CN109165792B - 一种基于soa-wnn的光伏短期输出功率预测方法 - Google Patents

Abstract

本发明涉及一种基于SOA‑WNN的光伏短期输出功率预测方法，其技术特点在于：包括以下步骤：步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。本发明将小波分析与BP神经网络进行融合，可以改善原有算法的固有缺陷，并利用人群搜索法在速度及全局搜索上的优势对小波神经网络进行改进。

Description

一种基于SOA-WNN的光伏短期输出功率预测方法

技术领域

本发明属于光伏技术领域，涉及光伏短期输出功率预测方法，尤其是一种基于SOA-WNN的光伏短期输出功率预测方法。

背景技术

随着社会经济的快速发展，能源消耗剧增，化石能源日趋枯竭，加之与日俱增的化石燃料燃烧所造成的环境污染，给地球的生态平衡和人类的生活带来了严重的威胁，所以建设大型的光伏电站来满足人类对能源的需求是当前的发展趋势。太阳能作为一种新型的绿色可再生能源，与其他新能源相比是最理想的可再生能源。特别是近几十年来，随着科学技术的不断进步，光伏及其相关产业成为世界发展最快的行业之一。因为它具有以下的特点：

(1)结构简单，体积小且轻；

(2)容易安装运输，建设周期短；

(3)维护简单，使用方便；

(4)清洁、安全、无噪声；

(5)可靠性高，寿命长，并且应用范围广。

但是由于光伏发电受太阳辐射强度电池组件温度天气云层和一些随机的因素的影响，系统运行过程是一个非平衡的随机过程，其发电量和输出电功率随机性强波动大不可控制，在天气突变时表现得尤为突出这种发电方式在接入电网后必会对电网的安全和管理带来一系列的问题，所以能较为准确的提前对光伏系统的出力做出预测变得尤为重要。

目前，光伏功率预测技术是国内外学者研究的热点问题，采用的方法主要有物理方法和统计方法两大类。在这些算法中，神经网络算法自身的学习能力、泛化能力应用最为广泛，但神经网络算法本身容易陷入局部最小，通常情况下需要进行改进或与其他方法进行组合以得到更好的预测性能。

发明内容

本发明的目的在于克服现有技术中的缺陷，提供一种设计合理、稳定性强、准确性高且能够明显提升小波神经网络预测算法的精度的基于SOA-WNN的光伏短期输出功率预测方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于SOA-WNN的光伏短期输出功率预测方法，包括以下步骤：

步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；

步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；

步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。

而且，所述步骤1的具体步骤包括：

(1)基于皮尔森相似系数的相似日选取原则采用距离分析法中皮尔森相似系数计算光伏出力与温度、风速、湿度、大气压各影响因素的相关性系数，并由此确定相似日选取。

(2)将小波分析和神经网络相结合，并采用紧密型结合的方式，建立小波神经网络。

而且，所述步骤2的具体步骤包括：

(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数；

(2)随机函数生成s个初始种群；

(3)评价适应度函数值F，计算个体位置，并进行种群间学习；

(4)计算个体搜索方向和搜索步长：

①采用高斯隶属函数表示搜索步长模糊变量：

u_A(x)＝exp[-(x-u)²/2δ²] (1)

式中，u_A为高斯隶属度；x为输入变量；u、δ为隶属函数参数；当输出变量超过[u-3δ,u+3δ]时，若隶属度小于0.0111，则可以忽略；故设定u_min＝0.0111

采用线性隶属度时，在最佳位置有最大隶属度u_max＝1.0；最差位置有最小隶属度，当隶属度在[u_min，u_max]时，隶属度则有：

u_ij＝rand(u_i,1),j＝1,2,…,D (3)

式中，u_i为适应度函数i的隶属度；u_ij为j维搜索空间适应度函数i的隶属度；D为搜索空间维度数；I_i是种群适应度函数值按降序排列后x_i(t)的序列编号；

②得出隶属度u_ij后，由不确定推理的行为推出搜索步长：

式中，δ_ij为高斯隶属函数参数；α_ij为j维搜索空间搜索步长；

δ_ij＝ω|x_max-x_min| (5)

ω＝(T_max-t)/T_max (6)

式中，x_min和x_max分别为同一个子群中最小、最大函数值的位置；ω是惯性取值，由0.9递减为0.1；t为当前迭代次数；T_max为最大迭代次数；

③由利己行为、利他行为和预动行为三个方向加权确定搜索方向

式中，

为利己方向、

为利他方向、

为预动方向；

和

分别为

中的最佳位置；

为第i个搜寻个体的最佳位置，

为第i个搜寻个体所在种群的历史最佳位置；sign(·)为符号函数；

为已知区间[0,1]内均匀随机选择的实数；

④确定搜索方向和步长后，进行位置更新，其公式为：

Δx_ij(t+1)＝α_ij(t)d_ij(t) (11)

x_ij(t+1)＝x_ij(t)+Δx_ij(t+1) (12)

⑤更新个体位置，若满足条件，其个体作为最优解输出，若不满足条件，则返回步骤(3)。

而且，所述步骤3的具体方法为：

所述步骤3在通过步骤2人群搜索算法进行的小波神经网络参数优化，得到小波神经网络的最优小波因子及网络权值初值后，输入步骤1所得基于皮尔森相似系数的相似日数据和优化参数进行小波神经网络建模，即可得到基于SOA-WNN的光伏短期输出功率预测模型；最后，将被预测日的温度、风速、湿度、大气压等数据输入模型之中，获得被预测日的基于SOA-WNN的光伏短期输出功率预测值。

本发明的优点和有益效果：

1、本发明利用小波分析具有较强的时频信号处理能力的特性，将小波分析与BP神经网络进行融合，可以改善原有算法的固有缺陷，使其具有更高效的函数逼近能力，小波神经网络中权值与小波因子的初值较为敏感,因此利用人群搜索法在速度及全局搜索上的优势对小波神经网络进行改进。

2、本发明采用人群搜索法对小波神经网络的权值及小波基函数中的参数处置进行优化，可明显提升小波神经网络预测算法的精度，且在优化速度的和全局搜索上有较强的优势。

3、本发明提出了一种基于人群搜索算法优化小波神经网络的光伏短期输出功率预测方法，首先以相似日样本为基础，利用小波神经网络搭建预测模型，对其权值与小波因子各参数利用人群搜索算法进行全局优化,以误差最小为适应度函数，逐步调整各参数，确定预测模型。本发明有效地提高了光伏短期输出功率预测的稳定性与准确性。

4、本发明的步骤1的小波神经网络将小波分析和神经网络相结合，结合了小波分析良好的时频分析能力和神经网络强大的自学习能力，改善了神经网络固有缺陷，具有较强的非线性拟合能力和模式识别能力，对于非线性较强的光伏输出功率预测更为适用。

附图说明

图1是本发明的SOA-WNN预测算法流程图；

图2是本发明的小波神经网络拓扑结构示意图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种基于SOA-WNN的光伏短期输出功率预测方法，如图1所示，包括以下步骤：

步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；

在本实施例中，所述步骤1的基于皮尔森相似系数的相似日选取原则采用距离分析法中皮尔森相似系数计算光伏出力与温度、风速、湿度、大气压各影响因素的相关性系数，并由此确定相似日选取。具体来说，是将相关系数进行排序，选择相关系数较大的数据作为特征向量。利用“欧式距离”确定与预测日相似的气象条件的日期组成时间序列，并由此确定相似日选取。

所述步骤1中的小波神经网络将小波分析和神经网络相结合，并采用紧密型结合的方式，其小波神经网络结构图如图2所示。

步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；

小波神经网络具有强大的函数逼近能力，兼具时域局部分析能力及自我学习能力，对非线性较强的光出输出功率数据进行预测时较为适宜，但小波神经网络对于结构中的权值和小波基函数中初值较为敏感容易陷入局部最小，因此采用人群搜索算法进行改进。

所述步骤2的具体步骤包括：

(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数；

(2)随机函数生成s个初始种群；

(3)评价适应度函数值F，计算个体位置，并进行种群间学习；

(4)计算个体搜索方向和搜索步长：

①采用高斯隶属函数表示搜索步长模糊变量：

u_A(x)＝exp[-(x-u)²/2δ²] (1)

式中，u_A为高斯隶属度；x为输入变量；u、δ为隶属函数参数；当输出变量超过[u-3δ,u+3δ]时，若隶属度小于0.0111，则可以忽略；故设定u_min＝0.0111

采用线性隶属度时，在最佳位置有最大隶属度u_max＝1.0；最差位置有最小隶属度，当隶属度在[u_min，u_max]时，隶属度则有：

u_ij＝rand(u_i,1),j＝1,2,…,D (3)

式中，u_i为适应度函数i的隶属度；u_ij为j维搜索空间适应度函数i的隶属度；D为搜索空间维度数；I_i是种群适应度函数值按降序排列后x_i(t)的序列编号；

②得出隶属度u_ij后，由不确定推理的行为推出搜索步长：

式中，δ_ij为高斯隶属函数参数；α_ij为j维搜索空间搜索步长；

δ_ij＝ω|x_max-x_min| (5)

ω＝(T_max-t)/T_max (6)

式中，x_min和x_max分别为同一个子群中最小、最大函数值的位置；ω是惯性取值，由0.9递减为0.1；t为当前迭代次数；T_max为最大迭代次数；

③由利己行为、利他行为和预动行为三个方向加权确定搜索方向

式中，

为利己方向、

为利他方向、

为预动方向；

和

分别为

中的最佳位置；

为第i个搜寻个体的最佳位置，

为第i个搜寻个体所在种群的历史最佳位置；sign(·)为符号函数；

为已知区间[0,1]内均匀随机选择的实数；

④确定搜索方向和步长后，进行位置更新，其公式为：

Δx_ij(t+1)＝α_ij(t)d_ij(t) (11)

x_ij(t+1)＝x_ij(t)+Δx_ij(t+1) (12)

⑤更新个体位置，若满足条件，其个体作为最优解输出，若不满足条件，则返回步骤(3)。

通过以上步骤，即可得到小波神经网络的最优小波因子及网络权值初值，从而完成小波神经网络参数优化。

步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。

在本实施例中，所述步骤3的具体方法为：

所述步骤3在通过步骤2人群搜索算法进行的小波神经网络参数优化，得到小波神经网络的最优小波因子及网络权值初值后，输入步骤1所得基于皮尔森相似系数的相似日数据和优化参数进行小波神经网络建模，即可得到基于SOA-WNN的光伏短期输出功率预测模型；最后，将被预测日的温度、风速、湿度、大气压等数据输入模型之中，获得被预测日的基于SOA-WNN的光伏短期输出功率预测值。

本发明的总体步骤如下：

(1)进行相似日选取及确定小波神经网络的拓扑结构；

(2)将相似日样本分为训练和测试样本分别进行训练和测试；

(3)以输出误差最小为适应度函数对各参数利用人群搜索算法进行优化；

(4)将最优初值带入网络中进行建模并训练；

(5)输出预测值，计算预测误差；

(6)更新权值；

(7)判断算法是否结束，若未结束，返回步骤(5)。

本发明的人群搜索算法进行优化的步骤如下：

(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数；

(2)随机函数生成s个初始种群；

(3)评价适应度函数值F，计算个体位置，并进行种群间学习；

(4)计算个体搜索方向和搜索步长；

(5)更新个体位置，若满足条件，其个体作为最优解输出，若不满足条件，则返回步骤(3)。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (3)

1.一种基于SOA-WNN的光伏短期输出功率预测方法，其特征在于：包括以下步骤：

步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；

步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；

步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值；

所述步骤1的具体步骤包括：

(1)基于皮尔森相似系数的相似日选取原则采用距离分析法中皮尔森相似系数计算光伏出力与温度、风速、湿度、大气压各影响因素的相关性系数，并由此确定相似日选取；

(2)将小波分析和神经网络相结合，并采用紧密型结合的方式，建立小波神经网络。

2.根据权利要求1所述的一种基于SOA-WNN的光伏短期输出功率预测方法，其特征在于：所述步骤2的具体步骤包括：

(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数；

(2)随机函数生成s个初始种群；

(3)评价适应度函数值F，计算个体位置，并进行种群间学习；

(4)计算个体搜索方向和搜索步长：

①采用高斯隶属函数表示搜索步长模糊变量：

u_A(x)＝exp[-(x-u)²/2δ²]

式中，u_A为高斯隶属度；x为输入变量；u、δ为隶属函数参数；当输出变量超过[u-3δ,u+3δ]时，若隶属度小于0.0111，则可以忽略；故设定u_min＝0.0111

采用线性隶属度时，在最佳位置有最大隶属度u_max＝1.0；最差位置有最小隶属度，当隶属度在[u_min，u_max]时，隶属度则有：

u_ij＝rand(u_i,1),j＝1,2,…,D

式中，u_i为适应度函数i的隶属度；u_ij为j维搜索空间适应度函数i的隶属度；D为搜索空间维度数；I_i是种群适应度函数值按降序排列后x_i(t)的序列编号；

②得出隶属度u_ij后，由不确定推理的行为推出搜索步长：

式中，δ_ij为高斯隶属函数参数；α_ij为j维搜索空间搜索步长；

δ_ij＝ω|x_max-x_min|

ω＝(T_max-t)/T_max

式中，x_min和x_max分别为同一个子群中最小、最大函数值的位置；ω是惯性取值，由0.9递减为0.1；t为当前迭代次数；T_max为最大迭代次数；

③由利己行为、利他行为和预动行为三个方向加权确定搜索方向

式中，

为利己方向、

为利他方向、

为预动方向；

和

分别为

中的最佳位置；

为第i个搜寻个体的最佳位置，

为第i个搜寻个体所在种群的历史最佳位置；sign(·)为符号函数；

为已知区间[0,1]内均匀随机选择的实数；

④确定搜索方向和步长后，进行位置更新，其公式为：

Δx_ij(t+1)＝α_ij(t)d_ij(t)

x_ij(t+1)＝x_ij(t)+Δx_ij(t+1)

⑤更新个体位置，若满足条件，其个体作为最优解输出，若不满足条件，则返回步骤(3)。

3.根据权利要求1所述的一种基于SOA-WNN的光伏短期输出功率预测方法，其特征在于：所述步骤3的具体方法为：

所述步骤3在通过步骤2人群搜索算法进行的小波神经网络参数优化，得到小波神经网络的最优小波因子及网络权值初值后，输入步骤1所得基于皮尔森相似系数的相似日数据和优化参数进行小波神经网络建模，即可得到基于SOA-WNN的光伏短期输出功率预测模型；最后，将被预测日的温度、风速、湿度、大气压等数据输入模型之中，获得被预测日的基于SOA-WNN的光伏短期输出功率预测值。

Images