【技术实现步骤摘要】
本专利技术属于光伏发电，涉及一种借助于神经网络算法模型的预测光伏发电功率的方法，具体是一种基于bp卷积神经网络的光伏发电功率预测方法。
技术介绍
1、近些年来，光伏发电技术在全球广为使用，但光伏发电运行中的问题也日渐突出。光伏发电的过程受天气与地理环境影响，呈现出波动性和随机多干扰性，其输出功率容易随着外界因素变化而变化，因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要。
2、现有技术中，主要通过探索天气分类和特征关联度进行分析预测，例如公开号为cn104156777a的中国专利技术专利申请，公开了一种基于城市天气预报的低成本光伏发电功率预测方法，通过日地模型计算系外辐射强度,先得到系外太阳辐射对大气的穿透系数,再得到可求出统计穿透系数的天气预报类型分类器模型，再得到前14天的统计穿透系数，将得到的统计穿透系数与穿透系数相减得到差值序列，并与对应权值序列乘累加得到穿透系数误差，通过穿透系数误差修正当天预测天气类型下的统计穿透系数得到预测穿透系数，并利用预测日的系外辐射强度曲线反推出预测太阳辐射强度曲线，经过光照强度-功率关系便可得出电站的发电功率预测曲线。这种分析方法虽然能够预测光伏发电效率，但需要进行大量的计算，并且预测精度有待提高。
技术实现思路
1、本专利技术旨在提出一种基于bp卷积神经网络的光伏发电功率预测方法，建立一种人工智能预测模型并用神经网络算法进行优化，以减少计算量，并且提高对光伏发电功率的预测精度。
2、为实现上述目
3、一种基于bp卷积神经网络的光伏发电功率预测方法，包括以下步骤：
4、s1.对光伏发电的历史数据进行清洗，检测出异常数据后再利用平均值替换异常数据；
5、s2.建立基于lstm-cnn的预测模型并对预测模型进行训练以及测试；
6、s3.利用遗传优化算法对预测模型进行优化；
7、s4.利用优化后的模型，预测光伏发电功率。
8、作为限定，步骤s1中的历史数据中包括光伏发电功瞬时率以及对应时刻的风速、温度、湿度、辐照度四个维度的数据特征。
9、作为进一步限定，步骤s1中利用三西格玛准则检测异常数据，再利用平均值替换异常数据，具体步骤如下：
10、s11.取历史数据中每一天的所有采样点的数据为{x1，x2，x3......xi}，根据式①计算期望e(i)，根据式②计算标准差σ(i)；
11、
12、
13、其中，n为历史数据中的天数，n≥2，xi为一天中的第i个采样点的数据；
14、s12.判断数据xi是否落在(e(i)-3σ(i)，e(i)+3σ(i))的范围内，若在范围内则继续判断下一个数据，直至完成对历史数据中每一天的所有采样点的判断，进入步骤s2；若数据xi不在范围内则判定为异常数据，执行步骤s13；
15、s13.利用式③计算异常数据前一个数据x(i-1)和后一个数据x(i+1)的平均值x(i)’，用x’(i)替换xi，替换完成之后执行步骤s11，
16、
17、作为再一步限定，步骤s2中基于lstm-cnn的预测模型包括lstm神经网络和cnn神经网络；lstm神经网络用于提取历史数据的时间特征信息，cnn神经网络用于提取历史数据的空间特征信息，获得的历史数据首先传送到lstm神经网络提取时间特征信息，之后将lstm神经网络的输出作为cnn神经网络的输入，提取数据的空间特征信息，然后得到输出结果；
18、所述cnn神经网络包括依次相连的卷积层、池化层、全连接层，卷积层用于提取数据特征，池化层用于对数据特征进行采样降维，全连接层用于汇总卷积层和池化层处理后的数据特征并输出；
19、所述lstm神经网络包括依次相连的遗忘门、输入门和输出门，遗忘门的输入端与所述全连接层的输出端相连；所述遗忘门对数据特征进行遗忘处理，得到遗忘处理后的信息，输入门对遗忘处理后的信息进行细胞状态更新，得到更新后的信息，所述输出门根据更新后的信息对lstm神经网络的状态进行过滤，将得到的第一预测结果，作为lstm神经网络的输出。
20、作为再进一步限定，步骤s3中对预测模型进行优化的具体步骤如下：
21、s31根据神经网络的三个参数和模型的输入特性，利用训练后的lstm模型对输出进行预测，将预测输出值与实际值之间的误差的绝对值作为个体适应度，并通过式④计算函数h；
22、
23、其中，n表示输出节点的数量，xi表示预测输出值，yi表示实际值，k为系数；
24、s32使用轮盘方式选择个体，每个个体被选择的概率为pi，利用式⑤和式⑥计算pi；
25、
26、fi＝k/h 式⑥，
27、其中，fi表示个体i的适应度值，ji表示个体i在神经网络中的位置，n是种群中的个体数量；
28、s33采用实数交叉的方法，利用式⑦和式⑧进行交叉操作；
29、akj＝akj(1-b)+aijb 式⑦，
30、aij＝aij(1-b)+akjb 式⑧，
31、其中，aij表示第i个体的第j个基因，akj表示第k个体的第j个基因，b为偏置向量；
32、s34选择第i个体的第j个基因，利用式⑨进行突变操作；
33、
34、其中，amax为aij基因的上限，amin为aij基因的下限，g为当前迭代次数，r是[0，1]之间的随机数；
35、s35重复执行步骤s32-s34，直到形成一个新的种群时停止。
36、由于采用了上述的技术方案，本专利技术与现有技术相比，所取得的有益效果是：
37、(1)本专利技术建立了一种人工智能预测模型，减少了人工计算量；
38、(2)本专利技术在人工智能预测模型的基础上利用神经网络算法进行优化，提高了对光伏发电功率的预测精度。
39、综上所述，本专利技术提供了一种基于bp卷积神经网络的光伏发电功率预测方法，建立了一种人工智能预测模型并用神经网络算法进行了优化，减少了计算量，并且对光伏发电功率的预测精度也比较高。
本文档来自技高网...【技术保护点】
1.一种基于BP卷积神经网络的光伏发电功率预测方法，其特征在于，按照以下步骤顺序进行：
2.如权利要求1所述的一种基于BP卷积神经网络的光伏发电功率预测方法，其特征在于，步骤S1中的历史数据中包括光伏发电功瞬时率以及对应时刻的风速、温度、湿度、辐照度四个维度的数据特征。
3.如权利要求2所述的一种基于BP卷积神经网络的光伏发电功率预测方法，其特征在于，步骤S1中利用三西格玛准则检测异常数据，再利用平均值替换异常数据，具体步骤如下：
4.如权利要求3所述的一种基于BP卷积神经网络的光伏发电功率预测方法，其特征在于，步骤S2中基于LSTM-CNN的预测模型包括LSTM神经网络和CNN神经网络；LSTM神经网络用于提取历史数据的时间特征信息，CNN神经网络用于提取历史数据的空间特征信息，获得的历史数据首先传送到LSTM神经网络提取时间特征信息，之后将LSTM神经网络的输出作为CNN神经网络的输入，提取数据的空间特征信息，然后得到输出结果；
5.如权利要求4所述的一种基于BP卷积神经网络的光伏发电功率预测方法，其特征在于，步骤S3中对模型进
...【技术特征摘要】
1.一种基于bp卷积神经网络的光伏发电功率预测方法，其特征在于，按照以下步骤顺序进行：
2.如权利要求1所述的一种基于bp卷积神经网络的光伏发电功率预测方法，其特征在于，步骤s1中的历史数据中包括光伏发电功瞬时率以及对应时刻的风速、温度、湿度、辐照度四个维度的数据特征。
3.如权利要求2所述的一种基于bp卷积神经网络的光伏发电功率预测方法，其特征在于，步骤s1中利用三西格玛准则检测异常数据，再利用平均值替换异常数据，具体步骤如下：
4.如权利要求3所述的一种基于bp卷...
【专利技术属性】
技术研发人员：周丽霞，张博智，王龙宇，魏子睿，王杰，张茹，张立鹏，李顺杰，姜伊，
申请(专利权)人：国网冀北电力有限公司计量中心，
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。