基于云自適應(yīng)pso-snn的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，對(duì)光伏系統(tǒng)發(fā)電功率進(jìn)行預(yù)測(cè)，屬 于電力系統(tǒng)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 光伏系統(tǒng)的發(fā)電功率受到太陽(yáng)輻照強(qiáng)度和環(huán)境溫度等因素的影響，其功率的變化 具有隨機(jī)性和波動(dòng)性，會(huì)對(duì)電力系統(tǒng)的安全、穩(wěn)定和經(jīng)濟(jì)運(yùn)行造成沖擊。因此，為協(xié)助電網(wǎng) 調(diào)度部門統(tǒng)籌安排，降低大規(guī)模光伏接入對(duì)電力系統(tǒng)的影響，保障系統(tǒng)安全和經(jīng)濟(jì)運(yùn)行，有 必要對(duì)光伏系統(tǒng)的發(fā)電功率進(jìn)行準(zhǔn)確預(yù)測(cè)。
[0003] 目前，應(yīng)用較多的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)統(tǒng)計(jì)方法主要有基于數(shù)理統(tǒng)計(jì)理論的馬 爾可夫鏈（markov chain)、自回歸滑動(dòng)平均（auto regressive moving average, ARMA) 〇 但是這些方法在考慮天氣變化等不穩(wěn)定因素的影響以及系統(tǒng)的非線性時(shí)，預(yù)測(cè)結(jié)果精度不 高。支持向量機(jī)（support vector machine, SVM)模型能較好解決小樣本、非線性、高維數(shù) 等問(wèn)題，但是必須給定一個(gè)誤差參數(shù)c，數(shù)據(jù)處理時(shí)間較長(zhǎng)，且核函數(shù)必須滿足Mercer條 件。人工神經(jīng)網(wǎng)絡(luò)特別是反向傳播人工神經(jīng)網(wǎng)絡(luò)（back propagation artificial neural network，BP-ANN)可以模仿人腦訓(xùn)練已有的信息，執(zhí)行復(fù)雜的非線性映射，具有較強(qiáng)的自學(xué) 習(xí)、自適應(yīng)和容錯(cuò)能力，被廣泛應(yīng)用于光伏功率預(yù)測(cè)中，但是其在處理大量歷史數(shù)據(jù)以及預(yù) 測(cè)精度方面仍面臨著巨大的挑戰(zhàn)。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：本發(fā)明針對(duì)現(xiàn)有光伏系統(tǒng)發(fā)電功率預(yù)測(cè)技術(shù)中存在的問(wèn)題，考慮季節(jié) 類型、天氣類型、環(huán)境溫度等影響因素時(shí)，導(dǎo)致預(yù)測(cè)結(jié)果準(zhǔn)確度不高的缺陷，提供一種基于 云自適應(yīng)PS0-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法。以SNN強(qiáng)大的計(jì)算能力和善于處理基于 時(shí)間的問(wèn)題等特點(diǎn)為基礎(chǔ)，利用CAPS0算法搜索的隨機(jī)性和穩(wěn)定傾向性，優(yōu)化SNN的多突觸 連接權(quán)值，減少了對(duì)權(quán)值的約束，而且提高算法的收斂精度，全局收斂性好，進(jìn)而改善了預(yù) 測(cè)模型的精度和泛化能力。
[0005] 技術(shù)方案：一種基于云自適應(yīng)PS0-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，包括以下 步驟：
[0006] 1)獲取光伏系統(tǒng)發(fā)電功率預(yù)測(cè)所需的基本數(shù)據(jù)：歷史發(fā)電數(shù)據(jù)和原始?xì)庀髷?shù)據(jù)； 其中歷史發(fā)電數(shù)據(jù)為歷史日每日08:00~17:00每間隔lh的整點(diǎn)時(shí)刻發(fā)電功率，原始?xì)庀?數(shù)據(jù)包括季節(jié)類型、天氣類型、環(huán)境溫度等影響因素；
[0007] 2)根據(jù)預(yù)測(cè)日的季節(jié)和天氣類型預(yù)報(bào)信息從原始數(shù)據(jù)中挑選出相同季節(jié)和日類 型的歷史發(fā)電日組成初步樣本；
[0008] 3)統(tǒng)計(jì)初步樣本中的日最高溫度、最低溫度、平均溫度等信息，構(gòu)成每日氣象特征 向量，并對(duì)特征向量作歸一化處理；
[0009] 4)計(jì)算第i日和預(yù)測(cè)日的總關(guān)聯(lián)度氏，取氏彡0.8的歷史發(fā)電日按日期順序排 列，選取靠近預(yù)測(cè)日的6個(gè)歷史發(fā)電日組成預(yù)測(cè)日的相似日集；
[0010] 5)數(shù)據(jù)預(yù)處理：對(duì)訓(xùn)練和測(cè)試樣本集數(shù)據(jù)中壞數(shù)據(jù)進(jìn)行剔除和補(bǔ)充，并對(duì)數(shù)據(jù)進(jìn) 行歸一化處理，將樣本數(shù)據(jù)尺度變換到區(qū)間[0, 1]內(nèi)，并設(shè)置網(wǎng)絡(luò)初試參數(shù)；
[0011] 6)網(wǎng)絡(luò)時(shí)間編碼：使用Time-to-first-Spike編碼方法將歸一化后的模擬量數(shù)據(jù) 樣本轉(zhuǎn)換成相應(yīng)的脈沖時(shí)間數(shù)據(jù)樣本；
[0012] 7)利用訓(xùn)練樣本數(shù)據(jù)對(duì)云自適應(yīng)PS0-SNN進(jìn)行訓(xùn)練，直到訓(xùn)練樣本集中的輸出樣 本和期望輸出樣本的網(wǎng)絡(luò)訓(xùn)練誤差E <預(yù)先設(shè)定的允許誤差e_;
[0013] 8)根據(jù)預(yù)測(cè)日前一個(gè)相似日的歷史發(fā)電數(shù)據(jù)和影響因素生成預(yù)測(cè)輸入向量，并將 預(yù)測(cè)輸入向量輸入訓(xùn)練后的云自適應(yīng)PS0-SNN預(yù)測(cè)模型，其輸出即為待預(yù)測(cè)日的發(fā)電功率 預(yù)測(cè)值。
[0014] 有益效果：本發(fā)明的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法利用云自適應(yīng)粒子群優(yōu)化（cloud adaptive particle swarm optimization, CAPS0)算法優(yōu)化 Spiking 神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù) 測(cè)，利用SNN其良好的非線性函數(shù)逼近能力和強(qiáng)大的計(jì)算能力，結(jié)合CAPS0算法搜索的隨機(jī) 性和穩(wěn)定傾向性，提高算法的收斂性能，進(jìn)而改善預(yù)測(cè)模型的精度和泛化能力。
【附圖說(shuō)明】
[0015] 圖1為基于云自適應(yīng)PS0-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法的流程圖；
[0016] 圖2為Spiking神經(jīng)網(wǎng)絡(luò)采用的SRM神經(jīng)元模型結(jié)構(gòu)示意圖；
[0017] 圖3為3層前向Spiking神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)示意圖；
[0018] 圖4為Spiking神經(jīng)網(wǎng)絡(luò)內(nèi)部神經(jīng)元間有延遲突觸終端連接的結(jié)構(gòu)示意圖；
[0019] 圖5為云自適應(yīng)PS0算法的加速因子收斂曲線圖；
[0020] 圖6為云自適應(yīng)PS0-SNN訓(xùn)練算法流程圖；
[0021] 圖7(a)為測(cè)試的SNN預(yù)測(cè)模型對(duì)預(yù)測(cè)曰連續(xù)7曰發(fā)電功率的預(yù)測(cè)曲線與實(shí)際曲 線圖；
[0022] 圖7(b)為測(cè)試的PS0-SNN預(yù)測(cè)模型對(duì)預(yù)測(cè)日連續(xù)7日發(fā)電功率的預(yù)測(cè)曲線與實(shí) 際曲線圖；
[0023] 圖7(c)為測(cè)試的CAPS0-SNN預(yù)測(cè)模型對(duì)預(yù)測(cè)日連續(xù)7日發(fā)電功率的預(yù)測(cè)曲線與 實(shí)際曲線圖；
[0024] 圖8(a)為測(cè)試的SNN預(yù)測(cè)模型對(duì)預(yù)測(cè)曰連續(xù)7曰預(yù)測(cè)結(jié)果的相對(duì)誤差曲線圖；
[0025] 圖8(b)為測(cè)試的PS0-SNN預(yù)測(cè)模型對(duì)預(yù)測(cè)日連續(xù)7日預(yù)測(cè)結(jié)果的相對(duì)誤差曲線 圖；
[0026] 圖8(c)為測(cè)試的CAPS0-SNN預(yù)測(cè)模型對(duì)預(yù)測(cè)日連續(xù)7日預(yù)測(cè)結(jié)果的相對(duì)誤差曲 線圖。
【具體實(shí)施方式】
[0027] 下面結(jié)合具體實(shí)施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解這些實(shí)施例僅用于說(shuō)明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對(duì)本發(fā)明的各種等價(jià) 形式的修改均落于本申請(qǐng)所附權(quán)利要求所限定的范圍。
[0028] 本發(fā)明的思路是將云自適應(yīng)粒子群優(yōu)化算法和Spiking神經(jīng)網(wǎng)絡(luò)引入光伏系統(tǒng) 發(fā)電功率預(yù)測(cè)中，利用Spiking神經(jīng)網(wǎng)絡(luò)良好的非線性函數(shù)逼近能力和強(qiáng)大的計(jì)算能力和 CAPSO算法搜索的隨機(jī)性和穩(wěn)定傾向性，提高算法的收斂精度，進(jìn)而提高光伏系統(tǒng)發(fā)電功率 預(yù)測(cè)精度。
[0029] Spiking 神經(jīng)網(wǎng)絡(luò)（Spiking Neural Network, SNN)的基本單元是 Spiking 神經(jīng) 元，常用的 Spiking 神經(jīng)元模型有 LIF 模型（Leaky Integrate-and-Fire model)，HH 模型 (Hodgkin-Huxley model)和 SRM 模型（Spike Response Model)。本發(fā)明中 Spiking 網(wǎng)絡(luò) 采用的Spiking神經(jīng)元模型是SRM模型即脈沖響應(yīng)模型，其結(jié)構(gòu)如圖2所示。
[0030] 本文采用3層前向Spiking神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，其連續(xù)層中任意神經(jīng) 元h和i間的連接結(jié)構(gòu)如圖4所示。
[0031] SNN連續(xù)層中任意兩個(gè)神經(jīng)元如h和i之間有多個(gè)突觸子連接，而且每個(gè)突觸子連 接具有可調(diào)節(jié)的突觸延時(shí)d k和連接權(quán)值Whik。當(dāng)神經(jīng)元i接收到突觸前神經(jīng)元的輸入，使 其膜電位值由低到高超過(guò)預(yù)先設(shè)定的神經(jīng)元激發(fā)閾值 0時(shí)，其就發(fā)射一個(gè)脈沖（spike)， 并發(fā)送一個(gè)輸出信號(hào)，稱為突觸后電位（post synaptic potential, PSP)。一個(gè)輸入spike 產(chǎn)生的PSP的性能由脈沖響應(yīng)函數(shù)（spike response function, SRF)來(lái)表示，其數(shù)學(xué)表達(dá) 式為：
[0032]
【主權(quán)項(xiàng)】
1. 一種基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，其特征在于：包括以下 步驟： (1) 獲取光伏系統(tǒng)發(fā)電功率預(yù)測(cè)所需的基本數(shù)據(jù)：歷史發(fā)電數(shù)據(jù)和原始?xì)庀髷?shù)據(jù)； (2) 根據(jù)預(yù)測(cè)日的季節(jié)和天氣類型預(yù)報(bào)信息從原始數(shù)據(jù)中挑選出相同季節(jié)和日類型的 歷史發(fā)電日組成初步樣本； (3) 統(tǒng)計(jì)初步樣本中的日最高溫度、最低溫度、平均溫度等信息，構(gòu)成每日氣象特征向 量，并對(duì)特征向量作歸一化處理； (4) 計(jì)算第i日和預(yù)測(cè)日的總關(guān)聯(lián)度Ri，取Ri彡0. 8的歷史發(fā)電日按日期順序排列，選 取靠近預(yù)測(cè)日的6個(gè)歷史發(fā)電日組成預(yù)測(cè)日的相似日集； (5) 數(shù)據(jù)預(yù)處理：對(duì)訓(xùn)練和測(cè)試樣本集數(shù)據(jù)中壞數(shù)據(jù)進(jìn)行剔除和補(bǔ)充，并對(duì)數(shù)據(jù)進(jìn)行 歸一化處理，將樣本數(shù)據(jù)尺度變換到區(qū)間[〇，1]內(nèi)，并設(shè)置網(wǎng)絡(luò)初試參數(shù)； (6) 網(wǎng)絡(luò)時(shí)間編碼：使用Time-to-first-Spike編碼方法將歸一化后的模擬量數(shù)據(jù)樣 本轉(zhuǎn)換成相應(yīng)的脈沖時(shí)間數(shù)據(jù)樣本； (7) 利用訓(xùn)練樣本數(shù)據(jù)對(duì)云自適應(yīng)PSO-SNN進(jìn)行訓(xùn)練，直到訓(xùn)練樣本集中的輸出樣本 和期望輸出樣本的網(wǎng)絡(luò)訓(xùn)練誤差E <預(yù)先設(shè)定的允許誤差emax; (8) 根據(jù)預(yù)測(cè)日前一個(gè)相似日的歷史發(fā)電數(shù)據(jù)和影響因素生成預(yù)測(cè)輸入向量，并將預(yù) 測(cè)輸入向量輸入訓(xùn)練后的云自適應(yīng)PSO-SNN預(yù)測(cè)模型，其輸出即為待預(yù)測(cè)日的發(fā)電功率預(yù) 測(cè)值。
2. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，其特 征在于：統(tǒng)計(jì)初步樣本中的日最高溫度、最低溫度、平均溫度等信息，構(gòu)成每日氣象特征向 量： Xr[Tih,TnX_ 式中：Tih、分別為第i個(gè)歷史發(fā)電日的最高、最低和平均溫度，°C。
3. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，其特征 在于：對(duì)氣象特征向量按照下式進(jìn)行歸一化處理：
式中：Xi(k)為第i個(gè)歷史日的第k個(gè)氣象特征分量；XiminGO和 Xi_(k)分別為第k個(gè) 氣象特征分量的最小值和最大值。
4. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，其特征 在于：計(jì)算預(yù)測(cè)日和第i個(gè)歷史日第k個(gè)氣象特征分量的關(guān)聯(lián)系數(shù)：
式中：X'（k)、x' Jk)分別為歸一化后的預(yù)測(cè)日和第i日第k個(gè)氣象特征分量；P為 常數(shù)，本文取為0.5。
5. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，其特征 在于：計(jì)算第i日和預(yù)測(cè)日的總關(guān)聯(lián)度Ri:
式中：m為氣象特征向量的分量個(gè)數(shù)。
6. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，其特征 在于：采用最小均方誤差函數(shù)作為網(wǎng)絡(luò)誤差函數(shù)：
式中：P為訓(xùn)練模式對(duì)數(shù)； <為輸出層J的神經(jīng)元實(shí)際發(fā)射脈沖的時(shí)間； < 為期望的脈 沖發(fā)射時(shí)間。
7. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法，其特征 在于：將模擬量轉(zhuǎn)換成脈沖時(shí)間的公式如下： T = T-(l_p*) 式中為歸一化后的樣本模擬量數(shù)據(jù)；TniaxS最大脈沖發(fā)射時(shí)間；T為神經(jīng)元的脈沖 發(fā)射時(shí)間，ms。
【專利摘要】本發(fā)明公開(kāi)一種基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)方法。方法包括以下步驟：1)根據(jù)預(yù)測(cè)日的季節(jié)和天氣類型預(yù)報(bào)信息從樣本庫(kù)中挑選出相同季節(jié)和日類型的歷史發(fā)電日組成初步樣本；2)對(duì)樣本數(shù)據(jù)進(jìn)行壞數(shù)據(jù)剔除、補(bǔ)充以及歸一化預(yù)處理；3)考慮最高、最低和平均溫度，通過(guò)灰色關(guān)聯(lián)分析法計(jì)算并排序關(guān)聯(lián)度以確定各種天氣類型下預(yù)測(cè)日的相似日集合；4)采用Time-to-first-Spike方法將模擬量數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的脈沖時(shí)間數(shù)據(jù)；5)利用轉(zhuǎn)換后的時(shí)間樣本訓(xùn)練集對(duì)云自適應(yīng)PSO-SNN預(yù)測(cè)模型進(jìn)行訓(xùn)練；6)用訓(xùn)練后的預(yù)測(cè)模型對(duì)測(cè)試樣本進(jìn)行測(cè)試。本發(fā)明提供的方法有效地提高了預(yù)測(cè)精度，能夠較好地解決光伏系統(tǒng)發(fā)電功率預(yù)測(cè)問(wèn)題。
【IPC分類】G06Q10-04, G06Q50-06
【公開(kāi)號(hào)】CN104820877
【申請(qǐng)?zhí)枴緾N201510264167
【發(fā)明人】孫國(guó)強(qiáng), 陳通, 衛(wèi)志農(nóng), 孫永輝, 臧海翔, 朱瑛
【申請(qǐng)人】河海大學(xué)
【公開(kāi)日】2015年8月5日
【申請(qǐng)日】2015年5月21日