[发明专利]一种基于T-S型模糊神经网络的光伏发电预测系统

摘要

本发明公开了一种基于T‑S型模糊神经网络的光伏发电预测系统，该预测系统包括模糊神经网络构造模块、模糊神经网络训练模块、模糊神经网络预测模块。本发明实现了太阳能光伏发电量的预测，实现了模糊推理系统和神经网络学习系统的有机结合、算法先进、预测精度高，提高了电网调度效率、保障电网安全运行，引入气象因素、提高了预测准确性和可靠性，为太阳能光伏发电的大规模并网提供了技术支持、可移植性高，只需要进行简单的修改，也可以为风能和其他新能源提供发电预测系统。

主权项

一种基于T‑S型模糊神经网络的光伏发电预测系统，其特征在于：所述预测系统包括模糊神经网络构造模块(1)、模糊神经网络训练模块(2)、模糊神经网络预测模块(3)；所述模糊神经网络构造模块(1)根据系统要求进行网络构造；所述模糊神经网络构造模块(1)进行网络参数初始化后，调取数据库中的训练样本信息，进行模糊神经网络训练模块(2)的网络训练；所述模糊神经网络训练模块(2)进行网络训练后，调取数据库中的测试样本信息进行测试，完成模糊神经网络预测模块(3)的网络测试；所述模糊神经网络预测模块(3)即可进行光伏发电预测；所述模糊神经网络构造模块(1)由T‑S型模糊系统和神经网络组成，包括前件网络和后件网络，前件网络包括四层，其中第一层为输入层，进行16个量输入，用x＝[x₁ x₂ … x₁₅ x₁₆]^T表示，N₁＝16；第二层对16个变量进行模糊分割{正大、零、负大}，每个输入量分为3个模糊子集，节点数隶属度函数采用高斯型隶属度函数，计算公式为，$u_i^j=e^{\frac{-{(x_i-c_{ij})}^2}{{\mathrm{\σ}}_{ij}^2}}---\left(1\right)$其中，c_ij隶属度的中心、σ_ij隶属度的中心宽度，初始值随机生成；第三层的每个节点代表一条模糊规则，通过计算每条规则的适应度与模糊规则的前件匹配，计算公式为，${\mathrm{\α}}_k=min\{u_1^{i1}{u}_2^{i2}...u_6^{i6}\}---\left(2\right)$其中，i₁∈[1,2,…,m₁],i₂∈[1,2,…,m₂],i_n∈[1,2,…,m_n],k＝1,2,…,m，节点总数N₃＝m；第四层节点数与第三层相同，N₄＝N₃，进行归一化计算，计算公式为，$\stackrel{\‾}{{\mathrm{\α}}_k}=\frac{{\mathrm{\α}}_k}{\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\α}}_i},i=1,2,...,6---\left(3\right);$后件网络由多个子网络组成，第一层为子网络输入层将输入变量传输到第二层以提供模糊规则后件中的常数项，第0个节点的输入值为x₀＝1；第二层子网络，计算每一条规则的后件，其中每个节点代表匹配一条T‑S模糊规则的后件，计算公式为，$y_{ij}=p_{j0}^i+p_{j1}^i{x}_1+...+p_{jn}^i{x}_6=\underset{k=0}{\overset{6}{\Σ}}{p}_{jk}^i{x}_k---\left(4\right);$第三层子网络，对变量进行计算并输出，计算公式为，$y_s=\underset{j=1}{\overset{m}{\Σ}}\stackrel{\‾}{{\mathrm{\α}}_k}{y}_{ij}---\left(5\right)$其中，y_s是各规则后件的加权和。