一种基于改进的IHCMAC神经网络的光伏发电功率预测方法与流程

本发明涉及一种基于改进的IHCMAC神经网络的光伏发电功率预测方法。

背景技术：

能源和环境问题在全球得到日益广泛的关注，新能源与分布式发电成为研究的热点，开发清洁和可再生能源成为当前面临的紧迫问题。太阳能作为理想的清洁绿色能源，是化石能源的最佳替代品，然而太阳能资源具有功率不稳定性、输出时段性、电能波动性和不确定性等特点给电网造成的扰动大大限制了光伏发电系统在电网的大量接入。光伏功率测能够有效的帮助电网调度部门做好各类电源的调度计划，准确的光伏预测可以减小光伏并网给电网的安全运行带来的影响，还可以使电网减少光伏限电，大大提高了电网消纳光能的能力，减少了由于限电给光伏业主带来的经济损失，增加了光伏电站投资回报率。

传统的CMAC神经网络、HCMAC神经网络、IHCMAC神经网络的功率预测算法存在诸多不足：第一，CMAC神经网络的网络节点随输入维数的增大呈几何级数增加，使神经网络的运算速率大大降低。第二，HCMAC神经网络输入空间采用等网格量化方式划分，而学习数据在学习空间里分布不均匀，会导致一部分节点无效，而数据集中的点则因承担的信息量过大其学习精度反而下降。第三，IHCMAC算法聚类终止条件是人为给出且根据聚类准则函数的收敛速度来判断聚类数目并不准确可靠，IHCMAC聚类网络节点是聚类子集中所有数据的中心点，并没有均衡反映该聚类子集内的所有数据而聚类中心应该映射出该子集中所有数据的均值。上诉方法难以对光伏发电功率进行快速且准确的预测。

技术实现要素：

本发明为了解决上述问题，提出了一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，本发明详细分析了不同气象因素与光伏发电输出功率的相关性，确定光伏发电主要气象因素作为输入信息，利用归一化方法消除数量级对预测结果的影响，将归一化后的数据利用平均值法进行缺失数据修补，再用拉依达准则剔除异常值，最后通过改进的IHCMAC神经网络进行光伏发电功率预测，能有效确定和减少神经网络的节点数目，缩短参数学习时间，提高学习精度。

为了实现上述目的，本发明采用如下技术方案：

一种基于改进的IHCMAC神经网络的光伏发电功率预测方法，包括以下步骤：

(1)采集光伏发电系统的输出功率及气象数据；

(2)对数据进行过滤，分析不同气象因素与光伏发电输出功率的相关性，提取主要影响因素作为输入信息；

(3)利用归一化方法消除数量级对预测结果的影响，将归一化后的数据利用平均值法进行缺失数据修补，利用拉依达准则剔除异常值；

(4)采用K平均聚类算法减少IHCMAC神经网络的节点数目，利用改进后的IHCMAC神经网络对光伏发电功率进行预测。

所述步骤(1)中，采集光伏发电站周围的温度、湿度、太阳辐射强度、风速、风向、气压和/或海拔数据。

所述步骤(2)中，确定太阳辐射强度、温度、湿度和风速。

所述步骤(2)中，太阳辐射强度对光伏发电的影响为辐射量与发电量成正比，一定时间段内的辐射量累计量再乘以光伏发电系统转换效率以估算相应时段的发电量。

所述步骤(2)中，在设定的温度范围内光伏发电功率随着温度的升高而增大，当温度超过设定值后发电功率反而下降。

所述步骤(2)中，湿度与光伏发电功率呈现负相关。

所述步骤(4)中，利用K平均聚类算法对IHCMAC神经网络进行改进的具体方法包括：

(4-1)随机选取K个对象作为初始的聚类中心,将样本集中的样本按照最小距离原则分配到最邻近聚类；

(4-2)使用每个聚类中的样本均值作为新的聚类中心，重复直到聚类中心不再变化，得到K个聚类；

(4-3)经过迭代获得K个聚类中心即网络节点，根据聚类准则函数对于每个聚类中心的偏导数为0，以求得聚类中心，使得聚类准则函数最小。

所述步骤(4-1)中，最小距离原则分配到最邻近聚类z_j确定为：

d_ij＝min(||x_i-z_j||),x_i∈S,z_j∈Z

x_i为样本集S中的样本x_i。

所述步骤(4-3)中，聚类准则函数确定为

$J=\underset{j=1}{\overset{k}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}\left|\right|x_i^{\left(j\right)}-z_j|{|}^2---\left(2\right)$

当J最小的时候，函数对于每个聚类中心的偏导数为0。

所述步骤(4)中，计算不同网络节点与聚类中心相对应的高斯基函数参数，确定聚类中心所对应的权值，超闭球中心和超闭球半径，以得到超闭球神经网络输出。

所述步骤(4)中，改进的IHCMAC神经网络的权值学习采用改进的C-L算法，具体为：

${\mathrm{\Δq}}_{k-1}=\frac{{\mathrm{\αe}}_{k-1}B\left(x_{k-1}\right)S_{K-1}}{\mathrm{\β}+S_{k-1}^{T}B\left(x_{k-1}\right)B^T\left(x_{k-1}\right)S_{K-1}}---\left(10\right)$

式中：α、β是常数，当0＜α＜2,β＞0时，算法收敛，B(x_k)＝diag[b₁(x_k),b₂(x_k),…,b_L(x_k)]是基函数，S_K＝[S_K,L]_L×1是权系数选择向量,q₀是神经网络权系数初始值向量，根据模糊聚类算法将学习数据划分为L组，假设第m组数据包括Nm个数据对，其聚类中心为p_m，每组对应的权值由下式为

${\mathrm{\μ}}_m\left(x_j^m\right)=\exp (-\frac{\left|\right|x_j^m-p_m|{|}^2}{{{\mathrm{\σ}}_m}^2})$

修正权系数确定为

$q_0^m={\mathrm{\Σ}}_{j=1}^{N_m}{\mathrm{\μ}}_m\left(x_j^m\right)y_j^m/{\mathrm{\Σ}}_{j=1}^{N_m}{\mathrm{\μ}}_m\left(x_j^m\right)---\left(10\right)$

式中：是组模糊推理的输出，即为神经网络节点p_m的初始权值,是第m组数据其中的一对。

本发明的有益效果为：

(1)本发明采用K平均聚类算法能够有效确定和减少神经网络的节点数目；

(2)本发明采用改进的IHCMAC神经网络，弥补了参数学习时间过长和迭代次数多的问题；

(3)本发明能有效提高预测精度，为光伏发电功率预测提供有效的方法；

(4)本发明采用改进的IHCMAC神经网络来达到有效确定和减少神经网络的节点数目，缩短参数学习时间，提高学习精度的目的。

附图说明

图1为本发明的光伏发电功率与辐射相关性示意图；

图2为本发明的光伏发电功率与气象因素相关性示意图；

图3为本发明的学习误差曲线示意图；

图4为本发明的光伏发电功率实际值与预测值曲线示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

本发明的光伏发电功率预测方法在通过光伏发电平台和本地微型气象站获取大量试验数据的基础上，借助MATLAB软件平台详细分析了不同气象因素与光伏发电输出功率的相关性，提取出气象主要因素作为输入信息，然后利用归一化方法消除数量级对预测结果的影响，将归一化后的数据利用平均值法进行缺失数据修补，再用拉依达准则剔除异常值，最后通过改进的超闭球CMAC神经网络进行光伏发电功率预测。

本发明涉及一种基于改进的IHCMAC神经网络的光伏发电功率短期智能预测方法，利用本地的微型气象站和光伏发电实验平台采集大量实验数据，借助MATLAB软件平台详细分析了不同气象因素与光伏发电输出功率的相关性，确定光伏发电主要气象因素作为输入信息，利用归一化方法消除数量级对预测结果的影响，将归一化后的数据利用平均值法进行缺失数据修补，再用拉依达准则剔除异常值，最后通过改进的IHCMAC神经网络进行光伏发电功率预测。

本发明公开一种基于改进的IHCMAC神经网络的光伏发电功率短期智能预测方法，在定量分析气象主要参数与光伏发电输出功率相关性的基础上，采用改进的IHCMAC神经网络作为短期光伏发电功率预测模型。采用动态模糊K均值(K-MEANS)聚类算法，确定神经网络节点和确定节点数目；利用实时采集的现场气象参数、光伏发电等数据，作为预测模型的学习样本和验证样本。该方法采用动态模糊K均值聚类算法合理改进的IHCMAC神经网络，能有效确定和减少神经网络的节点数目，缩短参数学习时间，提高学习精度。

本发明公开了一种基于改进的IHCMAC神经网络的光伏发电功率短期智能预测方法，采用K平均(K-MEANS)聚类算法来确定聚类中心以及聚类数目，对之前IHCMAC神经网络算法进行了改进，是对其的继承和发展。该发明通过本地的微型气象站和光伏发电实验平台采集了大量的气象信息和光伏发电试验数据，借助MATLAB软件平台分析大量数据得出准确地功率预测值。采用改进的IHCMAC神经网络来达到有效确定和减少神经网络的节点数目，缩短参数学习时间，提高学习精度的目的。

第一部分是光伏发电现场数据采集

整个实验平台包括：光伏发电系统和微型气象站。

光伏发电系统是以山东某企业科技开发建筑供电的20KW光伏电站为研究对象，本地微型气象站，可以提供温度、湿度、太阳辐射强度、风速、风向、气压、海拔数据。其中：①辐射表的安装角度与光伏电池板的安装角度一致，安装方向为正南方。②风向标与辐射表平行，指向正南方。③温湿度传感器外配防辐射通风罩，安置于距离地面1.5米。④电池板可提供直流电为微型气象站供电，在电池板发电不足时通过接入220V交流电为微型气象站供电。

第二部分是数据分析和特征量的提取

通过MATLAB平台提供的强大数据统计分析功能，利用归一化方法消除数量级对预测结果的影响，详细分析了不同气象因素与光伏发电输出功率的相关性，提取出对光伏发电功率影响最大的几个因素，将归一化后的数据利用平均值法进行缺失数据修补，再用拉依达准则剔除异常值。

(1)太阳辐射强度对光伏发电的影响

一般来说，辐射量与发电量成正比，一定时间段内的辐射量累计量再乘以光伏发电系统转换效率即可估算相应时段的发电量。因此，理论上讲，太阳辐射是光伏输出的最直接影响因素。随机抽取一天的太阳辐射强度和气象因素，并归一化后与光伏功率进行相关性验证。

图1是利用本实验实测数据进行的光伏发电功率与辐射相关性对比图，从图中可以看出，功率曲线的走势基本和辐射曲线吻合，太阳辐射强度与光伏输出功率关联性极大。

(2)气象因素对光伏发电的影响

光伏发电出力除了太阳辐射强度影响外，还受温度、湿度、风速等气象条件的影响。太阳能光伏发电受温度的影响主要表现在太阳能电池电性能随温度的变化而变化。太阳能电池工作在温度较高情况下,开路电压随温度的升高而大幅下降,同时导致充电工作点的严重偏移,易使系统充电不足而损坏。湿度和风速对光伏发电功率的直接影响很小，但是其分别影响光伏电池板吸收太阳辐射的强度和光伏电池板表面的温度，从而影响光伏出力。

如图2所示，在一定的温度范围内光伏发电功率随着温度的升高而增大，当温度过高时发电功率反而下降。功率的变化和风速的变化趋势大体相同，但是相关性不大，但是，风速会影响光伏电池板表面的温度，因此风速也是影响光伏发电其中一个影响因素。与其他气象因素不同的是当湿度增大，功率则下降，湿度与功率呈现负相关。

第三部分改进的IHCMAC神经网络的光伏功率预测

对在有界输入空间上任意可能的输入进行归一化处理，IHCMAC通过将得到处理后的m维输入空间先随机选取K个对象作为初始的聚类中心。随后做如下处理：

①将样本集中的样本x_i按照最小距离原则分配到最邻近聚类z_j由式(1)确定为

②d_ij＝min(||x_i-z_j||),x_i∈S,z_j∈Z (1)

③使用每个聚类中的样本均值作为新的聚类中心。

④重复步骤2,3直到聚类中心不再变化。

⑤结束，得到K个聚类。

⑥这样经过迭代可以获得K个聚类中心即网络节点，聚类准则函数由式(2)确定为

$J=\underset{j=1}{\overset{k}{\Σ}}\underset{i=1}{\overset{n}{\Σ}}\left|\right|x_i^{\left(j\right)}-z_j|{|}^2---\left(2\right)$

⑦当J最小的时候，函数对于每个聚类中心的偏导数为0。即式(3)所示

$\frac{\∂J}{\∂z_j}=-2\underset{i=1}{\overset{n}{\Σ}}(x_i^{\left(j\right)}-z_j)=-2\underset{i=1}{\overset{n}{\Σ}}{x}_i^{\left(j\right)}+2\left|S_j\right|z_j=0---\left(3\right)$

得到聚类中心由式(4)确定为

$z_j=\frac{1}{\left|S_j\right|}\underset{i=1}{\overset{n}{\Σ}}{x}_i^{\left(j\right)}---\left(4\right)$

这说明取类内样本均值为聚类中心可以使得聚类准则函数最小。

通过上述步骤，获取聚类数目K和聚类中心Z。高斯基函数参数σ由式(5)确定为

σ_i＝δmin||z_i-z_j||_{i≠j,j＝1,2…l} (5)

式中：z_i,z_j是欧式距离最小的两个点；δ是两个基函数的重叠区系数，一般可取1.2。这样顺次得到不同网络节点对应的σ_i，记做σ＝[σ₁,σ₂,…σ_L]，与聚类中心相对应。聚类中心所对应的权值记做q_j，输入x_k为超闭球中心，R_b为超闭球半径，来定义超闭球由式(6)确定为

C_j＝{x|||x-p_j||≤R_b,x∈U} (6)

定义在超闭球内的点被激活，假设有l个节点被激活，基函数的高斯正态分布函数由式(7)确定为：

$b_j\left(x_k\right)=\exp (-||x_k-p_j|{|}^2/{\mathrm{\σ}}^2),\left|\right|x_k-p_j\left|\right|\≤R_b---\left(7\right)$

未被激活节点的高斯基函数为0。超闭球半径的选取由式(8)确定为

$R_b=\frac{(2~3)}{L}\underset{i=1}{\overset{L}{\Σ}}{\mathrm{\σ}}_i---\left(8\right)$

得到神经网络输出由式(9)确定为

${\hat{y}}_k=S_k^{T}B\left(x_k\right)q---\left(9\right)$

权值学习采用改进的C-L算法由式(10)确定为

${\mathrm{\Δq}}_{k-1}=\frac{{\mathrm{\αe}}_{k-1}B\left(x_{k-1}\right)S_{K-1}}{\mathrm{\β}+S_{k-1}^{T}B\left(x_{k-1}\right)B^T\left(x_{k-1}\right)S_{K-1}}---\left(10\right)$

式中：α、β是常数，当0＜α＜2,β＞0时，算法收敛。针对不同的样本，仅需局部调整权系数。q₀是神经网络权系数初始值向量，根据模糊聚类算法将学习数据划分为L组，假设第m组数据包括Nm个数据对，其聚类中心为p_m，每组对应的权值由式(11)为

${\mathrm{\μ}}_m\left(x_j^m\right)=\exp (-\frac{\left|\right|x_j^m-p_m|{|}^2}{{{\mathrm{\σ}}_m}^2})---(11$

修正权系数q由式(12)确定为

$q_0^m={\mathrm{\Σ}}_{j=1}^{N_m}{\mathrm{\μ}}_m\left(x_j^m\right)y_j^m/{\mathrm{\Σ}}_{j=1}^{N_m}{\mathrm{\μ}}_m\left(x_j^m\right)---\left(10\right)$

式中：是组模糊推理的输出，即为神经网络节点p_m的初始权值。

图3是改进的IHCMAC与IHCMAC算法学习误差曲线。图4是光伏发电功率实际值与预测值曲线。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。