基于人工蜂群优化神经网络的光伏发电功率短期预测方法与流程

本发明涉及光伏发电技术领域，尤其涉及一种基于人工蜂群优化神经网络的光伏发电功率短期预测方法。

背景技术：

光伏发电是对太阳能有效利用的关键方式，光伏发电的大规模并网发电是未来发电行业的重要发展方向，目前大规模的并网光伏发电已经推广开来。光伏发电受多种气象环境影响，因此会对电网调度产生冲击和影响。

辐照度是光伏出力过程中最关键的因素，在作用于光伏电池前受到气溶胶颗粒的衰减作用较大，而气溶胶光学厚度(aerosolopticaldepth，aod)数据的获取主要是通过moderate-resolutionimagingspectroradiometer(modis)监测数据对aod进行反演以及通过地基观测站进行aod反演。由于频繁且大规模出现的雾霾天气对光伏发电功率预测产生了复杂的削弱发电量影响，因此在对光伏发电进行短期功率预测需要对气象因素及雾霾因素综合考虑。

鉴于现有大气气溶胶光学厚度(aod)反演方法精度不高、难以实时获取等问题，需要提出一种新的光伏发电功率短期预测方法，以更好的进行光伏发电功率的预测。

技术实现要素：

本发明的目的是提供一种基于人工蜂群优化神经网络的光伏发电功率短期预测方法，通过采集大量pm2.5浓度、pm10浓度、湿度、能见度、风速、气溶胶光学厚度aod440、aod1020的实际样本，在此基础上通过对bp神经网络优化，得到气溶胶光学厚度估计值，并带入计算太阳辐射强度，进而利用光电转换模型计算光伏电池发电功率，实现光伏发电功率短期预测。

本发明提供了一种基于人工蜂群优化神经网络的光伏发电功率短期预测方法，包括如下步骤：

步骤1，基于光伏发电功率影响因子判别相关性，建立并训练bp神经网络预测模型，并基于人工蜂群算法对bp神经网络预测模型进行优化，得到人工蜂群优化后的bp神经网络预测模型；

步骤2，基于人工蜂群优化后的bp神经网络预测模型，以pm2.5浓度、pm10浓度、能见度、湿度、风速、大气气溶胶光学厚度aod440波段、aod1020波段为输入变量，进行大气气溶胶光学厚度aod440波段、aod1020波段的估计，得到aod440及aod1020波段预测值；

步骤3，基于aod440及aod1020波段的预测值，计算太阳辐照度，并通过光电转换计算光伏发电功率。

进一步地，所述步骤1包括：

a.采集数据构造样本集：

记录某一时刻k下地面的pm2.5浓度c0、pm10浓度c1、能见度c、湿度h、湿度h以及大气气溶胶光学厚度aod440波段、aod1020波段，得到一个样本(c0(k)，c1(k)，c(k)，h(k)，v(k)，aod440(k)，aod1020(k))；通过收集多个不同时刻下的样本，形成样本集{(c0(k)，c1(k)，c(k)，h(k)，v(k)，aod440(k)，aod1020(k))}；

b.建立三层结构bp神经网络预测模型，其中，输入层神经元节点数为4个，隐含层神经元节点数为6个，输出层神经元节点数为2个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用s型函数；对于第k个时刻所构造的样本(c0(k)，c1(k)，c(k)，h(k)，v(k)，aod440(k)，aod1020(k))，取bp神经网络预测模型的第一个输入为c0(k)，第二个输入为c1(k)，第三个输入为c(k)，第四个输入为h(k)，第五个输入为v(k)，第一个输出为aod440(k)，第二个输出为aod1020(k)；

c.随机抽取样本集中的70％作为训练样本，剩余的30％作为检验样本，利用人工蜂群算法对建立的bp神经网络预测模型的权值与阈值进行优化，得到人工蜂群优化后的bp神经网络预测模型。

进一步地，所述步骤a包括如下步骤：

①初始化设置蜜源数即解的个数ns(k)，极限值和迭代终止次数即最大循环数，初始循环数t＝1.随机产生蜜源表达式为：

xid＝unifrnd(md，nd，[1，d]；

其中：xid为第i个蜜源的第d个维度值(i＝1，2，...，nid)；d为解空间的维数；md和nd、分别为第d个维度的下限和上限；unifrnd函数为产生md到nd均匀分布的1×d随机数组；

②引领蜂搜索阶段，寻找新蜜源，其表达式为：

vid＝xid+ψ(xid-xjd)；

其中：vid为新蜜源；j＝1，2，...，ns，且j≠i，即xi与xj为两个不同蜜源；ψ为取值范围为[-1，1]的随机数；

③蜂群跟随模式，当新蜜源vid的适应度值大于xi时，选择新蜜源vid代替xi，反之保留xi；引领蜂搜索到蜜源后，通过摇摆舞分享蜜源信息，跟随蜂采用轮盘赌方式，按如下公式计算的概率进行跟随：

其中：pi为跟随概率；f(xi)为第i个蜜源的适应度值；msei为第i个解的均方误差；mse为均方误差的均值；

④更新蜜源开采次数，当循环次数达到阈值limit，则此蜜源进行弃用，将此蜜源对应引领蜂转换为侦察峰，开始新的寻找，并输出最优蜜源，如下式所示：

xid＝xid[1+kn(0，1)]；

其中：

⑤初始化bp神经网络，建立蜜源位置与bp神经网络权值、阈值初始值之间的映射，即蜜源的初始位置表示参数的初始解，蜜源数量ns为训练的参数数量；将输出的最优蜜源对应的参数值作为bp神经网络的参数，并进行训练，直到满足条件为止，得到优化后的bp神经网络预测模型的权值与阈值。

进一步地，所述步骤3包括如下步骤：

①计算气溶胶的吸收的太阳辐射强度，如下式所示：

τa＝0.2758τa0.44+0.35τa1.02

m＝[cosθ+0.15(93.885-θ)^-1.253]^-1

ta＝exp[-τ^0.873(1+τa-τa^0.7088)m^0.9108]

其中：ho为太阳常数，o3为臭氧含量，单位：atm-cm，θ为太阳天顶角，单位：度，ta为气溶胶的吸收作用；

②计算可降水的衰减作用、臭氧的吸收作用、瑞利散射的作用、不均匀吸收作用数值，如下式所示：

tw＝1-2.4959xw[(1+79.034xw)^0.6828+6.385xw]^-1

xw＝w·m

其中：w为可降水量，单位：cm，m为相对大气量，tw为可降水的衰减作用，to为臭氧的吸收作用，tr为瑞利散射的作用，tu为不均匀吸收作用；

tr＝exp{-0.0903(m′)^0.84[1+m′-(m′)^1.01]

m′＝m·p/p0

p/p0＝[(228-0.0065hal)/288]^5.256

其中：m′为气压矫正过的大气量；

tu＝exp[-0.0127(m′)^0.26]

其中，对于可降水量的计算如下所示：

w＝-0.518+0.177·svp

上式中svp为地面上的水汽压，其计算方式通过温度及相对湿度计算可得：

其中，r代表相对湿度，es0代表绝对温度下的饱和水的汽压，单位：hpa，es0＝6.1078，a和b为经验系数，单位为1，分别取为7.5和237.3，t代表环境温度，通过气象数据获取；

③计算太阳直射辐射强度，如下式所示：

id＝hotatwtotrtu

其中：ho是太阳常数；

④计算光伏电池板发电功率：

ps＝ηpvsi[1-0.005(t0+25)]

t0＝t+ki

其中：ηpv代表光电转换效率，s代表光伏电池板所接收到的辐照度面积，i代表辐照度强度，t0代表光伏电池板工作时的温度，k代表光伏电池板工作温度系数，取0.04，单位为1。

借由上述方案，通过基于人工蜂群优化神经网络的光伏发电功率短期预测方法，能够实现对光伏发电的短期功率预测，并具有较高的准确性，具体包括如下技术效果：

1)利用可实时获取的地面的pm2.5浓度c0、pm10浓度c1、能见度v、湿度h等数据对aod进行直接估计，与现有的卫星观测法与地基观测法相比，省去了其中的复杂反演过程，并且能保证估计的实时性。

2)利用人工蜂群算法对bp神经网络预测模型的参数进行优化，能够有效的提高预测模型的估计精度。

3)利用改进辐照度计算方法，能过减少辐照度预测中变量不足及数据量不够的缺点。

4)通过选取较多的变量，提高了模型的覆盖程度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1为本发明基于人工蜂群优化神经网络的光伏发电功率短期预测方法的流程图；

图2为本发明人工蜂群优化bp神经网络模型结构图；

图3为本发明万有引力神经网络模型所采用的三层bp神经网络结构图；

图4为本发明利用人工蜂群算法对bp神经网络预测模型进行优化的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本实施例提供了一种基于人工蜂群优化神经网络的光伏发电功率短期预测方法，包括如下步骤：

步骤s1，基于光伏发电功率影响因子判别相关性，建立并训练bp神经网络预测模型，并基于人工蜂群算法对bp神经网络预测模型进行优化，得到人工蜂群优化后的bp神经网络预测模型；

步骤s2，基于人工蜂群优化后的bp神经网络预测模型，以pm2.5浓度、pm10浓度、能见度、湿度、风速、大气气溶胶光学厚度aod440波段、aod1020波段为输入变量，进行大气气溶胶光学厚度aod440波段、aod1020波段的估计，得到aod440及aod1020波段预测值；

步骤s3，基于aod440及aod1020波段的预测值，计算太阳辐照度，并通过光电转换计算光伏发电功率。

通过该基于人工蜂群优化神经网络的光伏发电功率短期预测方法，能够实现对光伏发电短期功率预测的研究，并具有较高的准确性。

下面对本发明作进一步详细说明。

参图2至图4所示，在一具体实施例中，应用该方法进行光伏发电功率短期预测包括：

步骤1，基于光伏发电功率影响因子判别相关性，建立并训练bp神经网络预测模型，并基于人工蜂群算法对bp神经网络预测模型进行优化，得到人工蜂群优化后的bp神经网络预测模型，所述方案按以下步骤进行处理：

a.采集数据构造样本集；

记录某一时刻k下地面的pm2.5浓度c0、pm10浓度c1、能见度c、湿度h、湿度h以及大气气溶胶光学厚度aod440波段、aod1020波段，得到一个样本(c0(k)，c1(k)，c(k)，h(k)，v(k)，aod440(k)，aod1020(k))；通过收集多个不同时刻下的样本，形成样本集{(c0(k)，c1(k)，c(k)，h(k)，v(k)，aod440(k)，aod1020(k))}；

b.建立三层结构bp神经网络预测模型，其中，输入层神经元节点数为4个，隐含层神经元节点数为6个，输出层神经元节点数为2个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用s型函数；对于第k个时刻所构造的样本(c0(k)，c1(k)，c(k)，h(k)，v(k)，aod440(k)，aod1020(k))，取bp神经网络预测模型的第一个输入为c0(k)，第二个输入为c1(k)，第三个输入为c(k)，第四个输入为h(k)，第五个输入为v(k)，第一个输出为aod440(k)，第二个输出为aod1020(k)；

c.随机抽取样本集中的70％作为训练样本，剩余的30％作为检验样本，利用人工蜂群算法对建立的bp神经网络预测模型的权值与阈值进行优化，具体步骤如下：

①初始化设置蜜源数即解的个数ns(k)，极限值和迭代终止次数即最大循环数，初始循环数t＝1.随机产生蜜源表达式为：

xid＝unifrnd(md，nd，[1，d]

其中：xid为第i个蜜源的第d个维度值(i＝1，2，...，nid)；d为解空间的维数；md和nd、分别为第d个维度的下限和上限；unifrnd函数为产生md到nd均匀分布的1×d随机数组。

②引领蜂搜索阶段，寻找新蜜源，其表达式为：

vid＝xid+ψ(xid-xjd)

其中：vid为新蜜源；j＝1，2，...，ns，且j≠i，即xi与xj为两个不同蜜源；ψ为取值范围为[-1，1]的随机数。

③蜂群跟随模式，如果新蜜源vid的适应度值大于xi时，选择新蜜源vid代替xi，反之保留xi。引领蜂搜索到蜜源后，通过摇摆舞分享蜜源信息，跟随蜂采用轮盘赌方式，按如下公式计算的概率进行跟随：

其中：pi为跟随概率；f(xi)为第i个蜜源的适应度值；msei为第i个解的均方误差；mse为均方误差的均值。

④更新蜜源开采次数，当循环次数达到阈值limit，则此蜜源进行弃用，将此蜜源对应引领蜂转换为侦察峰，开始新的寻找，并输出最优蜜源，如下式所示：

xid＝xid[1+kn(0，1)]

其中：

⑤初始化bp神经网络，建立蜜源位置与bp神经网络权值、阈值初始值之间的映射，即蜜源的初始位置表示参数的初始解，蜜源数量ns为训练的参数数量。将输出的最优蜜源对应的参数值作为bp神经网络的参数，并进行训练，直到满足条件为止，此时得到优化后的bp神经网络预测模型的权值与阈值；

步骤2，利用优化后的人工蜂群bp神经网络预测模型进行大气气溶胶光学厚度aod440波段、aod1020波段的估计，即将某一环境下地面的pm2.5浓度c0、pm10浓度c1、能见度c、湿度h、风速v、作为预测模型的输入，预测模型的输出为当前环境下aod440波段、aod1020波段的估计值。

步骤3，基于aod440及aod1020波段，进行太阳辐照度的计算，并通过光电转换计算光伏发电功率，具体步骤如下：

①计算气溶胶的吸收的太阳辐射强度，如下式所示：

τa＝0.2758τa0.44+0.35τa1.02

m＝[cosθ+0.15(93.885-θ)^-1.253]^-1

ta＝exp[-τ^0.873(1+τa-τa^0.7088)m^0.9108](

其中：ho为太阳常数(w·m^-2)，o3为臭氧含量，单位为(atm-cm)，θ为太阳天顶角，单位为(°)，ta为气溶胶的吸收作用。

②计算可降水的衰减作用、臭氧的吸收作用、瑞利散射的作用、不均匀吸收作用数值，如下式所示：

tw＝1-2.4959xw[(1+79.034xw)^0.6828+6.385xw]^-1

xw＝w·m

其中：w为可降水量(cm)，m为相对大气量。tw为可降水的衰减作用，to为臭氧的吸收作用，tr为瑞利散射的作用，tu为不均匀吸收作用。

tr＝exp{-0.0903(m′)^0.84[1+m′-(m′)^1.01]

m′＝m·p/p0

p/p0＝[(228-0.0065hal)/288]^5.256

其中：m′为气压矫正过的大气量。

tu＝exp[-0.0127(m′)^0.26]

其中对于可降水量的计算如下所示：

w＝-0.518+0.177·svp

上式中svp为地面上的水汽压，其计算方式通过温度及相对湿度计算可得：

其中，r代表相对湿度，es0代表绝对温度下的饱和水的汽压，单位为(hpa)，es0＝6.1078，a和b为经验系数，单位为1，分别取为7.5和237.3，t代表环境温度，可通过气象数据获取。

③计算太阳直射辐射强度，如下式所示：

id＝hotatwtotrtu

其中：ho是太阳常数(w·m^-2)。

④计算光伏电池板发电功率：

ps＝ηpvsi[1-0.005(t0+25)]

t0＝t+ki

其中：ηpv代表光电转换效率，s代表光伏电池板所接收到的辐照度面积，i代表辐照度强度(包括有云及晴空)，t0代表光伏电池板工作时的温度，k代表光伏电池板工作温度系数，取为0.04，单位为1。

本发明具有如下技术效果：

1)利用可实时获取的地面的pm2.5浓度c0、pm10浓度c1、能见度v、湿度h等数据对aod进行直接估计，与现有的卫星观测法与地基观测法相比，省去了其中的复杂反演过程，并且能保证估计的实时性。

2)利用人工蜂群算法对bp神经网络预测模型的参数进行优化，能够有效的提高预测模型的估计精度。

3)利用改进辐照度计算方法，能过减少辐照度预测中变量不足及数据量不够的缺点。

4)通过选取较多的变量，提高了模型的覆盖程度。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。