[发明专利]提高预测各天气类型下光伏发电输出功率精度的方法及系统在审

专利信息
申请号: 202310532380.2 申请日: 2023-05-11
公开(公告)号: CN116599042A 公开(公告)日: 2023-08-15
发明(设计)人: 刘庆丰;刘裕兴;吴勇;杨强强 申请(专利权)人: 安徽理工大学
主分类号: H02J3/00 分类号: H02J3/00;H02J3/38;G06F18/213;G06F18/23;G06F18/24;G06F18/21;G06F18/27;G06N3/006;G06N3/044
代理公司: 暂无信息 代理人: 暂无信息
地址: 232001 安徽*** 国省代码: 安徽;34
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 提高 预测 天气 类型 下光伏 发电 输出功率 精度 方法 系统
【权利要求书】:

1.一种提高预测各天气类型下光伏发电输出功率精度的方法及系统,其特征在于,具体包括以下步骤:

步骤1:定义预测日天气特征向量,使用灰色关联度分析法将原始数据按照晴天、阴天、多云三种主要天气进行关联度聚类;

步骤2:使用多维尺度变换法MDS对原始冗余相似日数据降维,并归一化;

步骤3:确定Elman回归网络结构;

步骤4:将数据分类送入训练及测试网络;

步骤5:通过PSO粒子群算法优化Elman神经网络的初始权值和阈值;

步骤6:设置PSO-Elman主要参数为:进化次数为100,两个学习因子均为1.49,最大和最小权值分别为0.9,0.1;

步骤7:验证模型预测的准确性。

2.根据权利要求1所述的一种提高预测各天气类型下光伏发电输出功率精度的方法及系统其特征在于,所述步骤1中灰色关联度分析法具体为:

步骤1.1:确认确定比较数据序列Xi和参考数据序列Y,即Xi={Xi(k)/k=1,2...,m},i=1,2...,n,Y={Y(k)/k=1,2...,m},K分别为某日平均总辐射强度,散射辐射强度,组件温度,气压,相对湿度等特征向量;

步骤1.2:得出数列之间每个灰色关联度Cdr(i)如式(1)所示,式中ρ为分辨系数;

步骤1.3:取ρ=0.5,预测时取Cdr(i)0.8的比较数据序列来划分三种主要天气做为相似日样本。

3.根据权利要求1所述的一种提高预测各天气类型下光伏发电输出功率精度的方法及系统,其特征在于,所述步骤2具体为:

步骤2.1:假定n个m维的样本数据Xij,k,i,j∈(1,n),k∈(1,m),首先依据原始数据构造范式距离矩阵dij,k

步骤2.2:由距离矩阵Di,j=dij,k进行双中心化计算分别构造矩阵dis1[i,1]=([Di,j]2/i)T和dis2[1,i]=([Di,j]2/i);

步骤2.3:得出矩阵dis=Σdis1/i;

步骤2.4:计算出内积阵:

步骤2.5:最后求出B的特征值λi和特征向量并构造对角矩阵Lk,确定降维维数k值后,重构降维后拟合新的数据集Z。

4.根据权利要求1所述的一种提高预测各天气类型下光伏发电输出功率精度的方法及系统,其特征在于,所述步骤5具体为:

步骤5.1:初始化随机粒子;

步骤5.2:更新粒子速度与位置,如式(5)所示,各粒子在每一迭代过程中,对应自身速度Vd和位置Xd进行不断更新,其中,m为进化代数,n为惯性因子,可以体现上一次迭代速度的粒子能力,C1,C2为非负常数,randr1和randr2为0到1随机数;

步骤5.3:将粒子群优化算法与Elman局部回归网络相结合,计算自适应度,更新至最优个体,初始的个体适应度函数取自训练集与测试集整体的均方误差,如式(6)所示;

步骤5.4:使用PSO粒子群优化算法对该参数通过适应度函数判别,如果不满足要求则重复步骤5.2到步骤5.4,满足要求则继续步骤5.5;

步骤5.5:输出最优的权值和阈值参数;

步骤5.6:Elman得到最优参数进行训练预测。

5.根据权利要求1所述的一种提高预测各天气类型下光伏发电输出功率精度的方法及系统,其特征在于,所述步骤7具体为:

步骤7.1:选取某光伏发电站2017年夏季6到8月92天内出太阳时刻点(早上6点到傍晚6点),采样时间间隔15min,共计4784组数据作为明显特征的三种主要天气预测日的聚类样本;

步骤7.2:分别搭建Elman神经网络模型,PSO优化Elman神经网络模型和MDS-PSO-Elman模型,对比三种算例模型预测精度,来探析基于相似日理论和MDS-PSO-Elman的光伏发电预测模型对光伏发电功率预测结果精度。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于安徽理工大学,未经安徽理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202310532380.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top