本发明涉及光伏电站短期功率预测
技术领域：
，特别是一种基于最佳相似日和elman神经网络实现光伏电站短期功率预测方法。
背景技术：
近年来，随着社会经济的快速发展，大力开发绿色新能源已经成为解决能源和环境问题的一种强有力手段。光伏发电以其清洁无污染和永不枯竭的独特魅力迅速成为了世界关注和研究的热点，成为了传统化石能源的最佳替代品。然而环境的不稳定性使得光伏发电的输出具有很强的波动性和间歇性，降低了光伏并网后的稳定性，大大提高了光伏发电大规模应用的难度。因此，对光伏电站的发电功率进行预测不但可以减轻光伏发电系统并网所带来的不利影响，而且将光伏发电与电网调度、电力负荷分配等相结合，还可以规划和运行整个电力系统，大大提高了系统的稳定性和利用率，对光伏发电厂和电力系统都有着重要的经济意义，具有很高的现实意义和学术价值。目前，光伏电站的功率预测方法主要有回归分析预测法、灰色理论预测法和人工智能预测法等。回归分析预测法，通过对功率和其他参数的统计分析，确定功率和其他参数之间的相关关系，从而建立回归方程，再将回归方程作为预测模型而实现的预测，常用于中短期预测。灰色理论预测法通过对生成数列建模来挖掘系统内部信息，进而进行分析和预测。由于光伏发电具有极大的随机性和不确定性，且影响因素众多，属于灰色系统，因此灰色预测理论可以很好应用于光伏功率预测研究。该预测方法的优点是方法简单、易于计算，且短期预测精度高、易于检验。但是近些年来，随着人工智能被广泛应用到光伏发电功率预测中，回归分析预测法和灰色理论预测法的使用大大减少，随之以神经网络、支持向量机为主的人工智能预测算法是近年来应用最为广泛的预测技术。其中以支持向量机为主的预测算法可以较好地解决小样本情况，精度较高，但是采用优化算法对其进行参数优化时，需要很长的训练时间。而神经网络虽然易陷入局部极小，但由于较高的拟合与泛化能力且训练时间较短，相比较而言，在预测性能方面优于支持向量机，目前也已经取得了较为成功的应用。其中，elman神经网络与传统的bp神经网络相比，多了一个从隐含层接收反馈信号，用来记忆隐含层神经元前一时刻的输出值的承接层，使得网络对历史数据具有敏感性，增加了网络自身处理动态信息的能力。因此本文选择比bp神经网络更好的elman神经网络作为预测模型。为了更准确地预测待预测日的发电功率，需要找到与之气象条件最为接近的历史日作为模型的输入。目前，公开发表的文献及专利中尚未见有将基于最佳相似日的elman神经网络算法应用于光伏电站短期功率预测的研究。技术实现要素：有鉴于此，本发明的目的是提出一种基于最佳相似日和elman神经网络实现光伏电站短期功率预测方法，能够快速准确对光伏电站的发电功率进行预测。本发明采用以下方案实现：一种基于最佳相似日和elman神经网络实现光伏电站短期功率预测方法，具体包括以下步骤：步骤s1：采集光伏电站历年发电功率以及气象站上的气象参数，得到每天的参数样本组合；步骤s2：去除异常数据，对参数样本组合进行归一化处理；步骤s3：确定elman神经网络的输入层节点数m、隐含层节点数n和输出层节点数p以及初始化elman神经网络的各项参数；步骤s4：利用第一天到待预测日前一天的参数样本组合训练步骤s3得到的elman神经网络，通过试凑法不断修改所述elman神经网络的隐含层个数，得到训练模型；步骤s5：根据待预测日的气象特征值结合灰色关联分析算法确定待预测日的最佳相似日；步骤s6：将最佳相似日的参数样本组合以及待预测日的气象参数输入步骤s4的训练模型中对待预测日的发电功率进行预测，得到待预测日每隔一小时的输出功率值。进一步地，步骤s1中，所述参数样本组合包括光伏电站历年发电功率以及气象站上的光照、环境温度、湿度、风速信息；所述参数样本组合记为(pki，gki，dki，tki，wki，hki)，其中，k为样本采集的日期的序号，表示天数，k为1到n的整数；i为一天中样本采集的时刻，表示时刻数，i为1到nt的整数；pki为第k天参数样本组合中的第i个时刻的功率参数样本，gki为第k天参数样本组合中的第i个时刻的全球水平辐射参数样本，dki为第k天参数样本组合中的第i个时刻的扩散水平辐射参数样本，tki为第k天参数样本组合中的第i个时刻的环境温度参数样本，wki为第k天参数样本组合中的第i个时刻的风速参数样本，hki为第k天参数样本组合中的第i个时刻的相对湿度参数样本。进一步地，步骤s2中，对参数样本组合进行归一化处理具体为：采用比例压缩法将同一种参数样本的同一个时刻的多组数据映射到区间[0,1]内，映射公式为：式中，y'表示归一化后得到的数据，aimax表示数据组a的第i个时刻中的最大值，aimin表示数据组a的第i个时刻中的最小值，aki表示第k天参数样本组合中的第i个时刻的某个参数样本。其中，以功率样本p＝(p1i,p2i，...pki，...pni)为例，具体映射公式为：式中，pimax表示数据组p的第i个时刻中的最大值，pimin表示数据组p的第i个时刻中的最小值。进一步地，步骤s3中，所述的elman神经网络具体设置为：输入层节点数m为23，隐含层节点数n为10，输出层节点数p为11，迭代次数为2000，其他参数采用默认设置；其中，隐含层个数的公式如下：式中，a为系统参数，a的取值范围为1-10。进一步地，步骤s4中，利用第一天到待预测日前一天的参数样本组合训练步骤s3得到的elman神经网络具体为：根据选取的待预测日日期，将历史日中第一天到待预测日的一天的参数样本组合以及该天的后一天的气象参数作为输入，所述后一天的对应时刻的功率值作为输出，得到一个输入输出组合，用以训练elman神经网络；所述输入输出组合记为：式中，k为样本采集的日期的序号，表示天数，k为1到n的整数；前13个变量表示输入输出组合中的输入变量，最后一个变量表示输出变量；其中输入变量中的pk为第k天的各个时刻的功率参数样本，和为第k天和第k+1天的日均全球水平辐射参数样本，和为第k天和第k+1天的日均扩散水平辐射参数样本，tkmax和t(k+1)max为第k天和第k+1天的最大环境温度参数样本，tkmin和t(k+1)min为第k天和第k+1天的最小环境温度参数样本，和为第k天和第k+1天的日均风速参数样本，和为第k天和第k+1天的日均相对湿度参数样本，输出变量pk+1为第k+1天的各个时刻的功率参数样本。进一步地，步骤s5具体包括以下步骤：步骤s51：所述的气象特征值记为：(gkmax，gkmin，dkmax,dkmin,tkmax,tkmin,wkmax,wkmin,hkmax,hkmin),式中，k为样本采集的日期的序号，表示天数，k为1到n的整数；gkmax和gkmin为最大和最小全球水平辐射参数样本，dkmax和dkmin为最大和最小扩散水平辐射参数样本，tkmax和tkmin为最大和最小环境温度参数样本，wkmax和wkmin为最大和最小风速参数样本，hkmax和hkmin为最大和最小相对湿度参数样本；步骤s52：计算待预测日前预设的日期与其的关联度，将关联度最大的那天确定为最佳相似日；其中，所述预设的日期为前10日。其中关联度的计算采用下式：式中，ri表示历史日i与待预测日的关联度，k表示特征值个数，ξi表示表示历史日i与待测日的关联系数；其中，ξi(k)的计算采用下式：式中，y(k)表示待预测日归一化后的气象特征值，xi(k)表示历史日i归一化后的气象特征值，ρ表示分辨系数，ρ取0.5，k表示特征值个数。较佳的，步骤s6中，需要将最佳相似日的参数样本组合以及待预测日的气象参数作为输入，利用训练好的模型对待预测日的每隔一小时的发电功率进行预测。所述的输入样本设置与步骤s4设置相同。与现有技术相比，本发明有以下有益效果：1、本发明能够提前预测光伏电站未来一天的各个时刻的发电功率。2、本发明用灰色关联分析算法确定最佳相似日，结合elman神经网络模型进行预测，有效提高光伏电站发电功率预测的准确性。以2018年3月30日为例，本发明的均方根误差为3.40kw，平均绝对百分比误差为3.23％，决定系数为0.995。附图说明图1为本发明实施例的方法流程示意图。图2为本发明实施例的功率预测结果示意图。图3为本发明实施例的各个时刻预测误差曲线。具体实施方式下面结合附图及实施例对本发明做进一步说明。应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
技术领域：
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图1所示，本实施例提供了一种基于最佳相似日和elman神经网络实现光伏电站短期功率预测方法，具体包括以下步骤：步骤s1：采集光伏电站历年发电功率以及气象站上的气象参数，得到每天的参数样本组合；步骤s2：去除异常数据，对参数样本组合进行归一化处理；步骤s3：确定elman神经网络的输入层节点数m、隐含层节点数n和输出层节点数p以及初始化elman神经网络的各项参数；步骤s4：利用第一天到待预测日前一天的参数样本组合训练步骤s3得到的elman神经网络，通过试凑法不断修改所述elman神经网络的隐含层个数，得到训练模型；步骤s5：根据待预测日的气象特征值结合灰色关联分析算法确定待预测日的最佳相似日；步骤s6：将最佳相似日的参数样本组合以及待预测日的气象参数输入步骤s4的训练模型中对待预测日的发电功率进行预测，得到待预测日每隔一小时的输出功率值。较佳的，本实施例中采集数据所采用的光伏电站是澳大利亚的alicesprings光伏电站，电站由22个额定值为250w的光伏面板组成，阵列额定值为5.5kw，通过逆变器进行并网发电。在本实施例中，步骤s1中，所述参数样本组合包括光伏电站历年发电功率以及气象站上的光照、环境温度、湿度、风速信息；所述参数样本组合记为(pki，gki，dki，tki，wki，hki)，其中，k为样本采集的日期的序号，表示天数，k为1到n的整数；i为一天中样本采集的时刻，表示时刻数，i为1到nt的整数；pki为第k天参数样本组合中的第i个时刻的功率参数样本，gki为第k天参数样本组合中的第i个时刻的全球水平辐射参数样本，dki为第k天参数样本组合中的第i个时刻的扩散水平辐射参数样本，tki为第k天参数样本组合中的第i个时刻的环境温度参数样本，wki为第k天参数样本组合中的第i个时刻的风速参数样本，hki为第k天参数样本组合中的第i个时刻的相对湿度参数样本。在本实施例中，步骤s2中，对参数样本组合进行归一化处理具体为：采用比例压缩法将同一种参数样本的同一个时刻的多组数据映射到区间[0,1]内，映射公式为：式中，y'表示归一化后得到的数据，aimax表示数据组a的第i个时刻中的最大值，aimin表示数据组a的第i个时刻中的最小值，aki表示第k天参数样本组合中的第i个时刻的某个参数样本。其中，以功率样本p＝(p1i,p2i，...pki，...pni)为例，具体映射公式为：式中，pimax表示数据组p的第i个时刻中的最大值，pimin表示数据组p的第i个时刻中的最小值。在本实施例中，步骤s3中，所述的elman神经网络具体设置为：输入层节点数m为23，隐含层节点数n为10，输出层节点数p为11，迭代次数为2000，其他参数采用默认设置；其中，隐含层个数的公式如下：式中，a为系统参数，a的取值范围为1-10。在本实施例中，步骤s4中，利用第一天到待预测日前一天的参数样本组合训练步骤s3得到的elman神经网络具体为：根据选取的待预测日日期，将历史日中第一天到待预测日的一天的参数样本组合以及该天的后一天的气象参数作为输入，所述后一天的对应时刻的功率值作为输出，得到一个输入输出组合，用以训练elman神经网络；所述输入输出组合记为：式中，k为样本采集的日期的序号，表示天数，k为1到n的整数；前13个变量表示输入输出组合中的输入变量，最后一个变量表示输出变量；其中输入变量中的pk为第k天的各个时刻的功率参数样本，和为第k天和第k+1天的日均全球水平辐射参数样本，和为第k天和第k+1天的日均扩散水平辐射参数样本，tkmax和t(k+1)max为第k天和第k+1天的最大环境温度参数样本，tkmin和t(k+1)min为第k天和第k+1天的最小环境温度参数样本，和为第k天和第k+1天的日均风速参数样本，和为第k天和第k+1天的日均相对湿度参数样本，输出变量pk+1为第k+1天的各个时刻的功率参数样本。在本实施例中，步骤s5具体包括以下步骤：步骤s51：所述的气象特征值记为：(gkmax，gkmin，dkmax,dkmin,tkmax,tkmin,wkmax,wkmin,hkmax,hkmin),式中，k为样本采集的日期的序号，表示天数，k为1到n的整数；gkmax和gkmin为最大和最小全球水平辐射参数样本，dkmax和dkmin为最大和最小扩散水平辐射参数样本，tkmax和tkmin为最大和最小环境温度参数样本，wkmax和wkmin为最大和最小风速参数样本，hkmax和hkmin为最大和最小相对湿度参数样本；步骤s52：计算待预测日前预设的日期与其的关联度，将关联度最大的那天确定为最佳相似日；其中，所述预设的日期为前10日。其中关联度的计算采用下式：式中，ri表示历史日i与待预测日的关联度，k表示特征值个数，ξi表示表示历史日i与待测日的关联系数；其中，ξi(k)的计算采用下式：式中，y(k)表示待预测日归一化后的气象特征值，xi(k)表示历史日i归一化后的气象特征值，ρ表示分辨系数，ρ取0.5，k表示特征值个数。特别的，在本实施例中，以预测2018年3月30日为例，根据气象预报获得2018年3月30日的气象参数如表1所示。根据表1计算待预测日前10日与其的关联度，将关联度最大的那天确定为最佳相似日。关联度的计算方法采用上式计算。前10日关联度计算结果如表2所示。由表2可知，本实施例中，待预测日2018年3月30日的最佳相似日为2018年3月23日，其最佳关联度值为0.85。表1待预测日2018年3月30日气象参数表2待预测日2018年3月30日前10日的关联度日期3-293-283-273-263-253-243-233-223-213-20关联度0.820.830.720.790.740.750.850.760.730.46较佳的，在本实施例中，步骤s6中，需要将最佳相似日的参数样本组合以及待预测日的气象参数作为输入，利用训练好的模型对待预测日的每隔一小时的发电功率进行预测。所述的输入样本设置与步骤s4设置相同。较佳的，本实施例的预测结果及各个时刻预测误差曲线如图2和图3所示，模型误差指标值如表3所示。待预测日2018年3月30日的均方根误差rmse为3.40kw，平均绝对百分比误差mape为3.23％，r2为0.995，其mape误差在5％以内，r2达到了0.99以上。表3模型误差指标rmse(kw)mape(％)r23.403.230.995相对应的，采用待预测日的前一日即相邻日数据样本作为模型的输入当做对照组，采用最佳相似日数据样本作为模型的输入当做实验组，选择不同月份共10日作为待预测日进行实验，各运行10次，实验结果如表4所示。从平均值来看，实验组的mape平均值为9.65％，比对照组的mape平均值12.32％提高约3个百分点，实验组的rmse平均值为9.14kw，比对照组的rmse平均值12.44kw降低3.3kw，实验组的r2平均值为0.98，比对照组的r2平均值0.97提高0.01。从均方差来看，实验组mape均方差为5.41％，比对照组mape均方差5.63％小0.22个百分点，实验组rmse均方差为3.01kw，比对照组rmse均方差4.04kw小1.03kw，实验组r2均方差为0.02，比对照组r2均方差0.03小0.01。实验组的mape平均值、rmse平均值和3个均方差值均小于对照组，而r2平均值大于对照组。对于每一天的实验组和对照组，只有少数几天对照组的实验结果会优于实验组，这是因为这几天待预测日的最佳相似日和相邻日是同一天，此时两组模型等效，而神经网络每次运行的结果是随机的，所以出现对照组的结果优于实验组是完全合理的。因此，基于最佳相似日的elman神经网络与基于相邻日的elman神经网络相比精度更高，预测效果更好。表4两组实验预测结果对比以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。当前第1页12