[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

说明书

本发明公开了一种基于混合神经网络模型的光法发电功率分时预测方法，包括获取光伏发电站的历史数据；对历史气象数据进行综合聚类分组；按分组结果，将所述的历史数据构建成组数个训练集；建立神经网络预测模型，每一个训练集训练出一个神经网络预测模型；获得现实气象数据并划分分组；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。本发明针对每一特定的训练集建立预测模型，使得预测的准确度和精度大大提高，利用差分算法以及萤火虫算法的混合算法对神经网络的参数进行优化，同时采用分支进化和全局进化相结合，使得模型更具有鲁棒性，更容易获得全局最优值，优化解的能力更强。

技术领域

本发明属于光伏发电功率预测领域，具体涉及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。

背景技术

光伏发电的原理是光伏效应，所谓光伏效应是指光照使不均匀半导体或者金属与半导体结合的不同部位之间产生电位差的一种现象。一方面，它是由光子转化为电子、光能转化为电能的现象；另一方面，它形成了电压，有了电压，如果两者之间连通，便可形成电流回路。由此可知，光伏发电与太阳的活动息息相关，受环境的影响非常大，其白天发电量大，晚上几乎没有发电量。并且，发电量受气候和地域等因素的影响较为明显，具有日变化特征以及气候变化特征；海拔、气候、辐照强度不同，光伏发电量差距相应比较大。与风速预测不同的是，光伏发电功率的预测具有明显的周期性和时间性。如果不考虑光伏发电的时间特性，那么对其进行的功率预测，则颗粒度太大，精度和准确度难以达到现实需求，由此，本发明针对光伏发电的物理特性，提出了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，分时的思想在于，将原来全部的学习样本按时进行分组，分组的样本越准确，预测的精度就越高，但是在光伏发电的实际运行过程中，时间仅仅只是用于样本分组的一个参考标准，并非绝对标准，因为比如两天同一时刻，但是由于一天为阴天，另一天为晴天，则这两个样本所得出结果可能差异较大，所以要对样本进行更切实际的分组，则需要对样本数据进行聚类，将相似的样本划分为一类，以该类样本训练模型，用以获得该类数据的预测值，这样才能获得更高的准确度。由此，本发明提出的预测方法，一方面，对学习样本进行精细化预处理，对预测模型进行精细化训练，另一方面，对神经网络模型进行改进，增强其训练参数获得最优参数的能力和时间，由此，本发明提出的方法才能一方面提高预测模型的准确度，另一方面也能保证计算时间在一个实际可控的范围内。

发明内容

本发明的主要目的在于分组刻画外部环境对光伏发电功率预测的影响，以便获得更加细粒度的预测模型，提供预测准确度和精度更高的方法，为实现上述目的，本发明提供如下技术方案，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；