公开/公告号CN112529285A
专利类型发明专利
公开/公告日2021-03-19
原文格式PDF
申请/专利权人 湖南工业大学;
申请/专利号CN202011423317.8
申请日2020-12-08
分类号G06Q10/04(20120101);G06Q50/06(20120101);G06K9/62(20060101);G06N3/08(20060101);G06F17/16(20060101);
代理机构44102 广州粤高专利商标代理有限公司;
代理人杨千寻;冯振宁
地址 412000 湖南省株洲市泰山路88号
入库时间 2023-06-19 10:19:37
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。
机译: 基于数值天气预测的光伏发电功率预测方法和装置
机译: 光伏发电功率控制系统,光伏发电功率控制方法和程序
机译: 发电功率预测装置,服务器,计算机程序以及发电功率预测方法