CN109978283B - 一种基于分支进化神经网络的光伏发电功率预测方法 - Google Patents
一种基于分支进化神经网络的光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN109978283B CN109978283B CN201910336942.XA CN201910336942A CN109978283B CN 109978283 B CN109978283 B CN 109978283B CN 201910336942 A CN201910336942 A CN 201910336942A CN 109978283 B CN109978283 B CN 109978283B
- Authority
- CN
- China
- Prior art keywords
- neural network
- power generation
- layer
- neurons
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000000306 recurrent effect Effects 0.000 claims abstract description 11
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 17
- 238000005286 illumination Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于分支进化神经网络的光伏发电功率预测方法,包括获取光伏发电场的发电功率和功率影响因子时间序列数据;获取光伏发电场的发电功率和功率影响因子时间序列数据;建立循环神经网络模型,使用所述的训练集对模型进行训练;获得现实功率影响因子数据,使用所述的循环神经网络模型预测发电功率值;获得预测发电功率值对应的真实值,继续进行模型的增量训练。本发明针对光电功率预测的特性,提出采用循环神经网络进行学习,使得模型具有更强的预测能力,利用粒子群算法对循环神经网络模型中的参数进行优化,同时采用分支进化和全局进化相结合,使得模型更鲁棒性更容易获得全局最优值。
Description
技术领域
本发明属于光伏发电功率预测领域,具体涉及一种基于分支进化神经网络的光伏发电功率预测方法。
背景技术
光伏发电的原理是光伏效应,所谓光伏效应是指光照使不均匀半导体或者金属与半导体结合的不同部位之间产生电位差的一种现象。一方面,它是由光子转化为电子、光能转化为电能的现象;另一方面,它形成了电压,有了电压,如果两者之间连通,便可形成电流回路。由此可知,光伏发电与太阳的活动息息相关,受气候环境的影响非常大。对于光伏发电功率的预测问题的研究,国内外很多学者提出了很多方法,最常用的就是BP神经网络的方法,作为一种多层前馈神经网络,BP神经网络是目前应用最广泛的神经网络之一。BP神经网络可以根据需要对神经元个数和结构以及激活函数进行设置,使其具有非常强大的学习和记忆能力,然而BP神经网络也有一些天然的缺陷,比如在对参数进行训练时,学习速度可能会很慢,也可能会发生震荡,而且优化过程中易陷入局部最优,同时BP神经网络因为没有反馈的机制,故缺少记忆的功能。尤其是在对于前一时刻所获得的值实际上会对后一时刻的预测值产生影响的这类预测问题,BP神经网络却无法很好的实现这一功能。
发明内容
本发明的目的在于提供一种预测准确度和精度高,计算复杂度低的基于分支进化神经网络的光伏发电功率预测方法,包括以下步骤:
步骤1,获取光伏发电场的发电功率和功率影响因子时间序列数据;
步骤2,对时间序列数据进行预处理,包括进行数据降维和训练集构建;
步骤3,建立循环神经网络模型,使用所述的训练集对模型进行训练;
步骤4,获得现实功率影响因子数据,使用所述的循环神经网络模型预测发电功率值;
步骤5,获得预测发电功率值对应的真实值,继续进行模型的增量训练。
具体地,所述的循环神经网络模型是Elman神经网络模型,包括四层结构:输入层、隐含层、承接层和输出层;Elman神经网络模型的非线性状态的空间表达式为
x(t)=f(w2xc(t)+w1u(t-1))
xc(t)=x(t-1)
y(t)=g(w3x(t))
其中,t表示时刻,xc表示承接层的输出向量,w1、w2和w3分别为输入层节点与隐含层节点之间、隐含层节点与输出层节点之间及承接层节点与隐含层节点之间的连接权值矩阵,u(t-1)为t-1时刻网络的输入向量,x(t)为t时刻隐含层输出向量,y(t)表示网络模型在外部输入时间序列x(t)作用下的网络输出层的输出向量,f(·)、g(·)分别为输出层单元和隐含层单元的激发函数所组成的非线性向量函数。
步骤3中所述的对模型进行训练是利用分支粒子群算法进行参数优化训练,包括:
步骤301,根据隐含层神经元将所述的Elman神经网络中的待优化参数分为两组;
步骤302,进行分组训练,包括,
步骤30201,分别将两组待优化参数初始化为随机值,剩余的待优化参数设置为固定值,由此生成两个随机种群;
步骤30202,分别用粒子群算法更新和优化所述的两个种群;
步骤30203,分别让两组训练达到预设的最大迭代次数或达到指定精度;
步骤303,进行全局训练,包括
步骤30301,分别选取两个种群中最优的一半个体,将所述的两个种群的最优的一半个体进行交叉操作,合并为一个种群;
步骤30302,用粒子群算法更新和优化所述的一个种群;
步骤30304,让全局训练达到预设的最大迭代次数或达到指定精度;
步骤304,选择最优的个体,计算出各参数的优化值和输出层神经元的阈值的参数值。
具体地,所述的用粒子群算法更新和优化种群包括以下步骤:
S1:将待优化参数编码为实数码表示的个体,所有的个体构成种群;
S2:对每一粒子个体进行译码,得到每一个粒子对应的参数,计算该个体输入下的输出,将其输出样本带入Elman神经网络的性能逼近指标函数,得到每一粒子的个体极值;
S3:对每个粒子的目标函数进行评价,得出粒子群的全局极值;
S4:判断全局极值是否满足粒子群结束条件,若满足结束条件,就退出粒子群寻优,再转入局部优化,即S6;
S5:对粒子逐个进行速度更新及位置更新,再转入S2;
S6:译码全局极值所对应的粒子,以得到的进化值为神经网络的初始值,再进行局部的优化。
S7:对局部优化后所得的参数进行编码,进行判断是否满足粒子群结束的条件;所述的结束条件是全局极值达到设定值,若偏差超出设定目标,再返回S5进行基于粒子群算法的全局搜索,最终达到最优。
具体地,所述的Elman神经网络模型,输入层是3个神经元,分别表示历史时刻的发电功率,现实时刻的光照强度和现实时刻的温度,输出层是1个神经元,为待预测的发电功率,隐含层的神经元数目和承接层神经元数目均为4。
进一步地,在步骤301中所述的待优化参数分为两组,其分组方法为以隐含层的神经元作为分支基准,将待优化参数进行分为两组,与前两个隐含层的神经元相关的待优化参数归为一组,与后两个隐含层的神经元相关的待优化参数归为另一组;所述的隐含层的神经元相关的待优化参数包括,该神经元与全部输入层神经元连接的权值,该神经元的阈值,该神经元与全部承接层神经元的权值,该神经元与全部输出层神经元连接的权值。
本发明提出的预测方法,从两个方面对神经网络预测模型进行了改进,第一,采用循环神经网络Elman神经网络结构,使得预测过程中不仅考虑当前的变量,更考虑历史的数据,使得模型具有更强的预测能力,第二,利用粒子群算法对Elman模型中的参数进行优化,同时采用分支进化和全局进化相结合,使得模型更具有鲁棒性,更容易获得全局最优值。
附图说明
图1为本发明一种基于分支进化神经网络的光伏发电功率预测方法的整体流程示意图;
图2为本发明实施例中Elman神经网络的模型结构图;
图3为本发明实施例中粒子群算法的基本流程图。
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
国内外学者对光伏电站发电功率的影响因素研究已经较为全面,总结起来一共是两个方面的因素,第一是外部原因,比如气候原因,具体地说,包括光电场的光照强度、入射角度、紫外线强度、温度、海拔、经纬度、气压等;第二是内部原因,比如太阳光板的转换效能、设备能耗、参数配置,电路的损耗等。在众多的因素中有的可以进行量化,有的难以进行量化,有的可以进行理论上的精确分析,有的难以进行因果分析。然而对于特定的光伏发电场,其内部的影响因素基本保持稳定不变,外部的影响因素,比如经纬度、海拔等也相对固定,所以在研究某一特定光伏发电场的发电功率时,可以暂时忽略这些相对不变的因素,重点研究其变化较大而造成发电功率值波动的因素。具体地说,在本发明中考虑光照强度、温度、气压和湿度这几个因素。
本发明中采用的预测模型为循环神经网络模型,这种模型能够很好的适用于时间序列数据的预测,在采用循环神经网络模型进行预测的过程中,本发明提出了很多改进,使得该模型在进行训练时能够具有更高的鲁棒性,更低的时间复杂度,对参数进行优化使得更适合本发明所需要解决的预测问题。
如图1所示,本实施例一种预测准确度高,计算复杂度低的基于分支进化神经网络的光伏发电功率预测方法,包括:
步骤1,获取光伏发电场的发电功率和功率影响因子时间序列数据;
步骤2,对时间序列数据进行预处理,包括进行数据降维和训练集构建;
步骤3,建立循环神经网络模型,使用所述的训练集对模型进行训练;
步骤4,获得现实功率影响因子数据,使用所述的循环神经网络模型预测发电功率值;
步骤5,获得预测发电功率值对应的真实值,继续进行模型的增量训练。
如前文所述,发电功率影响因子有很多,在本发明中,步骤1中所述的功率影响因子主要包括光照强度、温度、气压和湿度,由于考虑到多增加一个因子,有可能会给整个模型的训练带来维度灾难和时间灾难,所以,在本发明的
步骤2对时间序列数据进行预处理,其中的数据降维主要包括对影响因子的选取,希望影响因子能够在越精越好。由此,通过对上述的四个因子与发电功率实际值进行相关性分析,可以获得光照强度和温度对发电功率的影响最大,相关系数最大,具体数值在后面的实施例中展示。步骤2中所述的构建训练集将时间序列数据整理为[St,Tt,Pt-1,Pt]的格式数据,其中St表示t时刻的光照强度值,Tt表示t时刻的温度值,Pt-1表示t-1时刻的发电功率值,Pt表示t时刻的发电功率值。
步骤3中所述的循环神经网络模型是Elman网络模型,Elman网络模型是循环网络模型中最为广泛的应用模型之一。Elman网络模型的基本结构如图2所示,它比BP神经网络多了一个承接层,承接层的作用使得输出层不仅仅与当前输入层数据有关,还与之前的输入数据有关,这种结构使得Elman神经网络模型在时间序列预测中具有较好的性能。
其中,Elman模型的输入层、隐含层和输出层的连接类似前馈网络,隐含层的输出通过结构层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。
Elman模型的非线性状态的空间表达式为
x(t)=f(w2xc(t)+w1u(t-1))
xc(t)=x(t-1)
y(t)=g(w3x(t))
其中,t表示时刻,xc表示承接层的输出向量,w1、w2和w3分别为输入层节点与隐含层节点之间、隐含层节点与输出层节点之间及承接层节点与隐含层节点之间的连接权值矩阵,u(t-1)为t-1时刻网络的输入向量,x(t)为t时刻隐含层输出向量,y(t)表示网络模型在外部输入时间序列x(t)作用下的网络输出层的输出向量,f(·)、g(·)分别为输出层单元和隐含层单元的激发函数所组成的非线性向量函数。
一般地,Elman网络模型也可以采用BP算法进行类似的权值修正,学习指标函数也和BP网络模型一样。网络输入层的下表变元为i(i=1,2,…,t),隐含层的下标变元为j(j=1,2,…,m),承接层为h(h=1,2,…,m),输出层为k(k=1,2,…,n),t时刻网络的误差函数为但是采用最大梯度下降法,拟牛顿法这类权值修正的方法有很多缺陷,比如学习速度可能会很慢,也可能会发生震荡,而且优化过程中易陷入局部最优。
由此,本发明实施例中对Elman神经网络模型的参数优化采用粒子群算法,在粒子群算法中,每个粒子都可以是问题的一个潜在解,粒子的位置和速度都是随着时间不断变化的。粒子的移动主要受到以下两方面的影响,一方面是每个粒子的历史记忆,二是不同粒子间最优信息的实时共享,粒子通过在解空间的不断搜索找到全局最优位置,即最优解。粒子群算法的基本流程如图3所示。
本发明中的Elman神经网络包括四层结构,输入层、隐含层、承接层和输出层。BP神经网络中输入层、隐含层和输出层之间是全连接,每个层内部的神经元之间没有连接,而承接层只与隐含层发生连接,且连接并非全连接。由此,为了避免参数优化过程中出现“维度灾难”,本发明以隐含层的神经元作为分支基准,将待优化参数进行分支,每一个隐含层的神经元相关的待优化参数归为一支。通过这个分支方法,将每一支中的待优化参数的关联降到最低,实现参数的分支进化,但是由于承接层与隐含层发生连接进行了可变式的全连接,所以为了获得更好的全局最优能力,所以在分支进化的基础上,应该在进行全局进化,这样既能保证时间复杂度较低,又能保证全局最优的鲁棒性。隐含层中的神经元j相关的待优化参数包括,所述的神经元j与全部输入层神经元连接的权值,所述的神经元j的阈值,所述的神经元j与全部承接层神经元的权值,所述的神经元j与全部输出层神经元连接的权值。
步骤3中所述的对模型进行训练是利用分支粒子群算法进行参数优化训练,包括:
步骤301,根据隐含层神经元将所述的Elman神经网络中的待优化参数分为两组;
步骤302,进行分组训练,包括,
步骤30201,分别将两组待优化参数初始化为随机值,剩余的待优化参数设置为固定值,由此生成两个随机种群;
步骤30202,分别用粒子群算法更新和优化所述的两个种群;
步骤30203,分别让两组训练达到预设的最大迭代次数或达到指定精度;
步骤303,进行全局训练,包括
步骤30301,分别选取两个种群中最优的一半个体,将所述的两个种群的最优的一半个体进行交叉操作,合并为一个种群;
步骤30302,用粒子群算法更新和优化所述的一个种群;
步骤30304,让全局训练达到预设的最大迭代次数或达到指定精度;
步骤304,选择最优的个体,计算出各参数的优化值和输出层神经元的阈值的参数值。
按照所述的分支方法进行待优化参数分支,会导致有部分待优化参数同时在两个种群中都进行进化,如果只进行分支进化,而不进行全局训练的化,可能会导致两个种群训练之后的结果有冲突,所以进行全局训练不仅是为了获得全局的优化解,还是一种冲突消减的手段。
所述的用粒子群算法更新和优化种群包括以下步骤:
S1:将待优化参数编码为实数码表示的个体,所有的个体构成种群;
S2:对每一粒子个体进行译码,得到每一个粒子对应的参数,计算该个体输入下的输出,将其输出样本带入Elman神经网络的性能逼近指标函数,得到每一粒子的个体极值;
S3:对每个粒子的目标函数进行评价,得出粒子群的全局极值;
S4:判断全局极值是否满足粒子群结束条件,若满足结束条件,就退出粒子群寻优,再转入局部优化,即S6;
S5:对粒子逐个进行速度更新及位置更新,再转入S2;
S6:译码全局极值所对应的粒子,以得到的进化值为神经网络的初始值,再进行局部的优化。
S7:对局部优化后所得的参数进行编码,进行判断是否满足粒子群结束的条件;所述的结束条件是全局极值达到设定值,若偏差超出设定目标,再返回S5进行基于粒子群算法的全局搜索,最终达到最优。
粒子群与遗传算法相比,粒子群算法的优势主要体现在:①没有如选择、交叉、变异、逆转等遗传操作,而是根据自己的速度来决定搜索的方向和步长,计算复杂度较低;②与遗传算法中的染色体相比,粒子具有记忆能力,通过更新速度公式中的“个体认知”项来实现:③信息共享机制不同,遗传算法中通过染色体共享信息,整个种群的均匀移向最优区域,而粒子群算法除自身的历史记忆外,只有全局最优粒子的认知才能向整个群体传播,是单向的信息流动,相比遗传算法能更快的搜索到全局最优解。
步骤5中所述的增量训练让循环神经网络模型不断获取最新的训练样本进行增量学习,使得本发明方法持续具备较高的预测精准度。
为了更好的演示本发明的效果,采用数据计算实例进行演示,数据是来自于国外某光伏发电公司的实测数据。每个一个小时采集一次数据,每天采集十个小时的数据。本实施例的实验数据包括300天的3000组数据,其中2900组数据进行分类训练,100组数据作为测试数据,所有的神经网络输入层数量为3,分别是历史时刻的发电功率,现实时刻的光照强度和现实时刻的温度,输出层数量为1,是待预测的发电功率。为了求得最好的隐含层神经元和承接层神经元数目,当隐含层的神经元数目和承接层神经元均为4时,该Elman神经网络在本实验中具有最好的性能。通过实验采用Elman神经网络预测出来的结果总体上比BP神经网络模型预测出来的结果更加精准,总体误差更小,而且本发明中采用了粒子群算法对Elman神经网络的参数进行优化,而且在优化过程中采取分组训练与全局训练结合的方式,使得对模型的训练更加高效且能够快速获得优化后符合要求的参数。
本发明提出的预测方法,从两个方面对神经网络预测模型进行了改进,第一,采用循环神经网络Elman神经网络结构,使得预测过程中不仅考虑当前的变量,更考虑历史的数据,使得模型具有更强的预测能力,第二,利用粒子群算法对Elman模型中的参数进行优化,同时采用分支进化和全局进化相结合,使得模型更具有鲁棒性,更容易获得全局最优值,由此,故本发明较传统方法对光伏发电功率的预测性能更好。
Claims (4)
1.一种基于分支进化神经网络的光伏发电功率预测方法,其特征在于,包括如下步骤:
步骤1,获取光伏发电场的发电功率和功率影响因子时间序列数据;
步骤2,对时间序列数据进行预处理,包括进行数据降维和训练集构建;
步骤3,建立循环神经网络模型,使用所述的训练集对模型进行训练;
步骤4,获得现实功率影响因子数据,使用所述的循环神经网络模型预测发电功率值;
步骤5,获得预测发电功率值对应的真实值,继续进行模型的增量训练;
所述的循环神经网络模型是Elman神经网络模型,包括四层结构:输入层、隐含层、承接层和输出层;Elman神经网络模型的非线性状态的空间表达式为
x(t)=f(w2xc(t)+w1u(t-1))
xc(t)=x(t-1)
y(t)=g(w3x(t))
其中,t表示时刻,xc表示承接层的输出向量,w1、w2和w3分别为输入层节点与隐含层节点之间、隐含层节点与输出层节点之间及承接层节点与隐含层节点之间的连接权值矩阵,u(t-1)为t-1时刻网络的输入向量,x(t)为t时刻隐含层输出向量,y(t)表示网络模型在外部输入时间序列x(t)作用下的网络输出层的输出向量,f(·)、g(·)分别为输出层单元和隐含层单元的激发函数所组成的非线性向量函数;
步骤3中所述的对模型进行训练是利用分支粒子群算法进行参数优化训练,包括:
步骤301,根据隐含层神经元将所述的Elman神经网络中的待优化参数分为两组;
步骤302,进行分组训练,包括,
步骤30201,分别将两组待优化参数初始化为随机值,剩余的待优化参数设置为固定值,由此生成两个随机种群;
步骤30202,分别用粒子群算法更新和优化所述的两个种群;
步骤30203,分别让两组训练达到预设的最大迭代次数或达到指定精度;
步骤303,进行全局训练,包括
步骤30301,分别选取两个种群中最优的一半个体,将所述的两个种群的最优的一半个体进行交叉操作,合并为一个种群;
步骤30302,用粒子群算法更新和优化所述的一个种群;
步骤30304,让全局训练达到预设的最大迭代次数或达到指定精度;
步骤304,选择最优的个体,计算出各参数的优化值和输出层神经元的阈值的参数值。
2.根据权利要求1所述的光伏发电功率预测方法,其特征在于,所述的用粒子群算法更新和优化种群包括以下步骤:
S1:将待优化参数编码为实数码表示的个体,所有的个体构成种群;
S2:对每一粒子个体进行译码,得到每一个粒子对应的参数,计算该个体输入下的输出,将其输出样本带入Elman神经网络的性能逼近指标函数,得到每一粒子的个体极值;
S3:对每个粒子的目标函数进行评价,得出粒子群的全局极值;
S4:判断全局极值是否满足粒子群结束条件,若满足结束条件,就退出粒子群寻优,再转入局部优化,即S6;
S5:对粒子逐个进行速度更新及位置更新,再转入S2;
S6:译码全局极值所对应的粒子,以得到的进化值为神经网络的初始值,再进行局部的优化;
S7:对局部优化后所得的参数进行编码,进行判断是否满足粒子群结束的条件;所述的结束条件是全局极值达到设定值,若偏差超出设定目标,再返回S5进行基于粒子群算法的全局搜索,最终达到最优。
3.根据权利要求2所述的光伏发电功率预测方法,其特征在于,所述的Elman神经网络模型,输入层是3个神经元,分别表示历史时刻的发电功率,现实时刻的光照强度和现实时刻的温度,输出层是1个神经元,为待预测的发电功率,隐含层的神经元数目和承接层神经元数目均为4。
4.根据权利要求3所述的光伏发电功率预测方法,其特征在于,在步骤301中所述的待优化参数分为两组,其分组方法为以隐含层的神经元作为分支基准,将待优化参数进行分为两组,与前两个隐含层的神经元相关的待优化参数归为一组,与后两个隐含层的神经元相关的待优化参数归为另一组;所述的隐含层的神经元相关的待优化参数包括,该神经元与全部输入层神经元连接的权值,该神经元的阈值,该神经元与全部承接层神经元的权值,该神经元与全部输出层神经元连接的权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336942.XA CN109978283B (zh) | 2019-04-25 | 2019-04-25 | 一种基于分支进化神经网络的光伏发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910336942.XA CN109978283B (zh) | 2019-04-25 | 2019-04-25 | 一种基于分支进化神经网络的光伏发电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978283A CN109978283A (zh) | 2019-07-05 |
CN109978283B true CN109978283B (zh) | 2021-05-11 |
Family
ID=67086241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910336942.XA Active CN109978283B (zh) | 2019-04-25 | 2019-04-25 | 一种基于分支进化神经网络的光伏发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978283B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456335A (zh) * | 2019-08-09 | 2019-11-15 | 河海大学 | 一种基于神经网络的mimo雷达目标定位方法及系统 |
CN112396203B (zh) * | 2019-08-14 | 2023-01-10 | 海南电网有限责任公司 | 一种基于bp神经网络估计法和改进比例系数法的光伏功率区间预测方法 |
CN110895772A (zh) * | 2019-11-11 | 2020-03-20 | 国网浙江省电力有限公司宁波供电公司 | 基于灰色关联分析与SA-PSO-Elman算法结合的售电量预测方法 |
CN112330487B (zh) * | 2020-11-03 | 2022-10-04 | 河北工业大学 | 一种光伏发电短期功率预测方法 |
CN112541633A (zh) * | 2020-12-15 | 2021-03-23 | 浙江浙能嘉兴发电有限公司 | 一种基于神经网络的超高精度光伏发电功率预测方法及系统 |
CN113591298B (zh) * | 2021-07-27 | 2024-03-08 | 武汉理工大学 | 一种基于深度神经网络的光学结构优化设计方法 |
CN113761777B (zh) * | 2021-08-26 | 2023-09-26 | 上海电力大学 | 一种基于hp-ovmd的超短期光伏功率预测方法 |
CN115906941B (zh) * | 2022-11-16 | 2023-10-03 | 中国烟草总公司湖南省公司 | 神经网络自适应退出方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404071A (zh) * | 2008-11-07 | 2009-04-08 | 湖南大学 | 基于分组粒子群算法的电子电路故障诊断神经网络方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN105205560A (zh) * | 2015-09-25 | 2015-12-30 | 国网甘肃省电力公司电力科学研究院 | 一种基于正负误差变权的光伏发电功率预测方法 |
-
2019
- 2019-04-25 CN CN201910336942.XA patent/CN109978283B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404071A (zh) * | 2008-11-07 | 2009-04-08 | 湖南大学 | 基于分组粒子群算法的电子电路故障诊断神经网络方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN105205560A (zh) * | 2015-09-25 | 2015-12-30 | 国网甘肃省电力公司电力科学研究院 | 一种基于正负误差变权的光伏发电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
光伏发电功率预报与负荷预报;罗小兰;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20151015;第37-47页 * |
罗小兰.光伏发电功率预报与负荷预报.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2015,第37-47页. * |
Also Published As
Publication number | Publication date |
---|---|
CN109978283A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978283B (zh) | 一种基于分支进化神经网络的光伏发电功率预测方法 | |
Wu et al. | A novel hybrid system based on multi-objective optimization for wind speed forecasting | |
Wang et al. | Photovoltaic cell parameter estimation based on improved equilibrium optimizer algorithm | |
CN112380765B (zh) | 一种基于改进平衡优化器算法的光伏电池参数识别方法 | |
Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
CN114970362B (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
Zhang et al. | Solar radiation prediction based on particle swarm optimization and evolutionary algorithm using recurrent neural networks | |
Chitsazan et al. | Wind speed forecasting using an echo state network with nonlinear output functions | |
CN114781723A (zh) | 一种基于多模型融合的短期光伏出力预测方法 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
Alharbi et al. | Short-term solar irradiance forecasting model based on bidirectional long short-term memory deep learning | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
Prema et al. | LSTM based Deep Learning model for accurate wind speed prediction | |
Rahaman et al. | Bayesian optimization based ANN model for short term wind speed forecasting in newfoundland, Canada | |
Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
Tikkiwal et al. | Day-ahead forecasting of solar irradiance using hybrid improved cuckoo search-lstm approach | |
CN115860232A (zh) | 一种蒸汽负荷预测方法、系统、电子设备及介质 | |
Shterev et al. | Time series prediction with neural networks: a review | |
Cao et al. | Research On Regional Traffic Flow Prediction Based On MGCN-WOALSTM | |
Silva et al. | Application of a hybrid neural fuzzy inference system to forecast solar intensity | |
CN112183814A (zh) | 一种短期风速预测方法 | |
Mellit et al. | Application of neural networks and genetic algorithms for predicting the optimal sizing coefficient of photovoltaic supply (PVS) systems | |
Wu et al. | Beetle antennae search for neural network model with application to population prediction: An intelligent optimization algorithm |
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 |