[发明专利]一种基于混合神经网络模型的光伏发电功率分时预测方法

权利要求书

1.一种基于混合神经网络模型的光伏发电功率分时预测方法，其特征在于，包括以下步骤：

步骤1，获取光伏发电站的历史数据，所述的历史数据包括以历史气象数据和发电功率数据；

步骤2，对所述的历史气象数据进行综合聚类分组；

步骤3，按分组结果，将所述的历史数据构建成组数个训练集；

步骤4，建立神经网络预测模型，确定输入层、隐含层和输出层数量，利用现代优化算法对预测模型中的参数进行训练，每一个训练集训练出一个神经网络预测模型；

步骤5，获得现实气象数据，根据所述的综合聚类结果对现实气象数据划分分组；

步骤6，根据分组结果，使用所述分组训练出的预测模型对光伏发电功率进行预测；

步骤4中所述的现代优化算法为差分算法和萤火虫算法的混合算法，对预测模型中的参数进行训练包括以下步骤：

步骤401，将所述的神经网络中隐含层的神经元按序分为两组，将每一组隐含层神经元相关的待优化参数分为一支；

步骤402，进行分支训练，包括，

步骤40201，分别将每支待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；

步骤40202，分别用萤火虫算法更新所述的两个种群；

步骤40203，分别对两个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；

步骤40204，分别让两支训练达到预设的最大迭代次数或达到指定精度；

步骤403，进行全局训练，包括

步骤40301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为一个种群；

步骤40302，用萤火虫算法更新所述的一个种群；

步骤40303，对所述的一个种群进行差分算子操作，包括选择、交叉和变异，分别更新所述的种群；

步骤40304，让全局训练达到预设的最大迭代次数或达到指定精度；

步骤404，选择最优的个体，计算出各参数的优化值和输出层神经元的阈值的参数值。

2.根据权利要求1所述的光伏发电功率分时预测方法，其特征在于，步骤2中所述的综合聚类分组是综合考量历史气象数据样本之间的距离值和夹角值而确定的聚类方法，样本之间的相似度表示为：

其中，Max(d(X,Y))表示样本集中两个样本之间的最大曼哈顿距离，α为预设的可调参数，用于调整距离度量和夹角度量之间的权重值，所述的曼哈顿距离表示为d(x,y)＝|x₁-y₁|+|x₂-y₂|+…+|x_p-y_p|，x和y为两个样本，x₁,x₂,…x_p为样本x中的各个属性值，y₁,y₂,…,y_p为样本y中的各个属性值，每个样本中有p个属性，其中，||x||是样本向量x＝(x₁,x₂,…x_p)的欧几里得范数，||y||是样本向量y＝(y₁,y₂,…y_p)的欧几里得范数。