基于云自适应pso-snn的光伏系统发电功率预测方法
【技术领域】
[0001] 本发明涉及一种光伏系统发电功率预测方法，对光伏系统发电功率进行预测，属 于电力系统技术领域。
【背景技术】
[0002] 光伏系统的发电功率受到太阳辐照强度和环境温度等因素的影响，其功率的变化 具有随机性和波动性，会对电力系统的安全、稳定和经济运行造成冲击。因此，为协助电网 调度部门统筹安排，降低大规模光伏接入对电力系统的影响，保障系统安全和经济运行，有 必要对光伏系统的发电功率进行准确预测。
[0003] 目前，应用较多的光伏系统发电功率预测统计方法主要有基于数理统计理论的马 尔可夫链（markov chain)、自回归滑动平均（auto regressive moving average, ARMA) 〇 但是这些方法在考虑天气变化等不稳定因素的影响以及系统的非线性时，预测结果精度不 高。支持向量机（support vector machine, SVM)模型能较好解决小样本、非线性、高维数 等问题，但是必须给定一个误差参数c，数据处理时间较长，且核函数必须满足Mercer条 件。人工神经网络特别是反向传播人工神经网络（back propagation artificial neural network，BP-ANN)可以模仿人脑训练已有的信息，执行复杂的非线性映射，具有较强的自学 习、自适应和容错能力，被广泛应用于光伏功率预测中，但是其在处理大量历史数据以及预 测精度方面仍面临着巨大的挑战。
【发明内容】
[0004] 发明目的：本发明针对现有光伏系统发电功率预测技术中存在的问题，考虑季节 类型、天气类型、环境温度等影响因素时，导致预测结果准确度不高的缺陷，提供一种基于 云自适应PS0-SNN的光伏系统发电功率预测方法。以SNN强大的计算能力和善于处理基于 时间的问题等特点为基础，利用CAPS0算法搜索的随机性和稳定倾向性，优化SNN的多突触 连接权值，减少了对权值的约束，而且提高算法的收敛精度，全局收敛性好，进而改善了预 测模型的精度和泛化能力。
[0005] 技术方案：一种基于云自适应PS0-SNN的光伏系统发电功率预测方法，包括以下 步骤：
[0006] 1)获取光伏系统发电功率预测所需的基本数据：历史发电数据和原始气象数据； 其中历史发电数据为历史日每日08:00~17:00每间隔lh的整点时刻发电功率，原始气象 数据包括季节类型、天气类型、环境温度等影响因素；
[0007] 2)根据预测日的季节和天气类型预报信息从原始数据中挑选出相同季节和日类 型的历史发电日组成初步样本；
[0008] 3)统计初步样本中的日最高温度、最低温度、平均温度等信息，构成每日气象特征 向量，并对特征向量作归一化处理；
[0009] 4)计算第i日和预测日的总关联度氏，取氏彡0.8的历史发电日按日期顺序排 列，选取靠近预测日的6个历史发电日组成预测日的相似日集；
[0010] 5)数据预处理：对训练和测试样本集数据中坏数据进行剔除和补充，并对数据进 行归一化处理，将样本数据尺度变换到区间[0, 1]内，并设置网络初试参数；
[0011] 6)网络时间编码：使用Time-to-first-Spike编码方法将归一化后的模拟量数据 样本转换成相应的脉冲时间数据样本；
[0012] 7)利用训练样本数据对云自适应PS0-SNN进行训练，直到训练样本集中的输出样 本和期望输出样本的网络训练误差E <预先设定的允许误差e_;
[0013] 8)根据预测日前一个相似日的历史发电数据和影响因素生成预测输入向量，并将 预测输入向量输入训练后的云自适应PS0-SNN预测模型，其输出即为待预测日的发电功率 预测值。
[0014] 有益效果：本发明的光伏系统发电功率预测方法利用云自适应粒子群优化（cloud adaptive particle swarm optimization, CAPS0)算法优化 Spiking 神经网络进行建模预 测，利用SNN其良好的非线性函数逼近能力和强大的计算能力，结合CAPS0算法搜索的随机 性和稳定倾向性，提高算法的收敛性能，进而改善预测模型的精度和泛化能力。
【附图说明】
[0015] 图1为基于云自适应PS0-SNN的光伏系统发电功率预测方法的流程图；
[0016] 图2为Spiking神经网络采用的SRM神经元模型结构示意图；
[0017] 图3为3层前向Spiking神经网络预测模型结构示意图；
[0018] 图4为Spiking神经网络内部神经元间有延迟突触终端连接的结构示意图；
[0019] 图5为云自适应PS0算法的加速因子收敛曲线图；
[0020] 图6为云自适应PS0-SNN训练算法流程图；
[0021] 图7(a)为测试的SNN预测模型对预测曰连续7曰发电功率的预测曲线与实际曲 线图；
[0022] 图7(b)为测试的PS0-SNN预测模型对预测日连续7日发电功率的预测曲线与实 际曲线图；
[0023] 图7(c)为测试的CAPS0-SNN预测模型对预测日连续7日发电功率的预测曲线与 实际曲线图；
[0024] 图8(a)为测试的SNN预测模型对预测曰连续7曰预测结果的相对误差曲线图；
[0025] 图8(b)为测试的PS0-SNN预测模型对预测日连续7日预测结果的相对误差曲线 图；
[0026] 图8(c)为测试的CAPS0-SNN预测模型对预测日连续7日预测结果的相对误差曲 线图。
【具体实施方式】
[0027] 下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明 而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。
[0028] 本发明的思路是将云自适应粒子群优化算法和Spiking神经网络引入光伏系统 发电功率预测中，利用Spiking神经网络良好的非线性函数逼近能力和强大的计算能力和 CAPSO算法搜索的随机性和稳定倾向性，提高算法的收敛精度，进而提高光伏系统发电功率 预测精度。
[0029] Spiking 神经网络（Spiking Neural Network, SNN)的基本单元是 Spiking 神经 元，常用的 Spiking 神经元模型有 LIF 模型（Leaky Integrate-and-Fire model)，HH 模型 (Hodgkin-Huxley model)和 SRM 模型（Spike Response Model)。本发明中 Spiking 网络 采用的Spiking神经元模型是SRM模型即脉冲响应模型，其结构如图2所示。
[0030] 本文采用3层前向Spiking神经网络，网络结构如图3所示，其连续层中任意神经 元h和i间的连接结构如图4所示。
[0031] SNN连续层中任意两个神经元如h和i之间有多个突触子连接，而且每个突触子连 接具有可调节的突触延时d k和连接权值Whik。当神经元i接收到突触前神经元的输入，使 其膜电位值由低到高超过预先设定的神经元激发阈值 0时，其就发射一个脉冲（spike)， 并发送一个输出信号，称为突触后电位（post synaptic potential, PSP)。一个输入spike 产生的PSP的性能由脉冲响应函数（spike response function, SRF)来表示，其数学表达 式为：
[0032]
【主权项】
1. 一种基于云自适应PSO-SNN的光伏系统发电功率预测方法，其特征在于：包括以下 步骤： (1) 获取光伏系统发电功率预测所需的基本数据：历史发电数据和原始气象数据； (2) 根据预测日的季节和天气类型预报信息从原始数据中挑选出相同季节和日类型的 历史发电日组成初步样本； (3) 统计初步样本中的日最高温度、最低温度、平均温度等信息，构成每日气象特征向 量，并对特征向量作归一化处理； (4) 计算第i日和预测日的总关联度Ri，取Ri彡0. 8的历史发电日按日期顺序排列，选 取靠近预测日的6个历史发电日组成预测日的相似日集； (5) 数据预处理：对训练和测试样本集数据中坏数据进行剔除和补充，并对数据进行 归一化处理，将样本数据尺度变换到区间[〇，1]内，并设置网络初试参数； (6) 网络时间编码：使用Time-to-first-Spike编码方法将归一化后的模拟量数据样 本转换成相应的脉冲时间数据样本； (7) 利用训练样本数据对云自适应PSO-SNN进行训练，直到训练样本集中的输出样本 和期望输出样本的网络训练误差E <预先设定的允许误差emax; (8) 根据预测日前一个相似日的历史发电数据和影响因素生成预测输入向量，并将预 测输入向量输入训练后的云自适应PSO-SNN预测模型，其输出即为待预测日的发电功率预 测值。
2. 如权利要求1所述的基于云自适应PSO-SNN的光伏系统发电功率预测方法，其特 征在于：统计初步样本中的日最高温度、最低温度、平均温度等信息，构成每日气象特征向 量： Xr[Tih,TnX_ 式中：Tih、分别为第i个历史发电日的最高、最低和平均温度，°C。
3. 如权利要求1所述的基于云自适应PSO-SNN的光伏系统发电功率预测方法，其特征 在于：对气象特征向量按照下式进行归一化处理：
式中：Xi(k)为第i个历史日的第k个气象特征分量；XiminGO和 Xi_(k)分别为第k个 气象特征分量的最小值和最大值。
4. 如权利要求1所述的基于云自适应PSO-SNN的光伏系统发电功率预测方法，其特征 在于：计算预测日和第i个历史日第k个气象特征分量的关联系数：
式中：X'（k)、x' Jk)分别为归一化后的预测日和第i日第k个气象特征分量；P为 常数，本文取为0.5。
5. 如权利要求1所述的基于云自适应PSO-SNN的光伏系统发电功率预测方法，其特征 在于：计算第i日和预测日的总关联度Ri:
式中：m为气象特征向量的分量个数。
6. 如权利要求1所述的基于云自适应PSO-SNN的光伏系统发电功率预测方法，其特征 在于：采用最小均方误差函数作为网络误差函数：
式中：P为训练模式对数； <为输出层J的神经元实际发射脉冲的时间； < 为期望的脉 冲发射时间。
7. 如权利要求1所述的基于云自适应PSO-SNN的光伏系统发电功率预测方法，其特征 在于：将模拟量转换成脉冲时间的公式如下： T = T-(l_p*) 式中为归一化后的样本模拟量数据；TniaxS最大脉冲发射时间；T为神经元的脉冲 发射时间，ms。
【专利摘要】本发明公开一种基于云自适应PSO-SNN的光伏系统发电功率预测方法。方法包括以下步骤：1)根据预测日的季节和天气类型预报信息从样本库中挑选出相同季节和日类型的历史发电日组成初步样本；2)对样本数据进行坏数据剔除、补充以及归一化预处理；3)考虑最高、最低和平均温度，通过灰色关联分析法计算并排序关联度以确定各种天气类型下预测日的相似日集合；4)采用Time-to-first-Spike方法将模拟量数据转换成相应的脉冲时间数据；5)利用转换后的时间样本训练集对云自适应PSO-SNN预测模型进行训练；6)用训练后的预测模型对测试样本进行测试。本发明提供的方法有效地提高了预测精度，能够较好地解决光伏系统发电功率预测问题。
【IPC分类】G06Q10-04, G06Q50-06
【公开号】CN104820877
【申请号】CN201510264167
【发明人】孙国强, 陈通, 卫志农, 孙永辉, 臧海翔, 朱瑛
【申请人】河海大学
【公开日】2015年8月5日
【申请日】2015年5月21日