基于GRA-ABC-Elman模型的光伏发电功率短期预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112927097A(43)申请公布日2021.06.08(21)申请号202110124002.1G06Q10/04(2012.01)(22)申请日2021.01.29G06N3/00(2006.01)G06N3/08(2006.01)(71)申请人国网辽宁省电力有限公司阜新供电公司地址123200辽宁省阜新市海州区解放大街53号申请人国家电网有限公司(72)发明人单锦宁于鹏王琛淇陈刚陈鑫宇刘品一顾珂伊赵琰崔馨元马艳娟(74)专利代理机构沈阳之华益专利事务所有限公司21218代理人邹琳(51)Int.Cl.G06Q50/06(2012.01)权利要求书2页说明书6页附图4页(54)发明名称基于GRA-ABC-Elman模型的光伏发电功率短期预测方法(57)摘要本发明公布了基于GRA‑ABC‑Elman模型的光伏发电功率短期预测方法，主要包括：采集光伏电站历史发电功率数据以及气象站对应时间段的气象信息作为气象、功率样本数据；剔除气象数据中的异常、重复数据，对所有特征作灰色关联度分析，提取重要特征作为神经网络的训练输入集；建立Elman神经网络，确定网络拓扑结构，初始化其各项参数；利用人工蜂群算法不断优化Elman神经网络的权值和阈值；利用优化后的网络建立光伏发电功率短期预测模型并输入气象‑功率样本数据进行训练；将待预测日的气象信息输入训练好的预测模型中，对待预测日的发电功率进行预测。本发明能够准确的预测光伏电站短期发电功率，便于电网调度运行。CN112927097ACN112927097A权利要求书1/2页1.基于GRA‑ABC‑Elman模型的光伏发电功率短期预测方法，其特征在于包括以下步骤：①采集光伏电站历史发电功率数据以及气象站对应时间段的气象信息，作为气象、功率样本数据；②剔除气象数据中的异常、重复数据，对气象数据中所有特征作灰色关联度分析,提取其中的重要特征作为Elman神经网络的训练输入集；③建立Elman神经网络，确定其网络拓扑结构和输入层、输出层和隐含层节点个数，初始化Elman神经网络的各项参数；④利用人工蜂群算法不断优化Elman神经网络的权值和阈值；⑤利用优化后的神经网络建立光伏发电功率短期预测模型并输入气象、功率样本数据对该预测模型进行训练；⑥将从数值天气预报NWP中获得的待预测日的气象信息输入到训练好的预测模型中，对待预测日的发电功率进行预测。2.根据权利要求1所述的基于GRA‑ABC‑Elman模型的光伏发电功率短期预测方法，其特征在于：所述步骤①中气象站提供的气象信息主要包括光照辐射度、温度、湿度、风速、大气压强。3.根据权利要求1所述的基于GRA‑ABC‑Elman模型的光伏发电功率短期预测方法，其特征在于：所述步骤②中对气象数据中所有特征作灰色关联度分析，主要包括如下步骤：a.数据归一化：式(1)中，xA(i)表示气象样本数据归一化后得到的值；xmax、xmin分别表示气象样本数据中的最大值、最小值，x表示某一时刻气象样本数据值；b.求关联系数：式(2)中，ζA(i)表示关联系数；ρ表示控制关联系数区分度的可调节系数；c.计算关联度：d.提取上述关联度接近1的重要特征作为Elman神经网络训练输入集。4.根据权利要求1所述的基于GRA‑ABC‑Elman模型的光伏发电功率短期预测方法，其特征在于：所述步骤③中建立的Elman神经网络的非线性状态空间表达式为：y(k)＝g(w2h(k))(4)h(k)＝f(w1u(k‑1)+w3xc(k))(5)xc(k)＝h(k‑1)(6)式(4)、(5)、(6)中，f(*)为隐含层神经元的激励函数；g(*)为输出层神经元的激励函数；y为m维输出节点向量；h为n维隐含层节点单元向量；u为r维输入节点向量；xc为n维承接2CN112927097A权利要求书2/2页层反馈状态向量；w1，w2，w3分别代表输入层到隐含层的权值，隐含层到输出层的权值，承接层到隐含层的权值。5.根据权利要求1所述的基于GRA‑ABC‑Elman模型的光伏发电功率短期预测方法，其特征在于：所述步骤④利用人工蜂群算法不断优化Elman神经网络的权值和阈值包括如下步骤：a.初始化蜜源向量：xmi＝li+rand(0,1)*(ui‑li)(7)式(7)中，xmi表示所有蜜源向量，m＝1,2...N代表一共N个解向量，i＝1,2...n代表每个解向量含有n个变量；ui和li分别表示xmi的最大、最小边界值；计算每个初始蜜源适应度的值fitm(xm)，计算公式如下：b.雇佣蜂阶段：式(9)中，vmi表示雇佣蜂找到的新蜜源向量；xki表示随机选取的蜜源；表示一个控制扰动程度的随机数；c.跟随蜂阶段：式(10)中，Pm表示跟