基于grnn神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法
【專利摘要】基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，涉及一種基于廣義回歸(GRNN)神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測方法。所述方法首先考慮節(jié)氣、天氣、日照的因素，建立光伏曲線模式，提出基于廣義回歸神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測模型，并進行求解算法設(shè)計。本發(fā)明具有以下優(yōu)點：GRNN網(wǎng)絡(luò)的訓(xùn)練過程中不需要誤差反向計算來修正權(quán)值，而只需要改變平滑參數(shù)σ來調(diào)節(jié)傳遞函數(shù)，減少了訓(xùn)練時間，加快網(wǎng)絡(luò)學習速度；GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型非線性映射能力強，逼近性能好，具有較強魯棒性，適用于處理不穩(wěn)定數(shù)據(jù)；GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測技術(shù)，明顯提高了預(yù)測精度；預(yù)測結(jié)果可為電網(wǎng)光電調(diào)度提供決策信息，對保證電網(wǎng)安全運行具有重要意義。
【專利說明】基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于廣義回歸（GRNN)神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測方法。

【背景技術(shù)】
[0002] 由于太陽能等為可再生清潔能源，太陽能等新型能源在國內(nèi)外得到了廣泛的應(yīng) 用、太陽能的光伏發(fā)電功率與風力發(fā)電同樣受天氣、日照等不確定因素的影響，具有較強的 隨機間歇性，對電網(wǎng)安全運行帶來了不穩(wěn)定性。提高光伏發(fā)電功率預(yù)測精度，對發(fā)電計劃制 定，保證電網(wǎng)安全運行具有廣泛的應(yīng)用價值。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提供一種基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，首先考慮節(jié) 氣、天氣、日照的因素，建立光伏曲線模式，提出基于廣義回歸（GRNN)神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù) 測模型，并進行求解算法設(shè)計，目前國內(nèi)尚未有相關(guān)技術(shù)的報道。
[0004] 本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的：
[0005] -種基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，具體實施步驟如下：
[0006] 步驟1 :分析光伏負荷的負荷特征和影響因子，運用K均值聚類方法對天氣樣本 空間進行聚類分成二組，選取與預(yù)測日分為一組的各日光伏負荷數(shù)據(jù)建立負荷模式Μ = {Xp X2,. . .，Χη+1}，其中選取與預(yù)測日最近的一日光伏負荷數(shù)據(jù)Y = {yi，y2，…yj為網(wǎng)絡(luò)期 望輸出，其余日光伏負荷數(shù)據(jù)M = {Xp X2,. . .，XJ為GRNN神經(jīng)網(wǎng)絡(luò)的輸入向量，其中η為 訓(xùn)練樣本數(shù)，m為日光伏負荷數(shù)據(jù)個數(shù)（也是網(wǎng)絡(luò)輸出向量的維數(shù)）；
[0007] 步驟2 :建立GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型后，計算模式層神經(jīng)元輸出，并分別計算兩類 求和層神經(jīng)元輸出SD和SNk，并計算出網(wǎng)絡(luò)實際輸出向量# = {.?2,··.,.?)",}。
[0008] 步驟3 :對比網(wǎng)絡(luò)實際輸出和期望輸出，計算誤差目標函數(shù)，判斷模型是否合格， 如果合格進行步驟4,如不合格則通過再逐步增大平滑參數(shù) 〇，修正模型之后重新計算模 式層神經(jīng)元輸出、兩類求和層神經(jīng)元輸出SD和SNk和網(wǎng)絡(luò)實際輸出值Λ，直到誤差函數(shù)小于 給定精度，停止迭代，進行步驟4。
[0009] 步驟4 :將光伏負荷模式輸入到GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，按步驟3過程計算得 到的網(wǎng)絡(luò)輸出即為光伏負荷預(yù)測向量，=。
[0010] 步驟5 :對比預(yù)測結(jié)果與實際用戶負荷，計算平均相對誤差，VAR值等誤差指標，并 根據(jù)這些指標評價預(yù)測誤差。
[0011] 本發(fā)明具有以下優(yōu)點：
[0012] 1、GRNN網(wǎng)絡(luò)的訓(xùn)練過程中不需要誤差反向計算來修正權(quán)值，而只需要改變平滑參 數(shù)σ來調(diào)節(jié)傳遞函數(shù)，減少了訓(xùn)練時間，加快網(wǎng)絡(luò)學習速度；
[0013] 2、GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型非線性映射能力強，逼近性能好，具有較強魯棒性，適用 于處理不穩(wěn)定數(shù)據(jù)；
[0014] 3、GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測技術(shù)，明顯提高了預(yù)測精度；
[0015] 4、預(yù)測結(jié)果可為電網(wǎng)光電調(diào)度提供決策信息，對保證電網(wǎng)安全運行具有重要意 義。

【專利附圖】

【附圖說明】
[0016] 圖1為GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
[0017] 圖2為GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測算法流程。

【具體實施方式】
[0018] 下面結(jié)合附圖對本發(fā)明的技術(shù)方案作進一步的說明，但并不局限如此，凡是對本 發(fā)明技術(shù)方案進行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，均應(yīng)涵蓋 在本發(fā)明的保護范圍中。
[0019] 本發(fā)明提供了一種基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，包括以下內(nèi)容：
[0020] 一、按節(jié)氣、天氣、工作日和節(jié)假日等因素進行模糊聚類，選擇與預(yù)測日相似的日 光伏發(fā)電曲線，確定輸入向量；建立預(yù)測GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；
[0021] 二、對預(yù)測GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行訓(xùn)練，確定GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測 模型；
[0022] 三、設(shè)計模型求解算法；
[0023] 四、確定平均相對誤差和VAR值的誤差評價指標，評價所提出方法的預(yù)測精度，分 析預(yù)測誤差風險。
[0024] 具體內(nèi)容如下：
[0025] (1)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
[0026] GRNN神經(jīng)網(wǎng)絡(luò)是在RBF神經(jīng)網(wǎng)絡(luò)基礎(chǔ)之上發(fā)展起來的典型的前饋型神經(jīng)網(wǎng)絡(luò)。典 型的GRNN神經(jīng)網(wǎng)絡(luò)由四層組成：輸入層、模式層（徑向基層）、求和層、輸出層。輸入歷史 數(shù)據(jù)逐次通過四層運算得到網(wǎng)絡(luò)預(yù)測輸出，并根據(jù)輸出的誤差不斷調(diào)節(jié)平滑參數(shù)σ，最終 使誤差最小。GRNN神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示。
[0027] 網(wǎng)絡(luò)的輸入向量Xj = [Xji, Xj2,…，Xjm]T，輸出向量F = 少·2.....九,]1，其中 1彡j彡η，η為訓(xùn)練樣本數(shù)，m代表網(wǎng)絡(luò)輸出向量維數(shù)。
[0028] 模式層神經(jīng)元Pi的輸出公式為：
[0029]

【權(quán)利要求】
1. 一種基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，其特征在于所述預(yù)測方法為： 步驟1 :分析光伏負荷的負荷特征和影響因子，運用K均值聚類方法對天氣樣本空 間進行聚類分成二組，選取與預(yù)測日分為一組的各日光伏負荷數(shù)據(jù)建立負荷模式Μ = {Χρ Χ2,. . .，Χη+1}，其中選取與預(yù)測日最近的一日光伏負荷數(shù)據(jù)Y = {yl，y2，…ym}為網(wǎng)絡(luò)期望 輸出，其余日光伏負荷數(shù)據(jù)M= {XdX^.mXJ為GRNN神經(jīng)網(wǎng)絡(luò)的輸入向量，其中η為訓(xùn) 練樣本數(shù)，m為網(wǎng)絡(luò)輸出向量的維數(shù)； 步驟2 :建立GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型后，計算模式層神經(jīng)元Ρ,輸出，并分別計算兩類求 和層神經(jīng)元輸出SD和SNk,并計算出網(wǎng)絡(luò)實際輸出向量f = {免,.1>2,,..,九}; 步驟3 :對比網(wǎng)絡(luò)實際輸出和期望輸出，計算誤差目標函數(shù)，判斷模型是否合格，如果 合格進行步驟4,如不合格則通過再逐步增大平滑參數(shù)〇，修正模型之后重新計算模式層 神經(jīng)元輸出、兩類求和層神經(jīng)元輸出SD、SNk和網(wǎng)絡(luò)實際輸出值Λ，直到誤差目標函數(shù)小于給 定精度，停止迭代，進行步驟4; 步驟4 :將光伏負荷模式輸入到GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型中，按步驟3過程計算得到的 網(wǎng)絡(luò)輸出即為光伏負荷預(yù)測向量.，尺}; 步驟5 :對比預(yù)測結(jié)果與實際用戶負荷，計算誤差指標，并根據(jù)誤差指標評價預(yù)測誤 差。
2. 根據(jù)權(quán)利要求1所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，其特征在于所述模 式層神經(jīng)元Pi的輸出公式為：
式中：Xj為網(wǎng)絡(luò)的輸入向量；Xi為神經(jīng)元i對應(yīng)的訓(xùn)練向量，j，i = 1，2,…，η, η為訓(xùn) 練樣本數(shù)。
3. 根據(jù)權(quán)利要求1所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，其特征在于所述神 經(jīng)元SD傳遞函數(shù)如下 ：
式中：Xj為網(wǎng)絡(luò)的輸入向量；\為神經(jīng)元i對應(yīng)的訓(xùn)練向量，i = 1，2,…，η, η為訓(xùn)練 樣本數(shù)。
4. 根據(jù)權(quán)利要求1或2所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，其特征在于所 述模式層神經(jīng)元Pi與求和層神經(jīng)元SNk之間的傳遞函數(shù)如下 ：
， 公式中：九為第k個網(wǎng)絡(luò)輸出值，1彡k彡m，m代表網(wǎng)絡(luò)輸出向量維數(shù)。
5. 根據(jù)權(quán)利要求1所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，其特征在于所述網(wǎng) 絡(luò)輸出的數(shù)目和輸出向量維數(shù)相同，每一個輸出元素同第二類求和層神經(jīng)元一一對應(yīng)，同 求和層的S D和對應(yīng)的SNk兩個神經(jīng)元連接，輸出值為：
代表網(wǎng)絡(luò)輸出向量維數(shù)。
6.根據(jù)權(quán)利要求1所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測方法，其特征在于所述誤 差目標函數(shù)如下：
式中：Xj為網(wǎng)絡(luò)的輸入向量；f為輸入為Xj的前提下，網(wǎng)絡(luò)實際輸出向量；Y為網(wǎng)絡(luò)期 望輸出向量；η為訓(xùn)練樣本數(shù)。
【文檔編號】G06N3/08GK104050517SQ201410299370
【公開日】2014年9月17日 申請日期:2014年6月27日 優(yōu)先權(quán)日:2014年6月27日
【發(fā)明者】董聰, 柳進, 劉廣一, 于繼來 申請人:哈爾濱工業(yè)大學