一种基于LVQ-PSO-BP神经网络光伏短期出力预测方法、装置及存储介质与流程

一种基于lvq-pso-bp神经网络光伏短期出力预测方法、装置及存储介质
技术领域
1.本发明属于光伏发电技术领域，具体涉及一种基于lvq-pso-bp神经网络光伏短期出力预测方法、装置及存储介质。

背景技术：

2.随着世界能源的消耗，光伏发电作为一种清洁能源逐渐成为世界能源供应的主体。受天文、地理、气象环境等多种因素的影响，光伏发电具有波动性和间歇性的特点，这将会给调频、调峰等电网系统的调度工作增加难度。因此，对光伏发电功率进行预测可以有效降低光伏并网时比例失调对大电网的冲击，进而提高电网运行的安全性和稳定性，减少电力系统的旋转备用和运行成本。
3.光伏短期出力预测是指在预测时长为4h至3d的时间内，对光伏发出的功率进行预测。目前用于光伏电站短期出力预测的方法有两种，间接法和直接法。间接法先基于天气预报历史数据对光照强度、温度等进行预测，再通过计算公式或算法求得光伏电站出力预测值，但受天气等随机因素的影响，难以使用统一的精确的物理模型进行定量分析，限制了间接法的推广应用；直接法是基于光伏电站的出力历史数据及天气预报历史数据进行预测。
4.神经网络具有很强的非线性拟合能力，可以映射任何复杂的非线性关系，这与光伏发电系统的非线性特点相吻合，适合预测光伏电站短期出力。然而单一的神经网络受不同季节及天气类型的影响，泛化能力不佳，预测结果较差。同时，传统的bp神经网络作为常用的算法具有收敛速度慢、易陷入局部最小值、网络结构不易确定等特点，这些问题成为制约其发展的主要瓶颈。

技术实现要素：

5.为了解决上述问题，本发明提供了一种基于lvq-pso-bp神经网络光伏短期出力预测方法、装置及存储介质，提升了收敛速度，避免陷入局部最小值，此外，在预测精度与训练速度上也有显著提升。
6.本发明是通过以下技术方案来实现：
7.本发明公开了一种基于lvq-pso-bp神经网络光伏短期出力预测方法，包括：
8.s1：获取光伏发电历史数据作为数据样本；
9.s2：根据s1获得的数据样本中的日期特征，按照季节将所述数据样本划分为4类；
10.s3：基于lvq神经网络对s2分类后的数据样本分别进行天气类型聚类，得到lvq分类数据样本；
11.s4：基于s3得到的lvq分类数据样本，建立pso-bp神经网络预测模型；
12.s5：判断当前数据样本所属季节，基于lvq神经网络寻距离该数据样本最近的神经元所在的簇，利用s4建立的pso-bp神经网络预测模型对光伏短期出力进行预测。
13.优选地，s1中，所述光伏发电历史数据包括日期、天气类型、光照强度、温度和功率
中的一种或多种。
14.优选地，s3具体为：
15.s3.1：初始化参数，设定输入层的神经元数量为n，代表一个样本数据的n个数据特征，用x＝(x1,x2,...,xn)
t
表示；竞争层的神经元数量为m，给竞争层各神经元权值赋最小随机数，本质是m个聚类中心点的位置；输出层神经元个数k为聚类类别的个数，神经元权重取值0或1；输入层与竞争层全连接，竞争层与输出层部分连接且连接权重固定为1；确定初始学习效率η(0)和训练次数tm；
16.s3.2：输入其中一个数据样本x，寻竞争层中离该数据样本最近的神经元j
*
，并将此神经元作为获胜神经元：
[0017][0018]
s3.3：比较该数据样本和获胜神经元的分类是否一致，并根据比较结果，调整获胜神经元的权值；
[0019]
s3.4：更新学习效率：
[0020][0021]
当t＜tm时，t＝t+1，转到步骤s3.2输入下一个样本，重复各步骤直到t＝tm，完成lvq模型的训练；
[0022]
s3.5：通过获取目标光伏发电的数据，读取经步骤s3.2～s3.4训练好的lvq模型，对目标光伏发电的数据进行预测，得到lvq分类数据样本。
[0023]
进一步优选地，s3.3具体为：若一致，向输入样本方向调整权值：
[0024][0025]
否则，向逆输入样本方向调整权值：
[0026][0027]
进一步优选地，定义数据样本与某一神经元的欧氏距离为d1，与另一神经元的欧式距离为d2，若d1与d2满足下列不等式，α取0.25：
[0028][0029]
则该数据样本与两个神经元的距离接近；若出现上述情况，则采用以下调整方式：将距离最小的神经元定为最近神经元，将距离次小的神经元定为次近神经元；如果类别属于最近神经元，则让最近神经元更加靠近，次近神经元远离；若类别属于次近神经元，则让次近神经元更加靠近，最近神经元远离；同时其它非获胜神经元的权值保持不变。
[0030]
优选地，s4具体为：
[0031]
s4.1：根据三层bp神经网络各层之间连接权值和各层阈值个数，随机初始化一定范围内的粒子位置和速度，每个粒子都代表一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征；
[0032]
s4.2：基于s3得到的lvq分类数据样本计算粒子适应度，适应度函数由目标函数
确定；
[0033]
s4.3：计算个体极值和种极值，更新粒子位置及速度：
[0034]
s4.4：重复更新个体极值和种极值直到达到最大迭代次数，将得到的最优种极值作为bp神经网络预测的初始权值和阈值；
[0035]
s4.5：运用bp神经网络对lvq分类数据样本进行训练，得到pso-bp神经网络预测模型。
[0036]
进一步优选地，s4.3具体为：
[0037]
速度更新公式为：
[0038]vik+1
＝w
·vik
+c1·
r1·
(p
gk-x
ik
)+c2·
r2·
(p
zk-x
ik
)
[0039]
位置更新公式为：
[0040]
x
ik+1
＝x
ik
+v
ik+1
[0041]
其中，k为当前迭代次数；v
ik+1
为种中第i个粒子第k+1代移动速度；w为惯性权重；r1和r2为0-1之间的随机数；c1和c2为粒子的加速度因子，取非负常数。
[0042]
进一步优选地，s4.5中，bp神经网络训练包括两个阶段，第一阶段为信号的前向传播，传播顺序为输入层到隐含层到输出层；第二阶段为误差的反向传播，传播顺序为输出层到隐含层到输入层；不断更新隐含层到输出层、输入层到隐含层的权值和阈值，直到达到最大迭代次数结束。
[0043]
本发明公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于lvq-pso-bp神经网络光伏短期出力预测方法的步骤。
[0044]
本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于lvq-pso-bp神经网络光伏短期出力预测方法的步骤。
[0045]
与现有技术相比，本发明具有以下有益的技术效果：
[0046]
本发明公开的基于lvq-pso-bp神经网络光伏短期出力预测方法，首先，在获取样本数据集后按照季节划分样本，再运用lvq依据天气类型对样本细分。分类后的样本，分别基于pso-bp神经网络建立光伏出力预测模型，最后将各自性能最优的模型整合在一起，形成全年的光伏出力短期预测模型。在实际预测过程中，首先按照训练日的日期选择相应的季节，再根据当天的天气预报信息，经过lvq神经网络分类后到对应的出力预测子模型，最后通过建立的出力预测模型对光伏出力进行短期预测。本发明运用lvq进行分类时不需要对输入样本进行归一化、正交化处理，只需要计算输入样本与竞争层之间的距离。同时，lvq可以为相应应用领域的专家创建易于解释的原型；运用lvq时还考虑了样本离最近神经元与次近神经元的距离差别不大的情况，通过更新权值计算公式使分类界限更为清晰；弥补了bp神经网络训练时间长、易陷入局部最小值的缺陷；能够提高预测精度，提高训练收敛速度。
附图说明
[0047]
图1为本发明的基于lvq-pso-bp神经网络光伏短期出力预测方法的流程示意图；
[0048]
图2为pso-bp算法的流程示意图。
具体实施方式
[0049]
下面结合附图和具体实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0050]
如图1，本发明的基于lvq-pso-bp神经网络光伏短期出力预测方法，包括以下步骤：
[0051]
step1：获取光伏发电历史数据(包含日期、天气类型、光照强度、温度、功率等数据特征中的一种或多种)作为样本数据。
[0052]
step2：按照样本数据中的日期特征，根据季节将数据样本划分为4类。
[0053]
step3：基于lvq神经网络对样本进行天气类型聚类。
[0054]
3.1：初始化。lvq是由输入层、竞争层和输出层组成，其中输入层有n个神经元，代表一个样本数据的n个数据特征，用x＝(x1,x2,...,xn)
t
表示；竞争层有m个神经元，m需要在起始时被确定，此外，需要给竞争层各神经元权值赋最小随机数，本质是m个聚类中心点的位置；输出层神经元个数k为聚类类别的个数，神经元权重取值0或1。输入层与竞争层全连接，竞争层与输出层是部分连接(需要确定连接结构)且连接权重固定为1。还需要确定初始学习效率η(0)和训练次数tm。
[0055]
3.2：输入其中一个样本x，寻竞争层中离样本最近的神经元j
*
，并将此神经元作为获胜神经元。
[0056][0057]
3.3：比较样本和获胜神经元的分类是否一致调整获胜神经元的权值。
[0058]
若一致，向输入样本方向调整权值：
[0059][0060]
否则，向逆输入样本方向调整权值：
[0061][0062]
特殊情况，
[0063]
定义数据样本与某一神经元的欧氏距离为d1，与另一神经元的欧式距离为d2，若d1与d2满足下列不等式，α取0.25：
[0064][0065]
则该数据样本与两个神经元的距离接近；若出现上述情况，则采用以下调整方式：将距离最小的神经元定为最近神经元，将距离次小的神经元定为次近神经元；如果类别属于最近神经元，则让最近神经元更加靠近，次近神经元远离；若类别属于次近神经元，则让次近神经元更加靠近，最近神经元远离；同时其它非获胜神经元的权值保持不变。
[0066]
3.4更新学习效率。
[0067][0068]
3.5当t＜tm时，t＝t+1，转到步骤(2)输入下一个样本，重复各步骤直到t＝tm，完成
lvq模型的训练；
[0069]
s3.5：通过获取目标光伏发电的数据，读取经步骤s3.2～s3.4训练好的lvq模型，对目标光伏发电的数据进行预测，得到lvq分类数据样本。
[0070]
step4：建立pso-bp神经网络预测模型，如图2。
[0071]
4.1：根据三层bp神经网络各层之间连接权值和各层阈值个数，随机初始化一定范围内的粒子位置和速度，每个粒子都代表一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征。
[0072]
4.2：基于lvq分类样本计算粒子适应度，适应度函数一般由目标函数确定。
[0073]
4.3：计算个体极值(个体所经历位置中计算得到的适应度值最优位置)和种极值(种中的所有粒子搜索到的适应度最优位置)，根据公式更新粒子位置及速度。
[0074]
速度更新公式为：
[0075][0076]
位置更新公式为：
[0077][0078]
其中，k为当前迭代次数；v
ik+1
指种中第i个粒子第k+1代移动速度；w为惯性权重；r1和r2为0-1之间的随机数；c1和c2是粒子的加速度因子，取非负常数。
[0079]
4.4：重复更新个体极值和种极值直到达到最大迭代次数，粒子每更新一次位置及速度，就计算一次适应度值，并且通过比较粒子新的适应度值和前一次个体极值的适应度值和体极值的适应度值更新个体极值和体极值。
[0080]
4.5：pso优化结束后，将最优种极值作为bp神经网络预测的初始权值和阈值。
[0081]
4.6：运用bp神经网络对lvq分类数据样本进行训练。主要分为两个阶段：第一阶段是信号的前向传播(输入层-隐含层-输出层)；第二阶段是误差的反向传播(输出层-隐含层-输入层)。不断更新隐含层到输出层、输入层到隐含层的权值和阈值，直到达到最大迭代次数结束。
[0082]
step5：预测。首先判断样本属于哪个季节分类，再基于lvq寻离该样本最近的神经元所在的簇，运用对应的pso-bp神经网络预测模型进行出力预测。
[0083]
术语解释：
[0084]
learning vector quantization(lvq)学习向量量化：学习向量量化是一种原型聚类算法，即试图到一组原型向量来聚类，每个原型向量代表一个簇，将空间划分为若干个簇，从而对于任意的样本，可以把它划入到它距离最近的簇中。lvq假设数据样本带有类别标记，可以利用这些类别标记来辅助聚类。
[0085]
particle swarm optimization(pso)粒子优化算法：pso初始化为一随机粒子，然后通过迭代到最优解，在每一次迭代中，粒子通过跟踪个体极值和体极值来更新自己，通过适应度来评价解的品质。
[0086]
back-propagation(bp)反向传播：用于训练人工神经网络。由于人工神经网络的输入与输出有误差，需要计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直到传播到输入层。在反向传播的过程中，将根据误差调整各种参数值。
[0087]
genetic algorithm(ga)遗传算法：遗传算法的基本思想是从初始种出发，采用
优胜劣汰、适者生存的自然法则选择个体，并通过杂交、变异来产生新一代种，如此逐代进化，直到满足目标为止。
[0088]
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明所述基于lvq-pso-bp神经网络光伏短期出力预测方法的步骤。
[0089]
本发明基于lvq-pso-bp神经网络光伏短期出力预测方法可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本发明基于lvq-pso-bp神经网络光伏短期出力预测方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
[0090]
基于这样的理解，在示例性实施例中，还提供了一种计算机可读存储介质，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于该计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。其中，所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nandflash)、固态硬盘(ssd))等。
[0091]
在示例性实施例中，还提供计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于lvq-pso-bp神经网络光伏短期出力预测方法的步骤。处理器可能是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor、dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0092]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
[0093]
以上所述仅是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：

1.一种基于lvq-pso-bp神经网络光伏短期出力预测方法，其特征在于，包括：s1：获取光伏发电历史数据作为数据样本；s2：根据s1获得的数据样本中的日期特征，按照季节将所述数据样本划分为4类；s3：基于lvq神经网络对s2分类后的数据样本分别进行天气类型聚类，得到lvq分类数据样本；s4：基于s3得到的lvq分类数据样本，建立pso-bp神经网络预测模型；s5：判断当前数据样本所属季节，基于lvq神经网络寻距离该数据样本最近的神经元所在的簇，利用s4建立的pso-bp神经网络预测模型对光伏短期出力进行预测。2.根据权利要求1所述的基于lvq-pso-bp神经网络光伏短期出力预测方法，其特征在于，s1中，所述光伏发电历史数据包括日期、天气类型、光照强度、温度和功率中的一种或多种。3.根据权利要求1所述的基于lvq-pso-bp神经网络光伏短期出力预测方法，其特征在于，s3具体为：s3.1：初始化参数，设定输入层的神经元数量为n，代表一个样本数据的n个数据特征，用x＝(x1,x2,...,x
n
)
t
表示；竞争层的神经元数量为m，给竞争层各神经元权值赋最小随机数，本质是m个聚类中心点的位置；输出层神经元个数k为聚类类别的个数，神经元权重取值0或1；输入层与竞争层全连接，竞争层与输出层部分连接且连接权重固定为1；确定初始学习效率η(0)和训练次数t
m
；s3.2：输入其中一个数据样本x，寻竞争层中离该数据样本最近的神经元j
*
，并将此神经元作为获胜神经元：s3.3：比较该数据样本和获胜神经元的分类是否一致，并根据比较结果，调整获胜神经元的权值；s3.4：更新学习效率：当t＜t
m
时，t＝t+1，转到步骤s3.2输入下一个样本，重复各步骤直到t＝t
m
，完成lvq模型的训练；s3.5：通过获取目标光伏发电的数据，读取经步骤s3.2～s3.4训练好的lvq模型，对目标光伏发电的数据进行预测，得到lvq分类数据样本。4.根据权利要求3所述的基于lvq-pso-bp神经网络光伏短期出力预测方法，其特征在于，s3.3具体为：若一致，向输入样本方向调整权值：否则，向逆输入样本方向调整权值：5.根据权利要求4所述的基于lvq-pso-bp神经网络光伏短期出力预测方法，其特征在
于，定义数据样本与某一神经元的欧氏距离为d1，与另一神经元的欧式距离为d2，若d1与d2满足下列不等式，α取0.25：则该数据样本与两个神经元的距离接近；若出现上述情况，则采用以下调整方式：将距离最小的神经元定为最近神经元，将距离次小的神经元定为次近神经元；如果类别属于最近神经元，则让最近神经元更加靠近，次近神经元远离；若类别属于次近神经元，则让次近神经元更加靠近，最近神经元远离；同时其它非获胜神经元的权值保持不变。6.根据权利要求1所述的基于lvq-pso-bp神经网络光伏短期出力预测方法，其特征在于，s4具体为：s4.1：根据三层bp神经网络各层之间连接权值和各层阈值个数，随机初始化一定范围内的粒子位置和速度，每个粒子都代表一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征；s4.2：基于s3得到的lvq分类数据样本计算粒子适应度，适应度函数由目标函数确定；s4.3：计算个体极值和种极值，更新粒子位置及速度：s4.4：重复更新个体极值和种极值直到达到最大迭代次数，将得到的最优种极值作为bp神经网络预测的初始权值和阈值；s4.5：运用bp神经网络对lvq分类数据样本进行训练，得到pso-bp神经网络预测模型。7.根据权利要求6所述的基于lvq-pso-bp神经网络光伏短期出力预测方法，其特征在于，s4.3具体为：速度更新公式为：位置更新公式为：其中，k为当前迭代次数；v
ik+1
为种中第i个粒子第k+1代移动速度；w为惯性权重；r1和r2为0-1之间的随机数；c1和c2为粒子的加速度因子，取非负常数。8.根据权利要求6所述的基于lvq-pso-bp神经网络光伏短期出力预测方法，其特征在于，s4.5中，bp神经网络训练包括两个阶段，第一阶段为信号的前向传播，传播顺序为输入层到隐含层到输出层；第二阶段为误差的反向传播，传播顺序为输出层到隐含层到输入层；不断更新隐含层到输出层、输入层到隐含层的权值和阈值，直到达到最大迭代次数结束。9.一种计算机设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的基于lvq-pso-bp神经网络光伏短期出力预测方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于lvq-pso-bp神经网络光伏短期出力预测方法的步骤。

技术总结

本发明公开了一种基于LVQ-PSO-BP神经网络光伏短期出力预测方法、装置及存储介质，属于光伏技术领域。首先，在获取样本数据集后按照季节划分样本，再运用LVQ依据天气类型对样本细分。分类后的样本，分别基于PSO-BP神经网络建立光伏出力预测模型，最后将各自性能最优的模型整合在一起，形成全年的光伏出力短期预测模型。在实际预测过程中，首先按照训练日的日期选择相应的季节，再根据当天的天气预报信息，经过LVQ神经网络分类后到对应的出力预测子模型，最后通过建立的出力预测模型对光伏出力进行短期预测。本发明提升了收敛速度，避免陷入局部最小值，此外，在预测精度与训练速度上也有显著提升。度上也有显著提升。度上也有显著提升。