一种BP神经网络的光伏发电量预测系统和方法

技术领域

本发明属于光伏电站发电量预测领域，具体涉及一种BP神经网络的光伏发电量预测系统和方法。

背景技术

随着全球传统化石能源日益枯竭，并且污染严重，能源危机与环境问题渐显突出。光伏新能源具有清洁、可持续性等特点，越来越受到人们的重视。太阳能开发利用已成为全球能源转型的重要领域，光伏发电全面进入规模化发展阶段，呈现出良好的发展前景。但光伏发电功率受很多因素影响，其值具有明显的波动性和不稳定性，这给光伏并网系统中电力的管理带来了严峻考验。为了尽可能减少光伏发电不稳定性造成的损失，所以在其并外网输出处电力使用时，提前预测光伏发电功率变得尤为重要。

目前的光伏发电量预测方法主要是支持向量机、神经网络等，但是传统方法的缺点是容易陷入局部最小值，收敛速度慢，输入和输出的匹配度低，造成光伏发电量预测偏差大。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种BP神经网络的光伏发电量预测系统和方法，以解决现有技术中光伏发电量预测方法偏差大的问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种BP神经网络的光伏发电量预测方法，

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。

本发明的进一步改进在于：

优选的，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。

优选的，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。

优选的，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。

优选的，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r

步骤35，将步骤34输出的和声变量X

步骤36，重复循环步骤34和步骤35，直至f(X

优选的，步骤31中，所述和声记忆库为：

优选的，步骤31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。

优选的，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。

优选的，步骤33中，所述随机数r

一种BP神经网络的光伏发电量预测系统，包括：

分析模块，用于分析输入变量和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；

构建模块，用于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；

优化模块，用于通过和声搜索算法优化BP神经网络；

预测模块，通过优化后的BP神经网络预测T时刻的光伏发电量。

与现有技术相比，本发明具有以下有益效果：

本发明提供了一种BP神经网络的光伏发电量预测方法，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，此外，优化了训练样本选取和BP神经网络隐藏层神经元数，提高了BP神经网络的泛化能力，在预测光伏发电量时降低了预测偏差大的问题。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，降低了光伏发电量预测偏差大的问题。

本发明还公开了一种BP神经网络的光伏发电量预测系统，该系统包括分析模块、构建模块、优化模块和预测模块；该系统通过四个模块之间的相互作用，找到了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。

附图说明

图1为本发明和声搜索算法优化BP神经网络的流程框图；

图2为本发明的BP神经网络的结构图；

图3为本发明隐藏层节点数与对应的训练与预测均方差；

图4为本发明算法的适应度曲线图

图5为本发明的预测拟合效果图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参见图1，本发明公开的基于和声搜索算法优化BP神经网络的光伏发电量预测方法，包括以下步骤：

步骤1：选取影响T时刻光伏发电量的输入变量，所述输入变量包括T时刻的温度以及T时刻之前的温度、T时刻的太阳辐射量以及T时刻之前的太阳辐射量、T时刻的相对湿度、T时刻风速、T时刻的光伏发电量以及T时刻之前的光伏发电量，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0.8的输入变量，保留剩余输入变量，为保留输入变量；

步骤1中，采用灰色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。

更为具体的，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。

利用灰色关联度分析法对输入变量和输出变量之间的关联度进行计算，具体是：

1)确定比较对象(评价对象)和参考数列(评价标准)，设评价对象有m个，评价指标有n个，参考数列为x

2)确定各指标值对应的权重，可用层次分析法等确定各指标对应的权重w＝[w

3)计算灰色关联系数。

为比较数列x

其中，

4)计算灰色加权关联度，灰色加权关联度的计算公式为：

式中：r

步骤2：根据步骤1中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；

步骤2中，BP神经网络的结构包括输入层、隐藏层和输出层，其中，根据保留的输入变量的个数以及T时刻光伏发电量确定BP神经网络的输入层神经元个数I和输出层神经元个数O，根据输入层神经元个数I和输出层神经元个数O确定隐藏层神经元个数H。更为具体，输入层神经元个数I为步骤1中获得的保留输入变量的个数，输出层神经元个数O为输出目标变量的数量，本发明中的就是为T时刻的光伏发电量预测值这一个输出变量，个数为1。

隐藏层神经元个数H通过以下公式确定：

H＝(I+O)

步骤3：利用和声搜索算法优化步骤2建立的BP神经网络；

步骤31：设置和声搜索算法的初始参数，其中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BW；

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直至收敛，得到一系列权值和阈值作为和声搜索算法的初始解向量；

随机产生一个初始群体放入和声记忆库，这个群体中的每个个体对应着神经网络的一组权值和阈值。

步骤33：给出随机概率r值，根据条件产生新的和声变量，用新的和声变量根据更新判定条件更新和声记忆库；

在[0，1]之间产生一个随机数r

步骤34：判断终止条件，若满足，停止迭代，输出最优解；否则，重复步骤33，直到满终止条件。

若新解优于记忆库中最差解，即f(X

步骤4：利用步骤3中优化后的BP神经网络进行光伏发电量预测，得到预测值。

利用优化后的BP神经网络进行光伏发电量预测，得到最终的预测值。

实施例

作为本发明的某一具体实施例，选择了1643组有效的样本数据，每一组样本数据包含其中的1590组数据用于BP神经网络的训练，剩余的53组数据用于对训练好的BP神经网络进行测试，采用基于和声搜索算法优化BP神经网络的光伏发电量预测方法如下：

步骤1：选取影响T时刻光伏发电量的输入变量，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，利用灰色关联度分析法分析所述输入变量与T时刻光伏发电量(输出变量)的相关性，剔除相关性较低的变量，将相关性较高的变量作为输入变量，具体的，剔除关联度低于0.8的输入变量，保留剩余输入变量；

利用灰色关联度分析法对输入变量和输出变量之间的关联度进行计算，具体是：

5)确定比较对象(评价对象)和参考数列(评价标准)，设评价对象有m个，评价指标有n个，参考数列为x

6)确定各指标值对应的权重，可用层次分析法等确定各指标对应的权重w＝[w

7)计算灰色关联系数。

为比较数列x

其中，

8)计算灰色加权关联度，灰色加权关联度的计算公式为：

式中：r

关联度计算结果如表1所示：

表1实施例1计算的关联度

结合前述以及上表的分析结果，剔除T时刻的风速、T-3时刻的光伏发电量和T-4时刻的光伏发电量这三个输入变量，选取T时刻的温度、T-1时刻的温度、T时刻的太阳辐射强度、T-1时刻的太阳辐射强度、T时刻的相对湿度、T-1时刻的光伏发电量和T-2时刻的光伏发电量7个变量作为HS-BP神经网络预测模型的输入变量，以T时刻的光伏发电量作为输出变量。

步骤2，根据保留的输入变量的个数以及输出变量T时刻光伏发电量确定BP神经网络的结构；

由BP定理知：给定任意ε＞0和任意L

BP神经网络的结构包括输入层、隐藏层和输出层三层，以此作为预测器；本发明采用三层BP神经网络，如图2所示，神经网络结构图可知BP神经网络结构的主要因素是输入层、隐藏层和输出层神经元数量，这三个数量决定了BP神经网络的结构；传递函数为transig型函数，训练函数为trainlm型函数；通常，输入层和输出层中的神经元数量分别等于输入变量和输出变量的数量，故输入层神经元数为7，输出层神经元数为1；

BP神经网络的隐藏层中最合适的神经元数量位于一个区间内，该区间的计算通常为：

H＝(I+O)

其中，I、O和H分别表示输入层、输出层和隐藏层中的神经元数量，Z是一个常数，取区间[1，10]中的值，在相同的参数和迭代次数下，隐藏层神经元数量与均方训练误差之间的关系如图2所示，可见，当隐藏层神经元数量为12时，BP神经网络的均方误差最小，所以隐藏层神经元数量为12。

步骤3，利用和声搜索算法优化BP神经网络；

和声搜索算法是受到乐队中和声调谐的启发而提出的全局搜索算法，其寻优过程也类似于乐队中音调调谐的过程，不断地更新和声记忆库中的新解，最后给出一个最优解。具体步骤过程如下：

(1)初始化算法参数。算法参数包含初始化和声记忆库大小(Harmony MemorySize，HMS)、和声记忆库保留概率(Harmony Memory ConsideringRate，HMCR)、微调扰动率(Pitch AdjustingRate，PAR)、迭代次数(Iteration Number，IN)。和声记忆库大小HMS的大小决定其算法是全局搜索能力，和声记忆库保留概率HMCR决定每次迭代过程中新解产生的方式，音调调解率PAR在和声搜索算法中起到控制局部搜索的作用，音调微调带宽BW，微调的幅度大小。通常取HMS＝5，HMCR＝0.9，PAR＝0.3，IN＝50，带宽BW＝0.01。

(2)和声记忆库HM初始化及目标函数f(X)的选取。随机产生一个初始群体放入和声记忆库，这个群体中的每个个体X

(3)产生新解。在[0，1]之间产生一个随机数r

进一步的，若得到的和声变量是从和声记忆库中得到的，需要进行微调，在[0，1]之间产生一个随机数r

总之，通过该步骤输出一个和声变量X

解空间是和声搜索算法的解空间库，因为每个乐器演奏的音乐具有一定的范围，会有音调的上下限，通过每个乐器的音乐演奏范围来构造一个解空间，然后从这个解空间来产生一个和声变量。

(4)更新记忆库。将步骤(3)输出的和声变量X

(5)判断终止条件，直至f(X

将BP神经网络权值和阈值的调整看作和声搜索算法中寻找最优解的过程；而每一个BP神经网络状态下所对应的误差则对应和声搜索算法中的每一个个体所具有的最优值。本算法采用的目标函数f(X)是网络输出与期望输出之间的误差平方和，该值越低则表明个体越优越。

和声搜索算法优化BP神经网络的具体步骤为：

步骤31：设置和声搜索算法的初始参数和目标函数，和声搜索算法中和声记忆库大小HMS＝5、和声记忆库保留概率HMCR＝0.9、微调扰动率PAR＝0.3、迭代次数IN＝50、微调带宽BW＝0.01；确定其目标函数f(X)是网络输出与期望输出之间的误差平方和，该值越低则表明个体越优越。

步骤32：设置BP神经网络的初始权值和初始阈值，BP神经网络的初始权值和初始阈值是随机取值的，取[0,1]之间的数，将该初始权值阈值放入和声搜索算法的和声记忆库中作为初始的和声值。对BP神经网络进行梯度下降训练直至BP神经网络收敛，得到一系列权值和阈值作为和声搜索算法的初始向量；

步骤33：将步骤32得到的权值和阈值作为和声搜索算法的初始向量，作为和声记忆库HM的中每个个体X

步骤34，给出随机概率r值，根据上述步骤3中(3)的条件产生新的和声变量，用新的和声变量根据上述步骤3中(4)的更新判定条件更新和声记忆库；

步骤35判断终止条件，若满足，停止迭代，输出最优解；否则，重复步骤34，直到满终止条件。

步骤4，利用优化后的BP神经网络进行光伏发电量预测，得到最终的预测值。

用1590组训练数据训练BP神经网络后，再用53组测试数据来测试已经训练好的HS-BP神经网络，得到预测值；如图3所示，隐含层神经元个数为12时误差最小，图4所示迭代次数为100时达到神经网络收敛条件。以RMSPE均方根误差作为三种预测模型的误差评价指标，其与未处理的模型对比结果如表2所示，预测曲线如图5所示，其中模型1为BP神经网络模型，模型2为未剔除关联度低的输入数据的HS-BP模型，模型3为剔除了关联度低的输入数据的HS-BP模型；

式中，yi为真实值，yi^为预测值，y为光伏发电量真实值的平均值，计算结果如下表所示：

表2模型预测值

根据图5所示模型3的预测曲线最接近真实值，据表2可看出结果表明本发明方法模型3的均方根误差值最低，误差精度最高，故本发明的预测方法更精确。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。