基于人工蜂群优化神经网络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CN111861784A(43)申请公布日2020.10.30(21)申请号202010483841.8(22)申请日2020.06.01(71)申请人大唐东北电力试验研究院有限公司地址130102吉林省长春市北湖科技开发区雅安路1299号(72)发明人李金拓袁智马博洋董蔚李强杜晶(74)专利代理机构北京中南长风知识产权代理事务所(普通合伙)11674代理人马龙(51)Int.Cl.G06Q50/06(2012.01)G06Q10/04(2012.01)G06N3/00(2006.01)G06N3/08(2006.01)权利要求书3页说明书7页附图3页(54)发明名称基于人工蜂群优化神经网络的光伏发电功率短期预测方法(57)摘要本发明涉及一种基于人工蜂群优化神经网络的光伏发电功率短期预测方法，包括如下步骤：步骤1，基于光伏发电功率影响因子判别相关性，建立并训练BP神经网络预测模型，并基于人工蜂群算法对BP神经网络预测模型进行优化，得到人工蜂群优化后的BP神经网络预测模型；步骤2，基于人工蜂群优化后的BP神经网络预测模型，以PM2.5浓度、PM10浓度、能见度、湿度、风速、大气气溶胶光学厚度AOD440波段、AOD1020波段为输入变量，进行大气气溶胶光学厚度AOD440波段、AOD1020波段的估计，得到AOD440及AOD1020波段预测值；步骤3，基于AOD440及AOD1020波段的预测值，计算太阳辐照度，并通过光电转换计算光伏发电功率。本发明能够实现对光伏发电的短期功率预测，并具有较高的准确性。CN111861784ACN111861784A权利要求书1/3页1.一种基于人工蜂群优化神经网络的光伏发电功率短期预测方法，其特征在于，包括如下步骤：步骤1，基于光伏发电功率影响因子判别相关性，建立并训练BP神经网络预测模型，并基于人工蜂群算法对BP神经网络预测模型进行优化，得到人工蜂群优化后的BP神经网络预测模型；步骤2，基于人工蜂群优化后的BP神经网络预测模型，以PM2.5浓度、PM10浓度、能见度、湿度、风速、大气气溶胶光学厚度AOD440波段、AOD1020波段为输入变量，进行大气气溶胶光学厚度AOD440波段、AOD1020波段的估计，得到AOD440及AOD1020波段预测值；步骤3，基于AOD440及AOD1020波段的预测值，计算太阳辐照度，并通过光电转换计算光伏发电功率。2.根据权利要求1所述的基于人工蜂群优化神经网络的光伏发电功率短期预测方法，其特征在于，所述步骤1包括：a.采集数据构造样本集：记录某一时刻k下地面的PM2.5浓度C0、PM10浓度C1、能见度c、湿度h、湿度h以及大气气溶胶光学厚度AOD440波段、AOD1020波段，得到一个样本(C0(k)，C1(k)，c(k)，h(k)，v(k)，AOD440(k)，AOD1020(k))；通过收集多个不同时刻下的样本，形成样本集{(C0(k)，C1(k)，c(k)，h(k)，v(k)，AOD440(k)，AOD1020(k))}；b.建立三层结构BP神经网络预测模型，其中，输入层神经元节点数为4个，隐含层神经元节点数为6个，输出层神经元节点数为2个，隐含层神经元转移函数使用双曲正切函数，输出层神经元转移函数使用S型函数；对于第k个时刻所构造的样本(C0(k)，C1(k)，c(k)，h(k)，v(k)，AOD440(k)，AOD1020(k))，取BP神经网络预测模型的第一个输入为C0(k)，第二个输入为C1(k)，第三个输入为c(k)，第四个输入为h(k)，第五个输入为v(k)，第一个输出为AOD440(k)，第二个输出为AOD1020(k)；c.随机抽取样本集中的70％作为训练样本，剩余的30％作为检验样本，利用人工蜂群算法对建立的BP神经网络预测模型的权值与阈值进行优化，得到人工蜂群优化后的BP神经网络预测模型。3.根据权利要求2所述的基于人工蜂群优化神经网络的光伏发电功率短期预测方法，其特征在于，所述步骤a包括如下步骤：①初始化设置蜜源数即解的个数NS(k)，极限值和迭代终止次数即最大循环数，初始循环数t＝1.随机产生蜜源表达式为：xid＝unifrnd(Md，Nd，[1，D]；其中：xid为第i个蜜源的第d个维度值(i＝1，2，…，Nid)；D为解空间的维数；Md和Nd、分别为第d个维度的下限和上限；unifrnd函数为产生Md到Nd均匀分布的1×D随机数组；②引领蜂搜索阶段，寻找新蜜源，其表达式为：vid＝xid+ψ(xid-xjd)；其中：vid为新蜜源；j＝1，2，…，NS，且j≠i，即xi与xj为两个不同蜜源；ψ为取值范围为[-1,1]的随机数；③蜂群跟随模式，