经元数量为1。将步骤2中的α设置为0.5，将步骤40201中的固定值设置为0.5，将聚类中的k设置为4。本专利技术提出的预测方法，从两个方面对传统方法进行了改进，第一，采用综合聚类方法，充分考虑距离和角度的相似性，用于对数据进行更合适的分类，采用分类数据进行分类模型训练，使得模型具有更强的预测能力，第二，利用差分算法以及萤火虫算法的混合算法对神经网络的参数进行优化，同时采用分支进化和全局进化相结合，使得模型更具有鲁棒性，更容易获得全局最优值。附图说明图1为本专利技术的整体流程示意图。具体实施方式下面结合附图对本专利技术作进一步的说明，但不以任何方式对本专利技术加以限制，基于本专利技术教导所作的任何变换或替换，均属于本专利技术的保护范围。现实应用中，影响光伏电站发电功率的因素非常多，有地理的因素，比如精度、纬度、海拔、位置等，也有设备的因素，比如光板的安装角度、设备能耗、转换效率等，但是气候的因素，比如光照强度，入射角度，温度，气压等，在众多因素中，有的可以能够量化和测量，有的确难以量化，所以在实际预测中，没有必要对所有的因素进行考量，只需将其中影响较大的因素考量清楚就行，否则在预测过程中就会出现测量难度大，计算时间爆炸增长等问题。事实上，气候因素对光伏电站的发电功率的影响最为直接也影响最大。光伏发电系统的输出功率随太阳辐照量的多少而变化，由于温度、湿度、气压、风速、云层等气象条件的变化不确定性，使得太阳能电站功率的变化也受其影响产生随机性变化。对于特定的光伏电站，其地理因素和设备因素基本稳定不变，所以在本专利技术中只考虑通过对气象数据对光伏发电功率的影响。由于光伏发电本文档来自技高网...

【技术保护点】
1.一种基于混合神经网络模型的光伏发电功率分时预测方法，其特征在于，包括以下步骤：步骤1，获取光伏发电站的历史数据，所述的历史数据包括以历史气象数据和发电功率数据；步骤2，对所述的历史气象数据进行综合聚类分组；步骤3，按分组结果，将所述的历史数据构建成组数个训练集；步骤4，建立神经网络预测模型，确定输入层、隐含层和输出层数量，利用现代优化算法对预测模型中的参数进行训练，每一个训练集训练出一个神经网络预测模型；步骤5，获得现实气象数据，根据所述的综合聚类结果对现实气象数据划分分组；步骤6，根据分组结果，使用所述分组训练出的预测模型对光伏发电功率进行预测。

【技术特征摘要】
1.一种基于混合神经网络模型的光伏发电功率分时预测方法，其特征在于，包括以下步骤：步骤1，获取光伏发电站的历史数据，所述的历史数据包括以历史气象数据和发电功率数据；步骤2，对所述的历史气象数据进行综合聚类分组；步骤3，按分组结果，将所述的历史数据构建成组数个训练集；步骤4，建立神经网络预测模型，确定输入层、隐含层和输出层数量，利用现代优化算法对预测模型中的参数进行训练，每一个训练集训练出一个神经网络预测模型；步骤5，获得现实气象数据，根据所述的综合聚类结果对现实气象数据划分分组；步骤6，根据分组结果，使用所述分组训练出的预测模型对光伏发电功率进行预测。2.根据权利要求1所述的光伏发电功率分时预测方法，其特征在于，步骤4中所述的现代优化算法为差分算法和萤火虫算法的混合算法，对预测模型中的参数进行训练包括以下步骤：步骤401，将所述的BP神经网络中隐含层的神经元按序分为两组，将每一组隐含层神经元相关的待优化参数分为一支；步骤402，进行分支训练，包括，步骤40201，分别将每支待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；步骤40202，分别用萤火虫算法更新所述的两个种群；步骤40203，分别对两个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；步骤40204，分别让两支训练达到预设的最大迭代次数或达到指定精度；步骤403，进行全局训练，包括步骤40301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为一个种群；步骤40302，用萤火虫算法更新所述的一个种群；步骤40303，对所述的一个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；步骤40304，让全局训练达到预设的最大迭代次数或达到指定精度；步骤404，选择最优的个体，计算出各参数的优化值和输出层神经元的阈值的参数值。3.根据权利要求2所述的光伏发电功率分时预测方法，其特征在于，步骤2中所述的综合聚类分组是综合考量历史...

【专利技术属性】
技术研发人员：王锐，雷洪涛，刘亚杰，张涛，黄生俊，李洁，明梦君，李凯文，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43