CN115951755A - 基于pso-lstm的光伏最大功率点追踪方法及装置 - Google Patents
基于pso-lstm的光伏最大功率点追踪方法及装置 Download PDFInfo
- Publication number
- CN115951755A CN115951755A CN202310096752.1A CN202310096752A CN115951755A CN 115951755 A CN115951755 A CN 115951755A CN 202310096752 A CN202310096752 A CN 202310096752A CN 115951755 A CN115951755 A CN 115951755A
- Authority
- CN
- China
- Prior art keywords
- weight
- bias
- lstm
- lstm model
- updated
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 89
- 238000005286 illumination Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 17
- 230000006870 function Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了基于PSO‑LSTM的光伏最大功率点追踪方法及装置,该方法包括:调节太阳能板的输出电压,获取预设条件下的样本数据;根据样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型;根据训练后的LSTM模型和实时运行数据,计算得到当前最大功率点对应的第一输出电压。采用本发明实施例,采用样本数据对LSTM模型进行训练,利用LSTM模型对时间序列信息的高预测精度,提高采用实时运行数据进行预测的精确度;此外,采用PSO算法对训练过程中的模型进行权值和偏置的调节,可提升全局寻优能力和搜索精度。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种基于PSO-LSTM的光伏最大功率点追踪方法及装置。
背景技术
在传统光伏发电并网逆变系统中,由于光伏太阳能阵列的输出功率会在很大程度上受到光照强度的影响,因此为了提高光伏阵列的利用效率,保证光伏阵列能够持续以最大功率输出,需要对其最大功率点(MPP-maximum power point)进行跟踪。而目前实现最大功率点跟踪(Maximum Power Point Tracking,MPPT)的方式主要有恒压法、扰动观察法、电导增量法;但太阳能光伏在实际环境使用过程中,光伏阵列的周围会出现建筑物、云层、树木等各种干扰因素,使得传统MPPT最大功率寻优工作陷入追求局部极大值,反复震荡。粒子群优化(Particle Swarm Optimization,简称PSO)算法具有较好的多峰全局寻优能力,但目前PSO光伏MPPT控制多采用固定的惯性权值和学习因子,存在局部寻优和搜索精度低的问题。
发明内容
本发明提供了一种基于PSO-LSTM的光伏最大功率点追踪方法及装置,以解决目前采用粒子群优化算法实现最大功率点追踪存在的寻优能力和搜索精度较低的技术问题。
为了解决上述技术问题,本发明实施例提供了一种基于PSO-LSTM的光伏最大功率点追踪方法,包括:
调节太阳能板的输出电压,获取预设条件下的样本数据;
根据所述样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型;
根据所述训练后的LSTM模型和实时运行数据,计算得到当前最大功率点对应的第一输出电压。
本发明通过采用样本数据对LSTM模型进行训练,以使用训练后的LSTM模型预测第一输出电压,利用LSTM模型对时间序列信息的高预测精度,提高采用实时运行数据进行预测的精确度;此外,采用PSO算法对训练过程中的LSTM模型进行权值和偏置的调节,可提升全局寻优能力和搜索精度。
进一步地,所述调节太阳能板的输出电压,获取预设条件下的样本数据,具体为:
其中,所述预设条件包括:光照条件、温度条件、湿度条件、负载大小和功率变化量;所述功率变化量为调节太阳能板的输出电压增量时对应的功率变化量
在不同的光照条件、温度条件、湿度条件和负载大小下,对太阳能板的输出电压进行调节并记录太阳能板最大功率对应的第二输出电压,得到所述样本数据。
进一步地,所述样本数据包括:光照强度、温度、湿度、负载功率、所述功率变化量和所述第二输出电压。
本发明通过在不同的预设条件下调节输出电压,以获取不同预设条件下的最大功率点对应的第二输出电压,获得除常见的光照强度、负载大小和输出电压之外,还包括温度和湿度等参数的样本数据,以使样本数据包括太阳能板在实际工作时的多种环境参数,根据该样本数据训练LSTM模型得到的更新后的LSTM模型具有更高的预测精度。
进一步地,所述根据所述样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型,具体为:
从所述样本数据中获取若干个训练集;
根据所述若干个训练集,对所述LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置,直至所述LSTM模型的输出误差小于预设值或迭代达到预设次数,得到若干个参数矩阵;
对所述若干个参数矩阵进行均值处理,得到所述训练后的LSTM模型。
进一步地,所述从所述样本数据中获取若干个训练集,具体为:
根据预设的比例,从所述样本数据中进行随机抽取,形成所述若干个训练集。
本发明通过从样本数据获取的若干个训练集对LSTM模型进行训练,并根据训练后得到的若干个参数矩阵,在进行均值处理后得到训练后的LSTM模型,避免个别数据因环境因素或异常值造成的误差,提高了训练后的LSTM模型的预测精度;此外,通过PSO算法对训练过程中的LSTM模型进行权值和偏置的调节,可提升全局寻优能力和搜索精度。
进一步地,所述根据所述若干个训练集,对所述LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置,直至所述LSTM模型的输出误差小于预设值或迭代达到预设次数,得到若干个参数矩阵,具体为:
对权值和偏置进行初始化,得到第一权值和第一偏置;其中,所述第一权值包括:输入门的权值、遗忘门的权值和输出门的权值;所述第一偏置包括:输入门的偏置、遗忘门的偏置和输出门的偏置;
训练过程:根据第二权值、第二偏置和所述若干个训练集,对所述LSTM模型进行训练,得到所述LSTM模型的各单元门输出,并更新迭代次数;其中,所述第二权值为所述第一权值或更新后的第二权值;所述第二偏置为所述第一偏置或更新后的第二偏置;
判断所述各单元门输出的误差是否小于预设值,以及所述迭代次数是否达到所述预设次数;
当所述各单元门输出的误差小于预设值,或者,所述迭代次数达到所述预设次数时,从所述LSTM模型中获取与所述若干个训练集对应的所述若干个参数矩阵;
当所述各单元门输出的误差大于预设值,或者,所述迭代次数未达到所述预设次数时,根据所述PSO算法,结合对粒子的欧氏距离自适应调节,对本次迭代的第二权值和本次迭代的第二偏置进行更新,得到所述更新后的第二权值和所述更新后的第二偏置,并返回所述训练过程。
本发明在每次迭代前,采用PSO算法并结合粒子的欧氏距离自适应调节对训练过程中的LSTM模型的权值和偏置进行调节,使得对LSTM模型的最终寻优精度进一步得到提高。
进一步地,所述根据所述PSO算法,结合对粒子的欧氏距离自适应调节,对本次迭代的第二权值和本次迭代的第二偏置进行更新,得到更新后的第二权值和更新后的第二偏置,具体为:
将所述第二权值和所述第二偏置设置为所述PSO算法的第一粒子;
将本次迭代中适应度最高的粒子设置为全局最优粒子,计算其余粒子与所述全局最优粒子之间的欧氏距离;其中,所述其余粒子包括所述第一粒子;
根据所述欧氏距离,对所述PSO算法的惯性权值和学习因子进行更新,得到更新后的惯性权值和更新后的学习因子;
根据所述PSO算法、所述更新后的惯性权值和所述更新后的学习因子,对所述第一粒子的粒子速度和粒子位置进行更新,得到所述更新后的第二权值和所述更新后的第二偏置。
本发明通过欧氏距离自适应调节,在PSO算法对第二权值和第二偏置进行调节前,对PSO算法的惯性权值和学习因子进行更新,避免使用固定的学习因子进行粒子速度和粒子位置的更新,进一步提高了对LSTM模型的最终寻优精度。
进一步地,所述PSO算法的表达式为:
其中,和分别为更新后的和上一次迭代时的当前粒子的粒子速度,w为初始的惯性权值或更新后的惯性权值,c1和c2为初始的学习因子或更新后的学习因子,为当前粒子的历史最优位置,为全局最优粒子的粒子位置,为第i粒子的粒子位置,α为粒子位置的更新参数。
进一步地,所述更新后的惯性权值的表达式为:
w(i)=(distance(i)/distance_max)*0.8;
其中,w(i)为第i粒子对应的更新后的惯性权值,distance(i)为第i粒子的与最优粒子之间的欧氏距离,所述distance_max为所有粒子中与全局最优粒子间的最大距离;
所述更新后的学习因子的表达式为:
其中,c1和c2为更新后的学习因子。
本发明实施例还提供了一种基于PSO-LSTM的光伏最大功率点追踪装置,包括:数据获取模块、模型训练模块和模型计算模块;
其中,所述数据获取模块用于调节太阳能板的输出电压,获取预设条件下的样本数据;
所述模型训练模块用于根据所述样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型;
所述模型计算模块用于根据所述训练后的LSTM模型和实时运行数据,计算得到当前最大功率点对应的第一输出电压。
本发明通过采用样本数据对LSTM模型进行训练,以使用训练后的LSTM模型预测第一输出电压,利用LSTM模型对时间序列信息的高预测精度,提高采用实时运行数据进行预测的精确度;此外,采用PSO算法对训练过程中的LSTM模型进行权值和偏置的调节,可提升全局寻优能力和搜索精度。
附图说明
图1为本发明提供的基于PSO-LSTM的光伏最大功率点追踪方法的一种实施例的流程示意图;
图2为本发明提供的基于PSO-LSTM的光伏最大功率点追踪方法的另一种实施例的流程示意图;
图3为本发明提供的基于PSO-LSTM的光伏最大功率点追踪装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
请参照图1,为本发明提供的基于PSO-LSTM的光伏最大功率点追踪方法的一种实施例的流程示意图,主要包括步骤101-103,具体如下:
步骤101:调节太阳能板的输出电压,获取预设条件下的样本数据。
在本实施例中,可利用实验平台或硬件平台对太阳能板进行测试;预设条件包括太阳能板在实际工作运行时的各种环境因素,例如光照强度、温度等,以及负载大小;通过调节太阳能板的输出电压,查找到在预设条件下太阳能板的最大功率点所对应的输出电压,并根据此时的环境因素和输出电压,生成样本数据。
进一步地,所述调节太阳能板的输出电压,获取预设条件下的样本数据,具体为:
其中,所述预设条件包括:光照条件、温度条件、湿度条件、负载大小和功率变化量;所述功率变化量为调节太阳能板的输出电压增量时对应的功率变化量
在不同的光照条件、温度条件、湿度条件和负载大小下,对太阳能板的输出电压进行调节并记录太阳能板最大功率对应的第二输出电压,得到所述样本数据。
进一步地,所述样本数据包括:光照强度、温度、湿度、负载功率、所述功率变化量和所述第二输出电压。
在本实施例中,所述功率变化量为调节电压增量时对应的功率变化量,即功率对输出电压的微分;因最大功率曲线为连续型曲线,其极值点前后的微分为接近0的数值,功率对输出电压的微分可以在一定程度上反馈是否接近极值点,即最大功率点。因此,输出的样本数据形如:(光照强度,温度,适度,负载功率,功率变化量,第二输出电压)。
本发明通过在不同的预设条件下调节输出电压,以获取不同预设条件下的最大功率点对应的第二输出电压,获得除常见的光照强度、负载大小和输出电压之外,还包括温度和湿度等参数的样本数据,以使样本数据包括太阳能板在实际工作时的多种环境参数,根据该样本数据训练LSTM模型得到的更新后的LSTM模型具有更高的预测精度。
步骤102:根据所述样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型。
LSTM(long-short term memory)模型为一种特殊的RNN模型,是为了解决RNN模型梯度弥散的问题而提出的;在传统的RNN中,训练算法使用的是BPTT,当时间比较长时,需要回传的残差会指数下降,导致网络权重更新缓慢,无法体现出RNN的长期记忆的效果,因此需要一个存储单元来存储记忆,LSTM模型即用于实现长期记忆的功能;此外,LSTM模型包括3个控制门,即输入门、输出门和记忆门,每个cell的组成包括输入节点、输入门、内部状态节点、忘记门和输出门。在LSTM模型的输入层至隐含层、隐含层至输出层中具有权值和偏置,本发明的PSO算法则对训练过程中的LSTM模型的这些权值和偏置进行调节。
在本实施例中,训练后的LSTM模型存储在MCU中;而对LSTM模型的训练可在所述MCU,或者其他计算机载体中进行。此外,训练后的LSTM模型为一个进行非线性映射的参数矩阵。
步骤103:根据所述训练后的LSTM模型和实时运行数据,计算得到当前最大功率点对应的第一输出电压。
在本实施例中,所述实时运行数据包括:当前光照强度、当前温度、当前湿度和当前负载功率。所述实时运行数据还可以根据需要包括功率变化量。
在本实施例中,训练后的LSTM模型在MCU中进行计算或预测,计算得到的第一输出电压可用于后续的MPPT控制。
请参照图2,为本发明提供的基于PSO-LSTM的光伏最大功率点追踪方法的另一种实施例的流程示意图,主要包括步骤201-203,具体如下:
在本实施例中,步骤102具体包括步骤201至步骤203。
步骤201:从所述样本数据中获取若干个训练集。
进一步地,所述从所述样本数据中获取若干个训练集,具体为:
根据预设的比例,从所述样本数据中进行随机抽取,形成所述若干个训练集。
在本实施例中,所述预设的比例可以为70%,并通过随机从样本数据中抽取样本,生成若干个训练集。根据每个训练集,对所述LSTM模型进行训练,可以得到与每个训练集对应的参数矩阵。
本发明通过从样本数据获取的若干个训练集对LSTM模型进行训练,并根据训练后得到的若干个参数矩阵,在进行均值处理后得到训练后的LSTM模型,避免个别数据因环境因素或异常值造成的误差,提高了训练后的LSTM模型的预测精度;此外,通过PSO算法对训练过程中的LSTM模型进行权值和偏置的调节,可提升全局寻优能力和搜索精度。
步骤202:根据所述若干个训练集,对所述LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置,直至所述LSTM模型的输出误差小于预设值或迭代达到预设次数,得到若干个参数矩阵。
在本实施例中,每个训练集对应一个对LSTM模型进行训练后的结果,即参数矩阵,若干个训练集则对应若干个参数矩阵;每个参数矩阵包含着LSTM模型在达到训练结束条件时的各层的权值和偏置。
进一步地,所述根据所述若干个训练集,对所述LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置,直至所述LSTM模型的输出误差小于预设值或迭代达到预设次数,得到若干个参数矩阵,具体为:
对权值和偏置进行初始化,得到第一权值和第一偏置;其中,所述第一权值包括:输入门的权值、遗忘门的权值和输出门的权值;所述第一偏置包括:输入门的偏置、遗忘门的偏置和输出门的偏置;
训练过程:根据第二权值、第二偏置和所述若干个训练集,对所述LSTM模型进行训练,得到所述LSTM模型的各单元门输出,并更新迭代次数;其中,所述第二权值为所述第一权值或更新后的第二权值;所述第二偏置为所述第一偏置或更新后的第二偏置;
判断所述各单元门输出的误差是否小于预设值,以及所述迭代次数是否达到所述预设次数;
当所述各单元门输出的误差小于预设值,或者,所述迭代次数达到所述预设次数时,从所述LSTM模型中获取与所述若干个训练集对应的所述若干个参数矩阵;
当所述各单元门输出的误差大于预设值,或者,所述迭代次数未达到所述预设次数时,根据所述PSO算法,结合对粒子的欧氏距离自适应调节,对本次迭代的第二权值和本次迭代的第二偏置进行更新,得到所述更新后的第二权值和所述更新后的第二偏置,并返回所述训练过程。
本发明在每次迭代前,采用PSO算法并结合粒子的欧氏距离自适应调节对训练过程中的LSTM模型的权值和偏置进行调节,使得对LSTM模型的最终寻优精度进一步得到提高。
进一步地,所述根据所述PSO算法,结合对粒子的欧氏距离自适应调节,对本次迭代的第二权值和本次迭代的第二偏置进行更新,得到更新后的第二权值和更新后的第二偏置,具体为:
将所述第二权值和所述第二偏置设置为所述PSO算法的第一粒子;
将本次迭代中适应度最高的粒子设置为全局最优粒子,计算其余粒子与所述全局最优粒子之间的欧氏距离;其中,所述其余粒子包括所述第一粒子;
根据所述欧氏距离,对所述PSO算法的惯性权值和学习因子进行更新,得到更新后的惯性权值和更新后的学习因子;
根据所述PSO算法、所述更新后的惯性权值和所述更新后的学习因子,对所述第一粒子的粒子速度和粒子位置进行更新,得到所述更新后的第二权值和所述更新后的第二偏置。
在本实施例中,将第二权值和第二偏置作为粒子,并在每次迭代前对PSO算法中的惯性权值和学习因子进行更新,可避免PSO标准模型中固定的学习因子。
本发明通过欧氏距离自适应调节,在PSO算法对第二权值和第二偏置进行调节前,对PSO算法的惯性权值和学习因子进行更新,避免使用固定的学习因子进行粒子速度和粒子位置的更新,进一步提高了对LSTM模型的最终寻优精度。
进一步地,所述PSO算法的表达式为:
其中,和分别为更新后的和上一次迭代时的当前粒子的粒子速度,w为初始的惯性权值或更新后的惯性权值,c1和c2为初始的学习因子或更新后的学习因子,为当前粒子的历史最优位置,为全局最优粒子的粒子位置,为第i粒子的粒子位置,α为粒子位置的更新参数。
进一步地,所述更新后的惯性权值的表达式为:
w(i)=(distance(i)/distance_max)*0.8;
其中,w(i)为第i粒子对应的更新后的惯性权值,distance(i)为第i粒子的与最优粒子之间的欧氏距离,所述distance_max为所有粒子中与全局最优粒子间的最大距离;
所述更新后的学习因子的表达式为:
其中,c1和c2为更新后的学习因子。
在本实施例中,所使用的PSO算法在原有的标准PSO上增加欧氏距离的自适应调整,即:在每次迭代时,计算出来的最优粒子的位置为part0,其余粒子的位置与part0进行欧氏距离计算,计算得到的各粒子相对最优粒子的距离为distance(i),其中i为粒子编号,最大距离则记为distance_max。通过更新后的惯性权值的表达式以及更新后的学习因子的表达式,对每次迭代时PSO算法的惯性权值和学习因子进行更新。
请参照下表,为本发明提供的算法优化的结果对比表:
其中,对函数F1=0.5+((sin(x12+x22)0.5)-0.5)/(1+0.001*(x12+x22))2进行仿真,该函数在(0,0)处有最大值1,取相反数进行修改后,则函数F1具有最小值-1,该最小值为寻优目标;其中,距离法PSO即为本申请中的PSO算法,与标准PSO和线性法PSO相比,距离法PSO的寻优能力更强,需要更少的迭代次数。对函数F2=((sin(x12+x22))2cos(x12+x22)+1)/((1+0.1*(x12+x22))2)-0.7进行仿真的结果显示,与标准PSO和线性法PSO相比,本发明采用的PSO算法寻优所需的迭代次数更少。
此外,rastrigin函数为F3=20+x12+x22-10*(cos(2*π*x1)+cos(2*π*x2));本发明采用的PSO算法在10维、20维和30维rastrigin函数的仿真中,收敛所需的迭代次数分别为18、27和10,最大迭代次数可以设置为50;与其他两种PSO算法相比,距离法PSO的收敛精度更高,寻优能力更强。
步骤203:对所述若干个参数矩阵进行均值处理,得到所述训练后的LSTM模型。
在本实施例中,对若干个参数矩阵进行均值处理后,可得到一个最终的参数矩阵作为训练后的LSTM模型,可进行非线性映射,以对当前的最大功率点对应的输出电压进行预测。
请参照图3,为本发明提供的基于PSO-LSTM的光伏最大功率点追踪装置的一种实施例的结构示意图,主要包括:数据获取模块301、模型训练模块302和模型计算模块303。
在本实施例中,数据获取模块301用于调节太阳能板的输出电压,获取预设条件下的样本数据。
模型训练模块302用于根据所述样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型。
在本实施例中,模型训练模块302包括训练集生成单元、模型训练单元和模型获取单元;训练集生成单元用于从所述样本数据中获取若干个训练集;模型训练单元用于根据所述若干个训练集,对所述LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置,直至所述LSTM模型的输出误差小于预设值或迭代达到预设次数,得到若干个参数矩阵;模型获取单元用于对所述若干个参数矩阵进行均值处理,得到所述训练后的LSTM模型。
模型计算模块303用于根据所述训练后的LSTM模型和实时运行数据,计算得到当前最大功率点对应的第一输出电压。
本发明通过采用样本数据对LSTM模型进行训练,以使用训练后的LSTM模型预测第一输出电压,利用LSTM模型对时间序列信息的高预测精度,提高采用实时运行数据进行预测的精确度;此外,采用PSO算法对训练过程中的LSTM模型进行权值和偏置的调节,可提升全局寻优能力和搜索精度。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于PSO-LSTM的光伏最大功率点追踪方法,其特征在于,包括:
调节太阳能板的输出电压,获取预设条件下的样本数据;
根据所述样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型;
根据所述训练后的LSTM模型和实时运行数据,计算得到当前最大功率点对应的第一输出电压。
2.如权利要求1所述的基于PSO-LSTM的光伏最大功率点追踪方法,其特征在于,所述调节太阳能板的输出电压,获取预设条件下的样本数据,具体为:
其中,所述预设条件包括:光照条件、温度条件、湿度条件、负载大小和功率变化量;所述功率变化量为调节太阳能板的输出电压增量时对应的功率变化量
在不同的光照条件、温度条件、湿度条件和负载大小下,对太阳能板的输出电压进行调节并记录太阳能板最大功率对应的第二输出电压,得到所述样本数据。
3.如权利要求2所述的基于PSO-LSTM的光伏最大功率点追踪方法,其特征在于,所述样本数据包括:光照强度、温度、湿度、负载功率、所述功率变化量和所述第二输出电压。
4.如权利要求1所述的基于PSO-LSTM的光伏最大功率点追踪方法,其特征在于,所述根据所述样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型,具体为:
从所述样本数据中获取若干个训练集;
根据所述若干个训练集,对所述LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置,直至所述LSTM模型的输出误差小于预设值或迭代达到预设次数,得到若干个参数矩阵;
对所述若干个参数矩阵进行均值处理,得到所述训练后的LSTM模型。
5.如权利要求4所述的基于PSO-LSTM的光伏最大功率点追踪方法,其特征在于,所述从所述样本数据中获取若干个训练集,具体为:
根据预设的比例,从所述样本数据中进行随机抽取,形成所述若干个训练集。
6.如权利要求4所述的基于PSO-LSTM的光伏最大功率点追踪方法,其特征在于,所述根据所述若干个训练集,对所述LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置,直至所述LSTM模型的输出误差小于预设值或迭代达到预设次数,得到若干个参数矩阵,具体为:
对权值和偏置进行初始化,得到第一权值和第一偏置;其中,所述第一权值包括:输入门的权值、遗忘门的权值和输出门的权值;所述第一偏置包括:输入门的偏置、遗忘门的偏置和输出门的偏置;
训练过程:根据第二权值、第二偏置和所述若干个训练集,对所述LSTM模型进行训练,得到所述LSTM模型的各单元门输出,并更新迭代次数;其中,所述第二权值为所述第一权值或更新后的第二权值;所述第二偏置为所述第一偏置或更新后的第二偏置;
判断所述各单元门输出的误差是否小于预设值,以及所述迭代次数是否达到所述预设次数;
当所述各单元门输出的误差小于预设值,或者,所述迭代次数达到所述预设次数时,从所述LSTM模型中获取与所述若干个训练集对应的所述若干个参数矩阵;
当所述各单元门输出的误差大于预设值,或者,所述迭代次数未达到所述预设次数时,根据所述PSO算法,结合对粒子的欧氏距离自适应调节,对本次迭代的第二权值和本次迭代的第二偏置进行更新,得到所述更新后的第二权值和所述更新后的第二偏置,并返回所述训练过程。
7.如权利要求6所述的基于PSO-LSTM的光伏最大功率点追踪方法,其特征在于,所述根据所述PSO算法,结合对粒子的欧氏距离自适应调节,对本次迭代的第二权值和本次迭代的第二偏置进行更新,得到更新后的第二权值和更新后的第二偏置,具体为:
将所述第二权值和所述第二偏置设置为所述PSO算法的第一粒子;
将本次迭代中适应度最高的粒子设置为全局最优粒子,计算其余粒子与所述全局最优粒子之间的欧氏距离;其中,所述其余粒子包括所述第一粒子;
根据所述欧氏距离,对所述PSO算法的惯性权值和学习因子进行更新,得到更新后的惯性权值和更新后的学习因子;
根据所述PSO算法、所述更新后的惯性权值和所述更新后的学习因子,对所述第一粒子的粒子速度和粒子位置进行更新,得到所述更新后的第二权值和所述更新后的第二偏置。
10.一种基于PSO-LSTM的光伏最大功率点追踪装置,其特征在于,包括:数据获取模块、模型训练模块和模型计算模块;
其中,所述数据获取模块用于调节太阳能板的输出电压,获取预设条件下的样本数据;
所述模型训练模块用于根据所述样本数据,以最大功率点对应的输出电压作为模型输出,对LSTM模型进行训练,并采用PSO算法调节所述LSTM模型的权值和偏置进行调节,得到训练后的LSTM模型;
所述模型计算模块用于根据所述训练后的LSTM模型和实时运行数据,计算得到当前最大功率点对应的第一输出电压。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096752.1A CN115951755A (zh) | 2023-02-06 | 2023-02-06 | 基于pso-lstm的光伏最大功率点追踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310096752.1A CN115951755A (zh) | 2023-02-06 | 2023-02-06 | 基于pso-lstm的光伏最大功率点追踪方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115951755A true CN115951755A (zh) | 2023-04-11 |
Family
ID=87285993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310096752.1A Pending CN115951755A (zh) | 2023-02-06 | 2023-02-06 | 基于pso-lstm的光伏最大功率点追踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115951755A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150188415A1 (en) * | 2013-12-30 | 2015-07-02 | King Abdulaziz City For Science And Technology | Photovoltaic systems with maximum power point tracking controller |
CN107562992A (zh) * | 2017-07-25 | 2018-01-09 | 华南理工大学 | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 |
CN111221375A (zh) * | 2018-11-27 | 2020-06-02 | 汉能移动能源控股集团有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
CN111367349A (zh) * | 2018-12-26 | 2020-07-03 | 株洲中车时代电气股份有限公司 | 一种基于预测模型的光伏mppt控制方法及系统 |
CN111382699A (zh) * | 2020-03-09 | 2020-07-07 | 金陵科技学院 | 基于粒子群优化lstm算法的动态手势识别方法 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111709549A (zh) * | 2020-04-30 | 2020-09-25 | 东华大学 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
CN113887786A (zh) * | 2021-09-14 | 2022-01-04 | 国网河北省电力有限公司电力科学研究院 | 基于pso-lstm的一次调频能力评估与预测系统 |
CN114648147A (zh) * | 2020-12-18 | 2022-06-21 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于ipso-lstm的风电功率预测方法 |
-
2023
- 2023-02-06 CN CN202310096752.1A patent/CN115951755A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150188415A1 (en) * | 2013-12-30 | 2015-07-02 | King Abdulaziz City For Science And Technology | Photovoltaic systems with maximum power point tracking controller |
CN107562992A (zh) * | 2017-07-25 | 2018-01-09 | 华南理工大学 | 一种基于svm和粒子群算法的光伏列阵最大功率跟踪方法 |
CN111221375A (zh) * | 2018-11-27 | 2020-06-02 | 汉能移动能源控股集团有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
CN111367349A (zh) * | 2018-12-26 | 2020-07-03 | 株洲中车时代电气股份有限公司 | 一种基于预测模型的光伏mppt控制方法及系统 |
CN111382699A (zh) * | 2020-03-09 | 2020-07-07 | 金陵科技学院 | 基于粒子群优化lstm算法的动态手势识别方法 |
CN111426816A (zh) * | 2020-04-10 | 2020-07-17 | 昆明理工大学 | 一种基于pso-lstm的变压器油中溶解气体浓度预测方法 |
CN111709549A (zh) * | 2020-04-30 | 2020-09-25 | 东华大学 | 一种基于svd-pso-lstm的短时交通流预测的导航提醒方法 |
CN114648147A (zh) * | 2020-12-18 | 2022-06-21 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于ipso-lstm的风电功率预测方法 |
CN113887786A (zh) * | 2021-09-14 | 2022-01-04 | 国网河北省电力有限公司电力科学研究院 | 基于pso-lstm的一次调频能力评估与预测系统 |
Non-Patent Citations (2)
Title |
---|
宋刚;张云峰;包芳勋;秦超;: "基于粒子群优化LSTM的股票预测模型", 北京航空航天大学学报, no. 12 * |
杨孟达;: "基于改进PSO-LSTM神经网络的气温预测", 现代信息科技, no. 04 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101071B (zh) | 一种基于智能预测的光伏多峰值最大功率点跟踪方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN115271253B (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
CN114970362A (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
CN110675278A (zh) | 一种基于rbf神经网络的光伏功率短期预测方法 | |
CN113505938A (zh) | 一种超短期风电功率组合预测方法及系统 | |
CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN116663397A (zh) | 一种大型光伏发电系统的mppt控制方法 | |
CN114418378A (zh) | 基于lof离群因子检测算法的光伏发电上网数据校核方法 | |
CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
CN115951755A (zh) | 基于pso-lstm的光伏最大功率点追踪方法及装置 | |
CN117150898A (zh) | 基于参数优化集成学习的输电断面极限传输容量评估方法 | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
CN117117827A (zh) | 一种基于卷积神经网络的新型配电网状态估计方法 | |
CN113642784B (zh) | 一种计及风机状态的风电功率超短期预测的方法 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
Ncir et al. | Revolutionizing Power Generation: Unleashing the Potential of PV Systems with Cutting-Edge FWA–ANN Adaptive Strategy | |
CN114066095A (zh) | 利用人工神经网络和支持向量回归模型预测风力发电方法 | |
Yerramalla et al. | Lyapunov stability analysis of the quantization error for DCS neural networks | |
CN111474978A (zh) | 一种智能变换步长的光伏mppt控制方法及其系统存储介质 | |
CN114200999B (zh) | 一种自适应变步长最大功率点跟踪控制方法、系统及应用 | |
CN116842855B (zh) | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
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 |