CN107808212B - 基于灰色神经网络的太阳能收集功率预测方法 - Google Patents

基于灰色神经网络的太阳能收集功率预测方法 Download PDF

Info

Publication number
CN107808212B
CN107808212B CN201710928531.0A CN201710928531A CN107808212B CN 107808212 B CN107808212 B CN 107808212B CN 201710928531 A CN201710928531 A CN 201710928531A CN 107808212 B CN107808212 B CN 107808212B
Authority
CN
China
Prior art keywords
neural network
prediction
solar energy
grey
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710928531.0A
Other languages
English (en)
Other versions
CN107808212A (zh
Inventor
韩崇
陶卓
孙力娟
林青
梁宸
郭剑
肖甫
周剑
徐鹤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201710928531.0A priority Critical patent/CN107808212B/zh
Publication of CN107808212A publication Critical patent/CN107808212A/zh
Application granted granted Critical
Publication of CN107808212B publication Critical patent/CN107808212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种基于灰色神经网络的太阳能收集功率预测方法。首先选取若干天每天同一时刻原始太阳能收集功率和影响太阳能收集的因素数据序列，运用灰色预测方法对太阳能收集功率序列进行预测，得到初步预测结果；然后将灰色预测结果和原始影响太阳能因素数据序列归一化，作为神经网络的输入，原始太阳能数据序列作为神经网络的输出，建立神经网络模型，对神经网络进行训练，直至收敛；最后调用已训练好的神经网络来进行太阳能收集功率的最终预测。本发明结合灰色建模方法和神经网络方法建立灰色神经网络模型，与普通神经网络模型相比，引入灰色预测模型，减少了预测时的计算量，在少样本情况下也可达到较高精度；且预测准确率更高。

Description

基于灰色神经网络的太阳能收集功率预测方法
技术领域
本发明涉及传感器网络能量收集领域，具体是一种基于灰色神经网络的太阳能收集功率预测方法。
背景技术
无线传感器网络(Wireless Sensor Networks,WSNs)是由部署在监测区域内的大量传感器以自组织和多跳等方式构成的，以协作方式感知、采集、处理和传输网络覆盖区域内监测对象信息的无线网络，是当前在国际国内备受关注的、涉及多学科高度交叉、知识高度集成的前沿热点研究领域，被认为是对21世纪最具影响力的技术之一。
现阶段的无线传感器网络节点通常使用微型电池供电，能量十分有限，有效地从外部环境获取能量，对于低功耗的无线传感器网络具有重要意义，可以大大延长节点寿命，减少网络维护成本。
目前，如何有效利用太阳能为无线传感器网络供能是无线传感器网络领域研究的热点。通过对无线传感器网络太阳能收集功率的预测，实现节点的工作调度，从而可以最大限度维持网络工作，因此研究无线传感器网络太阳能收集功率预测方法对于实现无线传感器网络具有重要意义。
考虑到太阳能收集功率受温度、湿度、风速等各种因素的影响，不确定因素较多，将影响太阳能收集功率的各种复杂因素联合起来看成一个大系统，这一系统兼有确定性和不确定性，可以看成一个典型的灰色系统。灰色预测模型可在“贫信息”情况下对非线性、不确定性系统的数据序列进行预测，但其预测误差偏高，而神经网络由于具有强大的学习功能，可以逼近任意复杂的非线性函数，信息利用率高，近年来神经网络在计算机视觉、神经生理学、雷达的多目标识别与跟踪、导弹的智能引导等领域得到了广泛的运用，若将两者结合构成灰色神经网络模型，则优点兼具，能较好解决小样本预测问题，提高精度。
发明内容
针对系统不稳定时灰色系统模型预测误差偏高和神经网络需要大量训练数据的缺点，本发明提出了一种基于灰色神经网络的太阳能预测方法，有效解决小样本预测问题，提高模型的预测精度和泛化能力。
为了解决以上问题，本发明采用了如下技术方案实现：一种基于灰色神经网络的太阳能收集功率预测方法，首先选取若干天每天同一时刻太阳能和影响太阳能因素数据序列，运用灰色模型对原始太阳能训练数据序列进行预测，得到中间预测结果；然后将预测结果序列和原始影响太阳能因素训练数据序列归一化，作为神经网络的输入，原始太阳能训练预测数据序列作为神经网络的输出，建立神经网络模型，对输入样本进行网络训练，直至收敛；最后调用已训练好的神经网络来进行预测。
具体建模过程如下：
(1)收集太阳能数据及影响太阳能因素数据，影响太阳能因素包括温度、湿度、风速等数据；
(2)建立灰色预测模型
具体步骤如下：
①设
Figure BDA0001428163070000021
为原始训练序列，经过一次累加生成1-AGO序列
Figure BDA0001428163070000022
记为
Figure BDA0001428163070000023
②将原始训练数列
Figure BDA0001428163070000024
表示为x(t)，一次累加后的生成的数列
Figure BDA0001428163070000025
表示为y(t)，预测的结果用z(t)表示，建立微分方程
Figure BDA0001428163070000026
式中式中y2,y3,..,yn为系统输入参数；y1为系统输出参数；a,b1,b2,...,bn-1为微分方程系数；其中参数列
Figure BDA0001428163070000027
可用最小二乘估计得到为
Figure BDA0001428163070000028
其中，
Figure BDA0001428163070000029
③求解②中方程，得到预测变量序列为：
Figure BDA00014281630700000210
(3)建立神经网络模型
将灰色预测得到的
Figure BDA00014281630700000211
和原始影响太阳能因素训练数据序列作为BP神经网络的输入，原始太阳能训练预测数据序列作为网络的输出，建立BP神经网络模型。
在对BP神经网络进行训练之前，要对样本数据进行归一化处理，避免隐含层某神经元处于饱和状态以及数据间数量级的差异；在使用经过学习后的网络时，对网络的输出数据还应进行反归一化，恢复最终的预测值。
具体步骤如下：
①对样本数据进行归一化处理
归一化的公式：
Figure BDA0001428163070000031
式中sn表示映射后的数据；s表示所收集的一组数据；maxs表示这组数据的最大值；mins表示这组数据的最小值。
②对网络的输出数据进行反归一化处理，恢复最终的预测值
反归一化的公式：
s'＝mins+a(maxs-mins)
式中s’表示最终预测值；a表示经过神经网络预测的预测值。
③反复训练，建立映射关系
用基本的反向传播算法来训练网络，设置训练目标误差，以得到隐含层和输出层相应的权值，实现误差可控；经过反复训练后，神经网络就是原始太阳能训练数据序列和太阳能收集功率灰色预测结果的映射关系。
(4)预测太阳能
预测时，调用已训练好的BP神经网络，输入原始太阳能样本数据序列和原始影响太阳能因素样本数据序列，得到灰色神经网络预测值
Figure BDA0001428163070000032
至此，经过步骤(1)，(2)，(3)，(4)，就建立了灰色神经网络的太阳能预测模型。
本发明结合灰色建模方法和神经网络模型建立灰色神经网络模型，能有效解决小样本预测问题，提高模型的预测精度和泛化能力。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。
如图1所述，本发明提供了一种基于灰色神经网络的太阳能收集功率预测方法，
(1)收集整理太阳能数据
收集统计太阳能、温度、湿度、风速数据，取n天内每天m时刻的太阳能S、温度T、湿度H、风速数据W。
(2)建立GM(1,N)
基于步骤(1)收集统计的3个影响太阳能因素和太阳能，共n组，建立以温度T、湿度H、风速W为因子变量，以太阳能S为行为变量的灰色预测模型。具体步骤如下：
①令
Figure BDA0001428163070000041
为原始训练序列，上述各序列的一次累加生成1-AGO序列
Figure BDA0001428163070000042
记为
Figure BDA0001428163070000043
②将原始训练数列
Figure BDA0001428163070000044
表示为x(t)，一次累加后的生成的数列
Figure BDA0001428163070000045
表示为y(t)，预测的结果用z(t)，建立微分方程
Figure BDA0001428163070000046
式中式中y2,y3,..,yn为系统输入参数；y1为系统输出参数；a,b1,b2,...,bn-1为微分方程系数；其中参数列
Figure BDA0001428163070000047
可用最小二乘估计得到为
Figure BDA0001428163070000048
其中，
Figure BDA0001428163070000049
③求解②中方程，得到预测变量序列为
Figure BDA00014281630700000410
(3)建立神经网络模型
将灰色预测得到的
Figure BDA00014281630700000411
和原始影响太阳能因素训练数据序列作为BP神经网络的输入，原始太阳能训练预测数据序列作为网络的输出，建立BP神经网络模型。
然后用基本反向传播算法来训练网络，设置训练目标误差，以得到隐含层和输出层相应的权值，实现误差可控；这样，经过反复训练的神经网络就是原始太阳能训练数据序列和太阳能收集功率灰色预测结果的映射关系。
具体步骤如下：
①将灰色预测得到的
Figure BDA00014281630700000412
和原始影响太阳能因素训练数据序列作为BP神经网络的输入矩阵A，原始太阳能训练数据序列作为网络的输出矩阵B。
②进行归一化处理，利用归一化公式
Figure BDA00014281630700000413
分别对输入输出矩阵进行归一化处理。
对输入矩阵A每一列分别作归一化处理，得到归一化矩阵A’；对输出矩阵B作归一化处理，得到B’。
③构建BP神经网络
将A’作为输入，B’作为输出，合理的选择神经网络的输入层、隐含层、输出层的节点个数，对输入样本进行网络训练直至收敛，建立原始太阳能训练数据序列和灰色预测结果的映射关系。
(4)预测太阳能
预测时，调用已训练好的BP神经网络，输入原始太阳能样本数据序列和原始影响太阳能因素样本数据序列
Figure BDA0001428163070000051
得到灰色神经网络预测值
Figure BDA0001428163070000052
至此，经过步骤(1)，(2)，(3)，(4)，就建立了灰色神经网络的太阳能预测模型。
本发明未详细说明部分都属于领域技术人员公知常识，以上所述仅为本发明的一个具体实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于灰色神经网络的太阳能收集功率预测方法，其特征在于，包括以下步骤：
步骤(1)收集若干天每天同一时刻太阳能数据及影响太阳能因素数据，影响太阳能因素包括温度、湿度、风速；
步骤(2)建立灰色预测模型：运用灰色模型对原始太阳能训练数据序列进行预测，得到中间预测结果；
具体步骤如下：
①设
Figure FDA0002960970680000011
为原始训练数列，经过一次累加生成1-AGO序列
Figure FDA0002960970680000012
记为
Figure FDA0002960970680000013
②将原始训练数列
Figure FDA0002960970680000014
表示为x(t)，一次累加后的生成的数列
Figure FDA0002960970680000015
表示为y(t)，预测的结果用z(t)表示，建立微分方程
Figure FDA0002960970680000016
式中y2，y3，..，yn为系统输入参数，y1为系统输出参数，a，b1，b2，...，bn-1为微分方程系数；
其中参数列
Figure FDA0002960970680000017
可用最小二乘估计得到为
Figure FDA0002960970680000018
其中，
Figure FDA0002960970680000019
③求解微分方程
微分方程对应的时间响应式为
Figure FDA00029609706800000110
令
Figure FDA00029609706800000111
则
Figure FDA00029609706800000112
即为灰色预测得到的太阳能收集功率序列
Figure FDA00029609706800000113
此处的预测结果是中间预测结果，将作为神经网络模型的一个输入；
步骤(3)建立神经网络模型；
将灰色预测得到的太阳能收集功率序列
Figure FDA00029609706800000114
和原始影响太阳能因素训练数据序列作为BP神经网络的输入，原始太阳能训练预测数据序列作为网络的输出，建立BP神经网络模型；
在对BP神经网络进行训练之前，要对样本数据进行归一化处理，避免隐含层某神经元处于饱和状态以及数据间数量级的差异；在使用经过学习后的网络时，对网络的输出数据还应进行反归一化，恢复最终的预测值；
步骤(4)预测太阳能；
预测时，调用已训练好的BP神经网络，输入原始太阳能样本数据序列和原始影响太阳能因素样本数据序列，得到灰色神经网络预测值
Figure FDA0002960970680000021
至此，经过步骤(1)，(2)，(3)，(4)，就建立了灰色神经网络的太阳能预测模型。
2.根据权利要求1所述的基于灰色神经网络的太阳能收集功率预测方法，其特征在于，
所述的步骤(3)包括
①对样本数据进行归一化处理
归一化的公式：
Figure FDA0002960970680000022
式中sn表示映射后的数据；s表示所收集的一组数据；maxs表示这组数据的最大值；mins表示这组数据的最小值；
②对网络的输出数据进行反归一化处理，恢复最终的预测值
反归一化的公式：
s′＝mins+a(maxs-mins)
式中s’表示最终预测值；a表示经过神经网络预测的预测值；
③反复训练，建立映射关系
用基本反向传播算法来训练网络，设置训练目标误差，以得到隐含层和输出层相应的权值，实现误差可控；经过反复训练后，神经网络就是原始太阳能训练数据序列和太阳能收集功率灰色预测结果的映射关系。
CN201710928531.0A 2017-10-09 2017-10-09 基于灰色神经网络的太阳能收集功率预测方法 Active CN107808212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710928531.0A CN107808212B (zh) 2017-10-09 2017-10-09 基于灰色神经网络的太阳能收集功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710928531.0A CN107808212B (zh) 2017-10-09 2017-10-09 基于灰色神经网络的太阳能收集功率预测方法

Publications (2)

Publication Number Publication Date
CN107808212A CN107808212A (zh) 2018-03-16
CN107808212B true CN107808212B (zh) 2021-06-11

Family

ID=61584106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710928531.0A Active CN107808212B (zh) 2017-10-09 2017-10-09 基于灰色神经网络的太阳能收集功率预测方法

Country Status (1)

Country Link
CN (1) CN107808212B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002627A (zh) * 2018-07-28 2018-12-14 南京林业大学 基于灰色神经网络ca模型的城市规划方案热岛模拟预测方法
CN109447346B (zh) * 2018-10-26 2022-07-05 冶金自动化研究设计院 基于灰色预测与神经网络组合模型转炉氧耗量预测方法
CN109710500A (zh) * 2018-11-29 2019-05-03 西安工程大学 一种基于自动伸缩Docker集群的组合预测方法
CN109668791A (zh) * 2019-01-10 2019-04-23 清华大学 一种基于多传感器的地层岩石力学参数的测量系统及方法
CN109919380B (zh) * 2019-03-07 2022-07-29 南京邮电大学 基于指数平均ud-wcma太阳能收集功率的改进预测方法
CN110070215B (zh) * 2019-04-09 2022-08-23 南京邮电大学 基于自适应的季节性arima模型的太阳能收集功率预测方法
CN110110927A (zh) * 2019-05-07 2019-08-09 西安募格网络科技有限公司 一种基于灰色神经网络的网络课程订单需求预测方法
CN111369046A (zh) * 2020-02-29 2020-07-03 上海电力大学 一种基于灰色神经网络的风光互补功率预测方法
CN112330046A (zh) * 2020-11-18 2021-02-05 国网天津市电力公司 基于多维灰色-神经网络混合协调的电力需求预测方法
CN113094981B (zh) * 2021-03-28 2022-09-13 西北工业大学 基于灰色神经网络模型和自助方法的锂离子电池可靠性评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390199A (zh) * 2013-07-18 2013-11-13 国家电网公司 光伏发电量/发电功率预测装置
CN104978611A (zh) * 2015-07-06 2015-10-14 东南大学 一种基于灰色关联分析的神经网络光伏发电出力预测方法
CN106527568A (zh) * 2016-12-15 2017-03-22 中国人民解放军后勤工程学院 基于广义动态模糊神经网络的最大功率跟踪器控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390199A (zh) * 2013-07-18 2013-11-13 国家电网公司 光伏发电量/发电功率预测装置
CN104978611A (zh) * 2015-07-06 2015-10-14 东南大学 一种基于灰色关联分析的神经网络光伏发电出力预测方法
CN106527568A (zh) * 2016-12-15 2017-03-22 中国人民解放军后勤工程学院 基于广义动态模糊神经网络的最大功率跟踪器控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于ＢＰ神经网络的太阳能收集功率预测研究;李玲生;《软件导刊》;20170830;第138-142 *

Also Published As

Publication number Publication date
CN107808212A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN107808212B (zh) 基于灰色神经网络的太阳能收集功率预测方法
CN108510006B (zh) 一种基于数据挖掘的企业用电量分析与预测方法
CN108448610B (zh) 一种基于深度学习的短期风功率预测方法
CN112116144B (zh) 一种区域配电网短期负荷预测方法
CN111191835A (zh) 基于c-gan迁移学习的ies不完备数据负荷预测方法及系统
CN111417178B (zh) 基于机器学习与边缘计算的工业互联网节能系统及方法
CN106912067B (zh) 一种基于模糊神经网络的wsn无线通信模块故障诊断方法
Chitsazan et al. Wind speed forecasting using an echo state network with nonlinear output functions
CN110866640A (zh) 一种基于深度神经网络的电力负荷预测方法
CN111612125B (zh) 一种面向在线学习的新型htm时间池方法及其系统
CN111352977B (zh) 基于自注意力双向长短期记忆网络的时序数据监测方法
CN111343650B (zh) 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法
CN111426344B (zh) 一种建筑物能耗智能检测系统
CN113094822A (zh) 一种机械设备剩余寿命预测方法和系统
CN114265913A (zh) 工业物联网边缘设备上基于联邦学习的空时预测算法
Luo et al. Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine
CN117498296A (zh) 基于注意力时空同步图卷积网络的多风电场功率预测方法
CN113673846B (zh) 一种电力物联网架构下的需量态势感知方法
Jiang et al. Research on predicting the short-term output of photovoltaic (PV) based on extreme learning machine model and improved similar day
CN116306911A (zh) 基于分布式机器学习的热力站负荷预测及优化控制方法
CN114234392B (zh) 一种基于改进pso-lstm的空调负荷精细预测方法
CN110794676A (zh) 基于Hammerstein-Wiener模型的CSTR过程非线性控制方法
CN115860232A (zh) 一种蒸汽负荷预测方法、系统、电子设备及介质
CN109919380B (zh) 基于指数平均ud-wcma太阳能收集功率的改进预测方法
CN113962454A (zh) 基于双重特征选择+粒子群优化的lstm能耗预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20180316

Assignee: NUPT INSTITUTE OF BIG DATA RESEARCH AT YANCHENG

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2021980013920

Denomination of invention: Prediction method of solar collection power based on Grey Neural Network

Granted publication date: 20210611

License type: Common License

Record date: 20211202