[发明专利]基于宽度学习系统的光伏发电功率预测方法

说明书

一种基于宽度学习系统的光伏发电功率预测方法，通过光伏系统历史出力数据和气象数据构建光伏发电预测数据集，利用BLS对光伏发电功率进行点预测以确定BLS网络结构参数；再通过Adam优化算法以及光伏发电预测数据集经训练得到不同比例分位数的BLS输出权重，最后经过结果评估实现光伏发电功率预测。本发明采用拟合性能较好且计算效率较高宽度学习系统作为预测模型，基于分位数回归和Adam优化算法对光伏发电功率的分位数进行预测，从而能够充分反映光伏出力的不确定性。

技术领域

本发明涉及的是一种光伏发电控制领域的技术，具体是一种基于Adam优化算法和宽度学习系统(BLS)的光伏发电功率概率预测方法。

背景技术

为了应对能源危机和气候变化，近年来以光伏为代表的可再生能源发电迅速发展。但是，光伏发电功率具有较强的随机性和波动性，大量光伏的接入给电网的安全稳定运行带来了不利影响。现有光伏出力预测的研究工作大多是点预测方法，即只能给出光伏在未来时刻发电功率的具体值，没有对预测结果的可靠性及不确定性进行评估。由于光伏出力与随机性较强的气象因素关联紧密，因此很难做到高精度的光伏发电功率点预测，故确定性预测方法所提供的预测信息具有较大的局限性。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于宽度学习系统的光伏发电功率预测方法，采用拟合性能较好且计算效率较高宽度学习系统作为预测模型，基于分位数回归和Adam优化算法对光伏发电功率的分位数进行预测，从而能够充分反映光伏出力的不确定性。

本发明是通过以下技术方案实现的：

本发明涉及一种基于宽度学习系统的光伏发电功率预测方法，通过光伏系统历史出力数据和气象数据构建光伏发电预测数据集，利用宽度学习系统(broadlearningsystem，BLS)对光伏发电功率进行点预测以确定BLS网络结构参数；再通过Adam优化算法以及光伏发电预测数据集经训练得到不同比例分位数的BLS输出权重，最后经过结果评估实现光伏发电功率预测。

所述的光伏发电预测数据集，通过从光伏系统历史出力数据、相邻时刻光伏站点的本地测量气象数据作为输入因素，具体为：对于每个时刻t，将邻近N_lag个时刻的历史出力、上一个时间点的历史气象数据作为输入因素向量x(t)，即：

x(t)＝[T(t-τ),v(t-τ),I_GH(t-τ),I_DH(t-τ),I_DN(t-τ),y(t-τ),y(t-2τ),…,y(t-N_lagτ)]^T，其中：T为气温，v为风速，I_GH，I_DH和I_DN分别为水平面总辐射强度GHI、水平面散射辐射强度DHI和法向直射辐射强度DNI的实测值，y为光伏发电功率，N_lag通过交叉验证法确定。

所述的宽度学习系统为：Y＝[F₁,F₂,...,F_m,E]W＝[F,E]W，其中：W为从特征节点和增强节点连接到输出层的权重；Y为整个神经网络的输出，将BLS的包括特征节点和增强节点的中间层对应的矩阵记作M＝[F,E]。

所述的BLS网络结构，包括结构参数和输出权重，其中：结构参数包括m组特征映射和n个增强节点，其中：每组特征映射包含k个特征节点，第i组特征映射为：