(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 202111658462.9 (22)申请日 2021.12.3 0 (71)申请人 中南大学 地址 410083 湖南省长 沙市岳麓区麓山 南 路932号 申请人 南京洁源电力科技发展 有限公司 (72)发明人 文爽　孙志强　金胜骞　焦晓雷　 陈虎　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 专利代理师 胡喜舟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于TLBO-Elman的光伏电站短期发电功率 预测方法、 装置及存 储介质 (57)摘要 本发明公开了一种基于TLBO ‑Elman的光伏 电站短期发电功率预测方法、 装置及存储介质， 根据预测日的气象数据、 天气类型 获取与其相似 度最高的历史日； 将该历史日的光伏发电功率数 据进行分解处理， 将得到的表示短期规律的IMF 分量叠加作为短期预测中频数据； 将预测日的气 象数据及短期预测中频数据归一化处理， 输入与 预测日天气类型对应的发电功率预测模型， 以预 测预测日光伏发电短期预测功率； 发电功率预测 模型为基于历史发电日的气象数据及光伏发电 功率数据分别对Elman神经网络进行训练得到， 且Elman神经网络的初 始权值和阈值采用T LBO优 化算法得到。 本发明可以实现不同气象条件下光 伏发电短期功率的有效预测。 权利要求书3页 说明书9页 附图1页 CN 114492944 A 2022.05.13 CN 114492944 A 1.一种基于TLBO ‑Elman的光伏电站短期发电功率预测方法， 其特 征在于， 包括： 获取预测日的气象数据， 并确定预测日所属天气类型； 根据预测日的气象数据及其所属天气类型， 获取与预测日相似度最高的历史日； 将相似度最高的历史日的光伏发电功率数据进行分解处理， 将分解处理得到的表示短 期规律的IMF分量叠加作为短期预测中频 数据； 将预测日的气象数据及 短期预测中频数据进行归一化处理， 然后输入与预测日天气类 型对应的发电功 率预测模型， 得到归一化的光伏发电预测功 率； 其中， 各天气类型对应的发 电功率预测模型为基于各天气类型的历史发电日的气象数据及光伏发电功率数据分别对 Elman神经网络进行训练得到， 且Elman神经网络的初始权值和阈值采用TLBO优化算法得 到； 对光伏发电预测功率进行反归一 化处理得到预测日光伏发电短期预测功率。 2.根据权利要求1所述的基于TLBO ‑Elman的光伏电站短期发电功率预测方法， 其特征 在于， 所述各天气类型对应的发电功率预测模型通过如下 方法得到： 根据天气类型， 从历史日提取各天气类型对应的历史日构建训练样本集， 训练样本集 中每个样本包括该历史日 的气象特征向量、 短期预测中频数据及光伏发电功 率数据； 其中， 气象特征向量基于气象数据得到； 将每个样本的气象特征向量、 短期预测中频数据及光伏发 电功率数据进行归一化处 理； 以归一化处理后的气象特征向量、 短期预测中频数据作为输入， 以归一化处理后的光 伏发电功率数据作为输出， 基于各天气类型对应的训练样本集分别对Elman神经网络进行 训练， 分别得到各天气类型对应的发电功率预测模型； 其中， Elman神经网络的初始权值和阈值采用TLBO优化 算法得到 。 3.根据权利要求2所述的基于TLBO ‑Elman的光伏电站短期发电功率预测方法， 其特征 在于， 所述Elman神经网络的承接层、 隐含层、 输出层可通过 下式计算： 承接层： xc(k)＝α xc(k‑1)+h(k‑1) 隐含层： h(k)＝f(w1X(k‑1)+w3xc(k)+b1) 输出层： Y(k)＝g(w2x(k)+b2) 其中， X(k)为输入层在k时刻的输入； xc(k)为承接层在k时刻的输出； h(k)为隐含层在k 时刻的输出； Y(k)为输出层在k时刻的输出； g( ·)为输出层神经元传递函数； f( ·)为隐含 层神经元传递函数； b1为隐含层阈值； b2为输出层阈值； α 为自连接反馈增益因子； w1为输入 层与隐含层间的权值； w2为隐含层与输出层之间的权值； w3为隐含层与承接层间的权值； 由计算输出Y(k)与真实值y(k)计算得到网络误差 E： 式中， N表示预测数据总长度；权　利　要　求　书 1/3 页 2 CN 114492944 A 2隐含层与输出层之间权值 w2的修正量△w2通过下式计算： 式中， η表示学习率； i＝1,2, …,m； j＝1,2, …,n， m、 n分别表示输出层和隐含层的节点 数； g'(·)为输出层神经 元传递函数g(·)的导数； 输入层与隐含层之间权值 w1的修正量△w1通过下式计算： 式中， q＝1,2, …,r， r表示输入层的节点数； f'( ·)为隐含层神经元传递函数f( ·)的 导数； 承接层与隐含层之间权值 w3的修正量△w3通过下式计算： 式中， l＝1,2,…,n； 训练过程中， 若网络误差 E小于设定误差 ε或达 到最大训练步骤， 则终止迭代。 4.根据权利要求2所述的基于TLBO ‑Elman的光伏电站短期发电功率预测方法， 其特征 在于， 采用TLBO优化 算法得到 Elman神经网络的初始权值和阈值， 具体包括： 通过模仿老师的教授与学生的学习行为来达到优化Elman神经网络的初始权值和阈值 的目的， 其主 要包括教授和学习两个阶段： 教学阶段： Li,new＝Li,old+si(Onew‑TFOi) TF＝round[1+round(0,1){2 ‑1}] 式中， Li,new和Li,old表示教学前后学生的能力 水平； Onew和Oi表示教师水平和平均水平； TF为教学因子； si为[0,1]之间的随机数； 学习阶段： 式中， Li和Lj表示不同的学习者； d( ·)为目标函数。 5.根据权利要求1所述的基于TLBO ‑Elman的光伏电站短期发电功率预测方法， 其特征 在于， 所述根据预测日 的气象数据及其所属天气类型， 获取与预测日相似度最高的历史日， 具体包括： 根据预测日的天气类型筛 选出与预测日的天气类型相同的历史日； 计算基于预测日的气象数据构建的气象特征向量与筛选出的各历史日的气象特征向 量间的相似度， 选择相似度最高的历史日。 6.根据权利要求5所述的基于TLBO ‑Elman的光伏电站短期发电功率预测方法， 其特征权　利　要　求　书 2/3 页 3 CN 114492944 A 3