[发明专利]一种光伏发电功率短期预测方法及装置

说明书

本发明公开了一种光伏发电功率短期预测方法及装置，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块。其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。

技术领域

本发明属于光伏发电领域，尤其涉及一种基于改进NARX神经网络算法的分布式光伏发电功率短期预测方法及装置。

背景技术

光伏发电系统受环境影响较为明显，具体表现在波动性、不确定性和间歇性，由于环境的变化会直接影响到光伏发电功率的多少，从而降低了光伏发电功率的预测精度。因此，建立行之有效的光伏发电功率短期预测模型对电网的安全调度和经济管理具有重要的意义。

迄今为止，学者们对光伏发电功率预测进行了不同层次的研究，其研究方法主要包括两种：统计预测方法和人工智能预测方法。在统计预测方法方面，建立多元线性回归预测算法进行光伏发电功率预测，模型的输入参数为风速和历史光伏发电功率。建立灰色神经网络组合模型，将温度和太阳辐射强度作为模型输入参数，预测未来24小时的光伏发电功率。在人工智能预测方法方面，采用距离分析法将发电功率与气象因素关联起来，输入因子确定为气温和湿度，建立基于BP神经网络的发电功率短期预测模型。通过建立循环神经网络(Recurrent Neural Network,RNN)的光伏发电功率预测模型，输入参数为辐照强度、温度、压力、时间和湿度。另外将不同天气类型下的辐照度作为特征参数，建立基于支持向量机(Support Vector Machine,SVM)的天气状态模式识别模型。建立动态贝叶斯网络的光伏发电短期概率预测模型，通过分析影响光伏发电功率的多种环境因素及各因素之间的关联，再依据当前时刻的影响因素预测短期光伏发电功率的概率分布。

也有相关文献基于NARX神经网络的光伏发电功率预测，将太阳能辐射量和电池板温度作为光伏发电功率的影响因素。NARX神经网络相比传统BP神经网络增加了时间序列的学习能力，但其在一定程度上继承了广义神经网络的特征，存在以下缺陷：收敛速度慢，容易陷入局部最优。同时也有文献提出基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测模型，利用遗传算法对深度受限玻耳兹曼机进行参数优化，解决了深度受限玻尔兹曼机可能会求得局部最小值和收敛速度慢等问题。

发明内容

针对上述问题，本发明为准确地预测光伏发电功率,以节约资源,提出了一种基于改进非线性自回归模型(NARX)神经网络算法的光伏发电功率短期预测模型。通过皮尔森相关分析选择影响发电功率的环境因素,利用遗传算法(GA)优化受限玻耳兹曼机(RBM)模型参数,避免陷入局部最优；利用优化后的RBM模型初始化NARX神经网络的参数。

GARBM-NARX算法采用遗传算法(GA)优化受限玻尔兹曼机(RBM)，主要有以下两个优点，一是利用GA为RBM选择训练数据的维数；二是利用GA来设定RBM的隐单元个数。采用优化后的RBM模型初始化NARX神经网络的权值和阈值，可以提高模型精度和训练速度。

为实现上述目的，本发明采取以下技术方案：

一种光伏发电功率短期预测方法及装置，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块。其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。

(1)数据输入输出及处理模块

①原始数据归一化和预测结果反归一化