[发明专利]基于RBF神经网络的光伏发电量预测方法

说明书

本发明公开了一种基于RBF神经网络的光伏发电量预测方法，包括步骤：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。本发明能够较好地解决RBF神经网络的泛化问题，提高光伏发电预测结果的准确性。

技术领域

本发明涉及光伏发电技术领域，尤其涉及一种基于局部泛化误差模型(LocalizedGeneralization Error Model，简写为L-GEM)的径向基函数(Radial Basis Function，简写为RBF)神经网络的光伏发电量预测方法。

背景技术

大规模光伏发电是一种利用太阳能的有效方式，但太阳辐射、大气温度、天气类型和电池板温度等因素容易对光伏发电产生影响，并且呈非线性。因此，光伏发电量的预测对合理安排电器使用时间和最大限度利用太阳能资源、减小用电成本有着重要的意义。而光伏发电量的精确预测依赖于光伏发电量影响因素的合理选择。

径向基函数(Radial Basis Function，RBF)神经网络是一种性能优良的前馈型神经网络，可以任意精度逼近任意的非线性函数，且具有全局逼近能力，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。但采用RBF神经网络进行光伏发电量预测，往往会出现训练好的网络对训练集中的数据产生的误差很小，但对测试集中的数据表现不是很好的情况，即所谓神经网络的泛化能力差的问题；而且，在RBF神经网络应用中，神经网络的参数选择是否合理，会严重影响神经网络的预测。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于RBF神经网络的光伏发电量预测方法，解决光伏发电量预测精确度偏低的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：基于RBF神经网络的光伏发电量预测方法，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。

进一步的，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。

进一步的，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。

进一步的，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：