[发明专利]多维度同构异质BP神经网络光功率超短期预测方法

权利要求书

1.一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，具体包括如下步骤：

步骤SS1综合使用并网有功量测数据、气象子站量测数据、并网有功历史数据、气象子站历史数据及天气预报数据，对按天分段的数据进行分析，按气象条件接近、有功输出类似为条件计算相似度指标，并以此归类形成历史数据样本；

步骤SS2依据天气预报数据、气象子站量测数据对数值天气信息进行修正；

步骤SS3依据修正后的数值天气信息、以及归类后的历史数据样本，按气象条件接近的条件进行匹配，挑选接近的样本作为人工神经网络的输入训练样本；

步骤SS4针对BP神经网络进行输入数据归一化、训练样本筛选、预测输出；

步骤SS5下一个时段的预测开始时，重复步骤SS1至步骤SS4的过程。

2.根据权利要求1所述的一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，所述步骤SS1包括：(1)原始数据在使用前需要合理化处理，包括校验是否在最大最小值范围、数据质量情况、数据完整性；(2)使用综合的相似度指标，对气象条件、有功输出分别赋予不同的权重因子，并且对单一条件考虑最值、均值、变化幅度、增长方向。

3.根据权利要求1所述的一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，所述步骤SS2包括：使用指数平滑法进行计算，采用如下公式

或者

4.根据权利要求1所述的一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，所述步骤SS3包括：以未来4小时内的气象数据，计算特征指标，并且以该指标与样本数据进行匹配，找出接近的样本。

5.根据权利要求1所述的一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，所述步骤SS4所述的BP神经网络的构建方法为：在一个时段的预测中，选取有功输出、辐照度、温度、湿度作为输入；所述BP神经网络结构包括输入层、中间层、输出层，所述输入层由3个相似日、当天气象、当天前1小时数据构成，设定以小时为单位，间隔15分钟采集，每个相似日的有功输出、辐照度、温度、湿度一共4X4＝16个因子，当天气象的辐照度、温度、湿度一共3X4＝12个因子，当天前1小时的有功输出、辐照度、温度、湿度一共4X4＝16个因子，上述76个因子组成了输入层；所述中间层为隐含层；所述输出层用来输出预测1小时的有功功率，包括4个点。

6.根据权利要求5所述的一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，所述步骤SS4所述的归一化采用如下步骤：输入值必须进行归一化，将输入转换为[0,1]之间，功率输入转换公式为

相应的所述有功输出转换公式为

P_out＝(P_max-P_min)p+P_min

所述辐照度按照相同的方法进行转换；

所述温度按照区间带归一化处理；

所述湿度值为0-100之间的百分数，可以直接转换为小数。

7.根据权利要求1所述的一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，所述步骤SS4所述的训练样本筛选采用如下步骤：使用综合指标来衡量样本的差异，然后以此为依据筛选样本；衡量功率的指标，P＝k1*X1+k2*X2+k3*X3，其中，k1,k2,k3为权重系数，

方向指标X1，用来表示数据走向为升、降、或者拐弯；

最大最小值指标X2，为与参考日的最大最小值差异绝对值；

绝对误差均值指标X3，为与参考日的绝对误差均值；

计算中采用归一化后的数值。

8.根据权利要求5所述的一种多维度同构异质BP神经网络光功率超短期预测方法，其特征在于，所述步骤SS4所述的预测输出包括如下步骤：正向计算和反向传播，

所述正向计算过程为：

节点j输入为

节点j实际输出为O_j＝f_j(NET_j)

所述反向传播过程为：

所述输出层σ_j＝O_j(1-O_j)(T_j-O_j)，其中T为期望输出；

所述隐含层

权重的变化量ΔW_ij＝ησ_jO_i，其中i为j的相邻节点；

其中，误差函数采用最速下降法，要求成立ΔW_ij＝ησ_jO_i，经过多次循环到达停止条件。