[发明专利]一种基于BP神经网络估计法和改进比例系数法的光伏功率区间预测方法

权利要求书

1.一种基于BP神经网络估计法和改进比例系数法的光伏区间预测方法，所述方法首先采用粒子群算法优化BP神经网络得到区间上下限及中间值，并提出一种适合区间预测新型点预测评价损失函数；

本发明提出的BP神经网络和区间上下限估计相结合的方法，是不同于现有光伏发电功率区间预测的方法，其最终的输出表达式为：

式中：x_i表示与预测值相关性最大的光伏发电功率输入值，y_k表示最终的预测输出，k＝1，2，3，即输出层有三个节点，分别表示预测区间的上界和下界， ω_jk为隐含层j与输出层k之间的权重值，ω_ij为输入层i到隐含层j的权重值，g表示隐含层激活函数，本文中，隐含层激活函数取Sigmoid函数；

首先，对光伏功率序列进行自相关和偏自相关分析，确定输入层节点数和滞后截断数，本发明输入节点数为3，滞后3被截断，同时利用向量{x_t-2，x_t-1，x_t}作为预测x_t+1的输入；

然后，采用试凑法确定隐含层节点数，本发明算例中模型隐含层节点数为7时预测精度较高，故隐含层节点取7；

最后，确定输出节点数，本发明提出的是一种基于BP神经网络的区间预测方法，区间预测的模型是由上下界估计的方法得到的，本发明的BP神经网络的输出节点应为区间上下界及其中间值，取输出节点为3；

本发明中引入基于北掠鸟群行为的IPSO算法，通过模拟鸟群的警觉行为以逃避天敌，与传统的PSO方法相比，该方法可以根据周围粒子不断改变位置和速度以避免陷入局部最小，该算法的速度和位置更新方程可分别表示为：

式中：表示目前粒子的速度及位置，和表示改变之后的速度和位置，经过本发明算例显示，该算法的局部和全局搜索最优解的能力均较好，求解速度也较快；

由于本发明采用输出节点为3的BP神经网络，假设该神经网络第i个预测输出值的上界为y_u(i)，下界为y_l(i)，中间值为y_m(i)，若预测值对应的真实值为y_i，那么相应误差为：

式中：e_u(i)、e_l(i)和e_m(i)分别为输出值上界、下界和中间值对应的预测误差，点预测一般采用误差平均值E作为预测结果的评价指标：

式中：N是样本数， 假设改进后输出值上界和下界对应的预测误差分别为e_u′和e_l′，经过本发明更新后的误差表达式为：

基于更新后的误差表达式，本发明提出一种适合区间预测新型点预测评价损失函数：

式中：u为预先设定的模型参数，以满足基本的误差要求，当误差超过一定值时，较大的常数ξ会迫使评价函数E′变得很大。

2.根据权利要求1所述方法的预测结果，把点预测值放大或缩小一定倍数，以获取预测区间的上界和下界，考虑(0，1)区间内的Sigmoid函数，通过在区间上下界中引入点预测中间值y_m，较好地解决了宽度过大的问题，由此，本发明提出的改进比例系数法方程可以表示为：

式中：A(x_i)和B(x_i)为对应输入量x_i需获取的预测区间的上界和下界，a和b为放大或缩小的比例系数；

本发明中的评价指标采用区间覆盖率PICP和区间宽度PINAW来评价：

式中：ε_i为二进制变量，若预测实际值y_p位于预测区间[y_l，y_u]范围内，ε_i取1，否则取0；R为实际功率值变化范围，引入R可实现区间宽度的归一化；

对于某一给定的置信水平α，理论的目标是获取较大的PICP和较小的PINAW，显然同时实现这两个目标间存在矛盾，为此，本发明基于下面的综合评价系数(PICEI)：

PICEI＝PINAW+γ·PICP·e^-η(PICP-μ)

式中：γ为惩罚系数，当PICP＜μ，γ＝1，反之当PICP＞μ，γ＝0，置信概率μ＝1-α；

PICEI指标是一种有别于现有的光伏区间预测的评价指标，本质上是一种多目标区间预测指标，这一指标基于BP神经网络模型的点预测结果，将最小PICEI作为目标函数，γ作为约束条件，采用IPSO对a和b这两个系数进行优化，得到两个最优的比例系数a_y和b_y，从而得到高质量的预测区间。