[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
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 | ||
本发明涉及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,属于光伏发电输出功率预测技术领域。首先,采用灰色关联度适应度判别,筛选出与光伏发电预测日相关度高的相似日,并通过MDS多维尺度变换法给数据降维,提高数据分类的准确性并消除冗余数据,最后,针对Elman神经网络预测模型权值和阈值盲目随机的缺点,易陷入局部最优问题,采用PSO优化预测模型初始参数。与实际光伏发电系统功率相比,该研究方法能够有效预测各天气类型下的光伏发电输出功率,且精度较高。
技术领域
本发明属于光伏发电输出功率预测技术领域,具体涉及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,与实际光伏发电系统功率相比,该方法能够有效预测各天气类型下的光伏发电输出功率,且精度较高。
背景技术
光伏发电系统具有间歇性、随机性和波动性等特点,且大规模光伏发电系统具很强波动性和随机性,对并网的安全性和可靠性提出了重大挑战,所以需要精度更高的光伏发电系统输出功率预测模型来实时预测,平衡负荷功耗。由于负荷端的波动性较强,尤其受极端天气影响,预测难度较大,负荷预测精度难以达标,因此,对提升超短期光伏功率预测精准度及安全性的研究具有重要作用。
现阶段,国内外研究专家针对短期功率预测提出了诸如时间序列法、数据挖掘法、支持向量机法、人工神经网络法等多种预测方法,但都有其局限性。
有学者通过历史气候数据信息,筛选更符合预测日天气特性的相似日作为训练样本,并采用GA优化BP神经网络预测,提高预测精度。另有针对算法模型特征向量输入值较多,会降低光伏功率预测的安全性与准确性的问题,提出一种结合Spearman相关系数改进MIV算法的数据处理方法,筛选出对输出变量相关程度最大的输入变量。此外,现有研究指出同样基于相似日理论,提出纵横交叉算法CSO来优化改进的高斯过程回归WGPR算例的超参数,且大幅提升了算例的预测问题准确性。
光伏输出功率主要受天气因素影响,不同天气类型下其辐射、温湿度、大气压强、风向等气象因子均有明显区别。
近年来随着深度学习的流行,深度学习方法被广泛应用于光伏发电功率预测领域,并取得了出色的成果。深度学习可以自动从数据中学习有用的功能,而不是使用传统的特征选择方法传统的功率预测模型对复杂数据处理,结果精度等方面占优,但对存在波动性和时序性特点的光伏发电功率数据处理仍有不足之处。
发明内容
本发明的目的在于针对光伏电站系统输出功率受环境因素影响较大,具不确定性,对并网安全稳定运行具有重大影响的问题,提出了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,通过搭建的几种模型对比分析,结果表明在少量相似日数据输入时,使用MDS-PSO-Elman算法的光伏发电系统仍可以快速准确的预测实时输出功率,在不同天气特征条件下均具有良好的效果,且具有较强的泛化性能和实用性。
本发明技术方案是:首先基于灰色关联度分析法根据主要天气特征类型对历史数据进行聚类,再由PSO算法优化Elman神经网络初始权值和阈值,模型的训练集为经MDS数据降维处理后的相似日的天气特征数据与对应光伏发电系统输出功率,再依据预测日的天气特征数据和输出功率送入测试集,模型建好后得出预测结果与实际输出功率值相比较。
综上所述,本发明是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,包括以下步骤实施:
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;
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/202310532380.2/2.html,转载请声明来源钻瓜专利网。