[发明专利]基于GRNN神经网络的光伏发电预测方法

摘要

基于GRNN神经网络的光伏发电预测方法，涉及一种基于广义回归(GRNN)神经网络光伏发电预测方法。所述方法首先考虑节气、天气、日照的因素，建立光伏曲线模式，提出基于广义回归神经网络光伏发电预测模型，并进行求解算法设计。本发明具有以下优点：GRNN网络的训练过程中不需要误差反向计算来修正权值，而只需要改变平滑参数σ来调节传递函数，减少了训练时间，加快网络学习速度；GRNN神经网络预测模型非线性映射能力强，逼近性能好，具有较强鲁棒性，适用于处理不稳定数据；GRNN神经网络的光伏发电预测技术，明显提高了预测精度；预测结果可为电网光电调度提供决策信息，对保证电网安全运行具有重要意义。

主权项

一种基于GRNN神经网络的光伏发电预测方法，其特征在于所述预测方法为：步骤1：分析光伏负荷的负荷特征和影响因子，运用K均值聚类方法对天气样本空间进行聚类分成二组，选取与预测日分为一组的各日光伏负荷数据建立负荷模式M＝{X₁,X₂,...,X_n+1}，其中选取与预测日最近的一日光伏负荷数据Y＝{_y1,_y2,…_ym}为网络期望输出，其余日光伏负荷数据M＝{X₁,X₂,...,X_n}为GRNN神经网络的输入向量，其中n为训练样本数，m为网络输出向量的维数；步骤2：建立GRNN神经网络预测模型后，计算模式层神经元P_i输出，并分别计算两类求和层神经元输出S_D和S_Nk，并计算出网络实际输出向量$\hat{Y}=\{{\hat{y}}_1,{\hat{y}}_2,...,{\hat{y}}_m\};$步骤3：对比网络实际输出和期望输出，计算误差目标函数，判断模型是否合格，如果合格进行步骤4，如不合格则通过再逐步增大平滑参数σ，修正模型之后重新计算模式层神经元输出、两类求和层神经元输出S_D、S_Nk和网络实际输出值直到误差目标函数小于给定精度，停止迭代，进行步骤4；步骤4：将光伏负荷模式输入到GRNN神经网络预测模型中，按步骤3过程计算得到的网络输出即为光伏负荷预测向量步骤5：对比预测结果与实际用户负荷，计算误差指标，并根据误差指标评价预测误差。