[发明专利]一种基于BAS-BP的光伏发电功率预测方法

说明书

本发明公开了一种基于BAS‑BP的光伏发电功率预测方法，按下述步骤进行：a、获取光伏电站的历史光伏发电功率和气象数据，并对所述历史光伏发电功率和气象数据进行归一化处理形成数据集，将数据集分为训练样本集和测试样本集；b、初始化BP神经网络，其拓扑结构确定为M‑N‑1形式，其中M、N、1分别代表3层BP神经网络的输入层、隐含层、输出层的节点数；初始化BAS算法并计算天牛的空间位置x处的适应度函数，BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置x_best，将x_best作为BP神经网络的初始权重，实现BAS‑BP模型的构建；c、利用训练样本集对构建好的BAS‑BP进行训练，获得最优BAS‑BP预测模型，再利用测试样本集的相应数据作为最优BAS‑BP预测模型的输入，进而预测光伏发电功率。本发明能够极大提高BP神经网络的运行速度和光伏发电功率预测的准确性。

技术领域

本发明涉及光伏技术领域，具体为一种基于BAS-BP的光伏发电功率预测方法。

背景技术

随着化石能源的日益枯竭，太阳能作为一种取之不尽、用之不竭的新型清洁能源愈来愈受到人们的关注。太阳能光伏发电技术的迅速发展，导致光伏发电系统在电力系统的比重不断提升。光伏发电功率受气象因素影响表现出较强的随机性、波动性，这些特性会使得大规模光伏电站并网对电网的安全稳定运行造成巨大挑战。因此，有必要及时、准确地预测光伏发电功率，这对电力系统和光伏电站的安全稳定运行有着重要意义，同时也有利于电力系统调度部门制定合理的调度计划。

在诸多的光伏发电功率预测方法中，以BP神经网络为代表的机器学习预测方法是近些年来的研究热点。该方法在训练过程中，通过误差反向传播，不断修正权值，直至神经网络的误差达到预定的精度，从而获得较为理想的预测效果。但BP神经网络存在收敛速度慢、易陷入局部最小值等问题。为解决这一问题，许多学者采用启发式算法来优化BP神经网络，包括遗传算法(GA)、粒子群算法(PSO)、蝙蝠算法(BA)等。这些优化算法虽然能够解决BP神经网络存在的问题，但在实际中往往需要设置较大的种群规模和较高的迭代次数来保证优化效果，这就会导致算法整体的寻优速度较慢。天牛须搜索(beetle antennae search，BAS)是2017年提出的一种有效的启发式搜索算法，与GA、PSO等传统寻优算法类似，BAS无需知道函数的具体形式就可完成自动寻优，且BAS最大的优点是其寻优个体仅为一个，运算量大大降低，相应的搜索速度大幅提高。因此，如何将BP神经网络和BAS相结合，并运用在光伏发电功率预测上是本领域技术人员亟待解决的技术问题。

发明内容

本发明的目的在于，提供一种基于BAS-BP的光伏发电功率预测方法。本发明能够通过BAS不断迭代寻找BP神经网络的最优初始权重，从而解决BP神经网络存在的收敛速度慢、易陷入局部最小值问题，极大地提高了BP神经网络的运行速度和光伏发电功率预测的准确性。

本发明的技术方案：一种基于BAS-BP的光伏发电功率预测方法，按下述步骤进行：

a、获取光伏电站的历史光伏发电功率和气象数据，并对所述历史光伏发电功率和气象数据进行归一化处理形成数据集，将数据集分为训练样本集和测试样本集；

b、初始化BP神经网络，其拓扑结构确定为M-N-1形式，其中M、N、1分别代表3层BP神经网络的输入层、隐含层、输出层的节点数；初始化BAS算法并计算天牛的空间位置x处的适应度函数，BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置x_best，将x_best作为BP神经网络的初始权重，实现BAS-BP模型的构建；

c、利用训练样本集对构建好的BAS-BP模型进行训练，获得最优BAS-BP预测模型，再利用测试样本集的相应数据作为最优BAS-BP预测模型的输入，进而实现光伏发电功率的精准预测。