基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法
【技术领域】
[0001] 本发明属于光伏发电与并网技术、太阳能光伏发电量预报领域。
【背景技术】
[0002] 随着世界经济的快速发展，能源的需求量日益增大，传统的非可再生能源（煤炭、 石油、天然气等）日渐减少并面临枯竭，太阳能凭借其清洁无污染、低成本、高效能、储量 大、可再生及自身的分布范围广等优点已成为世界各国的研究热点。在我国太阳能光伏发 电已成为太阳能应用的重要途径，并网光伏电站的规模和数量都在不断加大。光伏发电系 统的输出受天气和太阳辐射强度等因素影响，具有波动性和间歇性，对并网来说是不可控 因素，会影响电力系统的安全和稳定。因此建立准确度高的预测模型是提高并网后大电网 安全的重要手段，也是技术难点。目前发明中存在的基于光伏电站发电量预报模型主要有 以下两类，一类是原理预测法，该方法没有考虑天气环境因素影响，针对太阳能发电过程中 在光电转换环节和逆变环节存在能量损失的现象，建立经验公式和经验系数，预测光伏发 电量，此方法的优点是原理和计算都非常简单，但预测的时间尺度短误差也较大，时间尺度 短的预测模型要求电网有更高的应变能力。另一类为人工智能预测法，主要为基于神经网 络的预测模型，利用神经网络的联想、自学习和记忆能力对光伏发电量进行预测，由于光伏 电站输出受天气环境影响大，不同的气象因素和特殊环境条件会使得神经网络在训练和预 测时产生较大误差，因此天气和环境因素对预测模型准确度的影响不可忽略。
[0003] 目前，发明中基于神经网络预测模型的建立方法多为选用单一一种神经网络或其 改进算法而建立的，主要如RBF或BP神经网络预测法，其中部分预测模型在其采用的单一 预测算法中考虑了气象因素和环境条件的影响，在一定程度上提高了预测的准确度。但目 前尚缺少针对不同季节及气象因素环境条件对不同神经网络算法进行适用性的对比分析 研究，尚未对不同模型在同类天气下的最优模型进行分析，因此在此研究基础上构建的预 测模型对天气和气象因素的适应性较弱。此外，目前的针对神经网络算法预测模型的专利 中侧重或停留于算法预测模型的研究较多，而结合研究出的算法预测模型，进一步设计和 给出一种可供实用的并网光伏电站发电量输出功率预测软件平台仍很少见。探索将光伏发 电预测的理论研究成果转化为指导实际预测的实用工具，对促进大规模光伏电站并网也具 有实用意义。
【发明内容】
[0004] 本发明为了解决现有构建的光伏电站发电量预测模型所选用的算法单一，通用于 不同天气的适用性差，容易陷入局部最优，进而导致预测模型测量误差较大的问题。本发明 提供了一种基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法。
[0005] 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法，该构建 方法的具体过程为：
[0006] 步骤一：神经网络算法的选取；
[0007] 采用BP、Elman、RBF和GRNN四种神经网络算法分别构建神经网络预测子模型A、 B、C和D，以每日电站工作时间段不同时间点的环境温度T1、日平均太阳辐射强度I、日平均 风速歹作为光伏发电量短期预测模型的输入数据，以预测日对应时间点的光伏输出功率P1作为各个神经网络预测子模型A、B、C和D的输出数据；
[0008] 步骤二：样本数据的选取；
[0009] 通过光伏数据采集平台，从历史数据库中选取同期晴天、多云天气和阴雨天气的 环境参量和发电参量历史数据，将同期天气信息进行筛选分类，剔除奇异的数据点，结合同 期天气信息，分别整理出三种天气情况下的样本数据，所述的三种天气情况分别为晴天、多 云天气和阴雨天气；
[0010] 步骤三：各神经网络预测子模型的训练、各神经网络预测子模型的适用性研究分 析以及对光伏发电量短期预测模型的构建；
[0011] 通过步骤二所得结合同期天气信息，分别整理出三种天气情况下的样本数据，分 别对构建的神经网络子模型A、B、C和D进行训练，其中，上述四个神经网络子模型A、B、C和 D的输入量均包括25个变量，且所述25个变量分别为预测日23个时间点的环境温度T1、日 平均太阳辐射强度互和日平均风速P ,所述的预测日23个时间点为在每日电站工作时间段 7 :00至18 :00内，以7 :00点为起始时间点，每隔30分钟为一个时间点，共23个时间点，训 练后得出三种天气情况下的神经网络预测子模型A1、B1、C1和D \
[0012] 根据训练后的三种天气情况下的神经网络预测子模型A1、B1、C 1和D \通过均方根 误差曲线和百分比误差曲线的对比分析得出BP、Elman、RBF和GRNN四种神经网络算法对 三种天气情况的适用性结论，根据不同气象条件给出各神经网络预测子模型的权重模值参 数，构建模值权重参数表，进而构建组合神经网络预测模型，将组合神经网络预测模型作为 最终的光伏发电量短期预测模型，完成基于多种神经网络组合算法的光伏电站发电量短期 预测模型的构建。
[0013] 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法，该方法 还包括步骤四：对光伏发电量短期预测模型的修正；
[0014] a)首先，对步骤二中的样本数据进行归一化处理，
[0015] b)其次，采用遗传算法和粒子群算法。
[0016] 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法，该方法 还包括步骤五：对光伏发电量短期预测模型的评估；
[0017] 采用平均绝对百分比误差MAPE和均方根误差RMSE两种误差评价方法来对光伏发 电量短期预测模型进行误差评估，
[0020] 其中，N表示数据总量，i为正整数，^表示第i个数据点的预测值，$表示第i个 数据点的实际值。
[0021] 神经网络预测子模型A、B、C和D均包括输入层、输出层和隐含层，
[0022] 以预测日23个时间点的环境温度T1、日平均太阳辐射强度f和日平均风速P，共 25个变量作为各个神经网络预测子模型A、B、C和D的输入层输入数据，
[0023] 以预测日对应23个时间点的光伏输出功率P1均作为各个神经网络预测子模型A、 B、C和D的输出数据，
[0024] 神经网络预测子模型A、B、C和D的输出层激活函数均采用pureline函数实现，
[0025] 神经网络预测子模型A、B、C和D的隐含层均采用单层结构，利用隐含层神经元节 点经验公式得到神经网络初始节点数目，采用试凑法，得到隐含层节点数目为15,隐含层激 活函数采用tansig函数实现。
[0026] 原理分析：通过光伏数据采集平台，将一年的数据按春夏秋冬四个不同季节划分， 从历史数据库中选取同季节晴天、多云天气和阴雨天气的环境参量和发电参量历史数据， 将同期季节天气信息进行筛选分类，剔除误差较大的数据点，结合同期天气信息，分别整理 出三种天气情况下的数据，并对样本数据进行归一化处理，进一步降低神经网络算法训练 误差；针对目前发明中选用的算法单一，预测误差仍不理想的问题，采用神经网络组合算 法，建立组合神经网络模型。组合模型选用四种不同神经网络算法分别针对三种典型气象 条件建立神经网络预测子模型，并进行适用性研究和分析，通过权重模值参数的选取，针对 不同天气情况实现采用适用性更