[发明专利]基于RBF神经网络的光伏发电量预测方法

权利要求书

1.基于RBF神经网络的光伏发电量预测方法，其特征在于，包括如下步骤：

根据光伏发电量及其拟选取影响因素的历史数据构建训练样本；

基于已构建的训练样本，采用改进遗传算法选取光伏发电量影响因素，并对RBF神经网络进行训练，得到光伏发电量影响因素和训练好的RBF神经网络；

将光伏发电量影响因素的待预测日数据输入已训练好的RBF神经网络，得到光伏发电量预测值。

2.根据权利要求1所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，所述拟选取影响因素包括：太阳辐射强度、最高温度、最低温度和光伏电池板温度、风速、相对湿度、天气类型。

3.根据权利要求2所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，构建训练样本的具体方法如下：

选取光伏发电量的拟选取影响因素的历史数据及其对应的实际发电量；

将光伏发电量的拟选取影响因素的历史数据作为训练样本的输入向量，将对应的光伏实际发电量作为输出向量，并对输入向量和输出向量进行归一化处理。

4.根据权利要求3所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，对输入向量和输出向量进行归一化处理的具体方法如下：

将天气类型划分为晴、多云、阴、小雨或雪、中雨或雪、大雨或雪，其对应归一化值分别取1、0.8、0.7、0.5、0.4、0.3，天气类型发生变化的，取变化前后天气类型归一化值的平均值；

除天气类型外，其他拟选取影响因素的历史数据作为输入向量采用以下归一化公式处理：

实际发电量作为输出向量采用以下归一化公式处理：

其中，n_i为输入层节点数；x_i为归一化处理前历史输入向量中第i个分量；y为归一化处理前历史输出数据，x_i,min，x_i,max分别为归一化处理前历史输入向量中第i个分量的最小值和最大值，y_min，y_max分别为归一化处理前历史输出数据中的最小值和最大值，为归一化处理后的历史输入向量中第i个分量，为归一化处理后的历史输出数据。

5.根据权利要求1所述的基于RBF神经网络的光伏发电量预测方法，其特征在于，针对已构建的训练样本，采用改进遗传算法选取光伏发电量影响因素，并对RBF神经网络进行训练，得到光伏发电量影响因素和训练好的RBF神经网络；具体方法如下：

A、初始化：设置初始种群大小，通过随机分配0和1创建初始种群，令每个染色体的大小等于光伏发电量的拟选取影响因素的个数；约定具有1的特征形成特征子集，RBF神经网络基于该特征子集进行训练；设置最大迭代次数，并置初始迭代次数为1；

B、计算每个染色体的适应度，并计算最佳适应度；

C、迭代次数加1，如迭代次数大于最大迭代次数，则转步骤H；

D、按复制概率进行复制操作；

E、按交叉概率对种群中染色体进行交叉操作；

F、按变异概率对染色体进行变异操作；

G、循环步骤B～F；

H、输出最佳适应度及其对应的最优染色体，其中最优染色体代表最优的光伏发电量影响因素、最佳适应度代表最优的局部泛化误差模型的误差界。