一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，包括：獲取在相關(guān)地區(qū)光伏發(fā)電設(shè)備的發(fā)電功率歷史數(shù)據(jù)及相應(yīng)的歷史天氣參數(shù)信息；確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)，并確定最優(yōu)的隱含層神經(jīng)元個數(shù)，從而建立基于elman的神經(jīng)網(wǎng)絡(luò)；對發(fā)電功率歷史數(shù)據(jù)及歷史天氣參數(shù)信息進行歸一化處理，然后根據(jù)歸一化處理后的數(shù)據(jù)對建立的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，從而將基于elman的神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差控制在預(yù)設(shè)的范圍內(nèi)；以預(yù)測日前一周的發(fā)電功率歷史數(shù)據(jù)和預(yù)測日的天氣參數(shù)數(shù)據(jù)作為輸入，采用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對預(yù)測日的發(fā)電功率進行預(yù)測。本發(fā)明具有穩(wěn)定、具有適應(yīng)時變特性能力和預(yù)測精度高的優(yōu)點，可廣泛應(yīng)用于光伏發(fā)電領(lǐng)域。
【專利說明】-種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及光伏發(fā)電領(lǐng)域，尤其是一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率 預(yù)測方法。

【背景技術(shù)】
[0002] 可再生能源發(fā)電是較為高效和清潔的可再生能源利用方式，也是目前可再生能源 使用技術(shù)中最成熟、最具有規(guī)?；_發(fā)條件和商業(yè)化發(fā)展前景的方式之一。而光伏發(fā)電則 是可再生能源的主要利用方式，是智能電網(wǎng)的主要組成部分。而短期發(fā)電功率的預(yù)測則是 光伏發(fā)電是否能成功推廣的關(guān)鍵，也是電力調(diào)度部門制定電力調(diào)度計劃的依據(jù)，更是家庭 或企業(yè)等自建光伏發(fā)電系統(tǒng)效益的重要保障。
[0003] 而目前所有短期太陽能光伏發(fā)電預(yù)測方法都是基于相同的思路：首先利用數(shù)學(xué)和 物理學(xué)理論及相關(guān)數(shù)據(jù)建立預(yù)測公式或模型，再通過預(yù)測公式或模型對光伏電站發(fā)電量進 行預(yù)測。根據(jù)所采用的數(shù)學(xué)物理理論及其預(yù)測輸出量，光伏發(fā)電預(yù)測方法可分為兩大類： (1)直接預(yù)測光電系統(tǒng)輸出功率的直接預(yù)測法(又叫統(tǒng)計法）；（2)首先對太陽輻射進行預(yù) 測，然后根據(jù)光電轉(zhuǎn)換效率得到光電輸出功率的間接預(yù)測法(又叫物理法)。
[0004] 基于統(tǒng)計法的預(yù)測方法有概率法、時間序列法和人工智能法等方法，其優(yōu)點是程 序簡明，對光伏電站位置及電力轉(zhuǎn)換參數(shù)沒有要求；缺點是沒有考慮影響光伏發(fā)電的環(huán)境 因素，需要大量的光伏電站歷史運行數(shù)據(jù)來保證預(yù)報結(jié)果的精確度，且容易因環(huán)境的變化 而導(dǎo)致預(yù)測精度的波動性過大?；谖锢矸ǖ念A(yù)測方法主要是以光伏發(fā)電系統(tǒng)物理發(fā)電原 理為基礎(chǔ)。其優(yōu)點是不需要歷史運行數(shù)據(jù)，光伏電站建成之后就可以直接進行預(yù)測；缺點是 需要光伏電站詳細地形圖、發(fā)電站坐標、光伏電站功率曲線及其他相關(guān)光電轉(zhuǎn)換參數(shù)等數(shù) 據(jù)。
[0005] 目前業(yè)內(nèi)應(yīng)用較為廣泛的是基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法(人工智能法的一種)，但 是，基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法仍存在以下缺陷： (1) 僅有前饋而無反饋，對歷史數(shù)據(jù)的敏感性過差，容易導(dǎo)致已記憶的學(xué)習(xí)模式的信息 消失，不夠穩(wěn)定； (2) 處理動態(tài)信息能力過弱，無法直接動態(tài)反映動態(tài)過程中光伏發(fā)電系統(tǒng)的特性，不具 備適應(yīng)時變特性的能力，且預(yù)測精度的波動性較大。


【發(fā)明內(nèi)容】

[0006] 為了解決上述技術(shù)問題，本發(fā)明的目的是：提供一種穩(wěn)定、具有適應(yīng)時變特性能力 和預(yù)測精度高的，基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法。
[0007] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是： 一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，包括： A、 獲取在相關(guān)地區(qū)光伏發(fā)電設(shè)備的發(fā)電功率歷史數(shù)據(jù)及相應(yīng)的歷史天氣參數(shù)信息； B、 確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)，并確定最優(yōu)的隱含層神經(jīng)元個數(shù)，從而建立基于 elman的神經(jīng)網(wǎng)絡(luò)，所述基于elman的神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、承接層和輸出層，所述 承接層用于記憶隱含層前一時刻的輸出值并將該輸出值返回給隱含層的輸入； C、 對發(fā)電功率歷史數(shù)據(jù)及歷史天氣參數(shù)信息進行歸一化處理，然后根據(jù)歸一化處理后 的數(shù)據(jù)對建立的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，從而將基于elman的神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差控制在預(yù)設(shè) 的范圍內(nèi)； D、 以預(yù)測日前一周的發(fā)電功率歷史數(shù)據(jù)和預(yù)測日的天氣參數(shù)數(shù)據(jù)作為輸入，采用訓(xùn)練 后的神經(jīng)網(wǎng)絡(luò)對預(yù)測日的發(fā)電功率進行預(yù)測。
[0008] 進一步，所述預(yù)設(shè)的范圍為5%_10%。
[0009] 進一步，所述發(fā)電功率歷史數(shù)據(jù)包括每小時發(fā)電功率和有效發(fā)電時間段，所述歷 史天氣參數(shù)信息包括氣溫、氣壓、風(fēng)向、風(fēng)速、云量、雨量、日照時間和天氣類型。
[0010] 進一步，所述步驟B，其包括： B1、統(tǒng)計獲取的發(fā)電功率歷史數(shù)據(jù)和歷史天氣參數(shù)信息，以一日的實際發(fā)電功率作為 神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，以該日前一周在有效時間段f內(nèi)的每小時發(fā)電功率W和該日的天氣 參數(shù)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)； B2、對elman神經(jīng)網(wǎng)絡(luò)進行初始化，根據(jù)輸入輸出序列確定輸入結(jié)點單元向量、隱含層 結(jié)點單元向量、反饋狀態(tài)向量和輸出結(jié)點向量，從而建立起基于elman的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模 型，其中，隱含層的節(jié)點數(shù)通過逐漸遞增試湊法得出。
[0011] 進一步，所述elman神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達式為：

【權(quán)利要求】
1. 一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，其特征在于：包括： A、 獲取在相關(guān)地區(qū)光伏發(fā)電設(shè)備的發(fā)電功率歷史數(shù)據(jù)及相應(yīng)的歷史天氣參數(shù)信息； B、 確定神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)，并確定最優(yōu)的隱含層神經(jīng)元個數(shù)，從而建立基于 elman的神經(jīng)網(wǎng)絡(luò)，所述基于elman的神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、承接層和輸出層，所述 承接層用于記憶隱含層前一時刻的輸出值并將該輸出值返回給隱含層的輸入； C、 對發(fā)電功率歷史數(shù)據(jù)及歷史天氣參數(shù)信息進行歸一化處理，然后根據(jù)歸一化處理后 的數(shù)據(jù)對建立的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，從而將基于elman的神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差控制在預(yù)設(shè) 的范圍內(nèi)； D、 以預(yù)測日前一周的發(fā)電功率歷史數(shù)據(jù)和預(yù)測日的天氣參數(shù)數(shù)據(jù)作為輸入，采用訓(xùn)練 后的神經(jīng)網(wǎng)絡(luò)對預(yù)測日的發(fā)電功率進行預(yù)測。
2. 根據(jù)權(quán)利要求1所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，其 特征在于：所述預(yù)設(shè)的范圍為5%-10%。
3. 根據(jù)權(quán)利要求2所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，其 特征在于：所述發(fā)電功率歷史數(shù)據(jù)包括每小時發(fā)電功率和有效發(fā)電時間段，所述歷史天氣 參數(shù)信息包括氣溫、氣壓、風(fēng)向、風(fēng)速、云量、雨量、日照時間和天氣類型。
4. 根據(jù)權(quán)利要求3所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，其 特征在于：所述步驟B，其包括： B1、統(tǒng)計獲取的發(fā)電功率歷史數(shù)據(jù)和歷史天氣參數(shù)信息，以一日的實際發(fā)電功率作為 神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)，以該日前一周在有效時間段f內(nèi)的每小時發(fā)電功率W和該日的天氣 參數(shù)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)； B2、對elman神經(jīng)網(wǎng)絡(luò)進行初始化，根據(jù)輸入輸出序列確定輸入結(jié)點單元向量、隱含層 結(jié)點單元向量、反饋狀態(tài)向量和輸出結(jié)點向量，從而建立起基于elman的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模 型，其中，隱含層的節(jié)點數(shù)通過逐漸遞增試湊法得出。
5. 根據(jù)權(quán)利要求4所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，其 特征在于：所述elman神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達式為：
其中，為m維輸出結(jié)點向量J為/7維隱含層結(jié)點單元向量#為u維輸入向量;c為n維反饋狀態(tài)向量；W3為隱含層到輸出層連接權(quán)值;W2為輸入層到隱含層連接權(quán)值;W1為承 接層到隱含層的連接權(quán)值^?(*)為輸出神經(jīng)元的傳遞函數(shù);/(*)為隱含層神經(jīng)元的傳遞 函數(shù)。
6. 根據(jù)權(quán)利要求4所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，其 特征在于：所述步驟C，其包括： C1、采用最大最小法對發(fā)電功率歷史數(shù)據(jù)及歷史天氣參數(shù)信息進行歸一化處理，所述 歸一化處理的公式為：
其中，Zmax為數(shù)據(jù)序列中的最大數(shù)，Zmin為數(shù)據(jù)序列中的最小數(shù)； C2、根據(jù)歸一化處理后的數(shù)據(jù)對建立的神經(jīng)網(wǎng)絡(luò)進行誤差計算、權(quán)值更新和閥值更新， 從而將基于elman的神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差控制在5%-10%的范圍內(nèi)。
7.根據(jù)權(quán)利要求6所述的一種基于elman神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電系統(tǒng)功率預(yù)測方法，其 特征在于：所述elman神經(jīng)網(wǎng)絡(luò)采用BP算法進行權(quán)值修正更新，并采用誤差平方和函數(shù)進 行指標函數(shù)學(xué)習(xí)，所述指標函數(shù)學(xué)習(xí)的公式為：
?anr 其中，為目標輸入向量。
【文檔編號】G06Q50/06GK104268638SQ201410462330
【公開日】2015年1月7日 申請日期:2014年9月11日 優(yōu)先權(quán)日:2014年9月11日
【發(fā)明者】楊林, 呂洲, 高福榮, 姚科 申請人:廣州市香港科大霍英東研究院