CN105631517A - 基于思维进化Elman神经网络的光伏发电功率短期预测方法 - Google Patents

Abstract

本发明公开了一种基于思维进化Elman神经网络的光伏发电功率短期预测方法。根据思维进化算法良好的扩充性、移植性和极强的全局寻优能力，以及Elman神经网络对历史数据状态敏感性、较强的自行处理动态信息的能力，提出以思维进化算法优化Elman神经网络的光伏发电功率短期预测算法。通过思维进化算法优化Elman神经网络权值和阈值，克服了Elman神经网络易陷入局部最优等缺陷。算例结果表明，该方法收敛速度快，寻优能力强，处理动态信息方便，对于光伏功率短期预测具有重要的意义。

Description

基于思维进化Elman神经网络的光伏发电功率短期预测方法

技术领域

本发明涉及一种基于思维进化Elman神经网络的光伏发电功率短期预测方法，属于新能源发电和智能电网的技术领域。

背景技术

光伏发电是继风力发电之后，作为可代替传统发电的可再生能源发电技术，被寄予厚望。由于光伏发电系统输出功率具有间歇性、随机性、波动性三个明显特征，而且与气象条件密切相关，所以其发电特性与其他发电方式相比差别明显。提前对光伏输出功率进行预测，并提高预测精度，可以减少电网调度的偏差，减轻光伏发电功率变化的不确定性对电网造成的影响，电力系统的安全性和稳定性得到进一步提高。

几十年来国内外专家学者对此展开了大量的研究工作，提出了回归模型预测法、时间序列预测法、灰色预测法、支持向量机预测法、人工神经网络预测法等。时间序列分析对于线性系统的预测效果较好，但很难找到合适的参数估计方法预测非线性系统；灰色预测法模型简单，但如果影响数据的因素较多，预测效果较差；支持向量机回归算法对大规模训练样本难以实施，解决多分类问题存在困难；BP神经网络算法容易陷入局部极小点，并且迭代学习算法收敛慢。

Elman神经网络算法处理动态信息方便，具有全局寻优能力，但收敛速度慢，可能陷入局部最优解。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于思维进化Elman神经网络的光伏发电功率短期预测方法。以期提高预测的精度，提升模型的泛化能力，为实际工程应用提供一种有价值的预测方法。

技术方案：一种基于思维进化Elman神经网络的光伏发电功率短期预测方法，包括以下步骤：

步骤1、获得训练和测试数据。数据包含每天8:00-17:00的整点的光伏输出功率，以及当天的天气类型、最高温度、最低温度、辐照强度。分别选取晴天、阴天(及多云)、雨天三种天气类型的数据，并对数据进行归一化处理；

步骤2、确定Elman神经网络拓扑结构。包括：设定Elman神经网络的输入层、输出层、隐含层的节点个数；

步骤3、思维进化初始种群产生。利用Matlab软件编写得到初始种群产生函数initpop_generate()产生初始种群，编写子种群产生函数subpop_generate()产生优胜子种群和临时子种群；

步骤4、子种群趋同操作。利用Matlab软件编写种群成熟判别函数ismature()，判断各个子种群趋同操作是否完成；

步骤5、子种群异化操作。趋同操作完成后，执行异化操作，同时根据异化操作的结果，补充新的子种群；

步骤6、解析最优个体。当满足迭代停止条件时，思维进化算法结束优化过程，即找到了最优个体，按照编码规则将其解码后得到Elman神经网络的初始权值和阈值；

步骤7、训练Elman神经网络。将优化得到的权值和阈值作为Elman神经网络的初始权值和阈值，利用训练数据对Elman神经网络进行训练、学习；

步骤8、仿真预测、结果分析。输入测试数据，进行仿真预测，并进行结果的分析和讨论。

与已有技术相比，本发明的有益效果体现在：

1、本发明引入思维进化算法找到最优个体，按照编码规则将其解码后得到Elman神经网络的初始权值和阈值，完成对Elman神经网络结构、权值和阈值等进行优化；

2、本发明采用思维进化Elman神经网络进行光伏发电功率短期预测，可有效克服现有结果收敛速度慢和容易陷入局部最优的缺陷；

3、本发明利用优化后的Elman神经网络进行光伏发电功率短期预测，预测效果显著提高。

附图说明

图1为基于思维进化Elman神经网络的光伏发电功率短期预测方法流程图；

图2为思维进化算法流程图；

图3为本发明所采用Elman神经网络结构图；

图4为基于Elman神经网络预测流程图；

图5为基于本发明的光伏预测曲线，其中：图(a)是晴天条件下的光伏预测曲线，图(b)是阴天(及多云)条件下的光伏预测曲线，图(c)是雨天条件下的光伏预测曲线。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

思维进化算法由孙承意等学者于1998年提出，该算法的思想源于模拟生物进化中人类思维进化的方式，提出了用于进化的趋同和异化算子。在子群体范围内，个体为了成为胜者而竞争的过程叫做趋同；在整个解空间中，各个成熟的子群体为了成为胜者而进行全局竞争，不断地探索解空间中新的点，此过程称为异化。这两种操作分别进行探测和开发，在功能上相互促进，并且保持着一定的独立性，提高了算法的整体搜索效率。思维进化算法以其良好的扩充性、移植性和极强的全局寻优能力，在图像处理、自动控制、负荷预测等各个领域得到了非常广泛的应用。

思维进化算法可以记忆不止一代的进化信息，通过其特有的趋同、异化等操作，使迭代操作向着有利的方向进行。基本的进化过程及算法步骤如下：

(1)群体生成。在解空间中随机产生一定规模的P个个体，所有的个体组成一个群体。根据评价函数(对应于遗传算法中的适应度函数，体现个体对环境的适应能力)计算出每个个体的得分。得分最高的前M个个体成为优胜个体，第M+1到第M+N共N个个体作为临时个体。

(2)子群体生成。分别以这些优胜个体和临时个体为中心，在每个个体周围产生一些新的个体，从而得到M个优胜子群体和N个临时子群体。

(3)趋同操作。在各个子群体内部进行趋同操作，直到所有子群体全部成熟，趋同过程结束。

(4)异化操作。成熟后的子群体之间进行异化操作，完成优胜子群体与临时子群体间的替换、废弃、子群体中个体释放的过程，从而计算得到全局最优个体及其得分。异化操作结束后，被释放的个体重新被新生成的临时子群体补充，以保持临时子群体的个数不变。

(5)迭代操作。判断全局优胜者是不是全局的最优解，若不是则重复步骤(3)-(4)，直到最优个体的得分不再提高或迭代结束，结束进化并记录下最优个体。

Elman神经网络的结构如图3所示，Elman神经网络除了具有输入层、隐含层(中间层)和输出层以外，还有一个特有的承接层。输入层的作用是传输信号；隐含层使用线性或非线性函数作为其传递函数；输出层的作用为线性加权；承接层的作用是联结层内或层间的反馈，以达到记忆的目的，因此有的文献中又称其为上下文层或者状态层。承接层使得整个系统更能适应时变特性，因此需要用动态方程来描述。

Elman神经网络的特殊之处在于，它可以通过承接层的延迟与存储，将隐含层的输出自联到隐含层的输入，使得Elman神经网络对历史数据状态更加敏感。与此同时，网络内部的反馈环节使得其自行处理动态信息的能力明显增强。对于非线性关系的映射，Elman神经网络可以在忽略外围产生的噪声对系统的影响下，以任意精度来逼近，这样只需通过模型的输入数据和输出数据便可以进行建模。

Elman神经网络的非线性状态空间方程表示如下：

y(k)＝g(w³x(k)+b₂)

x(k)＝f(w¹x_c(k)+w²(u(k-1))+b₁)

x_c(k)＝x(k-1)

其中，k为当前状态的时刻；y(k)为m维输出节点向量；x(k)为n维中间层节点单元向量；u(k)为r维输入向量；x_c(k)为n维反馈状态向量；w¹，w²，w³分别表示的是承接层到隐含层、输入层到隐含层、隐含层到输出层之间连接的权值矩阵。在式中f(*)作为隐含层神经元的传递函数，一般采用tansig函数，而g(*)作为输出层神经元的传递函数，一般采用purelin函数。b₁，b₂分别为输入层与隐含层中选择的阈值。

Elman神经网络的训练算法采用的是优化的梯度下降算法，即自适应学习速率动量梯度下降的反向传播算法。为了使输出层的误差平方和最小，Elman神经网络通过计算模型的实际输出值与样本输出值的差值，对网络中的权值与阈值进行修正。Elman神经网络误差函数(学习指标函数)为：

$E=\frac{1}{2}\underset{k=1}{\overset{n}{\Σ}}{\[y_d\left(k\right)-y\left(k\right)\]}^2$

式中y_d(k)为第k步系统实际输出。

Elman神经网络有着收敛速度慢和容易陷入局部最优的缺陷，直接利用Elman神经网络进行光伏功率预测效果并不理想。本发明通过利用思维进化算法对Elman神经网络结构、权值和阈值等进行优化，有效克服了其收敛速度慢和容易陷入局部最优的缺陷。利用优化后的Elman神经网络收敛速度快，寻优能力强，进行光伏发电功率短期预测，预测效果显著提高。

混合算法的核心思想是：通过思维进化算法找到最优个体，按照编码规则将其解码后得到Elman神经网络的初始权值和阈值，将其反馈回Elman网络，求出该预测模型的最优解。

通过思维进化算法对Elman神经网络进行优化，具体步骤如下：

(1)获得训练和测试数据。数据包含每天8:00-17:00整点的光伏输出功率，以及当天的天气类型、最高温度、最低温度、辐照强度。分别选取晴天、阴天(及多云)、雨天三种天气类型的数据，并对数据进行归一化处理；

(2)确定Elman神经网络拓扑结构。包括：设定Elman神经网络的输入层、输出层、隐含层的节点个数：

①输入层节点选取：

②根据经验公式确定隐含层节点的数量

$N_h=\[\sqrt{N_i+N_o}\]+a$

式中N_h、N_i、N_o依次为隐含层、输入层、输出层的节点个数；a通常取值为1～10。本发明N_i取16，N_o取10，a取8，隐含层节点数N_h选取为13个。

③输出层的输出变量共有10个，即预测日8:00-17:00整点时刻的光伏功率。

(3)思维进化初始种群产生。首先列出神经网络中所有可能存在的神经元(输入数据及运算过程中不断产生的所有数据都是神经元)，将这些神经元所有可能存在的连接权值编码成二进制码串或实数码串表示的个体，随机地生成这些码串的群体，利用Matlab软件编写得到初始种群产生函数initpop_generate()产生初始种群，即在解空间内随机生成一定规模的个体；编写子种群产生函数subpop_generate()，根据得分(对应于遗传算法中的适应度函数值，表征个体对环境的适应能力)搜索出得分最高的若干个优胜个体和临时个体，产生优胜子种群和临时子种群；

(4)子种群趋同操作。在子群体前一代的得分高者附近按正态分布，随机散布新一代的个体，并根据评价函数计算每个个体的得分，在子群体的内部进行竞争并产生优胜者，其得分就是该子群体目前的得分，将其记录在局部公告板上。利用Matlab软件编写得到种群成熟判别函数ismature()，判断各个子种群趋同操作是否完成；

(5)子种群异化操作。趋同操作完成后，执行异化操作：各个子群体进行全局竞争，如果一个临时子群体的得分高于任意一个成熟的优胜子群体的得分，就将这个临时子群体代替此优胜子群体，并将原优胜子群体中的个体释放；如果一个成熟的临时子群体的得分低于任何一个优胜子群体的得分，则将此临时子群体废弃，并将其中的个体释放，这些被释放的个体将会在全局范围内重新进行搜索，并生成新的临时群体；

(6)解析最优个体。当满足迭代停止条件时，思维进化算法结束优化过程，即找到了最优个体，按照编码规则将其解码后得到Elman神经网络的初始权值和阈值；

(7)训练Elman神经网络。将优化得到的权值和阈值作为Elman神经网络的初始权值和阈值，在Matlab软件中利用训练数据对Elman神经网络进行训练、学习；

(8)仿真预测、结果分析。在训练过的Elman神经网络中输入测试数据，进行仿真预测，将预测得到的结果与实际值对比，采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)两种评价指标对其进行评估，进行结果的分析和讨论。

本发明通过思维进化算法优化Elman神经网络权值和阈值，克服了Elman神经网络易陷入局部最优等缺陷。该混合算法收敛速度快，寻优能力强，处理动态信息方便，并且在解决光伏功率短期预测上，优于传统的Elman神经网络算法，对于光伏功率短期预测具有重要的意义。

下面介绍本发明的三个实施例：

算例一：

本发明采用基于思维进化算法优化Elman神经网络的混合算法，对晴天天气条件下的光伏发电功率算例进行仿真预测，采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)两种评价指标对其进行评估，其计算式如下：

$MAPE=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\left|\frac{P_i-P_f}{P_i}\right|\×100\%$

$RMSE=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}{(P_i-P_f)}^2}$

P_i为光伏输出功率实际值；P_f为光伏功率预测值；N为数据总数。

结果如下表1所示。

表1晴天条件下光伏功率预测结果

由表1和图5(a)结果可知，晴天天气条件下，本发明所提出的算法与单纯的Elman神经网络相比，平均绝对百分比误差(MAPE)和均方根误差(RMSE)都有所降低，预测效果得到改进。

算例二：

对阴天天气条件下的光伏发电功率算例进行仿真预测，采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)两种评价指标对其进行评估。

表2阴天条件下光伏功率预测结果

由表2和图5(b)结果可知，阴天天气条件下，本发明所提出的算法与单纯的Elman神经网络相比，平均绝对百分比误差(MAPE)和均方根误差(RMSE)都有所降低，预测效果得到改进。

算例三：

对雨天天气条件下的光伏发电功率算例进行仿真预测，采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)两种评价指标对其进行评估。

表3雨天条件下光伏功率预测结果

由表3和图5(c)结果可知，雨天天气条件下，本发明所提出的算法与单纯的Elman神经网络相比，平均绝对百分比误差(MAPE)和均方根误差(RMSE)都有所降低，预测效果得到改进。

综合上述算例结果可知，本发明所提算法寻优能力更强，处理动态信息方便，对于光伏功率短期预测效果更加出色。

Claims (1)

1.一种基于思维进化Elman神经网络的光伏发电功率短期预测方法，其特征在于，包括以下步骤：

步骤1、获得训练和测试数据；数据包含每天8:00-17:00的整点的光伏输出功率，以及当天的天气类型、最高温度、最低温度、辐照强度；

分别选取晴天、阴天（及多云）、雨天三种天气类型的数据，并对数据进行归一化处理；

步骤2、确定Elman神经网络拓扑结构；包括：设定Elman神经网络的输入层、输出层、隐含层的节点个数；

步骤3、思维进化初始种群产生；利用Matlab软件编写得到初始种群产生函数initpop_generate()产生初始种群，编写子种群产生函数subpop_generate()产生优胜子种群和临时子种群；

步骤4、子种群趋同操作；利用Matlab软件编写种群成熟判别函数ismature()，判断各个子种群趋同操作是否完成；

步骤5、子种群异化操作；趋同操作完成后，执行异化操作，同时根据异化操作的结果，补充新的子种群；

步骤6、解析最优个体；当满足迭代停止条件时，思维进化算法结束优化过程，即找到了最优个体，按照编码规则将其解码后得到Elman神经网络的初始权值和阈值；

步骤7、训练Elman神经网络；将优化得到的权值和阈值作为Elman神经网络的初始权值和阈值，利用训练数据对Elman神经网络进行训练、学习；

步骤8、仿真预测、结果分析；输入测试数据，进行仿真预测，并进行结果的分析和讨论。