[发明专利]基于MIV-BP神经网络的光伏功率短期分类预测方法

说明书

本发明实施例提供的基于MIV‑BP神经网络的光伏功率短期分类预测方法，利用MIV算法筛选不同条件下对光伏功率影响程度较大的天气因素作为预测模型的输入，并根据天气信息中的降雨量数据与数据采样时刻建立分类预测模型进行预测。现有方法多以太阳辐射强度、温度和湿度等作为预测模型的必要输入，通过根据天气因素中的降雨量将原始数据序列分解为降雨时刻序列和非降雨时刻序列，并利用平均影响值算法筛选不同条件下对光伏功率的影响程度较大的天气因素作为预测模型的输入，根据数据的采样时刻进一步将非降雨时刻序列分解，分别对各序列建立子模型进行预测，降低了光伏功率的预测成本，同时提高了预测模型在突变天气下的预测精度，提高了模型的适应性。

技术领域

本发明属于功率预测领域，特别涉及基于MIV-BP神经网络的光伏功率短期分类预测方法。

背景技术

随着能源消费的快速增长和气候环境的不断恶化，近年来，光伏发电技术得到了迅速发展，越来越多的MW级光伏发电系统并入电网。然而受天气条件影响，光伏功率的随机性和间歇性给电网的稳定运行和调度管理带来了巨大挑战。光伏功率精确预测不仅有利于光伏电站出力的协调调度，还能为电网的决策控制行为提供支撑，对提高电力系统运行的安全性和稳定性具有重要意义。

现有光伏功率预测方法主要包含物理法和统计法。物理法通过对光电转换装置和控制系统进行建模来预测光伏出力，其预测准确性取决于待测对象的结构和选用参数的精度，但该方法涉及环节多，过程较为复杂；统计法则是基于大量历史数据，运用数理统计、人工智能算法等获取光伏出力与天气数据、历史运行情况之间的规律，对数据样本的要求较高，且预测精度依赖于样本，难以衡量不同天气条件下，天气因素对光伏的影响程度。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提供了用于提高测量精确性的基于MIV-BP神经网络的光伏功率短期分类预测方法。

为了达到上述技术目的，本发明提供了基于MIV-BP神经网络的光伏功率短期分类预测方法，该方法包括：

步骤1，采集历史光伏功率序列和天气信息，根据天气信息中的降雨量数据将历史光伏功率序列划分为降雨时刻与非降雨时刻序列，并划分后得到的数据序列作标准化处理；

步骤2，建立BP神经网络，多次计算各输入变量的平均影响值，得到输入变量平均影响值绝对值的均值；

步骤3，筛选所述均值中的输入因素，根据数据采样时刻将划分得到的光伏序列进行分解，建立基于BP神经网络的分类预测模型；

步骤4，根据待预测点的天气信息与采样时刻，选取相对应的分类预测模型对各待测点的光伏功率进行预测，得到待测时段的光伏功率序列。

可选的，所述的步骤1，包括：

步骤11，采集历史光伏功率序列和天气信息，所述参数包括历史光伏功率以及各采样时刻的天气条件，包括降雨量、能见度、气温、气压、风速、风向等，即：

Y＝[y₁,y₂…,y_n-1,y_n] (1)

input＝[X₁,X₂,…,X_j] (2)

X_j＝[x_j1,x_j2,…x_jn] (3)

式中，n为采样时刻点总数，j为输入天气因素总数，y_n为时刻点n的光伏功率，input为预测模型的输入天气因素数据集，X_j为第j个天气因素序列，x_jn为时刻点n的第j个天气条件的具体值。