买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：山东电力工程咨询院有限公司

摘要：本发明公开了一种基于模糊EBF网络的光伏发电量预测方法，选取光伏发电量的影响因素，采集光伏发电量影响因素历史数据和其所对应的光伏发电量历史数据，确定样本集；以训练样本集中光伏发电量影响因素的历史数据生成输入向量，以其所对应的光伏发电量的历史数据为输出向量，并进行归一化处理，确定训练样本；利用训练样本，通过Levenberg‑Marquardt算法训练模糊EBF网络，采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处理后输入训练好的模糊EBF网络，得到光伏发电量预测输出向量，预测输出向量经反归一化处理得到待预测日的预测光伏发电量向量。本发明有效的提高了光伏发电量的预测精度。

主权项：一种基于模糊EBF网络的光伏发电量预测方法，其特征是：包括以下步骤：1选取光伏发电量的影响因素，采集光伏发电量影响因素历史数据和其所对应的光伏发电量历史数据，确定样本集；2以训练样本集中光伏发电量影响因素的历史数据生成输入向量，以其所对应的光伏发电量的历史数据为输出向量，并进行归一化处理，确定训练样本；3利用训练样本，通过Levenberg‑Marquardt算法训练模糊EBF网络；4采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处理后输入训练好的模糊EBF网络，得到光伏发电量预测输出向量，预测输出向量经反归一化处理得到待预测日的预测光伏发电量向量。

全文数据：一种基于模糊EBF网络的光伏发电量预测方法技术领域[0001]本发明涉及一种基于模糊EBF网络的光伏发电量预测方法。背景技术[0002]随着社会的飞速发展，传统能源的大量消耗使人们在工业发展和日常生活中面临关于不可再生能源耗尽和严重的环境污染等问题。太阳能作为一种可再生能源，由于干净、环保、安全、成本低等特点，已成为人类使用能源的重要组成部分，并不断得到发展。[0003]大规模光伏发电是一种利用太阳能的有效方式，但太阳福射、天气温度、天气类型和太阳能光伏电板转化率等因素容易对光伏发电产生影响，并且呈非线性。因此，太阳能发电量的预测对合理安排电器使用时间和最大限度利用太阳能资源、减小用电成本有着重要的意义。[0004]在国外，光伏产业发展势头迅猛，在国内市场，由于工程和制造技术、成本太高等原因太阳能产业发展缓慢。近几年，在相关政策不断扶持和政府大力支持鼓励下，太阳能作为新兴的无限再生能源，其前景十分广阔。[0005]在太阳能电池板发电的过程中，随着太阳辐射强度和大气温度的变化，其转化率和输出功率都在不断改变。因此，太阳能光伏电板的温度也成为影响太阳能光伏发电系统发电量的一种重要因素。[0006]模糊EBF网络预测不仅可以用于系统建模、辨识和控制，而且还可以用于模糊规则的自动生成和抽取，但是传统的算法参数初始化选择太过广泛，易导致局部最小值，固定的每条规则输入变量的宽度在学习过程中易出现瘫痪现象并且导致学习时间过长。发明内容[0007]本发明为了解决上述问题，提出了一种基于模糊EBF网络的光伏发电量预测方法，本方法解决了算法容陷入局部极值，参数初始化选择太过广泛，求解精度低的问题。[0008]为了实现上述目的，本发明采用如下技术方案：[0009]一种基于模糊EBF网络的光伏发电量预测方法，包括以下步骤：[0010]1选取光伏发电量的影响因素，采集光伏发电量影响因素历史数据和其所对应的光伏发电量历史数据，确定样本集；[0011]2以训练样本集中光伏发电量影响因素的历史数据生成输入向量，以其所对应的光伏发电量的历史数据为输出向量，并进行归一化处理，确定训练样本；[0012]3利用训练样本，通过Levenberg-Marquardt算法训练模糊EBF网络；[0013]4采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处理后输入训练好的模糊EBF网络，得到光伏发电量预测输出向量，预测输出向量经反归一化处理得到待预测日的预测光伏发电量向量。[00M]所述步骤⑴中，光伏发电量的影响因素包括:预测日前一天设定时间内的实际总发电量、待预测日的平均太阳辐射强度、待预测日的平均天气温度、待预测日太阳能光伏电板的影响度;所述步骤（1中其所对应的光伏发电量为待预测日设定时间内的实际总发电量。[0015]所述步骤⑵中，具体步骤包括：[0016]2-1利用所得光伏发电量影响因素的历史数据按季节分别构造输入向量，以其所对应的光伏发电量的历史数据构造输出向量；[0017]2-2确认并存储输入向量、输出向量中各分量的最小值和最大值，对输入向量和输出向量进行归一化处理，得到归一化输入向量和归一化输出向量。[0018]所述步骤3中，模糊EBF网络结构包括输入层，模糊化层，模糊推理层和输出层；所述输入层节点数为4个，包括光伏发电待预测日前一天设定时段的实际总发电量、待预测日的平均太阳辐射强度、待预测日的平均天气温度、待预测日太阳能光伏电板的影响度;所述输出层节点数为1个，包括待预测日设定时段的总发电量;所述模糊化层节点数为12个，分为3组，每组节点数为4个，其隶属函数由以下公式确定：[0020]式中，hi，j代表输入层第i个输入变量Xi隶属第j个模糊子集的隶属度，Cij和bij分别表示输入层第i个输入变量在模糊化层第j组中的均值和方差，¾的初始取值范围优选为[-1，1]，b^的初始取值范围优选为[-2,1]，exp为以自然常数e为底数的指数函数。[0021]所述步骤⑶中，具体步骤包括：[0022]3-1根据训练样本的个数和对应每个样本的误差信号，确定模糊EBF神经网络的性能指标；[0023]3_2基于改进Levenberg-Marquardt算法对权值进行修订；[0024]3-3迭代求解输入层第i个输入变量与模糊化层第j个模糊集合的隶属函数的均值，知道满足迭代条件，模糊EBF网络训练结束。[0025]所述步骤3-2中，改进Levenberg-Marquardt权值修订公式为：[0026]ffn+1=ffη-[JTnJn+CijηI]JTηEn11[0027]式中，Wn为模糊EBF网络第n次迭代的权值矩阵，I为单位矩阵，J为雅可比Jacobian矩阵，由以下公式确定：[0029]式中，en为第n个样本的误差，Wp为模糊EBF网络模型的第p个权值；[0030]JT为矩阵J的转置，E^N个训练样本的输出误差向量，具体为:En=[eie2...en]。[0031]所述步骤3-3中，计算，，如果J的范数小于一个设定的值ao时，认定其满足迭代条件。[0032]所述步骤3-3中，计算¾n+1，其公式如下所示：[0033]cijn+1=cijηβη+113[0034]式中，¾η是第η次迭代时输入层第i个输入变量与模糊化层第j个模糊集合的隶属函数的均值，βn+1为动态收敛因子，计算公式为：[0036]式中，N为训练样本数，emax为最大的训练误差，emin为模糊EBF网络期望的输出精度，k为常数。[0037]所述步骤⑷中，采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处理，得到归一化处理后的预测输入向量，归一化公式为：[0039]其中，X'为归一化处理前的预测输入向量中第i个分量，\χO'+ί·'2χf+100χR,^g^[0062]式中，ai为大于0并且小于0.8的自然常数，a2为大于0.4并且小于1的自然常数，Rf为太阳能光伏电板的基本转化率。[0063]前述的一种，其特征是:所述步骤lb具体包括步骤：[0064]4a利用所得光伏发电量影响因素的历史数据按季节分别构造输入向量，以其所对应的光伏发电量的历史数据构造输出向量；[0005]4b对步骤4a所得输入向量和输出向量进行归一化处理，得到归一化输入向量和归一化输出向量，其中归一化处理的公式为：[0068]其中，m为输入层节点数，1为输出层节点数，Xl，yi*别为归一化处理前光伏发电量原始输入向量和原始输出向量中第i分量，Xi,min，Xi,max分别为归一化处理前光伏发电量原始输入向量中第i分量的最小值和最大值，yi,min，yi,max分别为归一化处理前光伏发电量原始输出向量中第i分量的最小值和最大值，艿分别为归一化处理后的原始输入向量和原始输出向量中第i分量；[0069]4C保存归一化处理前光伏发电量原始输入向量中各分量的最小值Xi,min和最大值Xi,max和原始输出向量中各分量的最小值yi,min和最大值yimax。[0070]前述的一种，其特征是:所述步骤（lc中采用的模糊EBF网络结构包括输入层，模糊化层，模糊推理层和输出层;所述输入层节点数为4个，包括光伏发电待预测日前一天6:00-19:00时段的实际总发电量、待预测日的平均太阳辐射强度、待预测日的平均天气温度、待预测日太阳能光伏电板的影响度;所述输出层节点数为1个，包括待预测日06:00-19:00时段的总发电量;所述模糊化层节点数为12个，分为3组，每组节点数为4个，其隶属函数由以下公式确定：[0072]式中，i，j代表输入层第i个输入变量Xi隶属第j个模糊子集的隶属度，Cij和bij分别表示输入层第i个输入变量在模糊化层第j组中的均值和方差，¾的初始取值范围优选为[-1，1]，b^的初始取值范围优选为[-2,1]^χρ为以自然常数e为底数的指数函数。[0073]所述模糊推理层的节点数为3个，输出由以下公式确定：[0075]式中，f2j代表输入层输入变量对第j条模糊规则的适应度。[0076]特别说明的是，该层第j条模糊规则的T范数由以下公式来表示：[0077]Φj=exp[-md2j]j=1,2,38[0078]式中，mdj是第j条规则的马氏距离，由以下公式确定：[0082]由上可得，这个模型的接收域是超椭球体而不是RBF单元中的超球体。[0083]所述输出层的输出由以下公式确定：[0084]，=1仏.·."w7^3CIO[0085]式中，1为输出层节点的个数，w1，j为输出层1个节点与模糊推理层第j个节点的连接权值矩阵。[0086]前述的一种，其特征是:所述步骤（lc中的采用改进Levenberg-Marquardt算法训练模糊EBF网络的训练，得到训练后的模糊EBF网络，具体步骤为：[0087]6a设模糊EBF神经网络的性能指标是：[0088]L2«=111[0089]式中，N为训练样本的个数，^是对应第η个样本的误差信号，求解公式为：[0090]en=dn-yn12[0091]式中，4为输出层对应第η个样本的期望输出，7"为输出层对应第η个样本的实际输出。[0092]6b改进Levenberg-Marquardt权值修订公式为：[0093]ffn+1=ffη-[JTnJn+CijηI]ηΕη13[0094]式中，Wη为模糊EBF网络第η次迭代的权值矩阵，I为单位矩阵，J为雅可比Jacobian矩阵，由以下公式确定：[0096]式中，en为第η个样本的误差，为模糊EBF网络模型的第p个权值。[0097]JT为矩阵J的转置，Εη*Ν个训练样本的输出误差向量，具体为:En=[eie2...en]。[0098]6c计算如果J的范数小于一个设定的值ει〇时，转6e。[0099]6d计算¾n+1，其公式如下所示：[0100]cijn+1=cijηβη+115[0101]式中，¾η是第η次迭代时输入层第i个输入变量与模糊化层第j个模糊集合的隶属函数的均值，βn+1为动态收敛因子，计算公式为：[0103]式中，N为训练样本数，emax为最大的训练误差，emin为模糊EBF网络期望的输出精度，k为大于4小于9的常数。[0104]然后返回步骤6b。[0105]6e模糊EBF网络训练结束。[0106]前述的一种，其特征是:所述步骤（Id采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处理，得到归一化处理后的预测输入向量，归一化公式为：[0108]其中，X'为归一化处理前的预测输入向量中第i个分量，V,r«"!g[0111]冗为经过模糊EBF网络预测得到的反归一化处理前的光伏发电量预测输出向量中第i个分量，y'为反归一化处理后的预测光伏发电量向量中第i个分量，yi,min、yi,max分别为归一化处理前原始输出向量中第i分量的最小值和最大值。[0112]上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

权利要求：1.一种基于模糊EBF网络的光伏发电量预测方法，其特征是:包括以下步骤：1选取光伏发电量的影响因素，采集光伏发电量影响因素历史数据和其所对应的光伏发电量历史数据，确定样本集；2以训练样本集中光伏发电量影响因素的历史数据生成输入向量，以其所对应的光伏发电量的历史数据为输出向量，并进行归一化处理，确定训练样本；⑶利用训练样本，通过Levenberg-Marquardt算法训练模糊EBF网络；4采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处理后输入训练好的模糊EBF网络，得到光伏发电量预测输出向量，预测输出向量经反归一化处理得到待预测日的预测光伏发电量向量。2.如权利要求1所述的一种基于模糊EBF网络的光伏发电量预测方法，其特征是:所述步骤⑴中，光伏发电量的影响因素包括:预测日前一天设定时间内的实际总发电量、待预测日的平均太阳辐射强度、待预测日的平均天气温度、待预测日太阳能光伏电板的影响度；所述步骤⑴中其所对应的光伏发电量为待预测日设定时间内的实际总发电量。3.如权利要求1所述的一种基于模糊EBF网络的光伏发电量预测方法，其特征是:所述步骤⑵中，具体步骤包括：2-1利用所得光伏发电量影响因素的历史数据按季节分别构造输入向量，以其所对应的光伏发电量的历史数据构造输出向量；2-2确认并存储输入向量、输出向量中各分量的最小值和最大值，对输入向量和输出向量进行归一化处理，得到归一化输入向量和归一化输出向量。4.如权利要求1所述的一种基于模糊EBF网络的光伏发电量预测方法，其特征是:所述步骤3中，模糊EBF网络结构包括输入层，模糊化层，模糊推理层和输出层;所述输入层节点数为4个，包括光伏发电待预测日前一天设定时段的实际总发电量、待预测日的平均太阳辐射强度、待预测日的平均天气温度、待预测日太阳能光伏电板的影响度;所述输出层节点数为1个，包括待预测日设定时段的总发电量;所述模糊化层节点数为12个，分为3组，每组节点数为4个，其隶属函数由以下公式确定：式中，fii，j代表输入层第i个输入变量xi隶属第j个模糊子集的隶属度，¾和bij分别表示输入层第i个输入变量在模糊化层第j组中的均值和方差，¾的初始取值范围优选为[_1，1]，b^的初始取值范围优选为[-2,1]，exp为以自然常数e为底数的指数函数。5.如权利要求1所述的一种基于模糊EBF网络的光伏发电量预测方法，其特征是:所述步骤⑶中，具体步骤包括：3-1根据训练样本的个数和对应每个样本的误差信号，确定模糊EBF神经网络的性能指标；3-2基于改进Levenberg-Marquardt算法对权值进行修订；3-3迭代求解输入层第i个输入变量与模糊化层第j个模糊集合的隶属函数的均值，知道满足迭代条件，模糊EBF网络训练结束。6.如权利要求5所述的一种基于模糊EBF网络的光伏发电量预测方法，其特征是:所述步骤3-2中，改进Levenberg-Marquardt权值修订公式为：ffn+1=ffη-[JTnJn+cijηI]_1JTnEn11式中，Wn为模糊EBF网络第n次迭代的权值矩阵，I为单位矩阵，J为雅可比Jacobian矩阵，¾η是第η次迭代时输入层第i个输入变量与模糊化层第j个模糊集合的隶属函数的均值，由以下公式确定：式中，en为第η个样本的误差，wP为模糊EBF网络模型的第p个权值；为矩阵J的转置，Εη*Ν个训练样本的输出误差向量，具体为:En=[eie2...en]。7.如权利要求5所述的一种基于模糊EBF网络的光伏发电量预测方法，其特征是:所述步骤3-3中，计算·，如果J的范数小于一个设定的值时，认定其满足迭代条件。8.如权利要求5所述的一种基于模糊EBF网络的光伏发电量预测方法，其特征是:所述步骤3-3中，计算cijn+1，其公式如下所示：cijn+1=cijηβn+113式中，¾η是第η次迭代时输入层第i个输入变量与模糊化层第j个模糊集合的隶属函数的均值，βn+1为动态收敛因子，计算公式为：式中，N为训练样本数，emax为最大的训练误差，emin为模糊EBF网络期望的输出精度，k为常数。9.如权利要求1所述的一种基于模糊EBF网络的光伏发电量预测方法，其特征是:所述步骤4中，采集待预测日光伏发电量影响因素数据生成预测输入向量，进行归一化处理，得到归一化处理后的预测输入向量，归一化公式为：其中，X'为归一化处理前的预测输入向量中第i个分量，yin^-yiMn+J-.niin16^K为经过模糊EBF网络预测得到的反归一化处理前的光伏发电量预测输出向量中第i个分量，y'为反归一化处理后的预测光伏发电量向量中第i个分量，yi,min、yi,max分别为归一化处理前原始输出向量中第i分量的最小值和最大值。

百度查询： 山东电力工程咨询院有限公司 一种基于模糊EBF网络的光伏发电量预测方法