本發(fā)明涉及分布式光伏負(fù)荷預(yù)測(cè)，尤其涉及基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著全球?qū)稍偕茉吹男枨蟛粩嘣鲩L，光伏發(fā)電作為一種清潔、可持續(xù)的能源來源正逐漸成為能源領(lǐng)域的重要組成部分。然而，光伏發(fā)電的波動(dòng)性和不確定性對(duì)電網(wǎng)運(yùn)營帶來了一定挑戰(zhàn)。為了更好地集成分布式光伏發(fā)電系統(tǒng)，提前準(zhǔn)確地預(yù)測(cè)光伏發(fā)電負(fù)荷成為了一個(gè)緊迫的任務(wù)。傳統(tǒng)的負(fù)荷預(yù)測(cè)方法往往使用統(tǒng)計(jì)方法或基于機(jī)器學(xué)習(xí)的模型，但這些方法往往無法捕捉到光伏發(fā)電負(fù)荷的模糊性和不確定性，導(dǎo)致預(yù)測(cè)結(jié)果的不準(zhǔn)確性。

2、在傳統(tǒng)負(fù)荷預(yù)測(cè)方法中，通常選擇忽略氣象條件的影響以及系統(tǒng)自身的波動(dòng)性，這是因?yàn)檫@些因素通常存在著一定程度的模糊性，難以用精確的數(shù)值來描述。并且，光伏發(fā)電系統(tǒng)的輸出受到諸如云量和樹陰等因素的干擾，導(dǎo)致負(fù)荷數(shù)據(jù)在時(shí)間和空間上的波動(dòng)性，進(jìn)一步加大了預(yù)測(cè)的難度。在傳統(tǒng)方法中，需要手動(dòng)選擇模型參數(shù)或通過試錯(cuò)方法進(jìn)行調(diào)整，需消耗更多的時(shí)間成本和計(jì)算成本，且這種調(diào)整往往是針對(duì)具體問題的，不具有通用性。此外，傳統(tǒng)方法的預(yù)測(cè)精度有限。

3、總之，現(xiàn)有的相關(guān)技術(shù)在處理分布式光伏上網(wǎng)負(fù)荷預(yù)測(cè)時(shí)，由于模糊性處理不足、天氣影響忽略和波動(dòng)性建模不足，導(dǎo)致存在參數(shù)調(diào)整復(fù)雜以及預(yù)測(cè)精度有限等缺點(diǎn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)上述現(xiàn)有的相關(guān)技術(shù)的不足，提出基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)方法及系統(tǒng)，能夠降低參數(shù)調(diào)整的復(fù)雜性和提高負(fù)荷預(yù)測(cè)精確度。

2、第一方面，本發(fā)明提供了一種基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，包括：

3、收集分布式光伏系統(tǒng)的氣象數(shù)據(jù)和歷史光伏發(fā)電負(fù)荷的實(shí)際值，并構(gòu)建初始模糊神經(jīng)網(wǎng)絡(luò)，將所述氣象數(shù)據(jù)作為所述初始模糊神經(jīng)網(wǎng)絡(luò)的輸入，輸出歷史光伏發(fā)電負(fù)荷的預(yù)測(cè)值；

4、根據(jù)所述預(yù)測(cè)值與所述實(shí)際值，建立負(fù)荷適應(yīng)度函數(shù)，并隨機(jī)生成多個(gè)優(yōu)化解，以所述負(fù)荷適應(yīng)度函數(shù)分別為多個(gè)優(yōu)化解進(jìn)行評(píng)估；每個(gè)優(yōu)化解包括：所述初始模糊神經(jīng)網(wǎng)絡(luò)的候選更新參數(shù)；

5、對(duì)多個(gè)優(yōu)化解進(jìn)行優(yōu)化解競(jìng)爭(zhēng)或優(yōu)化解融合，在多次迭代后，得到負(fù)荷適應(yīng)度函數(shù)最優(yōu)的最優(yōu)解；

6、根據(jù)所述最優(yōu)解對(duì)應(yīng)的候選更新參數(shù)對(duì)所述初始模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)更新，得到訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)，以使根據(jù)所述模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)預(yù)測(cè)。

7、本發(fā)明通過初始模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)歷史光伏發(fā)電負(fù)荷的預(yù)測(cè)值，能夠捕捉到影響光伏發(fā)電負(fù)荷的氣象數(shù)據(jù)內(nèi)部的模糊性和不確定性，從而有利于提高實(shí)時(shí)預(yù)測(cè)的準(zhǔn)確性；并通過預(yù)測(cè)值與實(shí)際值建立負(fù)荷適應(yīng)度函數(shù)，并對(duì)多個(gè)優(yōu)化解進(jìn)行迭代后，以負(fù)荷適應(yīng)度最優(yōu)的優(yōu)化解為初始模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行更新，能夠避免手動(dòng)修改參數(shù)、導(dǎo)致的人工誤差和較高的人工成本，從而能夠自適應(yīng)選擇出最優(yōu)解，能夠提高光伏發(fā)電負(fù)荷的預(yù)測(cè)的精確度，并且不依賴人工操作，具有較高的通用性和較低的調(diào)參成本。

8、進(jìn)一步，所述對(duì)多個(gè)優(yōu)化解進(jìn)行優(yōu)化解競(jìng)爭(zhēng)或優(yōu)化解融合，包括：

9、在每次迭代時(shí)，通過比較優(yōu)化解內(nèi)部范圍的解的負(fù)荷適應(yīng)度函數(shù)進(jìn)行優(yōu)化解競(jìng)爭(zhēng)，或通過優(yōu)化解之間的不同隸屬度函數(shù)值進(jìn)行優(yōu)化解融合，并更新所有優(yōu)化解的負(fù)荷適應(yīng)度函數(shù)和所有優(yōu)化解的范圍。

10、進(jìn)一步，所述通過優(yōu)化解之間的不同隸屬度函數(shù)值進(jìn)行優(yōu)化解融合，包括：

11、在優(yōu)化解之間，以第一最優(yōu)隸屬度函數(shù)值的第一優(yōu)化解對(duì)第二最優(yōu)隸屬度函數(shù)值的第二優(yōu)化解進(jìn)行融合或取代，得到新的第三優(yōu)化解；若融合失敗，則保持第一優(yōu)化解和第二優(yōu)化解的原解。

12、進(jìn)一步，所述根據(jù)所述預(yù)測(cè)值與所述實(shí)際值，建立負(fù)荷適應(yīng)度函數(shù)，包括：

13、根據(jù)所述預(yù)測(cè)值和所述實(shí)際值，為所述初始模糊神經(jīng)網(wǎng)絡(luò)建立損失函數(shù)，并以所述損失函數(shù)為負(fù)荷適應(yīng)度函數(shù)，以使通過所述負(fù)荷適應(yīng)度函數(shù)分別對(duì)多個(gè)優(yōu)化解進(jìn)行評(píng)估。

14、進(jìn)一步，所述根據(jù)所述最優(yōu)解對(duì)應(yīng)的候選更新參數(shù)對(duì)所述初始模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)更新，得到訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)，包括：

15、根據(jù)所述最優(yōu)解對(duì)應(yīng)的候選更新參數(shù)，對(duì)模糊化層的隸屬度函數(shù)參數(shù)和初始模糊神經(jīng)網(wǎng)絡(luò)剩余網(wǎng)絡(luò)層的網(wǎng)絡(luò)權(quán)重進(jìn)行更新，得到訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)；其中，所述模糊化層為所述初始模糊神經(jīng)網(wǎng)絡(luò)的第一層。

16、進(jìn)一步，所述構(gòu)建初始模糊神經(jīng)網(wǎng)絡(luò)，包括：

17、依次構(gòu)建級(jí)聯(lián)的模糊化層、輸入層、模糊規(guī)則計(jì)算層和輸出層，并初始各層參數(shù)，得到初始模糊神經(jīng)網(wǎng)絡(luò)，以使將所述氣象數(shù)據(jù)輸入到所述初始模糊神經(jīng)網(wǎng)絡(luò)中，輸出所述預(yù)測(cè)值。

18、本發(fā)明引入模糊化層和模糊規(guī)則計(jì)算層，能夠有效處理數(shù)據(jù)的模糊性和不確定性，并且，相比于將數(shù)據(jù)依次輸入到輸入層和模糊化層的現(xiàn)有的相關(guān)技術(shù)，本發(fā)明引入的模糊化層先對(duì)輸入數(shù)據(jù)進(jìn)行模糊處理后，再將得到的結(jié)果作為輸入層的輸入，能夠降低由于輸入數(shù)據(jù)的模糊性帶來的干擾，先被模糊處理的數(shù)據(jù)是數(shù)值化的表征，不再是程度性的模糊表達(dá)，從而能夠提高模糊神經(jīng)網(wǎng)絡(luò)的建模能力。

19、進(jìn)一步，所述將所述氣象數(shù)據(jù)輸入到所述初始模糊神經(jīng)網(wǎng)絡(luò)中，輸出所述預(yù)測(cè)值，包括：

20、將所述氣象數(shù)據(jù)輸入到所述模糊化層中，輸出表征所述氣象數(shù)據(jù)在不同水平下的模糊隸屬度，并將所述模糊隸屬度經(jīng)過所述輸入層處理后輸入到所述模糊規(guī)則計(jì)算層中，輸出所述預(yù)測(cè)值的模糊結(jié)果，并將所述模糊結(jié)果輸入到輸出層中，輸出所述預(yù)測(cè)值。

21、進(jìn)一步，所述輸出表征所述氣象數(shù)據(jù)不同水平的模糊隸屬度，包括：

22、使用高斯函數(shù)作為隸屬度函數(shù)，通過所述隸屬度函數(shù)的氣象均值和氣象標(biāo)準(zhǔn)差對(duì)所述氣象數(shù)據(jù)不同水平的模糊關(guān)系進(jìn)行描述，輸出對(duì)應(yīng)的模糊隸屬度；其中，所述候選更新參數(shù)包括：隸屬度函數(shù)參數(shù)；所述隸屬度函數(shù)參數(shù)包括：所述氣象均值和所述氣象標(biāo)準(zhǔn)差。

23、第二方面，本發(fā)明提供了一種基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)系統(tǒng)，包括：預(yù)測(cè)模塊、評(píng)估模塊、迭代模塊和實(shí)時(shí)預(yù)測(cè)模塊；其中，

24、所述預(yù)測(cè)模塊，用于收集分布式光伏系統(tǒng)的氣象數(shù)據(jù)和歷史光伏發(fā)電負(fù)荷的實(shí)際值，并構(gòu)建初始模糊神經(jīng)網(wǎng)絡(luò)，將所述氣象數(shù)據(jù)作為所述初始模糊神經(jīng)網(wǎng)絡(luò)的輸入，輸出歷史光伏發(fā)電負(fù)荷的預(yù)測(cè)值；

25、所述評(píng)估模塊，用于根據(jù)所述預(yù)測(cè)值與所述實(shí)際值，建立負(fù)荷適應(yīng)度函數(shù)，并隨機(jī)生成多個(gè)優(yōu)化解，以所述負(fù)荷適應(yīng)度函數(shù)分別為多個(gè)優(yōu)化解進(jìn)行評(píng)估；每個(gè)優(yōu)化解包括：所述初始模糊神經(jīng)網(wǎng)絡(luò)的候選更新參數(shù)；

26、所述迭代模塊，用于對(duì)多個(gè)優(yōu)化解進(jìn)行優(yōu)化解競(jìng)爭(zhēng)或優(yōu)化解融合，在多次迭代后，得到負(fù)荷適應(yīng)度函數(shù)最優(yōu)的最優(yōu)解；

27、所述實(shí)時(shí)預(yù)測(cè)模塊，用于根據(jù)所述最優(yōu)解對(duì)應(yīng)的候選更新參數(shù)對(duì)所述初始模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)更新，得到訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)，以使根據(jù)所述模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)預(yù)測(cè)

28、第三方面，本發(fā)明提供了一種存儲(chǔ)介質(zhì)，所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，所述程序運(yùn)行時(shí)執(zhí)行如第一方面所述的基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)方法步驟。

技術(shù)特征：

1.一種基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，其特征在于，包括：

2.如權(quán)利要求1所述的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，其特征在于，所述對(duì)多個(gè)優(yōu)化解進(jìn)行優(yōu)化解競(jìng)爭(zhēng)或優(yōu)化解融合，包括：

3.如權(quán)利要求2所述的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，其特征在于，所述通過優(yōu)化解之間的不同隸屬度函數(shù)值進(jìn)行優(yōu)化解融合，包括：

4.如權(quán)利要求1所述的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，其特征在于，所述根據(jù)所述預(yù)測(cè)值與所述實(shí)際值，建立負(fù)荷適應(yīng)度函數(shù)，包括：

5.如權(quán)利要求1所述的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，其特征在于，所述根據(jù)所述最優(yōu)解對(duì)應(yīng)的候選更新參數(shù)對(duì)所述初始模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)更新，得到訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)，包括：

6.如權(quán)利要求1所述的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，其特征在于，所述構(gòu)建初始模糊神經(jīng)網(wǎng)絡(luò)，包括：

7.如權(quán)利要求6所述的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，其特征在于，所述將所述氣象數(shù)據(jù)輸入到所述初始模糊神經(jīng)網(wǎng)絡(luò)中，輸出所述預(yù)測(cè)值，包括：

8.如權(quán)利要求7所述的光伏發(fā)電負(fù)荷預(yù)測(cè)方法，其特征在于，所述輸出表征所述氣象數(shù)據(jù)不同水平的模糊隸屬度，包括：

9.一種基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)系統(tǒng)，其特征在于，包括：預(yù)測(cè)模塊、評(píng)估模塊、迭代模塊和實(shí)時(shí)預(yù)測(cè)模塊；其中，

10.一種存儲(chǔ)介質(zhì)，其特征在于，所述存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，所述程序運(yùn)行時(shí)執(zhí)行如權(quán)利要求1至8中任一項(xiàng)所述的基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)方法步驟。

技術(shù)總結(jié)
本發(fā)明提供了基于模糊計(jì)算的光伏發(fā)電負(fù)荷預(yù)測(cè)方法、系統(tǒng)及介質(zhì)，包括：收集分布式光伏系統(tǒng)的氣象數(shù)據(jù)和歷史光伏發(fā)電負(fù)荷的實(shí)際值，并構(gòu)建初始模糊神經(jīng)網(wǎng)絡(luò)，將氣象數(shù)據(jù)作為初始模糊神經(jīng)網(wǎng)絡(luò)的輸入，輸出歷史光伏發(fā)電負(fù)荷的預(yù)測(cè)值；根據(jù)預(yù)測(cè)值與實(shí)際值，建立負(fù)荷適應(yīng)度函數(shù)，隨機(jī)生成多個(gè)優(yōu)化解，以負(fù)荷適應(yīng)度函數(shù)分別為多個(gè)優(yōu)化解進(jìn)行評(píng)估；對(duì)多個(gè)優(yōu)化解進(jìn)行優(yōu)化解競(jìng)爭(zhēng)或優(yōu)化解融合，在多次迭代后，得到負(fù)荷適應(yīng)度函數(shù)最優(yōu)的最優(yōu)解；根據(jù)最優(yōu)解對(duì)應(yīng)的候選更新參數(shù)對(duì)初始模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)更新，得到訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)，以使根據(jù)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)預(yù)測(cè)；采用本發(fā)明能夠降低參數(shù)調(diào)整的復(fù)雜性和提高負(fù)荷預(yù)測(cè)精確度。

技術(shù)研發(fā)人員：馮小峰,彭策,周東旭,冷穎雄,陳閱,陸博煒,李希夷
受保護(hù)的技術(shù)使用者：廣東電網(wǎng)有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30