[发明专利]一种基于神经网络实例化的光伏功率预测方法及系统

权利要求书

1.一种基于神经网络实例化的光伏功率预测方法，其特征在于，包括：

获取待测的光伏电站所处的温度、辐照度和风速；

对所述温度、辐照度和风速进行归一化处理，得到归一化数据；

将所述归一化数据输入到预先训练好的预测模型中，得到所述待测的光伏电站的功率；

其中，所述预先训练好的预测模型是基于归一化后的光伏电站的历史温度、辐照度、风速以及对应的功率对预先构建的神经网络进行训练得到；

所述神经网络是基于电站的电气拓扑结构构建的。

2.如权利要求1所述的方法，其特征在于，所述神经网络包括：输入层、隐含层和输出层；

所述输入层，用于将归一化处理后的光伏电站的温度、辐照度和风速输入到所述预先训练好的神经网络中，并传输至隐含层；

所述隐含层，由电站的电气拓扑结构中发电单元的个数确定神经元的个数，用于对所述输入层传输的光伏电站的温度、辐照度和风速结合隐含层的连接权值和隐含层的阈值计算隐含层的输入，并基于隐含层的输入结合隐含层的激发函数计算得到隐含层输出，并将隐含层输出传给输出层；

所述输出层，基于隐含层输出和所述输出层的连接权值和输出层的阈值计算得到输出层输入，由所述输出层输入结合输出层的激发函数计算得到所述光伏电站所处的温度、辐照度和风速对应的功率，并将所述功率输出；

其中,所述光伏电站由多个发电单元组成。

3.如权利要求2所述的方法，其特征在于，所述预测模型的训练包括：

由归一化后的所述光伏电站的历史温度、辐照度、风速和对应的功率构建样本集；

将所述样本集按照设定比例划分为训练集和测试集；

由所述训练集中的归一化后的光伏电站的历史温度、辐照度和风速作为神经网络的输入，将所述训练集中的功率作为神经网络的输出对所述神经网络进行训练得到初始预测模型；

由所述测试集对所述初始预测模型进行测试，

基于所述测试集中的归一化后的光伏电站的历史温度、辐照度、风速作为所述初始预测模型的输入，由所述初始预测模型输出预测功率；

计算所述预测功率与所述测试集中的功率之间的误差，并将所述误差反向传递至神经网络的输出层和隐含层；

基于所述误差调整所述隐含层和所述输出层中的连接权值和阈值的大小直至达到设定的误差范围；

将所述误差达到设定的误差范围时的初始预测模型作为训练好的预测模型。

4.如权利要求1所述的方法，其特征在于，所述归一化数据按下式计算：

式中，x_i为温度、辐照度、风速或输出功率的原始历史数据；x_min为原始历史数据的最小值；x_max为原始历史数据的最大值；x′_i为归一化后的历史数据；i为第i个数据。

5.如权利要求所述2的方法，其特征在于，所述隐含层的激发函数如下式所示：

f⁽¹⁾(X)＝A*S*B*η*X；

式中，f⁽¹⁾为隐含层的激发函数；A为光伏组件的转换效率乘；S为对应发电单元的光伏组件面积；B光伏逆变器的逆变效率；η为升压变效率；X为上一层神经元输出。

6.如权利要求2所述的方法，其特征在于，所述输出层的激发函数如下式所示：

f⁽²⁾(X)＝E*X；

式中，f⁽²⁾为输出层的激发函数；E为电站并网主变压器的效率；X为上一层神经元输出。