[发明专利]一种基于改进广义神经网络的光伏发电短期功率预测方法

权利要求书

1.一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，包括如下步骤，

步骤100：获取光伏电站多组历史日的发电功率数据、气象数据和预测日的气象数据；

步骤200：计算气象数据中各气象因素对光伏电站发电功率影响的权重；

步骤300：计算历史日与预测日各气象因素的动态时间弯曲距离；

步骤400：计算历史日与预测日之间各气象因素的相似性，选择相似性最大的历史日作为预测日的历史相似日；

步骤500：采用改进广义神经网络构建光伏发电短期功率预测模型，输入历史相似日的发电功率数据和气象数据，进行模型训练。

2.根据权利要求1所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述历史日和预测日的气象数据中各气象因素均包括温度、湿度、风速和辐照度四项因素。

3.根据权利要求1所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述步骤200包括，

步骤201：对每组历史日的气象数据的各气象因素进行标准化处理，得到第i个历史日第j项因素标准化处理后的值其中，m表示获取历史日的气象数据总组数，n表示历史日的气象数据中包括的因素总项数，x_j为第j项因素值，x_max为所有历史日的气象数据中第j项因素的最大值，x_min为所有历史日的气象数据中第j项因素的最小值；

步骤202：计算第j项因素下第i个历史日的比重

步骤203：计算第j项因素的信息熵值其中K＝1/ln m；

步骤204：计算第j项因素的信息效用值d_j＝1-e_j；

步骤205：计算第j项因素的权重

4.根据权利要求1所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述步骤300包括，

步骤301：读取历史日的气象因素曲线数据A＝{a₁,...,a_i,...,a_e}，预测日的气象因素曲线数据B＝{b₁,...,b_j,...,b_f}，其中i＝1,2,…,e，j＝1,2,…,f，e表示曲线A的长度，f表示曲线B的长度；

步骤302：构造一个e*f的矩阵M，元素M(i,j)表示a_i与b_j之间的距离；

步骤303：在矩阵中选择使曲线A和曲线B之间累计距离最小的元素集合，作为弯曲路径W＝{w₁,...,w_k,...,w_K}；

步骤304：采用动态规划的算法对弯曲路径W求解，

d(i,j)＝M(i,j)+min{d(i-1,j-1),d(i-1,j),d(i,j-1)}；得到曲线A和曲线B之间的动态时间弯曲距离为D_dtw(A,B)＝d(e,f)。

5.根据权利要求1所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述步骤400包括，

步骤401：计算历史日与预测日之间各气象因素的相似性其中n表示气象数据中包括的因素总项数，w_j为第j项因素的权重，d_j为第j项因素的动态时间弯曲距离；

步骤402：选择相似性d小于设定值的历史日作为预测日的历史相似日。

6.根据权利要求4所述的一种基于改进广义神经网络的光伏发电短期功率预测方法，其特征在于，所述弯曲路径W满足以下约束，

有界约束：max(m,n)≤K≤m+n-1；

边界约束：元素w₁＝M(1,1)和元素w_K＝M(e,f)分别是弯曲路径的起点和终点；

连续性约束：给定元素w_k＝M(i,j)，其相邻元素w_k-1＝M(i′,j′)需满足i-i′≤1，j-j′≤1；

单调性约束：给定元素w_k＝M(i,j)，其相邻元素w_k-1＝M(i′,j′)需满足i-i′≥0，j-j′≥0。