一种BP神经网络的光伏发电量预测系统和方法.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CN112949937A(43)申请公布日2021.06.11(21)申请号202110333911.6G06N3/04(2006.01)(22)申请日2021.03.29G06N3/08(2006.01)(71)申请人西安建筑科技大学地址710055陕西省西安市碑林区雁塔路13号(72)发明人于军琪高娇娇赵安军惠蕾蕾王鹏柱聂己开冉彤段佳音赵啸(74)专利代理机构西安通大专利代理有限责任公司61200代理人王艾华(51)Int.Cl.G06Q10/04(2012.01)G06Q10/06(2012.01)G06Q50/06(2012.01)权利要求书2页说明书9页附图3页(54)发明名称一种BP神经网络的光伏发电量预测系统和方法(57)摘要本发明提供一种BP神经网络的光伏发电量预测系统和方法，选取影响T时刻光伏发电量的输入变量，利用关联度分析法分析所述输入变量与T时刻光伏发电量的相关性，剔除关联度低于设定值的输入变量，保留剩余输入变量；根据保留的输入变量的个数以及T时刻光伏发电量建立BP神经网络；利用和声搜索算法优化建立的BP神经网络；利用优化后的BP神经网络进行发电量预测，得到预测值。本发明利用和声搜索算法的全局搜索能力找到BP神经网络的最优权值和阈值，克服了BP神经网络在权值选择上的随机性，提高了BP神经网络的收敛速度和学习能力。CN112949937ACN112949937A权利要求书1/2页1.一种BP神经网络的光伏发电量预测方法，其特征在于，分析输入变量和T时刻光伏发电量的相关性，获得相关性大于设定值的输入变量，作为保留输入变量；根据保留输入变量的数量和目标变量的数量建立BP神经网络结构；所述目标变量为T时刻光伏发电量；通过和声搜索算法优化BP神经网络；通过优化后的BP神经网络预测T时刻的光伏发电量。2.根据权利要求1所述的一种BP神经网络的光伏发电量预测方法，其特征在于，通过灰色关联度分析法分析输入变量和T时刻光伏发电量的相关性。3.根据权利要求1所述的一种BP神经网络的光伏发电量预测方法，其特征在于，所述输入变量包括T时刻的温度、T‑1时刻的温度、T时刻的太阳辐射量、T‑1时刻的太阳辐射量、T时刻的相对湿度、T时刻的风速、T‑1时刻的光伏发电量、T‑2时刻的光伏发电量、T‑3时刻的光伏发电量和T‑4时刻的光伏发电量。4.根据权利要求1所述的一种BP神经网络的光伏发电量预测方法，其特征在于，所述BP神经网络包括输入层、隐藏层和输出层；根据保留输入变量的个数确定输入层的神经元个数，根据目标变量的数量确定输出层的神经元个数，通过输入层的神经元个数和输出层的神经元个数确定隐藏层的神经元数量。5.根据权利要求1所述的一种BP神经网络的光伏发电量预测方法，其特征在于，所述通过和声搜索算法优化BP神经网络的过程包括以下步骤：步骤31，设置和声搜索算法的初始参数和目标函数f(X)，建立和声记忆库；步骤32，设置BP神经网络的初始权值和初始阈值，对BP神经网络进行梯度下降训练，获得训练后的权值和阈值，所述权值和阈值为和声搜索算法的初始向量；步骤33，将初始向量作为和声记忆库的初始值；步骤34，设定随机数r1，若r1＜HMCR，从和声记忆库随机取出一个和声变量；否则，从解空间随机生成一个和声变量Xnew；若得到的和声变量是从和声记忆库中得到的，设定随机数newr2，若r2＜PAR，根据微调带宽BW来对得到的和声进行调整，得到一个新的和声变量X；否则，不做调整，输出和声变量Xnew；步骤35，将步骤34输出的和声变量Xnew输入至目标函数f(X)中，若f(Xnew)＜f(Xworst)，用Xnew替换Xworst，得到新的和声记忆库；所述Xworst为和声记忆库的最差解；步骤36，重复循环步骤34和步骤35，直至f(Xnew)＞f(Xworst)，输出和声记忆库的最优解，作为BP神经网络的权值和阈值。6.根据权利要求5所述的一种BP神经网络的光伏发电量预测方法，其特征在于，步骤31中，所述和声记忆库为：7.根据权利要求5所述的一种BP神经网络的光伏发电量预测方法，其特征在于，步骤312CN112949937A权利要求书2/2页中，所述目标函数f(X)是网络输出与期望输出之间的误差平方和。8.根据权利要求1所述的一种BP神经网络的光伏发电量预测方法，其特征在于，步骤31中，所述和声搜索算法的初始参数包括和声记忆库大小HMS、和声记忆库保留概率HMCR、微调扰动率PAR、迭代次数IN和微调带宽；所述初始参数中的HMS＝5，HMCR＝0.9，PAR＝0.3，IN＝50，BW＝0.01。9.根据权利要求1所述的一种BP神经网络的光伏发电量预测方法，其特征在于，步骤33中