本发明属于光伏发电技术领域，特别涉及一种基于气象因子权重相似日的短期光伏功率预测方法。
背景技术：
光伏发电技术近些年来发展迅速，在可再生能源发电中占有重要地位。相较于传统的发电技术，光伏发电技术更加清洁环保，节能且易维护。而它的缺陷也很明显，具有波动性和随机性，受天气影响比较大。这种低可控性会对电网的调度产生负面的影响，因此光伏发电功率预测技术显得尤为重要。
随着研究的不断深入，光伏功率预测技术得到长足的发展，其预测方法主要分为两类：直接预测和间接预测。直接预测是利用历史日的输出功率数据和气象信息直接预测输出功率；而间接预测则要先对太阳辐照度进行预测，然后利用光伏系统出力模型得到输出功率。间接预测法在整个预测过程中可能需要多个预测模型，较为复杂。目前我国大多数光伏电站尚不具备太阳辐照度预测能力，因此大多数采用的是直接预测法。国内目前对光伏出力直接预测模型的研究主要基于数学统计预测方法和人工智能预测方法。基于数学统计预测方法有时间序列法，把光伏电站看作随时间周期性变化的一个随机时间序列，其优点是具有预测速度快、预测过程简单、外推性好等优点，其缺点是该方法没有考虑影响光伏发电的环境因素。基于人工智能的预测方法有神经网络法，其优点是神经网络具有联想、学习、记忆功能，因此可以对光伏出力进行有效预测，但由于光伏电站输出受环境影响较大，复杂的环境变化使得神经网络在训练和预测时产生较大的误差，甚至失效。因此在建立预测模型时，在不同的天气类型中分别寻找相似日，并通过获得的相似日训练样本集来进行预测，可以有效避免复杂环境变化的影响。只是一般的相似日选取算法中各个气象因子的权重是相同的然而实际上天气的变化也会影响属性因子的权重。比如高温天气，最高温度为主导气象因素，其权重显然大于其他的气象因素。这样，传统方法中的相同权重会造成较大的误差。
技术实现要素：
本发明的目的在于针对现有技术不足，提出一种基于气象因子权重相似日的短期光伏功率预测方法，能够改进传统的相似日的选取方法，提供一种光伏功率预测精度高的。
为解决上述技术问题，本发明采用的技术方案为：
一种基于气象因子权重相似日的短期光伏功率预测方法，包括以下步骤：
s01，通过计算光伏功率与气象因子的pearson系数，提取出主要的影响因子，将温度、湿度和气压作为选取相似日的重要依据；
s02，用k-means聚类算法将历史日进行分类，分为主晴天、主多云天、主阴天和主雨天4种类型；
s03，根据灰色关联度分析得出不同类别中气象因子对于发电功率的权重；
s04，由s03和s04得出的结果，根据带权重的相似度统计量计算出新样本与各聚类中心的相似度，将相似度较大的类别作为新样本的类别；
s05，在s04步骤得到的类别中选择相似度最大的7个历史日作为相似日，获得相似日样本训练集；
s06，建立遗传算法优化的rbf-bp组合神经网络模型进行预测，得到预测日全天的光伏发电功率输出数据。
s02中，k-means聚类的优化目标可以表示为
式中，j表示优化目标，xn表示数据对象，μk表示聚类中心，rnk表示数据分配状态，k表示数据分类的数目，n表示数据的个数，在数据分配到第k类的时候为1，否则为0，整个算法不断迭代计算使j达到最小，然后，固定聚类中心μk，更新rnk，将每个数据对象xn分配到距离它最近的类别中，使j的值降到最小，最后，固定rnk，更新聚类中心μk，令j对μk的倒数为零，得到
通过上述两个步骤不断迭代，使j的值下降到一个极小值。
s03中，包括以下三个步骤，
a、在主晴天类别选择30个历史日。对于日最高温度tmax，日平均温度tavg，日最低温度tmin，日相对湿度h，日平均大气压强pa，采用线性映射至[0,1]区间，分别构造5个30x1的属性因子向量z1到z5；
b、以日平均功率作为参考向量，采用线性映射至[0,1]区间，同样的构造出30x1的功率向量z6，利用灰色关联系数法求出5个因子向量与功率向量在第k个分量的关联系数：
其中，λj(k)表示第j个气象特征向量zj(k)与功率向量z6(k)在第k个特征分量的关联系数，ρ∈[0,1]为分辨系数；
由于每日因素的值的权重都是相同的，因此zj与z6的关联度可以按下式计算：
c、求解各因素的权重，
其他3个类别，主多云天类型、主阴天类型、主雨天类型均采用此方法求出各因子权重。
分辨系数ρ的值为0.5。
s04中，带权重的相似度统计量如下：
其中，
样本x＝(x1,x2,...,xk)，y＝(y1,y2,...,yk)，式中xi，yi均为影响因子归一化后的值，s(x,y)代表样本x和样本y之间的相似度，wi表示样本的第i个因子的权重，m1，m2分别表示p个影响因子的加权平均值；
将样本进行分类后，分别求出各类别中各影响因子的均值作为聚类中心点：
其中，第i类有r个样本，m表示影响因子的数目，利用公式求出新样本与各类聚类中心点的相似度，将相似度较大的类别作为新样本的类别。
s06中隐含层传递函数第一层为高斯函数radbas，第二层为正切型传递函数tansig，输出层采用线性函数purelin，隐含层节点数使用构造法确定，先设置较少的隐节点数，若学习后网络输出误差不符合设定要求，则逐渐增加节点数，直至网络误差不再有明显减少为止，确定两层隐含层节点数分别确定为6、6。
s06中遗传算法的编码方式采用实数编码，种群规模设置为10，选择概率、交叉概率、变异概率分别为0.7、0.4、0.1，适应度函数构造如下：
其中，λ是适应度，n表示输出节点个数，yi是神经网络第i个节点的实际输出，oi是第i个节点的预测输出。
本发明的有益效果：本发明改进了相似日的选取方法，通过光伏功率与气象因子的相关性分析提取出主要影响因子，将温度、湿度和气压作为选取相似日的重要依据，先用k-means聚类算法将历史日进行分类，然后分析了不同天气情况下气象因子的权重，分类别建立基于遗传算法优化的rbf-bp组合神经网络预测模型。经过实际数据对模型的检验并且与传统选取相似日的方法进行比较，结果表明本发明所提的模型精度更高。
附图说明：
图1是k-means聚类算法流程图；
图2是本发明的短期光伏功率预测流程图；
图3是rbf-bp组合神经网络结构图；
图4是遗传算法优化流程图；
图5是本发明预测模型和其它预测模型在晴天预测结果对比图；
图6是本发明预测模型和其它预测模型在多云天预测结果对比图；
图7是本发明预测模型和其它预测模型在阴天预测结果对比图；
图8是本发明预测模型和其它预测模型在雨天预测结果对比图；
图9是本发明预测模型和其它预测模型的预测误差统计对比图。
具体实施方式
下面结合附图对本发明作进一步描述，以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1所示k-means算法以k为参数，把n个对象分成k个簇，使簇内具有较高的相似度，而簇间的相似度较低。k-means算法的处理过程如下：首先，随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心；对剩余的每个对象，根据其与各簇中心的距离，将它赋给最近的簇；然后重新计算每个簇的平均值。这个过程不断重复，直到准则函数收敛。
图3所示为rbf-bp组合神经网络结构图，rbf-bp组合神经网络由一个rbf子网和一个bp子网构成，它具有两个隐藏层，第一个隐藏层的传递函数采用了高斯(gauss)型核函数，并采用训练样本中提取的特征量作为输入，而第二个隐藏层的传递函数采用sigmoid型函数，其输入是基于第一个隐藏层的输出，另外为了防止网络过拟合，本发明采用贝叶斯正则化算法trainbr作为训练函数。其中，x＝[x1,x2,x3...]t为输入向量，w1,j(i)为xi对应第一隐藏层第j个神经元的权值，w2,k(j)为第一隐藏层第j个神经元对应到第二个隐藏层第k个神经元的权值，w3,m(k)为第二隐藏层第k个神经元对应到输出层第m个神经元的权值，y＝[y1,y2,y3,...]t是输出向量，ω、∫分别代表两个隐藏层的数据中心。
图4所示为遗传算法优化流程图，rbf-bp神经网络通过确认拟合函数输入输出参数来计算和确定遗传算法个体的权值和阈值，遗传算法将预测输出和实际输出误差绝对值和的倒数作为适应度函数，通过交叉、变异找到最优的个体，将其权值和阈值赋给神经网络。
图2所示是本发明的流程图，先通过pearson相关系数确定与光伏出力关联度大的影响因子，并由k-means算法对天气类型进行归类，简化模型结构。再按照灰色关联度法求出每个类别的影响因子的权重，求出4个类别的影响因子的均值。而后，按照相似度统计量对预测日所属类别进行识别，选择相似度最大的类别作为预测日类别，并选择相似度最大的7日，作为后续遗传算法优化的rbf与bp组合神经网络预测的训练样本。具体以以宁夏省某光伏电站的数据为例，选取2011年3月19日～2011年5月19日8:00～18:00的每个整点的数据作为样本，利用本发明提供的技术方案进行光伏发电功率预测。
步骤1：采用pearson相关系数分析各个气象因子与光伏功率之间的关系，提取出主要影响因子，将温度、湿度和气压作为选取相似日的重要依据。
步骤2：用k-means聚类算法将不同天气类型按照光伏出力水平进行聚类，而k-means初始聚类中心是随机选择的，这会使算法迭代次数增加，运算时间更长，同时也易陷入局部极值。本发明在对天气类型进行聚类时，将天气类型分为4类：主晴天类型、主多云天类型、主阴天类型、主雨天类型。初始聚类中心分别在4种类型天气中选择，这样可以缩短运算时间，避免局部极值。
k-means聚类的优化目标可以表示为
式中，j表示优化目标，xn表示数据对象，μk表示聚类中心，rnk表示数据分配状态，k表示数据分类的数目，n表示数据的个数，在数据分配到第k类的时候为1，否则为0，整个算法不断迭代计算使j达到最小。然后，固定聚类中心μk，更新rnk，将每个数据对象xn分配到距离它最近的类别中，使j的值降到最小。最后，固定rnk，更新聚类中心μk，令j对μk的倒数为零，得到
通过上述两个步骤不断迭代，使j的值下降到一个极小值。
步骤3：根据灰色关联度确定不同类别中气象因子对于发电功率的权重，分解为以下3步：
1、在主晴天类别选择30个历史日。对于日最高温度tmax，日平均温度tavg，日最低温度tmin，日相对湿度h，日平均大气压强pa，采用线性映射至[0,1]区间，分别构造5个30x1的属性因子向量z1到z5。
2、以日平均功率作为参考向量，采用线性映射至[0,1]区间，同样的构造出30x1的功率向量z6，利用灰色关联系数法求出5个因子向量与功率向量在第k个分量的关联系数：
其中，λj(k)表示第j个气象特征向量zj(k)与功率向量z6(k)在第k个特征分量的关联系数，ρ∈[0,1]为分辨系数，此处取0.5。
由于每日因素的值的权重都是相同的，因此zj与z6的关联度可以按下式计算：
3、求解各因素的权重，σj代表第j个因素的权重：
其他3个类别，主多云天类型、主阴天类型、主雨天类型均采用此方法求出各因子权重。
步骤4：计算相似度。
其中，
样本x＝(x1,x2,...,xk)，y＝(y1,y2,...,yk)，式中xi，yi均为影响因子归一化后的值，s(x,y)代表样本x和样本y之间的相似度，wi表示样本的第i个因子的权重，m1，m2分别表示p个影响因子的加权平均值。计算出来的s(x,y)越接近1，表明x样本与y样本越相似。
将样本进行分类后，分别求出各类别中各影响因子的均值作为聚类中心点：
其中，第i类有r个样本，m表示影响因子的数目。利用公式求出新样本与各类聚类中心点的相似度，将相似度较大的类别作为新样本的类别。将得到的类别中选择相似度最大的7个历史日作为相似日，获得相似日样本训练集。
步骤5：选择遗传算法优化的rbf-bp组合神经网络的训练数据：预测模型输入变量为一个17维的向量，将17维向量定义为x＝(x1,x2,…,x11,x12,…,x17)，其中，x1,x2,…,x11为相似日的8:00～18:00共11个整点时刻的发电功率值，x12,x13,x14为相似日的最高温度值、平均温度值、最低温度值，x15,x16,x17为预测日对应的最高温度值、平均温度值、最低温度值，输出变量o1,o2,…,o11为预测日对应不同时间分段内的n个点的发电量。
步骤6：确定隐含层神经元个数：隐含层传递函数第一层为高斯函数radbas，第二层为正切型传递函数tansig，输出层采用线性函数purelin。隐含层节点数使用构造法确定，先设置较少的隐节点数，若学习后网络输出误差不符合设定要求，则逐渐增加节点数，直至网络误差不再有明显减少为止。最后，确定两层隐含层节点数分别确定为6、6。遗传算法的编码方式采用实数编码，种群规模设置为10，选择概率、交叉概率、变异概率分别为0.7、0.4、0.1。适应度函数构造如下：
其中，λ是适应度，n表示输出节点个数，yi是神经网络第i个节点的实际输出，oi是第i个节点的预测输出。
步骤7：样本数据预处理：对不同量纲的输入数据进行归一化处理，使其范围在[0,1]区间内。归一化公式如下：
其中x、x'、xmax、xmin分别为原始数据、归一化后的值、原始数据中的最大值、原始数据中的最小值。
步骤8：利用遗传算法优化的rbf-bp组合神经网络预测模型进行训练，得到全天的预测结果。
步骤9：预测模型评价：采用平均绝对百分误差比误差(meanabsolutepercentageerror，mape)对预测模型进行误差分析，如下式所示：
其中，pi为实测功率值，
本发明分别采用3种预测模型进行比较：a：通过直接计算日特征向量的关联度来选取相似日，并采用遗传算法优化的rbf-bp神经网络进行预测；b：采用聚类算法选取相似日，选择遗传算法优化的bp神经网络进行预测；c：采用聚类算法选取相似日，选择遗传算法优化的rbf-bp神经网络进行预测(本发明)。
图5到图8表明，晴天和多云天的光伏系统的发电功率曲线更接近抛物线，3种模型的预测效果都较为理想。然而阴天和雨天的云团厚薄和移动趋势等复杂多变，难以预测，光伏电站的发电具有更多的不确定性和随机性，所以3种模型的预测曲线在某些时段较实际曲线偏差较大。然而，本发明所提模型的预测曲线更能反映实际功率的整体变化趋势，可明显降低预测误差，其预测结果更接近实际值，由图9可知，本发明所提出的预测模型相较于传统相似日的选取算法具有更高的预测精度，提高了约6％～9％；晴天和多云天相较于其他类型天气具有更高的预测精度，发电功率呈现正态分布，比较规律，而阴雨天气的天气变化情况比较复杂难以预测，使得预测误差增大，精度降低；经过遗传算法优化的rbf-bp组合神经网络相较于单层的ga-bp神经网络表现出更高的预测精度，提高了约3％。可见，本发明的预测模型能有效提高光伏功率预测精度，具有较强的实用性。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。