[发明专利]基于SOM神经网络数据聚类识别的光伏电站发电量预测方法

摘要

本发明公开了一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法，根据步骤1的SOM神经网络聚类结果，将数据样本分为多类，分别导入BP神经网络进行网络训练，得到各类训练好的BP神经网络，然后将预测日数据处理后输入训练好的SOM神经网络进行识别得出所对应的数据类型，接着将预测日输入向量导入所对应的训练完成的BP神经网络即可进行预测。本发明提出一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法，可对光伏电站历史数据按照自身特征聚类，数据样本自我识别分类后，进行发电量预测，可有效提高发电量预测精度。

主权项

一种基于SOM神经网络数据聚类识别的光伏电站发电量预测方法，其特征在于，包括以下步骤:步骤1：SOM神经网络数据聚类，具体步骤如下：1a)、选取数据样本：选取太阳辐照度、瞬时风速、背板温度、环境温度、环境湿度和电站交流端发电功率为数据样本，以5分钟为采样周期，采集某月11天内每日7:00—18:00时段的数据；1b)、数据预处理：采用最大最小法对步骤1a)采集的数据样本集进行归一化预处理，得到经处理后的数据样本；1c)、确定网络拓扑结构：SOM神经网络包括输入层和输出层，输入层神经元数即输入向量维数，以太阳辐照度时间序列为SOM神经网络数据样本，根据步骤1a)可得出输入层神经元个数为121个；1d)、网络初始化：对121个输入层神经元到输出层神经元的连接权值随机赋予较小的权值；选取输出神经元j的邻接神经元集合Sj，Sj(0)表示t＝0时刻神经元j的邻接神经元集合Sj，Sj(t)表示t时刻神经元j的邻接神经元集合Sj，神经元集合区域Sj(t)随时间的增长而不断缩小；1e)、计算欧几里得距离dj：提供新的输入样本X，计算输入样本与每个输出神经元j的欧几里得距离：dj=||X-Wj||=Σi=1N[xi(t)-wij(t)]2]]>式中，||·||表示输入向量X和权值向量Wj间的欧几里得距离，N为输入向量维数；1f)、找出获胜神经元：根据步骤1e)计算出一个具有最小距离的神经元j*，即确定出某个单元k，使得对于任意的j，都有表示第k个神经元在竞争中获胜；1g)、连接权值修正：取步骤1f)中获胜的单元k周围的一个邻域Sk(t)，按照下式修正神经元j*及其邻接神经元的权值：wij(t+1)＝wij(t)+η(t)[xi(t)‑wij(t)]式中，η为一个增益项，随时间变化逐渐下降到零，一般取或1h)、计算输出ok：网络第k个神经元输出为：ok=f(minj||X-Wj||),]]>式中，f(·)一般为0‑1函数，或者为其他非线性函数；1i)、提供新的学习样本，重复步骤1e)，至达到最大迭代次数，每个样本均训练完毕；1j)、步骤1i)训练完成后得到各个样本数据神经元的获胜情况，样本中获胜神经元位置相同的即可归为一类，其他数据样本均可输入网络进行识别，对号入座找到所属类型；步骤2：BP神经网络预测：根据步骤1的SOM神经网络聚类结果，将数据样本分为多类，经网络初始化后，分别导入BP神经网络进行网络训练，得到各类训练好的BP神经网络，然后将预测日数据处理后输入训练好的SOM神经网络进行识别得出所对应的数据类型，接着将预测日输入向量导入所对应的训练完成的BP神经网络即可进行预测。