[发明专利]基于二次动态调整的神经网络光伏功率预测模型及方法

说明书

本发明公开了一种基于二次动态调整的神经网络光伏功率预测模型及方法，预测模型基于资源分配神经网络，用历史数据离线训练资源分配网络学习规则，得到在线预测以及后台二次动态调节的初始神经网络预测模型；将初始预测模型投入实际光伏功率预测，以实时数据作为模型输入，记录预测结果偏差较大的样本；误差较大的预测结果再次出现时，将与缓冲区的数据进行匹配，若出现特征相似的输入数据，则增加当前类型的输入样本支持度；具有相似特征的输入样本满足出现支持度阈值时，启用二次动态调节，调整预测模型的结构以学习该类样本。本发明在解决神经网络预测模型单一依赖离线训练样本问题的同时，使预测模型具备在线学习能力，更适应光伏功率的特性。

技术领域

本发明涉及光伏发电功率预测领域，尤其涉及一种基于二次动态调整的神经网络光伏功率预测模型及方法。

背景技术

如今，太阳能光伏发电因其清洁、安全、便利、高效等特点，已成为世界各国普遍关注和重点发展的新兴产业，也已成为新能源和可再生能源的重要组成部分，发展迅速。然而，光伏发电量与气象条件紧密相关，具有不确定性和波动性。这使得控制光伏系统的输出以及维持总发电量的供需平衡十分困难，极易影响电力系统的效率和可靠性。在这种情况下，光伏功率预测作为一种经济可靠的解决方案得以提出。精确的光伏发电量预测能够减少其波动性对电力系统的影响，增加光伏系统在电网结构中的集成度，控制电能质量，保证系统的稳定运行。

与其他各类预测模型和方法相比较，人工神经网络(ANN)模型因其极强的学习和非线性逼近能力，而被广泛应用于光伏功率预测。传统的基于神经网络的预测模型大多采用离线训练的模式，这类模型单一地依赖训练数据，而训练数据只具有有限的特征覆盖度，不具备代表性，不能包含光伏功率所有的特性。其次，实际光伏功率预测过程中会遇到各种各样动态的变化，这与离线训练过程完全不同，仅经过离线训练的预测模型不能很好适应这类实际情况。除此以外，光伏发电系统本身也处于动态的变化过程中，系统中每个单一模块的变化都会影响最终的功率输出。这些问题都将影响预测模型的预测准确性，仅经过离线训练的预测模型的预测效果将不断下降。

发明内容

本发明针对现有的神经网络光伏功率预测模型单一依赖训练样本特征，不具备在线学习能力，无法适应光伏功率动态变化特性的问题，提出了一种基于二次动态调整的神经网络光伏功率预测模型及方法。

为实现上述目的，本发明提供如下技术方案：基于二次动态调整的神经网络光伏功率预测模型，包括数据通信和处理模块、数据存储模块、离线训练模块、在线预测学习模块；数据通信和处理模块通过采集外部数据，数据进行预处理，并将得到的预测结果后上传至能量管理系统或区域调度系统；数据存储模块将采集到的数据存储在数据库中或以文本文件存储；离线训练模块基于资源分配网络学习规则，利用现有的样本数据作为预测模型的输入，依据学习规则，调整预测模型结构及参数，获得可同时用于光伏功率在线预测以及后台二次动态调节的初始神经网络预测模型；在线预测学习模块包括了：数据采集监测部分和结构调整部分；数据采集监测部分在初始预测模型投入实际预测应用后采集实际的输入输出数据，进一步对预测输出和实际输出进行比较；结构调整部分主要负责模型结构的二次动态调整，当数据采集监测部分发现当前数据满足预设的调整策略条件时，对预测模型结构进行二次调整。

进一步，适用于上述基于二次动态调整的神经网络光伏功率预测模拟的预测方法，还包括以下步骤：

S1、数据通信和处理模块定时采集外部数据，并对数据进行预处理，并负责在得到预测结果后，将结果上传至能量管理系统或区域调度系统，最后数据存储模块将采集的数据存储在数据库中或以文本文件存储；

S2、离线训练模块根据资源分配网络学习规则，用现有的训练样样本获得离线训练预测模型，获得可同时用于光伏功率在线预测以及后台二次动态调节的初始光伏功率预测模型；

S3、将S2中获得的初始预测模型投入实际功率预测应用，输入实时数据并得到预测输出；