[发明专利]一种基于灰色关联分析的神经网络光伏发电出力预测方法

权利要求书

1.一种基于灰色关联分析的遗传算法优化BP神经网络光伏发电短期出力预测方法，包括：

A、灰色关联度分析，确定最优相似小时段训练样本：将各个小时段内天气参数信息组成一个行为序列，通过灰色关联度分析的方法计算出待预测小时段行为序列与选定样本小时段行为序列的综合关联度系数；在此基础上，对待预测小时段前一个或多个小时段与该样本小时段前一个或多个小时段进行关联度分析，得到天气变化趋势的拟合程度；对以上两者按权重相加得到最终的关联度系数；对所得的最终的关联度系数进行降序排序，选取前K个样本作为最优相似小时段训练样本，K为自然数；

B、结合遗传算法，对神经网络进行训练：选取最优相似小时段训练样本的天气参数信息作为输入条件，选取最优相似小时段训练样本的光伏出力作为输出条件，对遗传算法优化的BP神经网络进行训练，得到具有联想记忆和预测能力的神经网络；由于每个小时段的出力特点不同，对于每个小时段都进行一次网络训练；

C、光伏出力预测，结果分析：选取预测日各个小时段的天气参数信息作为输入条件，结合步骤B训练完成的神经网络，以小时为步长对各个时间段出力进行预测；采用平均绝对百分比误差对系统的预测能力进行评价。

2.根据权利要求1所述的基于灰色关联分析的遗传算法优化BP神经网络光伏发电短期出力预测方法，其特征在于：所述的步骤A包括以下步骤：

A1、获取相关地区影响光伏出力历史天气参数信息以及预测日影响光伏出力天气参数信息，并形成各自的小时段行为序列X_i＝(x_i(1),x_i(2),…,x_i(n))，其中x_i(n)为某一种天气参数信息因素；

A2、采用区间化方法对步骤A1所述的历史天气参数信息以及预测日天气参数信息分别进行无纲量化处理，所述的无刚量化处理公式为：

xi′(k)=xi(k)-minixi(k)maxixi(k)-minixi(k),i=1,2,...,m,k=1,2,...,n]]>

其中，m为小时段行为序列个数，n为天气参数信息因素个数；

A3、将步骤A2处理过后的预测小时段天气信息行为序列作为参考序列X'_o＝(x'₀(1),x'₀(2),…,x'₀(n))，将步骤A2处理过后的历史天气信息小时段行为序列作为比较序列X′_i＝(x′_i(1),x′_i(2),…,x′_i(n))，计算两级最大、最小差，所述的两级最大、最小差计算公式为：

Δ_i(k)＝|x'₀(k)-x′_i(k)|

Δ(max)=maximaxkΔi(k)]]>

Δ(min)=miniminkΔi(k)]]>

其中，Δ_i(k)为级差，Δ(max)为两级最大差，Δ(min)为两级最小差；

A4、根据步骤A3得到的两级最大、最小差计算预测小时段天气信息与历史天气信息灰色关联系数，所述的灰色关联系数计算公式为：

γ0i(k)=Δ(min)+ρΔ(max)Δi(k)+ρΔ(max),ρ∈(0,1)]]>

γ0i=1nΣk=1nwkγ0i(k)]]>

其中，ρ为分辨系数，用来削弱Δ(max)过大而使关联系数失真的影响，w_k为各个因素权重；

A5、选取预测小时段前一个或多个小时段天气信息行为序列分别作为参考序列，与对应的历史天气信息行为序列按照步骤A3、A4的方法进行灰色关联度分析，将其分析结果作为衡量天气变化趋势的拟合程度；

A6、将步骤A4所得的预测小时段关联度分析结果与步骤A5所得的天气变化趋势拟合度结果按不同权重相加，得到最终的灰色关联度分析结果；对所得的关联度系数进行降序排序，选取前K个样本作为最优相似小时段训练样本，K根据实际精度要求确定。