一种基于小波变换和径向基神经网络的光伏功率预测方法与流程

本发明属于光伏发电，具体涉及一种基于小波变换和径向基神经网络的光伏功率预测方法。

背景技术：

1、光伏发电是利用半导体材料的光伏效应将光能直接转换为电能的技术。随着化石能源利用对环境的污染日益加重，太阳能、风能等可再生能源得到了广泛地开发和利用，且前景广阔；作为全球范围内公认的替代能源，清洁能源的使用可以缓解全球能源紧张的局面，促进能源结构的转型。

2、近几年我国的光伏发电市场由独立发电系统逐渐转向并网发电系统。光伏发电具有较强的间歇性和波动性，因此若能够对光伏功率进行准确地预测，能够有效防止电网过载，从而提高电网运行的安全性和经济性。

3、目前对光伏功率的预测主要可分为统计学方法和智能预测方法。统计学方法包括时间序列分析、多元线性回归等。智能预测方法为近几年的研究热点，包括聚类、神经网络、支持向量机等基于机器学习的预测方法。统计学方法运算简单，不过无法处理数据中的非线性特征，预测效果不理想；而基于神经网络、混合模型的预测方法，其预测精度较高，但建模难度较大、运算复杂。因此模型复杂度较低且预测精度高的光伏功率预测方法具有良好的应用前景。

技术实现思路

1、本发明目的是提供一种光伏功率预测方法，不仅能保证智能预测方法的预测精度，而且能够降低网络模型的复杂度，具备更好的拓展性。

2、本发明为实现上述目的，通过以下技术方案实现：

3、一种基于小波变换和径向基神经网络的光伏功率预测方法，包括步骤：

4、(1)通过数据存储接口从数据采集存储单元中获得历史数据，所述历史数据包括光伏输出功率和气象数据；

5、(2)对气象数据进行相关性分析，筛选出与光伏输出功率相关性最高的多个气象特征，剔除冗余气象数据，将气象特征依据天气类型进行分类，得到多天气气象特征；

6、(3)对光伏输出功率数据进行小波变换，将其分解为时域和频域信息，将多天气气象特征与分解后的功率数据共同输入到神经网络中进行训练，得到不同天气类型下的光伏功率预测模型；

7、(4)获取实时气象数据和实时光伏输出功率，将所述实时光伏输出功率进行小波变换后，和依据不同天气类型划分的实时气象数据作为输入特征使用光伏功率模型进行预测，得到各子特征的预测结果，进行小波重构，输出光伏功率预测结果。

8、优选的，使用皮尔森相关系数进行步骤(2)所述相关性分析：

9、将光伏输出功率作为目标向量，可能影响光伏发电的气象因素作为特征向量，使用皮尔森相关系数对特征向量进行相关性分析，通过公式

10、

11、获得与光伏输出功率相关性程度最高的多个气象特征，其中，r为皮尔森相关系数，n为样本数量，xi为目标向量(即光伏输出功率)的样本值，为目标向量的均值，yi为特征向量(即某一气象因素)的样本值，为特征向量的均值。

12、优选的，对光伏输出功率数据进行离散小波变换，并将数据分解为低频部分的近似系数和高频部分的细节系数，具体公式为：

13、

14、

15、其中，x(t)是待变换的光伏输出功率数据，ψ()是母小波，将母小波进行缩放和平移得到ψa,b(t)，缩放因子为a，平移因子为b，在离散小波变换中，缩放和平移参数是整数变量m和n的函数，a＝2m且b＝n·2m。

16、所述不同天气类型包括晴天、多云和雨天。

17、以云的面积占据天空的百分比和降水量作为天气类型的判断依据，云量在0-30％为晴天，大于30％为多云，有降水量则为雨天。

18、优选的，步骤(3)所述神经网络采用径向基神经网络，隐含层的激活函数为径向基函数：

19、

20、其中，ci为第i个神经元的中心点，||xi-ci||为样本xi到中心点ci的欧氏距离，σ为高斯核的宽度；

21、径向基神经网络定义如下：

22、

23、其中，wj为第j个神经元的权值，径向基神经网络包含输入层、隐含层和输出层，为单隐层的神经网络，使用bp算法反向传播误差，并对隐含层到输出层的神经元权值进行寻优；

24、所述径向基神经网络搭建完成后，步骤(4)将特征输入到网络中进行训练，每组输入特征为经过小波变换后的光伏输出功率和相应的气象数据，每个子特征对应的标签为一个时间单位后的光伏输出功率的分解量。

25、优选的，误差函数采用均方误差：

26、

27、其中，n为样本个数，f(x)为第i个样本的神经网络输出值，y为第i个样本的真实值，q为神经元个数。

28、优选的，光伏功率预测模型采用滚动预测方式，即每次预测后加入最近预测时刻的实际光伏输出功率值至历史数据，作为新的特征输入到神经网络并对后续时刻的光伏功率进行预测。

29、优选的，小波重构的信号重构公式为：

30、

31、其中，cj(z)为重构的信号，f0(z)、f1(z)分别为低通滤波器和高通滤波器对应的滤波系数，cj+1(z)为小波分解中原始信号x(z)经过低通滤波器进行下采样得到的低频部分，dj+1(z)为原始信号经过高通滤波器得到的高频部分，k为变量；

32、信号重构过程为：

33、信号cj+1(z)在平均2个样本之间插入零值进行拉伸，即上采样过程，再经过低通滤波器得到大尺度地分辨率的逼近，此为低通输出；细节信号dj+1(z)经过上采样，并再通过高通滤波器得到高通输出，两者相加即为重构信号cj(z)。

34、本发明的优点在于：本发明提供一种基于小波变换和神经网络的光伏功率预测方法。小波变换可以隔离光伏功率数据中波动、峰值和不同类型的非平稳特征，结合径向基神经网络，提高光伏功率预测精度。相比于其他神经网络、混合模型的预测方法，本发明的基于小波变换和神经网络的光伏功率预测方法保证预测精度的同时，模型复杂度低、可拓展性强。

技术特征：

1.一种基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，包括步骤：

2.根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，使用皮尔森相关系数进行步骤(2)所述相关性分析：

3.根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，对光伏输出功率数据进行离散小波变换，并将数据分解为低频部分的近似系数和高频部分的细节系数，具体公式为：

4.根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，所述不同天气类型包括晴天、多云和雨天。

5.根据权利要求4所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，以云的面积占据天空的百分比和降水量作为天气类型的判断依据，云量在0-30％为晴天，大于30％为多云，有降水量则为雨天。

6.根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，步骤(3)所述神经网络采用径向基神经网络，隐含层的激活函数为径向基函数：

7.根据权利要求6所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，误差函数采用均方误差：

8.根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，光伏功率预测模型采用滚动预测方式，即每次预测后加入最近预测时刻的实际光伏输出功率值至历史数据，作为新的特征输入到神经网络并对后续时刻的光伏功率进行预测。

9.根据权利要求1所述基于小波变换和径向基神经网络的光伏功率预测方法，其特征在于，所述小波重构的信号重构公式为：

技术总结
本发明提供一种基于小波变换和径向基神经网络的光伏功率预测方法，获得光伏输出功率和气象数据的历史数据，对气象数据进行相关性分析，得到多天气气象特征，对光伏输出功率数据进行小波变换，分解为时域和频域信息，与多天气气象特征共同输入到神经网络中进行训练，得到不同天气类型下的光伏功率预测模型，获取实时气象数据和实时光伏输出功率，实时光伏输出功率进行小波变换后和实时气象数据作为输入特征使用光伏功率模型进行预测，得到各子特征的预测结果再进行小波重构，输出光伏功率预测结果。小波变换可以隔离光伏功率数据中波动、峰值和不同类型的非平稳特征，结合径向基神经网络，提高光伏功率预测精度，且模型复杂度低、可拓展性强。

技术研发人员：郭玥萌,傅春明,李军,张栋,李磊,刘振雷,王永军,张智勇,冀宵玉,姜玉凯,王俪璇
受保护的技术使用者：山东电工电气集团数字科技有限公司
技术研发日：
技术公布日：2024/1/15