本发明专利技术涉及一种提高预测各天气类型下光伏发电输出功率精度的方法及系统，属于光伏发电输出功率预测技术领域。首先，采用灰色关联度适应度判别，筛选出与光伏发电预测日相关度高的相似日，并通过MDS多维尺度变换法给数据降维，提高数据分类的准确性并消除冗余数据，最后，针对Elman神经网络预测模型权值和阈值盲目随机的缺点，易陷入局部最优问题，采用PSO优化预测模型初始参数。与实际光伏发电系统功率相比，该研究方法能够有效预测各天气类型下的光伏发电输出功率，且精度较高。且精度较高。且精度较高。
【技术实现步骤摘要】
提高预测各天气类型下光伏发电输出功率精度的方法及系统
[0001]本专利技术属于光伏发电输出功率预测
，具体涉及一种提高预测各天气类型下光伏发电输出功率精度的方法及系统，与实际光伏发电系统功率相比，该方法能够有效预测各天气类型下的光伏发电输出功率，且精度较高。
技术介绍
[0002]光伏发电系统具有间歇性、随机性和波动性等特点，且大规模光伏发电系统具很强波动性和随机性，对并网的安全性和可靠性提出了重大挑战，所以需要精度更高的光伏发电系统输出功率预测模型来实时预测，平衡负荷功耗。由于负荷端的波动性较强，尤其受极端天气影响，预测难度较大，负荷预测精度难以达标，因此，对提升超短期光伏功率预测精准度及安全性的研究具有重要作用。
[0003]现阶段，国内外研究专家针对短期功率预测提出了诸如时间序列法、数据挖掘法、支持向量机法、人工神经网络法等多种预测方法，但都有其局限性。
[0004]有学者通过历史气候数据信息，筛选更符合预测日天气特性的相似日作为训练样本，并采用GA优化BP神经网络预测，提高预测精度。另有针对算法模型特征向量输入值较多，会降低光伏功率预测的安全性与准确性的问题，提出一种结合Spearman相关系数改进MIV算法的数据处理方法，筛选出对输出变量相关程度最大的输入变量。此外，现有研究指出同样基于相似日理论，提出纵横交叉算法CSO来优化改进的高斯过程回归WGPR算例的超参数，且大幅提升了算例的预测问题准确性。
[0005]光伏输出功率主要受天气因素影响，不同天气类型下其辐射、温湿度、大气压强、风向等气象因子均有明显区别。
[0006]近年来随着深度学习的流行,深度学习方法被广泛应用于光伏发电功率预测领域,并取得了出色的成果。深度学习可以自动从数据中学习有用的功能,而不是使用传统的特征选择方法传统的功率预测模型对复杂数据处理，结果精度等方面占优，但对存在波动性和时序性特点的光伏发电功率数据处理仍有不足之处。
技术实现思路
[0007]本专利技术的目的在于针对光伏电站系统输出功率受环境因素影响较大，具不确定性，对并网安全稳定运行具有重大影响的问题，提出了一种提高预测各天气类型下光伏发电输出功率精度的方法及系统，通过搭建的几种模型对比分析，结果表明在少量相似日数据输入时，使用MDS
‑
PSO
‑
Elman算法的光伏发电系统仍可以快速准确的预测实时输出功率，在不同天气特征条件下均具有良好的效果，且具有较强的泛化性能和实用性。
[0008]本专利技术技术方案是：首先基于灰色关联度分析法根据主要天气特征类型对历史数据进行聚类，再由PSO算法优化Elman神经网络初始权值和阈值，模型的训练集为经MDS数据降维处理后的相似日的天气特征数据与对应光伏发电系统输出功率，再依据预测日的天气特征数据和输出功率送入测试集，模型建好后得出预测结果与实际输出功率值相比较。
[0009]综上所述，本专利技术是一种提高预测各天气类型下光伏发电输出功率精度的方法及系统，包括以下步骤实施：
[0010]步骤1：定义预测日天气特征向量，使用灰色关联度分析法将原始数据按照晴天、阴天、多云三种主要天气进行关联度聚类；
[0011]步骤2：使用多维尺度变换法MDS对原始冗余相似日数据降维，并归一化；
[0012]步骤3：确定Elman回归网络结构；
[0013]步骤4：将数据分类送入训练及测试网络；
[0014]步骤5：通过PSO粒子群算法优化Elman神经网络的初始权值和阈值；
[0015]步骤6：设置PSO
‑
Elman主要参数为：进化次数为100，两个学习因子均为1.49，最大和最小权值分别为0.9，0.1；
[0016]步骤7：验证模型预测的准确性。
[0017]进一步的，所述的步骤1包括：
[0018]步骤1.1：确认确定比较数据序列X
i
和参考数据序列Y，即X
i
＝{X
i(k)
/k＝1,2...,m},i＝1,2...,n，Y＝{Y
(k)
/k＝1,2...,m}，K分别为某日平均总辐射强度，散射辐射强度，组件温度，气压，相对湿度等特征向量；
[0019]步骤1.2：得出数列之间每个灰色关联度C
dr
(i)如式(1)所示，式中ρ为分辨系数；
[0020][0021]步骤1.3：取ρ＝0.5，预测时取C
dr
(i)>0.8的比较数据序列来划分三种主要天气做为相似日样本。
[0022]进一步的，所述的步骤2包括：
[0023]步骤2.1：假定n个m维的样本数据X
ij
,k，i，j∈(1,n)，k∈(1,m)，首先依据原始数据构造范式距离矩阵d
ij,k
：
[0024][0025]步骤2.2：由距离矩阵D
i,j
＝d
ij,k
进行双中心化计算分别构造矩阵dis1[i,1]＝([D
i,j
]2/i)
T
和dis2[1,i]＝([D
i,j
]2/i)；
[0026]步骤2.3：得出矩阵dis＝Σdis1/i；
[0027]步骤2.4：计算出内积阵：
[0028][0029]步骤2.5：最后求出B的特征值λ
i
和特征向量并构造对角矩阵L
k
，确定降维维数k值后，重构降维后拟合新的数据集Z。
[0030][0031]进一步的，所述的步骤5包括：
[0032]步骤5.1：初始化随机粒子；
[0033]步骤5.2：更新粒子速度与位置，如式(5)所示，各粒子在每一迭代过程中，对应自
身速度V
d
和位置X
d
进行不断更新，其中，m为进化代数，n为惯性因子，可以体现上一次迭代速度的粒子能力，C1，C2为非负常数，randr1和randr2为0到1随机数；
[0034][0035]步骤5.3：将粒子群优化算法与Elman局部回归网络相结合，计算自适应度，更新至最优个体，初始的个体适应度函数取自训练集与测试集整体的均方误差，如式(6)所示；
[0036][0037]步骤5.4：使用PSO粒子群优化算法对该参数通过适应度函数判别，如果不满足要求则重复步骤5.2到步骤5.4，满足要求则继续步骤5.5；
[0038]步骤5.5：输出最优的权值和阈值参数；
[0039]步骤5.6：Elman得到最优参数进行训练预测。
[0040]进一步的，所述的步骤7包括：
[0041]步骤7.1：选取某光伏发电站2017年夏季6到8月92天内出太阳时刻点(早上6点到傍晚6点)，采样时间间隔15min，共计4784组数据作为明显特征的三种主要天气预测日的聚类样本；
[0042]步骤7.2：本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种提高预测各天气类型下光伏发电输出功率精度的方法及系统，其特征在于，具体包括以下步骤：步骤1：定义预测日天气特征向量，使用灰色关联度分析法将原始数据按照晴天、阴天、多云三种主要天气进行关联度聚类；步骤2：使用多维尺度变换法MDS对原始冗余相似日数据降维，并归一化；步骤3：确定Elman回归网络结构；步骤4：将数据分类送入训练及测试网络；步骤5：通过PSO粒子群算法优化Elman神经网络的初始权值和阈值；步骤6：设置PSO
‑
Elman主要参数为：进化次数为100，两个学习因子均为1.49，最大和最小权值分别为0.9，0.1；步骤7：验证模型预测的准确性。2.根据权利要求1所述的一种提高预测各天气类型下光伏发电输出功率精度的方法及系统其特征在于，所述步骤1中灰色关联度分析法具体为：步骤1.1：确认确定比较数据序列X
i
和参考数据序列Y，即X
i
＝{X
i(k)
/k＝1,2...,m},i＝1,2...,n，Y＝{Y
(k)
/k＝1,2...,m}，K分别为某日平均总辐射强度，散射辐射强度，组件温度，气压，相对湿度等特征向量；步骤1.2：得出数列之间每个灰色关联度C
dr
(i)如式(1)所示，式中ρ为分辨系数；步骤1.3：取ρ＝0.5，预测时取C
dr
(i)>0.8的比较数据序列来划分三种主要天气做为相似日样本。3.根据权利要求1所述的一种提高预测各天气类型下光伏发电输出功率精度的方法及系统，其特征在于，所述步骤2具体为：步骤2.1：假定n个m维的样本数据X
ij
,k，i，j∈(1,n)，k∈(1,m)，首先依据原始数据构造范式距离矩阵d
ij,k
：步骤2.2：由距离矩阵D
i,j
＝d
ij,k
进行双中心化计算分别构造矩阵dis1[i,1]＝([D
i,j
]2/i)<...
【专利技术属性】
技术研发人员：刘庆丰，刘裕兴，吴勇，杨强强，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。