基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種光伏系統(tǒng)發(fā)電功率預(yù)測方法，對光伏系統(tǒng)發(fā)電功率進(jìn)行預(yù)測，屬 于電力系統(tǒng)技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 積極推廣光伏發(fā)電系統(tǒng)的應(yīng)用，有利于緩解化石能源的日益枯竭、溫室效應(yīng)、空氣 污染等能源和環(huán)境問題。但是光伏系統(tǒng)的發(fā)電功率受到太陽福照強(qiáng)度和環(huán)境溫度等因素的 影響，其功率的變化具有隨機(jī)性和波動性，對電網(wǎng)調(diào)度部口的出力安排提出了新的挑戰(zhàn)。因 此有必要對光伏系統(tǒng)的發(fā)電功率進(jìn)行準(zhǔn)確預(yù)測，預(yù)先獲得其發(fā)電功率曲線，從而有助于電 網(wǎng)調(diào)度部口統(tǒng)籌安排，有效降低大規(guī)模光伏接入對電力系統(tǒng)的影響，提高系統(tǒng)安全性和穩(wěn) 定性。
[0003] 目前，針對光伏系統(tǒng)輸出功率的隨機(jī)性，國內(nèi)外提出的用于發(fā)電功率預(yù)測的傳統(tǒng) 模型主要是基于數(shù)學(xué)統(tǒng)計理論的預(yù)測模型如馬爾可夫鏈（Markov化ain)模型、自回歸滑動 平均（Auto Regressive Moving Average, ARMA)模型。但是該些方法在考慮天氣變化等不 穩(wěn)定因素的影響W及系統(tǒng)的非線性時，預(yù)測結(jié)果精度不高。支持向量機(jī)（Suppcxrt Vector Machine, SVM)模型能較好解決小樣本、非線性、高維數(shù)等問題，但是必須給定一個誤差參 數(shù)，數(shù)據(jù)處理時間較長，且核函數(shù)必須滿足Mercer條件。人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN)可W模仿人腦訓(xùn)練已有的信息，掌握不同因素間的內(nèi)部規(guī)律，執(zhí)行復(fù)雜的數(shù) 學(xué)映射，特別適合處理光伏發(fā)電功率和外部影響因素間的非線性關(guān)系。其中，反向傳播人工 神經(jīng)網(wǎng)絡(luò)炬ack Propagation Artificial Neural Network, BP-ANN)因具有很強(qiáng)的學(xué)習(xí)能 力、組織性、容錯性和推理意識功能等優(yōu)點而被廣泛應(yīng)用于光伏功率預(yù)測中，但是其在處理 大量歷史數(shù)據(jù)W及預(yù)測精度方面仍面臨著巨大的挑戰(zhàn)。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的；針對現(xiàn)有技術(shù)中存在的問本發(fā)明針對現(xiàn)有光伏系統(tǒng)發(fā)電功率預(yù)測技 術(shù)中考慮天氣類型、太陽福照強(qiáng)度、環(huán)境溫度等影響因素時，導(dǎo)致預(yù)測結(jié)果準(zhǔn)確度不高的缺 陷，提供一種基于Sp化ing神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法。利用Spiking神經(jīng)網(wǎng) 絡(luò)良好的非線性函數(shù)逼近能力和強(qiáng)大的計算能力，改善了預(yù)測模型的精度和泛化能力。
[0005] 技術(shù)方案：一種基于Sp化ing神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法，包括W下 步驟：
[0006] 1)獲取光伏系統(tǒng)發(fā)電功率預(yù)測所需的基本數(shù)據(jù)；歷史發(fā)電數(shù)據(jù)和原始?xì)庀髷?shù)據(jù)； 其中歷史發(fā)電數(shù)據(jù)為歷史日每日08:00?17:00每間隔Ih的整點時刻發(fā)電功率，原始?xì)庀?數(shù)據(jù)包括天氣類型、太陽福照強(qiáng)度、環(huán)境溫度等影響因素；
[0007] 2)按照天氣類型將原始數(shù)據(jù)集分為4種類型粗選集：晴天、多云天、陰天和雨天； [000引 3)在4種天氣類型粗選集中，根據(jù)最高氣溫、最低氣溫、太陽福照強(qiáng)度計算各歷史 發(fā)電日與預(yù)測日的歐氏距離，并將歐式距離按照升序排列，選取前6個對應(yīng)的歷史發(fā)電日 組成預(yù)測日的相似日集；
[0009] 4)初始化：對數(shù)據(jù)進(jìn)行歸一化處理，將樣本數(shù)據(jù)尺度變換到區(qū)間[0, 1]內(nèi)，并設(shè)置 網(wǎng)絡(luò)初試參數(shù)；
[0010] 5)使用Time-to-first-Spike編碼方法將歸一化后的模擬量數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的 脈沖時間數(shù)據(jù)；
[OCm] 6)利用SpikeProp算法對Sp化ing神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到訓(xùn)練樣本集中的輸入 樣本和期望輸出樣本的網(wǎng)絡(luò)訓(xùn)練誤差E《預(yù)先設(shè)定的允許誤差
[0012] 7)根據(jù)預(yù)測日前一個相似日的歷史發(fā)電數(shù)據(jù)和影響因素生成預(yù)測輸入向量，并將 預(yù)測輸入向量輸入訓(xùn)練后的Sp化ing網(wǎng)絡(luò)，其輸出即為待預(yù)測日的發(fā)電功率預(yù)測值；
[0013] 8)使用Time-to-first-Spike編碼方法將預(yù)測得到的脈沖時間數(shù)據(jù)反向轉(zhuǎn)化成 相應(yīng)的模擬量數(shù)據(jù)，并反歸一化得到光伏發(fā)電功率的預(yù)測值（功率值）。
[0014] 有益效果；本發(fā)明的光伏系統(tǒng)發(fā)電功率預(yù)測方法利用Sp化ing神經(jīng)網(wǎng)絡(luò)進(jìn)行建模 預(yù)測，利用其良好的非線性函數(shù)逼近能力和強(qiáng)大的計算能力，改善預(yù)測模型的精度和泛化 能力。
【附圖說明】
[0015] 圖1為本發(fā)明實施例的基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法的流 程圖；
[0016] 圖2為本發(fā)明實施例的Sp化ing神經(jīng)網(wǎng)絡(luò)采用的SRM神經(jīng)元模型結(jié)構(gòu)示意圖；
[0017] 圖3為本發(fā)明實施例的3層前向Sp化ing神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)示意圖；
[0018] 圖4為本發(fā)明實施例的Sp化ing神經(jīng)網(wǎng)絡(luò)內(nèi)部神經(jīng)元間有延遲突觸終端連接的結(jié) 構(gòu)示意圖；
[0019] 圖5(a)為本發(fā)明實施例測試的天氣類型為晴天時光伏發(fā)電功率預(yù)測曲線與實際 曲線圖；
[0020] 圖5(b)為本發(fā)明實施例測試的天氣類型為多云時光伏發(fā)電功率預(yù)測曲線與實際 曲線圖；
[0021] 圖5(c)為本發(fā)明實施例測試的天氣類型為陰天時光伏發(fā)電功率預(yù)測曲線與實際 曲線圖；
[0022] 圖5(d)為本發(fā)明實施例測試的天氣類型為雨天時光伏發(fā)電功率預(yù)測曲線與實際 曲線圖。
【具體實施方式】
[0023] 下面結(jié)合具體實施例，進(jìn)一步闡明本發(fā)明，應(yīng)理解該些實施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價 形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
[0024] 本發(fā)明的思路是將Sp化ing神經(jīng)網(wǎng)絡(luò)引入光伏系統(tǒng)發(fā)電功率預(yù)測中，利用 Spiking神經(jīng)網(wǎng)絡(luò)良好的非線性函數(shù)逼近能力和強(qiáng)大的計算能力來提高光伏系統(tǒng)發(fā)電功率 預(yù)測精度。
[0025] Spiking神經(jīng)網(wǎng)絡(luò)（Spiking Neural Network, SNN)是基于 Sp;Lking神經(jīng)元建立的 神經(jīng)網(wǎng)絡(luò)。Spiking神經(jīng)元模型采用精確的脈沖發(fā)射時間編碼方法進(jìn)行信息的傳遞和計算， 因此能夠更加接近的描述真實生物神經(jīng)系統(tǒng)中的神經(jīng)元，具有強(qiáng)大的計算能力和良好的適 用性。常用的Sp;Lking神經(jīng)元模型有LIF模型（Leaky Integrate-and-Fire model),皿模 型（Hodgkin-Huxley model)和 SRM 模型（Spike Response Model)。本發(fā)明中 Sp;Lking 網(wǎng) 絡(luò)采用的Sp化ing神經(jīng)元模型是SRM模型即脈沖響應(yīng)模型，其結(jié)構(gòu)如圖2所示。
[0026] Spiking神經(jīng)元的輸入和輸出為一系列離散的脈沖發(fā)射時間被稱為脈沖序列，脈 沖發(fā)射時間是指神經(jīng)元發(fā)射脈沖的瞬間。當(dāng)Sp化ing神經(jīng)元受到外界的刺激（外界的輸入 和突觸前神經(jīng)元的輸入），使其膜電位值由低到高超過預(yù)先設(shè)定的神經(jīng)元激發(fā)闊值0時， 該神經(jīng)元發(fā)射一個脈沖（Spike),并發(fā)送一個輸出信號，稱為突觸后電位（Post Synaptic Potential, PSP)。所有的輸入脈沖產(chǎn)生的PSP在其各自傳輸突觸權(quán)值和突觸延遲作用下的 總和構(gòu)成了神經(jīng)元的內(nèi)部狀態(tài)即膜電位值（Membrane Potential)。一個輸入Spike產(chǎn)生的 PSP的性能由脈沖響應(yīng)函數(shù)（Spike Response化nction,SRF)來表示。脈沖響應(yīng)函數(shù)有多 種，比如a函數(shù)，雙曲正弦函數(shù)，a積分函數(shù)等，本文選用a函數(shù)e (t)，其數(shù)學(xué)公式可表 達(dá)為：
[0027]
【主權(quán)項】
1. 一種基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法，其特征在于：包括以下 步驟： (1) 獲取光伏系統(tǒng)發(fā)電功率預(yù)測所需的基本數(shù)據(jù)：歷史發(fā)電數(shù)據(jù)和原始?xì)庀髷?shù)據(jù)； (2) 按照天氣類型將原始數(shù)據(jù)集分為4種類型粗選集：晴天、多云天、陰天和雨天； (3) 在4種天氣類型粗選集中，根據(jù)最高氣溫、最低氣溫、太陽輻照強(qiáng)度計算各歷史發(fā) 電日與預(yù)測日的歐氏距離，并將歐式距離按照升序排列，選取前6個對應(yīng)的歷史發(fā)電日組 成預(yù)測日的相似日集； (4) 初始化：對訓(xùn)練和測試樣本集數(shù)據(jù)進(jìn)行歸一化處理，將樣本數(shù)據(jù)尺度變換到區(qū)間 [〇，1]內(nèi)，并設(shè)置網(wǎng)絡(luò)初試參數(shù)； (5) 使用Time-to-first-Spike編碼方法將歸一化后的模擬量數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的脈沖 時間數(shù)據(jù)； (6) 利用SpikeProp算法對Spiking神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，直到訓(xùn)練樣本集中的輸入樣本 和期望輸出樣本的網(wǎng)絡(luò)訓(xùn)練誤差E<預(yù)先設(shè)定的允許誤差e_; (7) 根據(jù)預(yù)測日前一個相似日的歷史發(fā)電數(shù)據(jù)和影響因素生成預(yù)測輸入向量，并將預(yù) 測輸入向量輸入訓(xùn)練后的Spiking網(wǎng)絡(luò)，其輸出即為待預(yù)測日的發(fā)電功率預(yù)測值； (8) 使用Time-to-first-Spike編碼方法將預(yù)測得到的脈沖時間數(shù)據(jù)反向轉(zhuǎn)化成相應(yīng) 的模擬量數(shù)據(jù)，并反歸一化得到光伏發(fā)電功率的預(yù)測值。
2. 如權(quán)利要求1所述的基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法，其特征 在于： 計算粗選集中每個歷史發(fā)電日與預(yù)測日的最高、最低溫度和太陽輻照強(qiáng)度的歐氏距 離： di= [(t〇h-tih) 2+ (t01-ta) 2+ (I〇-Ii)2]1/2 (14) 式中：為預(yù)測日的最高、最低溫度預(yù)報值；tih、tn為粗選集中第i個歷史發(fā)電日 的最高、最低溫度；1〇為預(yù)測日太陽輻照強(qiáng)度預(yù)報值；Ii為粗選集中第i個歷史發(fā)電日的太 陽輻照強(qiáng)度。
3. 如權(quán)利要求1所述的基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法，其特征 在于：采用變換式（15)對不同量綱數(shù)據(jù)進(jìn)行歸一化處理：
式中：P為原始的樣本數(shù)據(jù)；P_、Pmin*別為樣本數(shù)據(jù)P中最大值和最小值；P#為歸一 化后的樣本數(shù)據(jù)。
4. 如權(quán)利要求1所述的基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法，其特征 在于：采用最小均方誤差函數(shù)作為網(wǎng)絡(luò)誤差函數(shù)：
式中：E為網(wǎng)絡(luò)的訓(xùn)練誤差；<為輸出層神經(jīng)元jeJ實際發(fā)射脈沖的時間； < 為期望 的脈沖發(fā)射時間。
5.如權(quán)利要求1所述的基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法，其特征 在于：將模擬量轉(zhuǎn)換成脈沖時間的公式如下： T=Tmax(l-p*) (16) 式中為歸一化后的樣本模擬量數(shù)據(jù)；最大脈沖發(fā)射時間；T為神經(jīng)元的脈沖 發(fā)射時間，ms。
【專利摘要】本發(fā)明公開一種基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測方法。本發(fā)明方法包括以下步驟：1)通過計算并排序歐氏距離(Euclidean distance)的方法確定各種天氣類型下預(yù)測日的相似日集合；2)采用Time-to-first-Spike方法將模擬量數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的脈沖時間數(shù)據(jù)；3)利用Spiking神經(jīng)網(wǎng)絡(luò)(Spiking Neural Network,SNN)對轉(zhuǎn)換后的時間樣本進(jìn)行建模預(yù)測。本發(fā)明提供的方法有效地提高了預(yù)測精度，能夠較好地解決光伏系統(tǒng)發(fā)電功率預(yù)測問題。
【IPC分類】G06Q50-06, G06N3-08, G06Q10-04
【公開號】CN104616078
【申請?zhí)枴緾N201510056227
【發(fā)明人】孫國強(qiáng), 陳通, 衛(wèi)志農(nóng), 孫永輝, 范磊, 陳悅, 厲超
【申請人】河海大學(xué)
【公開日】2015年5月13日
【申請日】2015年2月3日