[发明专利]一种基于改进神经网络构建光伏电站的光资源评估方法

权利要求书

1.一种基于改进神经网络构建光伏电站的光资源评估方法，其特征在于，具体按照以下步骤实施：

步骤1、采样N个光伏电站的经度X、纬度Y、海拔Z和总辐射量E，记为N*4的矩阵[X,Y,Z,E]；

步骤2、选取其中1/3的光伏电站数据作为对改进BP神经网络准确性的测试数据，记为4*N/3的矩阵；剩余2/3的光伏电站数据作为对改进BP神经网络训练样本，记为4*N2/3的矩阵；

步骤3、将上述数据存储在excel表格中，用xlsread函数进行数据读取，读取出来的数据为N*4的矩阵；

步骤4、将上述所有数据进行归一化处理，对于经度X的归一化如下：

其中，minX和maxX为属性X的最小值和最大值，X′为X进行归一化的值，纬度Y、海拔Z和总辐射量E的归一化与经度X的归一化方法相同，归一化之后分别得到Y′,Z′,E′；记为矩阵[X′,Y′,Z′,E′]；

步骤5、构建BP神经网络模型：采用3层BP神经网络结构，输入层神经元节点数设置为3，输出层节点设置为1；同时在matlab中，选取训练误差最小的节点数，作为最优隐含层节点数，选用trainscg训练函数、初始化网络的权值和阈值，设置网络学习精度为10^-9，设置完毕之后，用步骤4归一化的4*N矩阵[X′,Y′,Z′,E′]的2/3作为训练样本，进行不断的迭代，经M次训练网络收敛达到预定学习精度10^-9，最终得到表达输入层与输出层之间的非线性映射关系的神经网络模型，其中权值为ω和阈值为θ；

步骤6、将用步骤4归一化的4*N矩阵[X′，Y′，Z′，E′]的1/3作为测试数据，矩阵中经度X′、纬度Y′、海拔Z′作为输入代入训练好的神经网络模型中，得到输出总辐射量E″，E″与原始归一化数据E′进行误差计算，验证神经网络模型的准确性证，测试样本的实际输出与期望输出误差在允许的范围内，进而说明通过训练的神经网络模型的结果保持一致。

2.根据权利要求1所述的一种基于改进神经网络构建光伏电站的光资源评估方法，其特征在于，所述步骤2中选取相似电站的出力数据作为神经网络的训练样本，根据皮尔逊相关系数法选取如下：

每天间隔30分钟对N个电站输出功率分别进行采集，每个电站均采集48组数据，A电站的数据记为P_A＝{P_A1，P_A2，…，P_A48}，用相同的时间间隔对电站B、电站C、电站D……电站N进行采样，其输出功率分别为：

P_A＝{P_A1，P_A2，…，P_A48}

P_B＝{P_B1，P_B2，…，P_B48}

P_C＝{P_C1，P_C2，…，P_C48}

P_N＝{P_N1，P_N2，…，P_N48}

其中，P_A，P_B，P_C……P_N为分别为A，B，C，……N电站输出功率的集合，P_A1，P_A2，…，P_A48为A电站每天间隔30min对输出功率统计集合，B电站、C电站……、N电站与A电站相同；

利用皮尔逊相关系数，

其中，P_A电站为A电站的输出功率，为A电站每天的平均功率，P_相邻电站为相邻电站输出功率，为相邻电站每天输出的平均功率，m为起始采集输出功率序号，ρ为A电站与相邻电站的皮尔逊相关系数；

当ρ＝0时表示P_A电站、P_相邻电站完全不相关；ρ＜0时表示P_A电站、P_相邻电站负相关，即一个变量的增加可能引起另一个变量的减少；ρ＝-1时完全负相关；ρ＞0表示P_A电站、P_相邻电站正相关，且ρ的绝对值越大表示相关程度越高，计算电站A与其相邻电站B、电站C、电站D……电站N之间每一天的相关系数，在确定阈值的基础上，选取相关程度最高的电站为相似电站，选取相似电站的出力数据作为神经网络的训练样本。