[发明专利]一种超短期光伏预测方法

摘要

本发明公开了一种超短期光伏预测方法，包含如下步骤：训练数据x选取；训练数据归一化处理；训练数据异常化处理；数据函数变换；显著性分析；广义回归神经网络模型训练；广义回归神经网络模型预测，该超短期光伏预测方法，利用广义回归神经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输入信号进入广义回归神经网络预测模型，有效提升了预测精度，另外训练样本选定后，广义回归神经网络结构和权值会自动确定，只需调整平滑参数即可，避免了循环训练的计算过程，更加快速地实现全局逼近的学习和预测能力。

主权项

1.一种超短期光伏预测方法，其特征在于，包含如下步骤：(1)训练数据x选取：以某日某地区气象因素信息为测试和训练数据基础，数据分辨率为15min，数据种类包含全球太阳能辐照度水平、大气层外直接太阳辐照强度、温度、湿度、云层覆盖率、平均风速、气压、降雨量、降雪量以及地面接收净辐射量；(2)训练数据归一化处理：针对训练数据作归一化处理，归一化处理的公式为s为样本标准差，为样本平均值；(3)训练数据异常化处理：针对归一化的数据x₁,x₂,···，x_g，删除异常数据，其中，利用莱以特准则删除异常数据，v_g为残差，s'为样本标准差；(4)数据函数变换：将第2步处理好的训练数据，作为原始训练数据组存储，同时针对原始训练数据组做函数变换并保存多组变换方案，其中函数变换包含但不限于数据开方自然对数lnx_g和指数模型x_gⁿ；(5)显著性分析：采用皮尔逊相关系数法针对所有训练数据组执行显著性分析，并分别对比多组分析结果，皮尔逊相关系数法的公式为cov为协方差，δ为标准差；(6)广义回归神经网络模型训练：以显著分析中提取的变换数据组为输入，具体为预测时段前2h的变换数据，对应未来1h辐照度为输出，训练广义回归神经网络预测模型，其中预测时段前2h的变换数据分为24个时刻点；(7)广义回归神经网络模型预测：利用训练好的广义回归神经网络预测模型，选取函数变换数据作输入，光伏电站输出功率作输出，实现对未来1h光伏电站输出功率的超短期预测。