[发明专利]一种基于神经网络的超高精度光伏发电功率预测方法及系统

说明书

本发明公开了一种基于神经网络的超高精度光伏发电功率预测方法及系统，包括以下步骤：建立EMD‑Elman神经网络模型；在历史数据集中收集多组与待预测日关联的数据，建立相似日序列组，训练神经网络模型；将待预测日特征输入训练后的神经网络模型中，得到各个分量预测值，两者求和得到当前相似日的预测结果。光伏功率预测系统采用物理模型和独特数学建模方式，系统能够自动计算相关参数，并根据现场实际情况对预测环节做出快速有效地调整，为业主的经济效益及运营管理提供可靠依据。通过采集数值气象预报数据、实时气象站数据、实时输出功率数据、逆变机组状态数据，完成对光伏电站的短期功率预测、超短期功率预测工作并按电网要求上到调度侧功率预测系统。

技术领域

本发明涉及发电功率预测领域，具体涉及一种基于神经网络的超高精度光伏发电功率预测方法及系统。

背景技术

随着物联网的发展，智能设备的广泛应用，光功率数据的质量有了大幅的提升，比以前的人工手动抄写数据更加的准确可靠，但是仍然会存在数据丢失或数据异常等问题。如由于设备故障造成的数据缺失和数据异常等。这些问题导致的数据库数据不完善都会影响需光功率的预测效果，所以为了减小预测误差，必须对缺失的数据进行填补，对异常的数据进行识别和修正，以得到一组满足预测算法输入要求的较完善的数据。这样从确保数据库数据的完备准确性来提高需预测的精度。

现有技术中在针对光伏发电功率预测时通常使用BP神经网络，实质上是把一个动态问题转化成静态问题来研究，势必会影响最终的预测精度。

基于上述情况，本发明提出了一种基于神经网络的超高精度光伏发电功率预测方法及系统，可有效解决以上问题。

发明内容

本发明的目的在于提供一种基于神经网络的超高精度光伏发电功率预测方法及系统。本发明的基于神经网络的超高精度光伏发电功率预测方法及系统，采用EMD-Elman神经网络模型作为计算的架构，有着较好的稳定性以及较强的计算能力；且根据历史数据训练网络模型，确保预测有着较好的准确性。

本发明通过下述技术方案实现：

一种基于神经网络的超高精度光伏发电功率预测方法，包括以下步骤：

步骤S1：建立EMD-Elman神经网络模型；

步骤S2：在历史数据集中收集多组与待预测日关联的数据，建立相似日序列组，训练神经网络模型；

步骤S3：将待预测日特征输入训练后的神经网络模型中，得到各个分量预测值，两者求和得到当前相似日的预测结果。

本发明采用EMD-Elman神经网络模型作为计算的架构，有着较好的稳定性以及较强的计算能力；且根据历史数据训练网络模型，确保预测有着较好的准确性。

优选的，在步骤S1中具体包括以下步骤：

步骤S11：分别建立输入层、隐含层、输出层，并在所述输入层、隐含层、输出层之外套接承接层；

步骤S12：初始化输入层、隐含层、输出层以及承接层各层权值，将样本数据输入至输入层，并将数据输送至隐含层；

步骤S13：根据k-1时刻隐含层的输出量计算k时刻承接层的输出量，输出层的输出量的确定根据下述公式(1)：

x_c(k)＝x(k-1) (1)

所述公式(1)中，x(k-1)表示k-1时刻下隐含层的输出向量，x_c(k)表示k时刻下承接层的输出向量表达式；

步骤S14：根据步骤S13中得到的k时刻承接层的输出量x_c(k)计算k时刻隐含层的输出量，并将k时刻得到的隐含层输出量x(k)输送至输出层以及承接层，隐含层的输出量的确定根据下述公式(2)：