一种基于相似日理论和PCA-PSO-BP的光伏发电功率预测方法

摘要

本发明提供一种基于相似日理论和PCA‑PSO‑BP的光伏发电功率预测方法，包括以下步骤：S1建立基于PCA‑PSO‑BP的光伏发电预测模型；S2、基于相似理论利用灰色关联度法选取预测日的相似日；S3、将相似日的历史数据用PCA进行降维处理；S4、将降维后的相似日数据作为PCA‑PSO‑BP光伏发电预测模型的训练集，从而对预测日的光伏发电功率进行预测；本发明在不同的天气条件下具有较高的预测精度，且根据相似日的历史数据来预测发电功率时间更加简短，得到最终发电功率所需要的计算次数也相应减少。

说明书

技术领域

本发明涉及光伏发电领域，更具体地，涉及一种基于相似日理论和PCA-PSO-BP的光伏发电功率预测方法。

背景技术

光伏发电作为应用最广泛的新能源，其输出功率受天气环境的影响具有波动性和间歇性，因此光伏发电功率的波动对电网的影响不容忽视。通过精度预测光伏发电功率，可降低光伏发电不确定性对电网带来的影响，改善电力系统运行状况，保持系统经济运行。

在光伏发电功率预测方面，不少国内外学者采用不同的理论和方法建立模型做了大量研究。其中，基于统计方法的预测模型处于主流的方法，常见的预测模型有支持向量机、人工神经网络、时间序列法等。有的文献综合考虑了天气，历史气候数据信息，采用BP神经网络进行光伏预测。有的文献提出PSO-BP预测模型，利用粒子群算法和BP神经网络两者优点避免局部极值问题。还有文献利用不同天气类型之间的差异和共性进行日融合划分，提出基于日类型及融合理论的BP神经网络光伏功率预测方法，预测精度有所提高，但还是存在一些缺陷。

发明内容

本发明针对现有技术中光伏发电功率预测精度有待提高，预测时间过长的问题。提供一种基于相似日理论和PCA-PSO-BP的光伏发电功率预测方法。

为实现上述目的，本发明采用以下技术方案：

一种基于相似日理论和PCA-PSO-BP的光伏发电功率预测方法，包括以下步骤：

S1、建立基于PSO-BP的光伏发电预测模型；

S2、基于相似日理论利用灰色关联度法选取预测日的相似日；

S3、将相似日的历史数据进行降维处理；

S4、将降维后的相似日数据作为PSO-BP光伏发电预测模型的训练集，从而对预测日的光伏发电功率进行预测；

进一步的，在步骤S2中利用灰色关联度法中的灰色关联系数法，得到预测日和历史日气象特征分量的关联系数。

进一步地，关联系数的公式为：

其中，x(k)为归一化后的第k个气象特征向量值，ρ为分辨系数。

进一步的，在步骤S3中采用PCA算法将相似日的历史数据进行降维处理。

进一步地，将相似日的历史数据进行降维处理包括以下步骤：(1)、对输入数据进行标准化处理；(2)计算样本的相关系数矩阵R；(3)、计算求解相关系数矩阵的特征值以及相对应的特征向量；(4)、选择主成分；(5)、通过前m个特征值构建映射矩阵W，通过映射空间将p维样本数据转换到m维矩阵Y中。

进一步的，在步骤(1)中标准化计算公式为：

其中，x

进一步的，在步骤(2)中样本的相关系数矩阵R＝(r

进一步的，在步骤(4)中选择主成分先计算各特征值的贡献率，再选取累计贡献率大于0.85的前m个特征值来作为主成分；贡献率计算公式和累计贡献率计算公式为：

进一步的，m维矩阵Y为：

其中，a

本发明的有益效果为：本发明中提出的相似日理论PCA-PSO-BP预测模型相比于其他预测模型来说，在不同的天气条件下具有较高的预测精度，且根据相似日的历史数据来预测发电功率时间更加简短，得到最终发电功率所需要的计算次数也相应减少。

附图说明

图1为PCA-PSO-BP神经网络算法流程图；

图2为晴天预测发电功率结果图；

图3为阴天预测发电功率结果图；

图4为雨天预测发电功率结果图。

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。

一种基于相似日理论和PCA-PSO-BP的光伏发电功率预测方法:

S1、建立基于PCA-PSO-BP的光伏发电预测模型；

S2、基于相似日理论利用灰色关联度法选取预测日的相似日；

选取辐射信息、气温信息和湿度信息作为影响光电场出力的因素。由于这些信息都是影响光伏发电出力的因素，可大致决定光电全天出力情况。对与预测日相同季节、相同天气的历史日数据进行搜索，找出相似日。

基于以上分析构造气象特征向量，即Y

对气象特征向量中的各个向量进行归一化处理，公式如下：

式中，y

利用灰色关联系数法，则预测日和历史日气象特征分量的关联系数ε

式中，x(k)为归一化后的第k个气象特征向量值，ρ为分辨系数，一般取ρ＝0.5。

综合各个气象特征向量分量的关联系数，预测日与第i日相似度F

预测时，取相似度F

S3、将相似日的历史数据进行降维处理；

进行降维处理包括以下步骤：(1)、对输入数据进行标准化处理；标准化计算公式为：

其中，x

(2)计算样本的相关系数矩阵R；R＝(r

(3)计算求解相关系数矩阵的特征值以及相对应的特征向量；

(4)选择主成分；选择主成分先计算各特征值的贡献率，再选取累计贡献率大于0.85的前m个特征值来作为主成分；贡献率计算公式和累计贡献率计算公式为：

(5)通过前m个特征值构建映射矩阵W，通过映射空间将p维样本数据转

换到m维矩阵Y中。m维矩阵Y为：

其中，a

S4、将降维后的相似日数据作为PCA-PSO-BP光伏发电预测模型的训练集，从而对预测日的光伏发电功率进行预测；

S5、用实测数据对模型进行算例分析，验证本方法的实用性和可靠性。

算例分析：

选取某光伏发电站2010年夏季(6月-8月)8：00─17：00整点时刻的数据作为相似日的选择样本，输入数据为相似日的发电功率、辐射信息、气温信息和湿度信息等。具体的步骤：用本文提到的灰色关联度法得到与预测日相似天气环境的样本；然后，进行主成分分析，将经过主成分分析降维后的相似日样本数据送入PSO-BP神经网络模型进行训练，进而分别对夏季三种不同类型天气情况下的光伏发电功率进行预测。

为了验证本文模型对光伏发电功率预测的有效性，建立了单独的BP神经网络模型和PSO-BP神经网络模型，将3种模型预测结果来进行比较。以分析基于相似日理论和PCA-PSO-BP预测模型结果的准确性。3种预测模型在晴天、阴天和雨天天气条件下的光伏发电功率预测结果分别如图2、图3、图4所示。

上表为三种模型预测结果；由上表的不同天气类型下，三种模型预测结果比较可知，在三种天气类型条件下基于相似日理论和PCA-PSO-BP预测模型的MAPE均低于PSO-BP预测模型。其中雨天的MAPE略高，达到了12.97％，但预测精度还是在合理的范围之内，因此，基于相似日理论与PCA-PSO-BP的短期光伏发电功率预测模型的预测精度有了明显提高。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。