[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

说明书

本发明公开了一种多维度同构异质BP神经网络光功率超短期预测方法，具体包括如下步骤：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；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；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；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；SS5下一个时段的预测开始时，重复步骤SS1至步骤SS4的过程。

技术领域

本发明涉及一种多维度同构异质BP神经网络光功率超短期预测方法，属于光伏发电功率预测技术领域。

背景技术

目前国家大力发展清洁能源技术，光伏发电是重要组成部分。光伏发电特点是可再生、无污染，限制在于出力随天气状况波动，并网后对于电网冲击大，特别是大规模集中式光伏电站更加明显。如果能提前预测光伏发电出力，则便于电网调度，合理安排制定发电计划，调节出力分布、经济调度等，因此准确预报光伏发电功率意义重大。

光功率预测方法分为数理模型法、统计模型法、智能模型法等，各有长短。人工神经网络在处理复杂的非线性问题时有良好的表现，作为智能模型法的一种，在光功率预测中得到了广泛使用。当前研究实践中发现在加入气象信息后才能取得良好的预测结果。光伏发电受到环境影响大，在春、夏、秋、冬四季不同的季节环境，晴、阴、雾、雨、雪等不同气象条件下发电出力情况差异明显。由于季节变化、气象条件复杂的特点，据此有研究提出多种模型的人工神经网络方法，而适应复杂气象条件是光功率预测需要解决的一个突出问题。

发明内容

为解决上述问题，已有文献采用了按季节分类和按天气类型分类的方法，分别采用不同的神经网络模型。本发明提出的多维度同构异质BP神经网络光功率超短期预测方法，采取对季节因素和气象环境统一分析归类的方法，从数据库中挑选匹配样本库训练，从而避免了建立多个神经网络模型，而且传导因子由气象数据训练得出，解决了发电出力随气象条件变化的问题。

本发明采用如下技术方案：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。

优选地，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。

优选地，步骤SS2包括：使用指数平滑法进行计算，采用如下公式

或者(t＝1,2,...)。

优选地，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。