CN106446440A - 基于在线贯序极限学习机的短期光伏发电功率预测方法 - Google Patents

Abstract

本发明涉及一种基于在线贯序极限学习机的短期光伏发电功率预测方法，采用具有遗忘机制的在线贯序极限学习机，选用时刻、气温、光照强度、作为预测模型的输入量。步骤如下根据所输入的历史数据，生成极限学习机的初始隐含层输出矩阵，并计算初始的输出权重；预测光伏发电功率，等待气象测量数据和功率测量数据；在所等待的数据到达后，计算误差评价指标，获得预测误差，存储历史数据，生成新的隐含层输出矩阵，并更新输出权重和光伏发电预测功率，继续读取气象预报数据。本发明能够提高预测精度。

Description

基于在线贯序极限学习机的短期光伏发电功率预测方法

技术领域

本发明属于光伏发电功率预测领域。

背景技术

太阳能光伏发电系统的研究，对于缓解能源问题和环境问题，改善能源消耗结构，提高分布式发电系统性能，开拓光伏发电产业，具有重大的理论和现实的意义。虽然光伏发电具有诸多的优点，但是光伏发电受到多种因素的影响，其功率输出具有波动性、随机性和间歇性。当光伏发电系统并网运行后，其波动性会对电力系统的稳定造成冲击，威胁到电网的安全，极大地增加了电力系统调度的难度。

从预测方式来看，可以分为物理方法和统计方法。物理方法首先对直接影响功率输出的因素(如：辐射强度、光伏板温度)进行预测，然后将预测结果输入到光伏系统的物理模型中，得到输出功率。统计方法则不需要分析具体的物理模型，通过历史数据，建立统计学模型，直接对输出功率进行预测。目前常用的统计方法有：支持向量机、人工神经网络、灰色-马尔科夫链等。

发明内容

本发明的目的是提供一种短期光伏发电功率预测方法，以减小其对电网的冲击，有利于调度部门合理地安排调度计划，及时调整电力系统运行方式。本发明的技术方案如下：

一种基于在线贯序极限学习机的短期光伏发电功率预测方法，采用具有遗忘机制的在线贯序极限学习机，其特征在于，选用时刻、气温、光照强度、作为预测模型的输入量。步骤如下：

步骤1：根据所输入的历史数据，生成极限学习机的初始隐含层输出矩阵，并计算初始的输出权重；

步骤2：预测光伏发电功率，等待气象测量数据和功率测量数据；

步骤3：在所等待的数据到达后，计算误差评价指标，获得预测误差，存储历史数据，生成新的隐含层输出矩阵H矩阵，并更新输出权重β和光伏发电预测功率P，继续读取气象预报数据；

步骤4：回到步骤2。

其中，误差评价指标可以如下：

(1)标准化的均方误差nRMSE为

(2)平均绝对百分误差MAPE为

其中,n为光伏电站发电时段样本个数，P_rated为额定功率，P_pi为i时段的预测功率，P_mi为i时段的实际功率。

本发明提供的基于具有遗忘机制的在线贯序极限学习机(FOS-ELM)的短期光伏功率预测算法，不断引入新的数据，并消除过时数据的影响，通过历史天气数据、历史光伏功率数据、天气预报数据，对光伏发电功率进行短期预测。仿真算例表明，该方法具有训练速度快，预测精度高的特点。基于FOS-ELM的短期光伏预测算法有利于调度部门合理地安排调度计划，为多种电源时空互补与协调控制提供支撑，对保证系统的安全稳定、促进电网的优化运行具有重要意义。

附图说明

图1极限学习机结构

图2 FOS-ELM预测模型流程图

图3 (a)(b)(c)分别为三种方法的晴天时的预测值与实际值比较

图4 (a)(b)(c)分别为三种方法的阴雨天时的预测值与实际值比较

具体实施方式

(1)极限学习机

极限学习机(extrem learning machine，ELM)的网络结构如图1所示，基本算法如下。

假设前馈神经网络模型有L个隐含层节点，激活函数为G(·)。对于N个不同的学习样本(x,y)，x∈R^d*N,y∈R^N,a_i∈R^1*d，b_i∈R，a_i、b_i都是随机产生的矩阵与向量，ELM表达式如式所示。

G(·)是激活函数，是连接第i个节点与输出节点的权值向量,是隐层节点的数量，G(·)可以是任意无穷可微函数。如Sigmoid函数如式所示。

将式(1)改写成矩阵形式如式所示，

H·β＝Y \*MERGEFORMAT(3)

其中，

β＝[β₁ β₂ ... β_L]^T Y＝[y₁ y₂ ... y_N]^T

取式(5)的最小二乘解如式所示。

矩阵H为ELM的隐含层输出矩阵,其第i行h是相对于输入的隐含层输出向量,输出权值β是唯一需要训练确定的参数.如果含有个隐层节点的ELM模型能够学习数量为的训练样本,并且无残差存在。

为了提高结果的稳定性与泛化能力，增加正则化参数C，如式所示：

(2)具有遗忘机制的在线贯序极限学习机

在许多实际应用中,训练数据不仅仅是一批一批(固定的或变化的批容量)或一个一个到来，而且通常具有时效性，也就是说，数据仅在一段时间内有效，因此，在在线序列学习算法的学习过程中，在几个单位时间之后失效的过时的训练数据应该被抛弃，这就是遗忘效应的思想。仅用OS-ELM不能反映在线训练数据的时效性，在这部分，我们加入遗忘的机制，逐渐的排除可能导致错误信息的过时数据。在光伏预测系统中，由于光照与温度随季节变化会发生变化，训练数据仅在一个季节内有效，因此具有遗忘机制的在线贯序极限学习机(Online sequential Extreme Learning machine with forgotten mechanism，FOS-ELM)较ELM，考虑了数据的时效性，更加适用于光伏预测系统。FOS-ELM算法如下。

第一步，初始化。

步骤1，使用一小批训练数据作为初始数据

随机产生a_j、b_j j＝1,2...,L

A)计算初始的隐藏层输出矩阵H₀

B)估算初始输出权重如式所示。

β₀＝P₀H₀ ^TY₀ \*MERGEFORMAT(6)

其中

C)设置k＝0；

第二步，具有遗忘效应的在线学习

假设第k+1批数据到来

A)计算局部隐藏层输出矩阵H_k+1

B)跟据式计算输出权重β^(k+1)、P_k+1

(3)光伏预测模型

单位面积光伏阵列输出功率如式所示。

P_s＝ηSI[1-0.005(t₀-25)] \*MERGEFORMAT(11)

其中，η为光伏阵列转换效率；S为阵列面积；I为光照强度；t₀为大气温度。

由式可以看出，光伏阵列的功率输出与光伏阵列转换效率、面积、光照强度、大气温度有关。

对于给定的光伏阵列，它的转换效率和面积都是固定的，并且其数值都隐含在历史数据之中，而且太阳光照强度，是随时间周期性变化的，因此我们选用，时刻、气温、光照强度、前两个时刻的历史功率作为预测模型的输入量，得到的输入向量如式所示。

x_i＝[time tem I]^T \*MERGEFORMAT(12)

其中，time为时刻值，如06:00，则变量time应为0600；如06:15，则变量time应为0625。tem为大气温度，单位摄氏度。

由于式所示的输入向量中，各个数据的量钢并不完全相同，因此需要进行归一化处理，方法如式所示。

其中，x_i为输入或输出数据，x_max、x_min分别为数据变化范围的最大值和最小值。

整个预测算法依据图2所示的流程进行。

首先，输入初始的历史数据，并按照式所写的方式进行初始化，生成初始的H₀矩阵，计算初始的输出权重β₀和P₀。输入包含光照强度和温度的下一时刻的天气预报数据，计算输出结果，即预测结果。等待包含气象测量数据和功率测量数据。数据到达后，根据预测误差评价指标的计算方法计算预测误差。并存储历史数据。判断时间是否满一个小时，若不满一个小时，则继续读取天气预报数据进行预测；若满一个小时，则将存储的一个小时内的历史数据进行预处理，生成新的H矩阵，并更新输出权重β和P，并继续读取天气预报数据进行预测。

为衡量预测准确度，引入如下误差评价指标。

标准化的均方误差(normalized Root Mean Square Error，nRMSE)如式所示。

平均绝对百分误差(Mean Absolute Percent Error,MAPE)如式所示。

其中,n为光伏电站发电时段样本个数，P_rated为额定功率，P_pi为i时段的预测功率，P_mi为i时段的实际功率。

采用美国俄勒冈大学，光伏监控实验公布在其网站上位于Ashland的5kW光伏功率数据与天气数据，进行基于FOS-ELM光伏发电系统短期功率预测模型的建立与有效性验证。

模型1(FOS-ELM模型)：选用sigmond函数作为激活函数，以被预测时刻前24小时(仅取6:00-18:00的数据)每隔15分钟的数据作为训练数据，预测该时刻的光伏出力，每一个小时更新一次训练数据，并淘汰24小时前的数据，即进行一次具有遗忘效应的在线学习的计算。

模型2(OS-ELM模型)：选用sigmoid函数作为激活函数，以被预测时刻前24小时(仅取6:00-18:00的数据)每隔15分钟的数据作为训练数据，预测该时刻的光伏出力，每一个小时更新一次训练数据，即进行一次在线学习的计算。

模型3(ELM模型)：选用sigmoid函数作为激活函数，以被预测日所在月份上一个月的最后24小时(仅取6:00-18:00的数据)每隔15分钟的数据作为训练数据，预测该月每个时刻的的光伏出力。即每隔一个月重新训练一次ELM。

模型中的正则化参数取1000，隐藏层节点数取200。

取2015年1月某一晴天三种模型的预测结果，预测功率与实际功率如图3所示。

其中横轴表示时间，600代表6:00。

由图3可知，晴天时，预测精度较高，误差较小，预测效果好。计算得该日内模型1的预测nRMSE为0.023、MAPE为9.707；模型2的预测nRMSE为0.035、MAPE为10.893；模型3的预测nRMSE为0.054、MAPE为12.706。

取2015年1月某一阴雨天三种模型的预测结果，预测功率与实际功率如图4所示。

由图4可知，在阴雨天，天空云量较大，带来了更多的不确定性，但预测模型仍能够进行较为准确的预测。计算得该日内模型1的预测nRMSE为0.067、MAPE为13.833；模型2的预测nRMSE为0.074、MAPE为14.303；模型3的预测RMSE为0.082、MAPE为15.112。

进一步分析算法的精度，以下取2015年4月(春)、7月(夏)、10月(秋)、1月(冬)，四个月的数据进行三种算法测试，并比较nRMSE、RMSE、MAPE比较结果如表1所示。

表1三种模型预测精度比较

由表1可知，从指标nRMSE来看，冬夏的预测准确度高于春秋，是由于春秋天气变化较为剧烈，而冬夏的天气状况较为稳定；模型1的准确度高于模型2高于模型3。从指标MAPE来看由于冬季的发电功率比夏季低，夏季的准确度高于冬季；模型1的准确度高于模型2高于模型3。总体来看，FOS-ELM的预测精度高于OS-ELM模型，OS-ELM的预测精度高于ELM。

在MATLAB中计算三种模型每个步骤的运行时间，得到结果：模型1，初始化所需要的时间约为0.095s，每次在线学习的时间约为0.052s；模型2初始化需要的时间与模型1相同，每次在线学习的时间约为0.049s；模型3训练一次所需要的时间约为0.076s。FOS-ELM在线学习比每次重新训练节省了约30％的时间，OS-ELM每次的训练时间比FOS-ELM节省约20％的时间。

本发明提出了基于FOS-ELM的短期光伏功率预测算法，并与经典ELM以及OS-ELM进行了比较。理论分析算例仿真证明，无论是晴天、阴天还是不同季节的月均数据，加入了正则化参数的FOS-ELM具有训练速度快，泛化能力强，精度高的优点。

Claims (2)

1.一种基于在线贯序极限学习机的短期光伏发电功率预测方法，采用具有遗忘机制的在线贯序极限学习机，其特征在于，选用时刻、气温、光照强度、作为预测模型的输入量。步骤如下：

步骤1：根据所输入的历史数据，生成极限学习机的初始隐含层输出矩阵，并计算初始的输出权重；

步骤2：预测光伏发电功率，等待气象测量数据和功率测量数据；

步骤3：在所等待的数据到达后，计算误差评价指标，获得预测误差，存储历史数据，生成新的隐含层输出矩阵H矩阵，并更新输出权重β和光伏发电预测功率P，继续读取气象预报数据；

步骤4：回到步骤2。

2.根据权利要求1所述的短期光伏发电功率预测方法，其特征在于，误差评价指标如下：

(1)标准化的均方误差nRMSE为

$nRMSE=\frac{1}{P_{rated}}\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(P_{mi}-P_{pi})}^2}$

(2)平均绝对百分误差MAPE为

$MAPE=100\×\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\frac{|P_{mi}-P_{pi}|}{P_{mi}}$

其中,n为光伏电站发电时段样本个数，P_rated为额定功率，P_pi为i时段的预测功率，P_mi为i时段的实际功率。