(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211340551.3 (22)申请日 2022.10.28 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家未来科 技城华能人才创新创业基地实验楼A 楼 (72)发明人 王芸靖　王青天　刘雅欣　张燧　 温晗秋子 　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 张宇鸽 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 3/08(2006.01) (54)发明名称 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 (57)摘要 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神经网络分类后找到对应的出力预 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 。 权利要求书2页 说明书6页 附图2页 CN 115511217 A 2022.12.23 CN 115511217 A 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P SO‑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神经网络寻找距离该数据样本最近的神经元 所在的簇， 利用S4建立的P SO‑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,...,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； S3.2： 输入 其中一个 数据样本X， 寻找竞争层中离 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＜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； 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， 其特征在权　利　要　求　书 1/2 页 2 CN 115511217 A 2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群适应度， 适应度函数由目标函数确 定； S4.3： 计算个 体极值和种群极值， 更新粒子位置及速度： S4.4： 重复更新个体极值和种群极值直到达到最大迭代次数， 将得到的最优种群极值 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P SO‑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； Vik+1为种群中第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。权　利　要　求　书 2/2 页 3 CN 115511217 A 3