[发明专利]一种应用于光伏发电系统的短期发电功率预测方法

权利要求书

1.一种应用于光伏发电系统的短期发电功率预测方法，其特征在于它包括两个阶段：①将原始发电功率信号进行经验模态分解；②为每个分解分量构建基于遗传算法的BP神经网络预测模型；

1）原始发电功率信号进行经验模态分解：首先使用卡尔曼滤波器消除原始发电功率样本值中的异常数据并使用互信息理论选择最小特征子集，将预处理后的发电功率信号使用经验模态分解得到由低频到高频的一系列本征模组成分量信号和一个剩余分量信号；

2）构建BP神经网络预测模型：针对发电功率信号经过经验模态分解得到的各个分量自身的规律和特点，分别为其构建基于遗传算法的BP神经网络预测模型，并聚合各个分量的预测值得到最终的发电功率预测结果。

2.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法，其特征在于：给的一个原始信号s(t)，经验模态分解过程如下：

1）找出s(t)的所有极值点，并用三次样条插值函数拟合形成原数据的上包络线s_max(t)；同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线s_min(t)；

2）计算上包络线和下包络线的平均值m_j(t)=(s_max(t)+s_min(t))/2，提取剩余部分：h_j(t)=s_j(t)-m_j(t)；

3）检查h_j(t)是否是一个本征模函数，如果是，则c₁=h_j(t)，就提取出了一个本征模分量c₁；如果不是，则用h_j(t)代替s(t)，重复（1）（2）两步直到它是一个本征模函数或者达到设定的分解阈值；

4）将r=s(t)-h_j(t)作为一个新的信号r(t)，对r(t)重复上述步骤直到获取所有的本征模函数IMFs c₁(t)，..,c_n(t)或使r(t)变为一个单极函数；

经过上述的分解步骤，则原始信号s(t)可以表示为：

s(t)=∑i=1nci+r(t)]]>

其中，n是分解得到的本征模函数数量，c_i(i=1,2,…,n)是本征模函数，r是分解得到的剩余分量。

3.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法，其特征在于：BP神经网络预测模型使用输入层、隐藏层和输出层三层结构，其中，输入层具有26个输入变量，这些变量分别是预测日前两天7:00-18:00每个小时的发电量、环境温度和天气类型，预测模型的输出则是一个小时的光伏发电预测量，隐藏层神经元的数目通过多次试验获得。

4.如权利要求1所述的一种应用于光伏发电系统的短期发电功率预测方法，其特征在于：所述BP神经网络预测模型的遗传学习算法包括三个步骤：初始种族数目，计算适应度函数，遗传算子操作，其中遗传算子操作包括三种基本操作算子：选择，交叉和变异，遗传算法步骤：

1）产生初始种族：预测模型使用Sigmoid函数作为隐藏层的传输函数，W₁定义为输入层与隐藏层之间的权重矩阵,W₂定义为隐藏层和输出层之间的权重矩阵，θ₁，θ₂分别定义为隐藏层和输出层的阈值矩阵，β定义为Sigmoid函数中定义的形状参数，染色体定义如下：

x_i＝{β，W₁，W₂，θ₁，θ₂}

预测模型使用随机数产生器来生成T个个体，经过多次试验表明：当T在[50,200]中是最合适的；

2）计算适应度函数：遗传算法的目标是搜索个体x_i来最小化神经网络的总体误差σ_τ，适应度函数的定义为总体误差σ_τ加上γ的倒数，其中，γ是(0,0.01]之间的一个正数，σ_τ是为预测值与实际值的方差倒数；

3）遗传算子操作：

A．选择算子：选出较优的个体并淘汰次优的个体，使用适应度比例算法作为选择算子，个体的选中概率正比于其适应度函数；

B．交叉算子：染色体采用实数编码，交叉算子采用算术交叉算子，算术交叉算子使用两个个体的线性组合出生一个新的个体；

C．变异算子：使用高斯算子作为变异算子，在均匀分布值随机选择一个变量，加上一个符合高斯分布N(0,σ²)的随机干扰变量。