[发明专利]基于Spiking神经网络的光伏系统发电功率预测方法

说明书

技术领域

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

积极推广光伏发电系统的应用，有利于缓解化石能源的日益枯竭、温室效应、空气污染等能源和环境问题。但是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，对电网调度部门的出力安排提出了新的挑战。因此有必要对光伏系统的发电功率进行准确预测，预先获得其发电功率曲线，从而有助于电网调度部门统筹安排，有效降低大规模光伏接入对电力系统的影响，提高系统安全性和稳定性。

目前，针对光伏系统输出功率的随机性，国内外提出的用于发电功率预测的传统模型主要是基于数学统计理论的预测模型如马尔可夫链(Markov Chain)模型、自回归滑动平均(Auto Regressive Moving Average,ARMA)模型。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，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(Artificial Neural Network,ANN)可以模仿人脑训练已有的信息，掌握不同因素间的内部规律，执行复杂的数学映射，特别适合处理光伏发电功率和外部影响因素间的非线性关系。其中，反向传播人工神经网络(Back Propagation Artificial Neural Network,BP-ANN)因具有很强的学习能力、组织性、容错性和推理意识功能等优点而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

发明目的：针对现有技术中存在的问本发明针对现有光伏系统发电功率预测技术中考虑天气类型、太阳辐照强度、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Spiking神经网络的光伏系统发电功率预测方法。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，改善了预测模型的精度和泛化能力。

技术方案：一种基于Spiking神经网络的光伏系统发电功率预测方法，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；其中历史发电数据为历史日每日08:00～17:00每间隔1h的整点时刻发电功率，原始气象数据包括天气类型、太阳辐照强度、环境温度等影响因素；

2)按照天气类型将原始数据集分为4种类型粗选集：晴天、多云天、阴天和雨天；

3)在4种天气类型粗选集中，根据最高气温、最低气温、太阳辐照强度计算各历史发电日与预测日的欧氏距离，并将欧式距离按照升序排列，选取前6个对应的历史发电日组成预测日的相似日集；

4)初始化：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；

5)使用Time-to-first-Spike编码方法将归一化后的模拟量数据转换成相应的脉冲时间数据；

6)利用SpikeProp算法对Spiking神经网络进行训练，直到训练样本集中的输入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_max；

7)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Spiking网络，其输出即为待预测日的发电功率预测值；

8)使用Time-to-first-Spike编码方法将预测得到的脉冲时间数据反向转化成相应的模拟量数据，并反归一化得到光伏发电功率的预测值(功率值)。

有益效果：本发明的光伏系统发电功率预测方法利用Spiking神经网络进行建模预测，利用其良好的非线性函数逼近能力和强大的计算能力，改善预测模型的精度和泛化能力。

附图说明

图1为本发明实施例的基于Spiking神经网络的光伏系统发电功率预测方法的流程图；

图2为本发明实施例的Spiking神经网络采用的SRM神经元模型结构示意图；

图3为本发明实施例的3层前向Spiking神经网络预测模型结构示意图；

图4为本发明实施例的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；

图5(a)为本发明实施例测试的天气类型为晴天时光伏发电功率预测曲线与实际曲线图；