[发明专利]一种短期光伏功率预测装置及方法

权利要求书

1.一种短期光伏功率预测装置，其特征在于：实时气象数据收集装置、历史数据库模块、功率预测模块、数据传输模块、人机接口、电站监测装置，所述实时气象数据接收装置与历史数据库模块和功率预测模块相连接，所述电站监测装置通过人机接口与数据传输模块相连接，同时对数据传输模块、功率预测模块以及历史数据库模块进行实时监测以及数据管理；所述实时气象数据收集装置，对采集到的实时气象数据以及从气象台接受的气象数据进行对比结合处理，并对所收到的高维度的气象数据进行降维筛选处理，得到预测气象数据；所述历史数据库模块中含有的数据包括光伏电站实时及历史功率、温度、光照强度，且各数据的分辨率为60分钟，并且能够接收电站监测装置传送来的光伏电站功率数据以及实时气象收集装置传送来的实时气象数据，并利用历史数据与实时数据进行对比分析误差；所述功率预测模块包括权值阈值处理模块以及神经网络模块，权值阈值处理模块将数据的权值阈值利用种群位置以及速度公式蝙蝠化后，更新数据个体得到位置新解，新解通过神经网络模块对应为神经网络结构，并利用神经网络方法对权值阈值进行再次更新得到新解。

2.根据权利要求1所述的一种短期光伏功率预测装置，其特征在于：所述电站监测装置对功率预测模块进行实时监测，将光伏电站的实时气象数据以及预测数据送至历史数据库模块，并通过人机接口对传输的数据进行实时监测管理，监测的数据包括温度、光照强度、以及光伏电站实时功率，监测的数据分辨率为60分钟。

3.根据权利要求1所述的一种短期光伏功率预测装置的预测方法，其特征在于：所述权值阈值处理模块采用基于混沌扰动改进TMBA方法，包括以下步骤：

(1)方法初始化，在搜索范围内随机生成n只蝙蝠个体，形成初始种群，对每只蝙蝠的位置、速度、频率、脉冲频度和脉冲音强赋予初始值，参数beststep表示最优个体连续不变的次数，初始置为0；

(2)评价种群，计算种群中每只蝙蝠的适应值，找到当前全局最优值；

(3)更新种群，在迭代过程中，引入速度权重ω_i^t以及混沌映射分别更新个体的频率f_i，速度v_i，空间位置x_i；

f_i＝f_min+(f_max-f_min)CM_i (1)

其中CM_i为混沌映射的总称，CM_i∈[0，1]为混乱数字，X_*是群体中当前局部最优解；

(4)产生随机数rand，如果rand＞r，通过随机游走法则由式(5)得到最优蝙蝠个体的局部新解；

(5)评价种群，对当前种群中的每个个体进行评价，若某个个体优于全局最优，则更新为全局最优蝙蝠，并置beststep为0，否则对beststep进行加1更新；

(6)判断变异条件，beststep是否达到最大值maxstep，或接连两次迭代全局最优值的变化是否很小(＜η)如果是，则执行(7)，否则执行(8)；

(7)变异操作，①对当前种群中最优蝙蝠个体进行高斯变异，对其他蝙蝠进行t分布变异；②评价新种群适应度，如果某个蝙蝠适应值优于全局最优，则替换，beststep置为0，否则，对beststep进行加1更新；

(8)终止条件判断：迭代次数是否达到最大值Maxgen或者最优解是否达到预设精度，若不是，对beststep进行加1更新，并转到(3)继续执行下一代蝙蝠优化过程，否则转到(9)执行；

(9)方法终止，输出最优解；

所述神经网络模块为BP神经网络学习模块，包括以下步骤：

(1)初始化，首先将模块中的权值与阈值设置为一任意值，进行更新；

(2)随机学习输入向量(X^k,Y^k)到神经网络当中；

(3)数据给输入层，传递给隐含层，最后到输出层，输出节点的数量就是所预测模型得到的向量数；

(4)联立下列公式得到隐含层相应数据

(5)联立下列公式得到输出点相应数据

(6)根据输出层输出的相关数据，再利用公式(8)进行相应计算，从而可以求得各个节点相应数值以及修正误差

(7)根据公式(9)计算相应隐含层节点数值的误差，

(8)引入混沌映射增强随机性加快搜索步骤调整隐含层和输出层之间的连权值V和输出层的阈值γ，

式中：

CM_i——为混沌映射的总称，CM_i∈[0，1]，

(9)依据混沌映射来对权值和阈值进行进一步的修正，

(10)选取输入向量，重复返回到步骤(3)，直到所有数据全部训练完成；

(11)检查所有计算的误差，看是否满足标准；若满足，直接转至步骤(13)；

(12)据需要调整神经网络模型的训练次数，若调整后小于等于设定值，直接转至步骤(2)；

(13)完成神经网络模型的学习。

4.根据权利要求3所述的一种短期光伏功率预测装置的预测方法，其特征在于：所述数据传输模块向监测系统传输测量数据、告警事件和文件数据，各类数据按DL/T860标准建模。