[发明专利]基于GRNN神经网络的光伏发电预测方法

说明书

技术领域

本发明涉及一种基于广义回归(GRNN)神经网络光伏发电预测方法。

背景技术

由于太阳能等为可再生清洁能源，太阳能等新型能源在国内外得到了广泛的应用、太阳能的光伏发电功率与风力发电同样受天气、日照等不确定因素的影响，具有较强的随机间歇性，对电网安全运行带来了不稳定性。提高光伏发电功率预测精度，对发电计划制定，保证电网安全运行具有广泛的应用价值。

发明内容

本发明的目的是提供一种基于GRNN神经网络的光伏发电预测方法，首先考虑节气、天气、日照的因素，建立光伏曲线模式，提出基于广义回归(GRNN)神经网络光伏发电预测模型，并进行求解算法设计，目前国内尚未有相关技术的报道。

本发明的目的是通过以下技术方案实现的：

一种基于GRNN神经网络的光伏发电预测方法，具体实施步骤如下：

步骤1：分析光伏负荷的负荷特征和影响因子，运用K均值聚类方法对天气样本空间进行聚类分成二组，选取与预测日分为一组的各日光伏负荷数据建立负荷模式M＝{X₁,X₂,...,X_n+1}，其中选取与预测日最近的一日光伏负荷数据Y＝{y₁,y₂,…y_m}为网络期望输出，其余日光伏负荷数据M＝{X₁,X₂,...,X_n}为GRNN神经网络的输入向量，其中n为训练样本数，m为日光伏负荷数据个数(也是网络输出向量的维数)；

步骤2：建立GRNN神经网络预测模型后，计算模式层神经元输出，并分别计算两类求和层神经元输出S_D和S_Nk，并计算出网络实际输出向量Y^={y^1,y^2,...,y^m}.]]>

步骤3：对比网络实际输出和期望输出，计算误差目标函数，判断模型是否合格，如果合格进行步骤4，如不合格则通过再逐步增大平滑参数σ，修正模型之后重新计算模式层神经元输出、两类求和层神经元输出S_D和S_Nk和网络实际输出值直到误差函数小于给定精度，停止迭代，进行步骤4。

步骤4：将光伏负荷模式输入到GRNN神经网络预测模型中，按步骤3过程计算得到的网络输出即为光伏负荷预测向量

步骤5：对比预测结果与实际用户负荷，计算平均相对误差，VAR值等误差指标，并根据这些指标评价预测误差。

本发明具有以下优点：

1、GRNN网络的训练过程中不需要误差反向计算来修正权值，而只需要改变平滑参数σ来调节传递函数，减少了训练时间，加快网络学习速度；

2、GRNN神经网络预测模型非线性映射能力强，逼近性能好，具有较强鲁棒性，适用于处理不稳定数据；

3、GRNN神经网络的光伏发电预测技术，明显提高了预测精度；

4、预测结果可为电网光电调度提供决策信息，对保证电网安全运行具有重要意义。

附图说明

图1为GRNN神经网络结构；

图2为GRNN神经网络预测算法流程。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限如此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供了一种基于GRNN神经网络的光伏发电预测方法，包括以下内容：

一、按节气、天气、工作日和节假日等因素进行模糊聚类，选择与预测日相似的日光伏发电曲线，确定输入向量；建立预测GRNN神经网络结构；