一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及光伏發(fā)電技術(shù)領(lǐng)域，具體涉及一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光 伏發(fā)電量的預(yù)測(cè)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)?；_(kāi)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(cè)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(mén)制定電力調(diào)度計(jì)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(yáng)能光伏發(fā)電預(yù)測(cè)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(cè)公式或模型，再通過(guò)預(yù)測(cè)公式或模型對(duì)光伏電站發(fā)電量進(jìn) 行預(yù)測(cè)。根據(jù)所采用的數(shù)學(xué)物理理論及其預(yù)測(cè)輸出量，光伏發(fā)電預(yù)測(cè)方法可分為兩大類： (1)直接預(yù)測(cè)光電系統(tǒng)輸出功率的直接預(yù)測(cè)法（又叫統(tǒng)計(jì)法）；（2)首先對(duì)太陽(yáng)輻射進(jìn)行預(yù) 測(cè)，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(cè)法（又叫物理法）。
[0004] 直接預(yù)測(cè)方法在地理位置、周邊環(huán)境、光伏面板及逆變系統(tǒng)都確定的前提下，通過(guò) 統(tǒng)計(jì)歷史運(yùn)行數(shù)據(jù)，進(jìn)行有效建模，可直接預(yù)測(cè)光伏系統(tǒng)輸出功率，避免了大量的氣象統(tǒng)計(jì) 過(guò)程和復(fù)雜的建模過(guò)程，預(yù)測(cè)過(guò)程更加方便快捷，但它過(guò)分依賴于積累的歷史輸出功率數(shù) 據(jù)，對(duì)于模型參數(shù)的選擇提出了較為苛刻的要求，有概率法、時(shí)間序列法和人工智能法等方 法。間接預(yù)測(cè)方法首先根據(jù)光伏電站歷史觀測(cè)數(shù)據(jù)對(duì)地表太陽(yáng)輻射強(qiáng)度進(jìn)行預(yù)測(cè)，然后根 據(jù)光伏發(fā)電系統(tǒng)出力模型得到系統(tǒng)的輸出功率，該方法建立在較為完善的天氣預(yù)報(bào)系統(tǒng)和 較為復(fù)雜的太陽(yáng)輻射模型基礎(chǔ)上，不同類型和規(guī)模的光伏發(fā)電系統(tǒng)安裝情況、轉(zhuǎn)換效率等 參數(shù)不盡相同，要求預(yù)測(cè)結(jié)果越精確，模型越復(fù)雜，所需的歷史氣象數(shù)據(jù)量和數(shù)據(jù)類型也越 多，這使確定光伏發(fā)電系統(tǒng)輸出模型的參數(shù)值難度提高，功率預(yù)測(cè)困難，不利于電力系統(tǒng)動(dòng) 態(tài)經(jīng)濟(jì)調(diào)度
[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(cè)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(cè)方法仍存在以下缺陷：
[0006] (1)僅有前饋而無(wú)反饋，對(duì)歷史數(shù)據(jù)的敏感性過(guò)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；
[0007] (2)處理動(dòng)態(tài)信息能力過(guò)弱，無(wú)法直接動(dòng)態(tài)反映動(dòng)態(tài)過(guò)程中光伏發(fā)電系統(tǒng)的特性， 不具備適應(yīng)時(shí)變特性的能力，且預(yù)測(cè)精度的波動(dòng)性較大

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的缺陷和不足，提供一種基于粒子群算法小波神 經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測(cè)方法，它通過(guò)將粒子群算法，小波分析理論和神經(jīng)網(wǎng)絡(luò)的結(jié)合 來(lái)對(duì)太陽(yáng)能光伏發(fā)電量進(jìn)行預(yù)測(cè)，將粒子群算法的全局優(yōu)化搜索能力和小波良好的時(shí)頻局 部性質(zhì)相結(jié)合，克服神經(jīng)網(wǎng)絡(luò)易陷入局部極小和引起振蕩效應(yīng)現(xiàn)象的缺點(diǎn)，該算法可以有 效提高預(yù)測(cè)精度，減少預(yù)測(cè)誤差。
[0009] 為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò) 的光伏發(fā)電量預(yù)測(cè)方法，包括：
[0010] A、獲取發(fā)電量的歷史數(shù)據(jù)以及相關(guān)的歷史天氣參數(shù)信息；
[0011] B、對(duì)收集的數(shù)據(jù)進(jìn)行歸一化處理，設(shè)計(jì)小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)輸入的特征向量 的維數(shù)和最后的輸出的光伏發(fā)電量的狀態(tài)數(shù)，確定小波神經(jīng)網(wǎng)絡(luò)的輸入和輸出層神經(jīng)元個(gè) 數(shù)，并通過(guò)方法確定隱含層神經(jīng)元個(gè)數(shù)，其中隱含層和輸出層的激活函數(shù)分別用Morlet小 波函數(shù)和線性Purelin函數(shù)；
[0012] C、將一種改進(jìn)的粒子群算法對(duì)小波神經(jīng)的模型參數(shù)進(jìn)行前期優(yōu)化，是對(duì)網(wǎng)絡(luò)的輸 入層與隱含層之間的連接權(quán)值、隱含層與輸出層之間的連接權(quán)值和閾值通過(guò)粒子群算法得 到最優(yōu)解作為小波神經(jīng)的初始參數(shù)值；
[0013] D、通過(guò)粒子群算法得到小波神經(jīng)網(wǎng)絡(luò)的初始參數(shù)值加入到小波神經(jīng)網(wǎng)絡(luò)中，再用 梯度下降法對(duì)建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，讓預(yù)測(cè)誤差盡可能小，達(dá)到理想的標(biāo)準(zhǔn)；
[0014] E、將預(yù)測(cè)日前一日的有效發(fā)電時(shí)每小時(shí)發(fā)電量、預(yù)測(cè)日前一日的天氣參數(shù)數(shù)據(jù)和 預(yù)測(cè)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(duì)預(yù)測(cè)日的發(fā)電量進(jìn)行預(yù)測(cè)。
[0015] 進(jìn)一步，所述發(fā)電量歷史數(shù)據(jù)包括有效發(fā)電時(shí)間和每小時(shí)太陽(yáng)能光伏發(fā)電的發(fā)電 量，所述歷史天氣參數(shù)信息包括天氣類型、輻照強(qiáng)度、溫度、相對(duì)濕度、云量、雨量。
[0016] 進(jìn)一步，所述步驟B，其包括：
[0017] 根據(jù)輸入的數(shù)據(jù)類型和輸出的數(shù)據(jù)類型，確定輸入和輸出層的神經(jīng)元個(gè)數(shù)，將預(yù) 測(cè)日前一日7:00~19:00的13個(gè)時(shí)刻的發(fā)電量，預(yù)測(cè)日前一日和預(yù)測(cè)日的天氣類型、輻照 強(qiáng)度、溫度、相對(duì)濕度、云量、雨量等12個(gè)影響因素，共25個(gè)輸入層神經(jīng)元個(gè)數(shù)，輸出的是預(yù) 測(cè)日7:00~19:00的發(fā)電量，即13個(gè)輸出層神經(jīng)元個(gè)數(shù)。隱含層的神經(jīng)元通過(guò)試湊法確 定。
[0018] 數(shù)據(jù)歸一化公式為：
[0019]
[0020] X (t)為光伏系統(tǒng)發(fā)電量t時(shí)刻的原始數(shù)據(jù)，X_、X_為原始光伏發(fā)電量數(shù)據(jù)序列 中的最大值和最小值，Xi (t)為歸一化后數(shù)據(jù)；
[0021] 進(jìn)一步，了解小波神經(jīng)網(wǎng)絡(luò)的特征，其包括：
[0022] 小波分析方法通過(guò)尺度的伸縮和平移實(shí)現(xiàn)對(duì)信號(hào)的多尺度分析，從而有效地提取 信號(hào)的局部信息，本發(fā)明采用小波函數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的隱含層激勵(lì)函數(shù)，構(gòu)成小波神經(jīng) 網(wǎng)絡(luò)模型，具備更強(qiáng)的逼近、容錯(cuò)能力。
[0023] 小波神經(jīng)網(wǎng)絡(luò)的輸入輸出動(dòng)態(tài)方程表示為：
[0024]
[0025]
[0027] 其中，Wkl(t)為輸入層神經(jīng)元k與隱含層i之間的連接權(quán)，W1Jt)為隱含層神經(jīng)元 i與輸出層j的連接權(quán)，H 1U)為隱含層神經(jīng)元i的輸出，Φ (·)為小波函數(shù)，本文取Morlet
[0026] 小波，設(shè)S1為小波伸縮系數(shù)，b 小波平移系數(shù)，令
* Morlet小波母函數(shù) 表達(dá)式為：
[0028]
[0029] 進(jìn)一步，所述步驟C，其包括：
[0030] 將一種改進(jìn)的粒子群算法對(duì)小波神經(jīng)的模型參數(shù)進(jìn)行前期優(yōu)化，是對(duì)網(wǎng)絡(luò)的輸入 層與隱含層之間的連接權(quán)值、隱含層與輸出層之間的連接權(quán)值和閾值通過(guò)粒子群算法得到 最優(yōu)解作為小波神經(jīng)的初始參數(shù)值。
[0031 ] 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練最常見(jiàn)的訓(xùn)練方法就是梯度下降法，這種經(jīng)典的算法達(dá)到的精度 非常依賴于初始權(quán)值，且實(shí)際運(yùn)用中訓(xùn)練速度較慢且易陷入局部極小值而達(dá)到早熟。粒子 群算法的優(yōu)點(diǎn)在于收斂速度快，不需要計(jì)算目標(biāo)函數(shù)的最佳梯度下降，減輕了計(jì)算的負(fù)擔(dān)， 但是容易陷入局部極小值。針對(duì)這個(gè)缺陷，將變異進(jìn)化的思想加入到PSO算法中，根據(jù)我們 以往的尋最優(yōu)解的經(jīng)驗(yàn)，適應(yīng)度最好的解往往是被包圍在大量的次最優(yōu)解之中，因此很多 時(shí)候，次最優(yōu)解被尋找出來(lái)而真正的沒(méi)有被發(fā)現(xiàn)的最優(yōu)解往往就在附近，因此在算法之后 加上一步針對(duì)局部小范圍尋找最優(yōu)的進(jìn)化算法就很有必要，這種自適應(yīng)變異算法可以在有 限時(shí)間內(nèi)最大化搜索全局最優(yōu)值。
[0032] 對(duì)網(wǎng)絡(luò)的輸入層與隱含層之間的連接權(quán)值、隱含層與輸出層之間的連接權(quán)值和閾 值進(jìn)行初始化實(shí)數(shù)編碼，假設(shè)在一個(gè)N維的目標(biāo)搜索空間（N維相當(dāng)于未知因子個(gè)數(shù)，也就 是優(yōu)化參數(shù)個(gè)數(shù)），有m個(gè)粒子組成的一個(gè)群體，其中第i個(gè)粒子的位置表示為向量
[0033] Xi= (X 山 xi2，…，xiN)T，i = 1，2, ...，m ;
[0034] f (m) = I/(1+E (m))， A:
[0035] 其中E(m)為粒子m對(duì)應(yīng)的網(wǎng)路輸出誤差， ，&是期望輸出值， yk是實(shí)際輸出值，用向量P i = (P n，P12，…，PlN) 1表示粒子i到目前為止自身搜索到的最好 的適應(yīng)度位置，記為P_st)，即個(gè)體極值，用向量Pg= (P gl，Pg2，…，PgN)τ記錄全局所有粒子最 好的適應(yīng)度位置，記為，即全局最優(yōu)值，第i個(gè)粒子的速度也是一個(gè)N維的向量V 1 = (V11, V12，…，vlN)'每個(gè)粒子的速度和位置的調(diào)整：
[0036] CN 105139264 A 說(shuō)明書(shū) 4/8 頁(yè)
[0037]
[0038] 式