[发明专利]一种基于SOA-WNN的光伏短期输出功率预测方法

说明书

本发明涉及一种基于SOA‑WNN的光伏短期输出功率预测方法，其技术特点在于：包括以下步骤：步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。本发明将小波分析与BP神经网络进行融合，可以改善原有算法的固有缺陷，并利用人群搜索法在速度及全局搜索上的优势对小波神经网络进行改进。

技术领域

本发明属于光伏技术领域，涉及光伏短期输出功率预测方法，尤其是一种基于SOA-WNN的光伏短期输出功率预测方法。

背景技术

随着社会经济的快速发展，能源消耗剧增，化石能源日趋枯竭，加之与日俱增的化石燃料燃烧所造成的环境污染，给地球的生态平衡和人类的生活带来了严重的威胁，所以建设大型的光伏电站来满足人类对能源的需求是当前的发展趋势。太阳能作为一种新型的绿色可再生能源，与其他新能源相比是最理想的可再生能源。特别是近几十年来，随着科学技术的不断进步，光伏及其相关产业成为世界发展最快的行业之一。因为它具有以下的特点：

(1)结构简单，体积小且轻；

(2)容易安装运输，建设周期短；

(3)维护简单，使用方便；

(4)清洁、安全、无噪声；

(5)可靠性高，寿命长，并且应用范围广。

但是由于光伏发电受太阳辐射强度电池组件温度天气云层和一些随机的因素的影响，系统运行过程是一个非平衡的随机过程，其发电量和输出电功率随机性强波动大不可控制，在天气突变时表现得尤为突出这种发电方式在接入电网后必会对电网的安全和管理带来一系列的问题，所以能较为准确的提前对光伏系统的出力做出预测变得尤为重要。

目前，光伏功率预测技术是国内外学者研究的热点问题，采用的方法主要有物理方法和统计方法两大类。在这些算法中，神经网络算法自身的学习能力、泛化能力应用最为广泛，但神经网络算法本身容易陷入局部最小，通常情况下需要进行改进或与其他方法进行组合以得到更好的预测性能。

发明内容

本发明的目的在于克服现有技术中的缺陷，提供一种设计合理、稳定性强、准确性高且能够明显提升小波神经网络预测算法的精度的基于SOA-WNN的光伏短期输出功率预测方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于SOA-WNN的光伏短期输出功率预测方法，包括以下步骤：

步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；

步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；

步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。

而且，所述步骤1的具体步骤包括：

(1)基于皮尔森相似系数的相似日选取原则采用距离分析法中皮尔森相似系数计算光伏出力与温度、风速、湿度、大气压各影响因素的相关性系数，并由此确定相似日选取。

(2)将小波分析和神经网络相结合，并采用紧密型结合的方式，建立小波神经网络。

而且，所述步骤2的具体步骤包括：

(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数；

(2)随机函数生成s个初始种群；