[发明专利]一种适用于小样本的神经网络光伏发电预测方法及系统

说明书

本发明公开了一种适用于小样本的神经网络光伏发电预测方法及系统，方法包括：首先获取历史（小样本）光伏发电功率数据、气象数据；根据影响光伏发电的因素建立BP神经网络光伏发电预测模型；为了解决训练数据过少导致预测模型出现的过拟合的问题，采用Dropout策略对神经网络进行优化，为了解决BP神经网络容易陷入极小值的问题，采用遗传算法对神经网络进行优化；将样本数据分为训练数据集和测试数据集，使用训练数据训练神经网络光伏发电预测模型，使用测试数据集测试网络，提高神经网络光伏发电预测模型的泛化能力。采用本发明的方法，能够有效的解决在小样本历史数据的情况下，神经网络光伏发电预测模型存在过拟合导致精度过低的问题。

技术领域

本发明属于电力系统技术领域，具体涉及一种适用于小样本的神经网络光伏发电预测方法及系统。

背景技术

相对于传统化石能源太阳能具有更丰富的资源，几乎取之不尽用之不竭，而且对环境友好。但光伏发电受到天气情况影响极大，具有间歇性和随机性的特点。如果不能对光伏发电进行准确预测，必然在光伏电站并入大电网时，对电网的稳定运行产生严重影响。

神经网络因其能够快速、有效地建立非线性输入与输出之间的关系，几乎可以拟合所有的非线性关系，被广泛应用光伏发电预测中。但传统神经网络算法，往往需要2个月以上的样本数据，在训练样本不足情况下极易陷入过拟合的情况，训练出来的模拟无法使用。而在变电站投运初期，历史样本数据不充足，常规的人工智能神经网络并不能适用于这种情况。因此，有必要针对上述情况研究出一种适用于小样本的光伏发电预测方法。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种适用于小样本的神经网络光伏发电预测方法及系统，其可以在历史样本数据不充足情况下，消除神经网络容易陷入过拟合的情况，提高在变电站投运初期光伏发电预测的准确度。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种神经网络光伏发电预测方法，其特征在于，包括：

获取历史(小样本)光伏发电功率数据、气象数据；根据影响光伏发电的因素建立BP神经网络光伏发电预测模型；

为了解决训练数据过少导致预测模型出现的过拟合的问题，采用Dropout策略对神经网络进行优化；

为了解决BP神经网络容易陷入极小值的问题，采用遗传算法对神经网络进行优化；

将样本数据分为训练数据集和测试数据集，使用训练数据训练神经网络光伏发电预测模型，使用测试数据集测试网络，提高神经网络光伏发电预测模型的泛化能力。

具体包括以下步骤：

1)构建光伏发电预测模型输入输出量：

光伏发电受天气影响，尤其和太阳辐照度有强相关关系，同时受到其他环境因素的影响如：温度，湿度等。此外，天气类型也反映光伏发电的变化情况。因为所构建的光伏发电预测模型中总共有5个输入量，分别是：采样时间t_i，t_i时刻的太阳辐照度di_i，温度dt_i，湿度dh_i，天气类型dm_i。1个输出量：为该时刻的光伏发电功率dp_i。其中t_i取值为1～96的整数(每15min一个点)，辐照度，温度，湿度均为实际值，天气类型(晴1，雨2，阴3，雪4)。

为了便于表述，使用A_i指代第i个样本的所有输入属性，即

A_i＝{t_i，di_i，dt_i，dh_i，dm_i} 公式(1)