[发明专利]一种适于并网光伏发电的迁移神经网络功率预测方法

权利要求书

1.一种适于并网光伏发电的迁移神经网络功率预测方法，其特征在于，包括以下步骤：

步骤1，获取并网光伏发电的多个光伏方阵所处的地理数据、设备数据、历史气象数据和发电功率数据；

步骤2，建立聚类模型，将多个光伏方阵进行聚类，获得多个光伏方阵组类；

步骤3，对每个光伏方阵组类分别建立BP神经网络模型，确定输入层、隐含层和输出层数量；

步骤4，根据每个光伏方阵组类对应的模型训练数据多少，将对应的神经网络模型进行二分，得到符合自主训练的模型和不符合自主训练的模型；

步骤5，符合自主训练的模型利用自身的训练集进行参数训练，不符合自主训练的模型通过参数迁移并进行增量学习；

步骤6，获得每个光伏方阵的现实气象数据，将其分类输入至对应的预测模型中，获得每个光伏方阵的发电预测功率；

步骤7，综合每个光伏方阵的发电预测功率，获得整个并网光伏发电的预测功率；

在步骤4中设置模型训练数据阈值，某光伏方阵组类对应的模型训练数据大于或等于所述的阈值，该模型训练属于符合自主训练的模型，否则，该模型训练属于不符合自主训练的模型；

在步骤5中，对于不符合自主训练的模型，在符合自主训练的模型集中，获取与所述的不符合自主训练的模型最相似的符合自主训练的模型，将所述的符合自主训练的模型进行迁移学习，将其迁移至不符合自主训练的模型中，然后在随后的预测中进行训练集的增量学习；所述的获取最相似的符合自主训练的模型包括以下步骤：获取不符合自主训练的模型对应的不符合自主训练的光伏方阵组类，获取符合自主训练的模型对应的符合自主训练的光伏方阵组类，将所述的不符合自主训练的光伏方阵组类的属性值分别与符合自主训练的光伏方阵组类属性值进行比较，获得最相似的符合自主训练的光伏方阵组类，该最相似的符合自主训练的光伏方阵组类对应的模型就是最相似的符合自主训练的模型；

在步骤6和步骤7中，实时检测并网中的所有光伏方阵的工作状态，若某光伏方阵发生故障进入停止使用状态，则在步骤7中综合每个光伏方阵的发电预测功率时，认为该停止使用状态的光伏方阵的发电功率为零；若并网中新增光伏方阵，则对所述的新增光伏方阵进行分类，获取其所属的光伏方阵组类，并采用该光伏方阵组类对应的神经网络模型对新增光伏方阵的发电功率进行预测。

2.根据权利要求1所述的一种适于并网光伏发电的迁移神经网络功率预测方法，其特征在于，步骤5中所述的参数训练是利用遗传算法和粒子群算法的混合算法，对BP神经网络模型中的参数进行训练，具体包括：

步骤501，随机生成N组随机值作为初始化种群，代表神经网络的参数，

步骤502，用粒子群算法更新种群，

步骤503，计算出粒子适应度，进行排序，

步骤504，找出全局最优粒子的位置和速度以及粒子自身最优的位置和速度，

步骤505，对种群进行遗传算子操作，包括选择、交叉和变异，更新种群信息；

步骤506，判断是否满足停止条件，即达到预设的最大迭代次数或达到指定精度，如不能则转到步骤504，否则进行下一步；

步骤507，停止训练，最优个体的值即作为神经网络权值和阈值的参数。