<noscript id="ous2s5"><tr id="ous2s5"></tr><del id="ous2s5"></del><dd id="ous2s5"></dd></noscript><ul id="ous2s5"></ul><blockquote id="ous2s5"></blockquote><blockquote id="ous2s5"><q id="ous2s5"></q></blockquote><em id="ous2s5"><fieldset id="ous2s5"></fieldset><ol id="ous2s5"></ol><blockquote id="ous2s5"></blockquote><label id="ous2s5"></label></em><i id="ous2s5"><form id="ous2s5"></form><th id="ous2s5"></th></i>
    <thead id="ous2s5"></thead><style id="ous2s5"></style><small id="ous2s5"></small><code id="ous2s5"></code><dd id="ous2s5"></dd>
                  <th id="usiz4l"></th><span id="usiz4l"></span><kbd id="usiz4l"></kbd><form id="usiz4l"></form>
                1. 一種基于RBF神經網絡的光伏功率短期預測方法與流程

                  文檔序號:19676447發布日期:2020-01-10 23:24
                  一種基于RBF神經網絡的光伏功率短期預測方法與流程

                  本發明涉及光伏功率超短期預測,特別涉及一種基于rbf神經網絡的光伏功率短期預測方法。



                  背景技術:

                  光伏發電功率預測技術在太陽能光伏發電領域具有重要的意義。它需要在氣象條件隨機變化的環境中,對超短期時間段內的光伏發電輸出功率進行預測,從而爲電網的穩定運行和調度工作提供參考。光伏發電系統的輸出功率受系統內部的參數因素以及外部的氣象因素影響。雖然內部參數在短時間內很難發生變化,但是氣象因素的隨機變化、發電時間只在白天有光照的條件下,使太陽能發電系統的發電量具有高度的不確定性、不連續性和周期性。這就使減少大規模光伏接入電網所産生的周期性的沖擊,並且提高清潔能源使用率成爲了一個難題。爲有效避免這種沖擊,作爲解決大規模光伏並網的基本優化之一,光伏功率超短期預測技術成爲了克服光伏輸出功率的不確定性給電網帶來不利影響的研究關鍵。

                  現有的技術方法中,直接預測方法不需要曆史發電數據,而是使用經典的物理建模方法,結合光伏發電站的地理位置和當地天氣預報,對光伏電池板和光伏逆變器等組件建立關于光伏發電功率的線性數學模型,建模較爲複雜,且對于複雜多變的氣象環境考慮較少。間接預測方法主要包括統計方法和學習機方法,該方法對積累的一段時間曆史輸出功率數據和相關因素進行分析和建模,然後模型預測系統的輸出功率,其預測時間跨度較大,多爲數小時至一天,且模型結構複雜。均還有待改進的空間。



                  技術實現要素:

                  本發明的目的是提供一種基于rbf神經網絡的光伏功率短期預測方法,模型結構簡單,預測快速,泛化性好,時間分辨率高,且能實現高精度的預測。

                  本發明的上述技術目的是通過以下技術方案得以實現的:

                  一種基于rbf神經網絡的光伏功率短期預測方法,包括有以下步驟:

                  確定並選取影響光伏功率短期預測的輸入向量;

                  將選取的輸入向量進行歸一化預處理作爲輸入參數;

                  創建並訓練基于rbf神經網絡的預測模型;

                  基于深度學習訓練的預測模型根據當前時刻的輸入參數進行短期預測並輸出對應的預測結果。

                  作爲優選,預測模型的輸入量選取包括有:當前時刻太陽輻照度、當前時刻溫度、當前時間標識、當前時刻輸出功率、曆史時刻輸出功率一、曆史時刻輸出功率二。

                  作爲優選,rbf神經網絡的基本結構還包括有待預測時刻的輸出功率;所述曆史時刻輸出功率一、曆史時刻輸出功率二爲根據斯皮爾曼相關系數選取的與待預測時刻的輸出功率相關的曆史數據。

                  作爲優選,預處理將樣本數據歸一至區間[0.1-0.9]內。

                  作爲優選,預測模型的創建及訓練具體步驟如下:

                  s1、設置誤差性能指標mse及rbf神經網絡的隱含層神經元數目的上限值,創建預測模型並進行仿真;rbf神經網絡包括有輸入層、隱含層及輸出層;

                  s2、獲得最大降低網絡誤差的訓練樣本;

                  s3、通過不同的擴展常數多次創建網絡並比較誤差,獲得擴展常數的最佳值;

                  s4、通過最小二乘法調整線性輸出層各節點的權值,以使在隱含層增加新的rbf元後的網絡誤差mse最小;

                  s5、檢測誤差性能指標mse,當mse未滿足規定的誤差性能指標且隱含層的神經元數目未達到規定的上限值時,重複步驟s2-s4,直到滿足規定的誤差性能指標和/或達到隱含層神經元數目規定的上限值。

                  綜上所述,本發明具有以下有益效果:

                  從實現超短期光伏功率預測的角度出發,在對各種影響因素與光伏發電功率的斯皮爾曼相關系數進行比較後,選取合適的模型輸入,並對樣本數據進行歸一化,采用rbf神經網絡建立預測模型,從而實現對光伏電站未來短期發電功率的預測,該模型結構簡單,預測快速,泛化性好,時間分辨率高,且能實現高精度的預測。

                  附圖說明

                  圖1爲徑向基神經元傳輸函數radbas的傳輸特性圖;

                  圖2爲徑向基神經元模型;

                  圖3爲n-m-l形式的rbf神經網絡結構簡圖;

                  圖4爲rbf神經網絡光伏預測模型結構圖;

                  圖5爲光伏功率超短期預測模型示意圖;

                  圖6爲rbf神經網絡訓練過程中的mse曲線;

                  圖7爲測試集預測結果對比圖;

                  圖8爲訓練集預測結果對比圖;

                  圖9爲四種廣義天氣類型下的預測結果對比圖。

                  具體實施方式

                  以下結合附圖對本發明作進一步詳細說明。

                  本實施例公開的一種基于rbf神經網絡的光伏功率短期預測方法,通過選取確定影響光伏功率短期預測的輸入向量、將選取的輸入向量進行歸一化預處理作爲輸入參數、創建並訓練基于rbf神經網絡的預測模型、基于深度學習訓練的預測模型根據當前時刻的輸入參數進行短期預測並輸出對應的預測結果,實現對光伏功率短期的預測。

                  本發明基于matlab平台提供的rbf神經網絡創建並仿真函數,使用間接預測方法對光伏電站的超短期發電功率進行預測,具體技術特征如下:

                  徑向基函數神經網絡(radialbasisfunctionneuralnetwork,簡記爲rbf神經網絡),屬于前向神經網絡,是一種基于高維空間插值技術的三層前饋神經網絡,它使用徑向基函數(rbf)作爲神經元激活函數,能夠以任意精度逼近任意連續函數,常用于函數逼近及分析。

                  徑向基函數(rbf)是徑向對稱的,往往具有良好的局部響應特征,即只在距離其中心點附近的某一鄰域內對輸入産生顯著的響應,而函數值隨著輸入與中心點距離的增大呈單調遞減趨勢,並逐漸趨于零,因此這類徑向基函數在實際中應用比較廣泛。徑向基函數多種多樣,其中的高斯函數因爲具有光滑性好、徑向對稱、形式簡單的優良特性,常常被選爲rbf神經網絡中的徑向基傳遞函數。高斯函數也是matlab中rbf神經網絡默認的傳遞函數,在matlab中即爲radbas函數,采用如下公式計算:

                  高斯函數的詳細傳輸特性如附圖1所示。

                  rbf神經網絡中徑向基函數的功能由徑向基神經元,即rbf神經元來完成,n輸入的rbf神經元模型如附圖2所示。附圖2中的rbf神經元中心向量c,也稱爲神經元的權值向量,該向量與輸入向量具有相同維數;圖中的φ爲徑向基激活函數。圖中的‖dist‖框接收的輸入爲輸入向量x和中心向量c,輸出則是此二者的點積,也就是歐幾裏得距離,即歐氏距離。按下式計算:

                  rbf神經元的激活函數的輸入是x與c之間的向量距離‖dist‖,再乘以該徑向基神經元的阈值b。當阈值b默認爲1時,圖中徑向基神經元的輸出表達式爲:

                  a=φ(‖x-c‖)(3)

                  rbf神經網絡的標准形式爲“輸入層-隱含層-輸出層”固定的三層結構,n-m-l形式的rbf神經網絡結構如附圖3所示。圖中,xi爲第i個輸入,n爲輸入節點個數;ci爲第i個徑向基神經元的中心向量,φi爲該rbf神經元的激活函數,爲該隱含層神經元的輸出,m爲隱含層徑向基神經元個數;yi爲第i個輸出,l爲輸出節點個數。

                  第一層爲輸入層,該層節點個數與輸入向量維數相同。輸入層僅僅起到傳輸信號的作用,這樣就可將輸入向量直接映射到隱含層。

                  第二層爲隱含層,是rbf神經網絡最關鍵的一層,該層rbf神經元的數目視所需解決問題的需求而定,所用激活函數是徑向基函數。對于某個給定的輸入向量,每個徑向基神經元都將根據各輸入向量與自身的中心向量的距離産生一個響應輸出。第i個神經元的輸出爲:

                  該層的作用就是對輸入向量進行非線性變換,從輸入空間rn變換到高維特征空間rm(常有m>n),然後在該高維特征空間中,采用線性模型對訓練樣本進行建模,通過空間轉換就可以將非線性問題轉變爲線性問題,從而簡化計算。訓練隱含層的過程就是對激活函數(一般取高斯函數)的參數進行調整,此過程采用k-means均值聚類算法進行非線性優化。

                  第三層爲輸出層,該層節點數目與輸出向量維數相同。該層第k個節點的輸出可表示爲:

                  其作用是對隱含層神經元的輸出進行線性加權,産生輸出。對輸出層進行訓練就是對其線性權值進行調整,采用的是最小二乘法的線性優化策略,因而學習速度較快。

                  對光伏發電功率的預測,可以看成rbf神經網絡對輸入數據對未來光伏功率這一未知函數的逼近,任何函數都可以表示成一組基函數的加權和,rbf網絡的學習過程爲調整各隱含層神經元的參數,使之構成一組滿足誤差要求的基函數來逼近未知函數的過程。

                  本發明選取當前時刻的時間標識、環境溫度、太陽輻照度和曆史時刻的光伏發電功率數據的歸一化數值作爲輸入參數,15min後的光伏發電功率爲網絡輸出,以滿足網絡均方差或達到隱含層神經元數目上限爲條件創建rbf神經網絡,不斷向隱含層添加神經元來確定網絡參數。所用的基于rbf神經網絡的光伏功率超短期預測模型如附圖4所示。本發明采用的技術方案如下:

                  i、確定輸入向量:

                  1.氣象因素與光伏電站的地理環境因素和內部電氣因素不同,即使是在幾分鍾內也會産生不可忽略的波動,且會對發電功率産生較大的影響,因此太陽輻照度和溫度這些氣象因素應當作爲預測模型的輸入量。

                  2.由于光電效應作用的滯後性,且氣象影響因素的變化具有慣性,所以光伏發電功率的時間序列本身呈現出高度的自相關性,也稱爲序列相關。這意味著下一時刻的輸出功率值受前幾個曆史時刻的功率輸出值影響較大,因此除氣象環境因素外,還有一類重要的輸入就是光伏發電系統的曆史發電數據。但是曆史數據量太多,作爲輸入大量引入到網絡內,會大幅度降低網絡計算速度和精度,增加網絡計算量和計算難度,因此,以斯皮爾曼相關系數爲依據,選取與待預測時刻(即t+1時刻)的輸出功率相關性較高的曆史數據作爲輸入,可以減輕網絡的計算負擔。其中兩個數列之間的斯皮爾曼相關系數ρ按照公式(6)計算。在保證輸入質量的前提下精簡輸入數據維數,選取ρ>0.8的p(t-0)、p(t-1)、p(t-2)作爲輸入數據的一部分。

                  最終選取當前時刻的太陽輻照度i(t-0)、溫度t(t-0)、時間標識t、輸出功率p(t-0)、曆史時刻的輸出功率p(t-1)和p(t-2)作爲網絡輸入,采用“6輸入-1輸出”作爲rbf神經網絡的基本結構,如附圖5所示。

                  ii、樣本數據歸一化處理:

                  考慮到之後要以平均相對誤差百分比的大小來確定隱含層神經元數目,爲了避免原輸出爲0時相對誤差爲無窮大,將所用數據按照下式歸一至區間[0.1,0.9]內,即

                  iii、網絡創建及訓練:

                  使用matlab中newrb函數創建近似型的rbf神經網絡,該方式中隱含層神經元數目小于訓練所用的輸入數據組數,即使在輸入向量非常多時,也可以在一定的誤差範圍內削減冗余,從而獲得較爲精簡的rbf神經網絡,而且在遇到新的輸入時,也能很好地逼近期望輸出。具體過程如下:

                  1.設置規定的誤差性能指標mes和隱含層神經元數目規定的上限值,創建rbf神經網絡,使用所有的訓練樣本對網絡進行仿真。

                  2.找到能夠最大程度降低網絡誤差的訓練樣本p。

                  3.在隱含層中增加一個徑向基神經元,令其中心向量c等于該訓練樣本的輸入向量的轉置pt,其阈值統一設置爲0.8326/擴展常數,這決定了每個神經元能夠響應的輸入空間中一個區域的寬度。如果擴展常數值爲4,那麽對于與該神經元中心向量之間的歐式距離在4以內的任何輸入向量,這個rbf神經元將以0.5或更高的輸出進行響應。以基本擴展常數若太小,則神經元對輸入空間的重疊區不能做出響應;擴展常數若太大,則所有神經元都會對重疊區做出程度相同的響應。擴展常數過大或過小都會使網絡選擇性減弱,精度降低。因此,需要使用不同的擴展常數多次創建網絡並比較誤差,以找到擴展常數的最佳值。

                  4.使用最小二乘法重新調整線性輸出層各節點的權值,使在隱含層增加新的rbf神經元後的網絡誤差mse最小,誤差按照公式(8)計算。

                  其中n爲樣本數量,ti爲預測值,ti爲實際值。

                  5.再次檢查網絡的規定誤差性能指標mse,當mse未滿足規定的誤差性能指標,且網絡隱含層的神經元數目未達到規定的最大值時,重複之前的第2至第4步,直到規定的誤差性能指標得到滿足,或隱含層神經元數目規定的上限值被突破。

                  在添加神經元過程中,訓練集均方誤差mse降低的曲線如附圖6所示。圖中橫坐標表示本次rbf神經網絡訓練過程中隱含層神經元的個數,縱坐標代表在隱含層中添加相應個數神經元後網絡的mse誤差值,且爲指數坐標軸,可以更直觀地體現誤差的數量級。圖中曲線顯示隨著隱含層的徑向基神經元個數的不斷增加,網絡誤差的數量級先迅速降低,然後趨于平緩,在向隱含層中加入30個神經元後,訓練集的均方誤差mse降到了0.2888%以下,仿真結果表明學習效果較好。

                  網絡訓練完成後,使用matlab平台提供的神經網絡仿真函數sim,對測試集(未參加訓練的數據)、訓練集和總數據集進行仿真,得到三種樣本集的誤差,再對仿真得到的預測功率進行反歸一化還原後,測試集和訓練集的預測值與真實值的對比結果分別如附圖7和附圖8所示,橫坐標爲亂序後的樣本在各自集合中的編號,縱坐標爲預測的和真實的光伏發電功率值,單位爲mw。

                  取較爲常用的五類誤差評價指標,對測試集、訓練集、總樣本集三種數據集的各類誤差進行計算。此三種數據集的五類誤差評價指標具體數值如表1所示。

                  表1最終模型的五類誤差

                  由表1中各類誤差數據可知:

                  平均偏置誤差mbe均大于等于0,這表明該光伏功率超短期預測模型的預測值整體偏高,總體來說,每一時刻的預測值有高于真實值的傾向。

                  平均絕對誤差mae大于平均偏置誤差mbe,表明該模型預測的時刻中也有不少預測值是低于真實值的。

                  測試集、訓練集和總數據集中的平均絕對百分比誤差mape均達到10%以下,滿足了大部分場合下對預測數據的基本要求。

                  均方根誤差rmse低于5%或稍高于5%,說明預測值與真實值的偏差很小,模型已經達到了很高的置信度。

                  模型的泛化性能就是指魯棒性,即對于沒有訓練過的數據,預測模型也能給出接近真實值的預測值。于是,若測試集誤差大,則說明模型魯棒性差,難以推廣使用。

                  從測試集的仿真結果來看,由于測試集樣本都沒有參與網絡訓練,測試集的低誤差(mape和rmse在三種樣本集中均爲最低,且分別低于10%和5%)充分體現出該模型的泛化能力較高,對于沒有學習過的樣本也能很好地完成預測任務,實用性好。

                  從訓練集的仿真結果來看,第一,訓練集的數據都是參與網絡創建的訓練過程的,說明了該模型的學習效果較好;第二,該模型隱含層神經元數目爲32,遠低于訓練樣本組數177,相比于精確型rbf神經網絡,該模型對rbf神經元的利用非常高效,每個神經元的利用率平均提高了5倍;第三,大量的訓練集樣本數勢必對誤差産生一定的影響,但即便如此,訓練集的誤差也達到了要求,即mape爲10%以下,這也表明該模型優秀的魯棒性和較強的泛化能力。

                  從總數據集的仿真結果來看,誤差值均達到了較好的結果。由于訓練集樣本數約爲測試集樣本數的9倍,訓練集對總數據集誤差的影響一定會強于測試集。

                  考慮到天氣類型的不同對1日光伏出力變化曲線的影響較大,將通過訓練完成的rbf神經網絡得到的p(t+1)的預測值與原數據中的p(t+1)的真實值對比,在4種廣義天氣類型下的結果對比如附圖9所示,mape和rmse這兩類誤差的具體數值如表2所示。

                  表24種廣義天氣類型下的預測誤差對比

                  由表2的誤差數據,尤其是均方根誤差rmse值可以看出,模型在晴天類型中的預測誤差最小,多雲以及陰天天氣狀況時的誤差次之,雨雪天氣狀況下預測效果最差。

                  晴天時,天氣狀況比較平穩,環境溫度和太陽輻照度隨時間的變化也比較緩和,光伏功率時間序列的自相關性最強,對于rbf網絡來說這種情況下的輸出與輸入數據相關性高,比較符合訓練得到的預測規律,因此預測效果很好。

                  陰天及多雲時,光伏電站的環境溫度和太陽輻照度變化的波動就比較大,前幾個時刻的輸出功率也有波動,光伏出力時間序列的自相關性相比于晴天時變弱,因此預測效果次于晴天天氣狀況下的效果。

                  雨雪天氣時,天氣狀況非常不穩定,環境溫度以及太陽輻照度受雲層變化和雨雪情況的影響很大,短時間內的變化較爲劇烈,前幾個時刻的光伏輸出功率的波動情況較嚴重,光伏功率時間序列的自相關性很弱,因此預測效果相對最差。

                  總之,隨著天氣情況波動的程度逐漸加大,該超短期預測模型的預測精度按晴天、陰天、多雲、雨雪的順序逐漸降低,但總體來說誤差都處于可以接受的範圍內。

                  基于以上對該發明方法的分析討論,可以得知,基于rbf神經網絡的光伏功率超短期預測方法,通過選取合適的模型輸入,並歸一化處理樣本數據,采用rbf神經網絡建立預測模型,可以實現對光伏電站15min後發電功率的實時預測。由于限制了隱含層神經元數目,該模型結構簡單,訓練時間短,而rbf神經網絡自身泛化性好,無局部極小的特點,使得計算誤差小,預測精度高。

                  本具體實施例僅僅是對本發明的解釋,其並不是對本發明的限制,本領域技術人員在閱讀完本說明書後可以根據需要對本實施例做出沒有創造性貢獻的修改,但只要在本發明的權利要求範圍內都受到專利法的保護。

                  再多了解一些
                  當前第1頁1 2 3 
                  網友詢問留言 已有0條留言
                  • 還沒有人留言評論。精彩留言會獲得點贊!
                  1
                  X-POWER-BY FNC Vbeta FROM ZZtest