較大，訓練次數(shù)較少，則認為找到較滿意的網(wǎng)絡結(jié)構(gòu);反之，調(diào)整隱含層神經(jīng)元數(shù)，通過反復調(diào)試，直到找到滿意的網(wǎng)絡結(jié)構(gòu)。由于神經(jīng)網(wǎng)絡初始化具有隨機性，對每一種網(wǎng)絡結(jié)構(gòu)仿真30次，求平均值，以減小初始化帶來的誤差影響。其算法流程為:
[0045]I)給定輸入向量和目標輸出；
[0046]2)求出隱含層、輸出層各節(jié)點數(shù)輸出；
[0047]3)求目標值和實際輸出的偏差；
[0048]4)計算出反向誤差；
[0049]5)權(quán)值閾值學習；
[0050]6)若本次學習結(jié)束，則本算法結(jié)束，否則，執(zhí)行步驟2)。
[0051 ] 基于RNN網(wǎng)絡建立預測模型，RNN網(wǎng)絡又稱為遞歸網(wǎng)絡。在前饋神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)基礎上，在隱含層增加了一個承接層，使其成為一個從輸出到輸入具有反饋連接的神經(jīng)網(wǎng)絡。遞歸網(wǎng)絡的基本結(jié)構(gòu)為輸入層、承接層、中間層和輸出層。輸入層單元僅起信號傳輸作用；隱含層單元的傳遞函數(shù)可采用線性或非線性函數(shù);承接層用來記憶隱含層單元前一時刻的輸出值，是一個一步延時算子;輸出層單元起線性加權(quán)作用。遞歸網(wǎng)絡的特點是隱含層的輸出通過承接層的延遲與儲存自聯(lián)到隱含層的輸入，這種自聯(lián)方式使其對歷史狀態(tài)的數(shù)據(jù)具有敏感性，內(nèi)部反饋網(wǎng)絡的加入增加了網(wǎng)絡本身處理動態(tài)信息的能力，從而達到動態(tài)建模的目的。Elman反饋神經(jīng)網(wǎng)絡與BP網(wǎng)絡等前饋網(wǎng)絡相比具有更強的計算能力，更加注重全局穩(wěn)定性。其算法流程為:
[0052]I)給定輸入向量和目標輸出；
[0053]2)求隱含層各節(jié)點數(shù)輸出；
[0054]3)求成階層各節(jié)點數(shù)輸出，執(zhí)行步驟2)，或求目標值和實際輸出偏差；
[0055]4)計算反向誤差；
[0056]5)權(quán)值閾值學習；
[0057]6)若本次學習結(jié)束，則本算法結(jié)束，否則，執(zhí)行步驟2)。
[0058]混沌是指由確定性方程得到的具有隨機性的運動狀態(tài)?；煦缦到y(tǒng)的主要特點是:隨機性、遍歷性、規(guī)律性和對初值的敏感性?；煦鐑?yōu)化算法就是利用混沌系統(tǒng)具有的遍歷性，用類似載波的方式將混沌引入優(yōu)化變量使其呈現(xiàn)混沌狀態(tài)，同時把混沌運動的遍歷范圍擴大到優(yōu)化變量的取值范圍，然后直接利用混沌變量搜索來實現(xiàn)全局尋優(yōu)。混沌自適應粒子群算法采用平均粒距來描述種群的多樣性，進而判斷早熟現(xiàn)象，并利用混沌對初值的敏感性來跳出早熟，增加種群的多樣性，并對惰性粒子進行混沌優(yōu)化以幫助其跳出局部極值區(qū)域，從而達到全局尋優(yōu)。混沌自適應粒子群算法利用慣性權(quán)重的自適應調(diào)節(jié)，具有較好的全局收斂能力和較強的魯棒性，且不需要借助問題的特征信息?；煦缱赃m應粒子群算法利用混沌運動的遍歷性來初始化粒子群以增強群體的多樣性;利用敏感性幫助惰性粒子跳出局部極值區(qū)域;同時根據(jù)每個粒子的適應度值自適應地調(diào)整其慣性權(quán)重系數(shù)以提高整個群體的全局與局部搜索能力。
[0059]將混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合，一同用于光伏系統(tǒng)的發(fā)電功率預測，可提高神經(jīng)網(wǎng)絡的泛化映射能力，還能夠提高神經(jīng)網(wǎng)絡的收斂速度和精度，其具體流程為:
[0060]I)設定反饋型神經(jīng)網(wǎng)絡的輸入層、隱含層、輸出層的神經(jīng)元個數(shù)，將RNN中各個神經(jīng)元之間的權(quán)值和閾值編碼成實數(shù)串表示的個體；
[0061]2)設置混沌自適應粒子群算法的初始化參數(shù)和終止條件。利用混沌自適應粒子群算法尋找全局尋最優(yōu)的反饋型神經(jīng)網(wǎng)絡的權(quán)值和閾值；
[0062]3)采用混沌優(yōu)化算法初始化粒子群中各粒子的位置和速度；
[0063]4)計算各個粒子的慣性權(quán)重系數(shù)，更新各粒子的速度和位置；
[0064]5)計算各粒子的適應度值，若每個粒子的當前適應值優(yōu)于局部最優(yōu)值，則更新局部最優(yōu)值，若優(yōu)于全局最優(yōu)值，則更新全局最優(yōu)值；
[0065]6)計算粒子的平均粒距，如果D(t)小于預設閾值，則說明粒子陷入早熟;在原解空間對每一個可行解計算其適應值并選出每個粒子最優(yōu)解，使得粒子跳出局部最優(yōu)的同時增加了種群多樣性；
[0066]7)用每個粒子最優(yōu)解取代當前群體中最差粒子的位置，若每個粒子最優(yōu)解中存在適應值由于全部極值的粒子，則替代全局極值點；
[0067]8)若終止條件，執(zhí)行步驟9)，否則執(zhí)行步驟4);
[0068]9)輸出全局最優(yōu)解及其適應值；
[0069]10)利用優(yōu)化結(jié)果構(gòu)建反饋型神經(jīng)網(wǎng)絡，借助其無窮逼近能力和強大局部搜索能力，得到最優(yōu)預測模型。
[0070]預測模型的訓練樣本和測試樣本均采用光伏系統(tǒng)數(shù)據(jù)庫中的歷史發(fā)電功率數(shù)據(jù)和氣象數(shù)據(jù)。采用相同的訓練樣本對上述三種預測模型進行訓練。而后將某預測日溫度和預測日前兩天的各項數(shù)據(jù)輸入到訓練好預測模中，對比上述三種預測模型的輸出預測結(jié)果。由于神經(jīng)網(wǎng)絡的初始化條件(權(quán)值和閾值)具有隨機性，因此需要對測試樣本進行多次仿真，采用5種評價指標對結(jié)果進行誤差分析，根據(jù)各種評價指標最小的原則，找到最優(yōu)解。
【主權(quán)項】
1.光伏系統(tǒng)發(fā)電功率預測方法，其特征在于: 根據(jù)光伏系統(tǒng)的輸出功率具有的波動性、間歇性和周期性的特點，按季節(jié)建立4個預測子模型； 在每個預測子模型中，輸入端均設置14個變量，輸出端均設置12個節(jié)點； 確定隱含層節(jié)點，進行神經(jīng)網(wǎng)絡學習以及樣本預處理； 建立預測模型。2.根據(jù)權(quán)利要求1所述的光伏系統(tǒng)發(fā)電功率預測方法，其特征在于: 所述運用BP神經(jīng)網(wǎng)絡的方式建立預測模型的步驟為: 1)給定輸入向量和目標輸出； 2)求出隱含層、輸出層各節(jié)點數(shù)輸出； 3)求目標值和實際輸出的偏差； 4)計算出反向誤差； 5)權(quán)值閾值學習； 6)若本次學習結(jié)束，則本算法結(jié)束，否則，執(zhí)行步驟2)。3.根據(jù)權(quán)利要求1所述的光伏系統(tǒng)發(fā)電功率預測方法，其特征在于: 所述運用反饋型神經(jīng)網(wǎng)絡的方式建立預測模型的步驟為: 1)給定輸入向量和目標輸出； 2)求隱含層各節(jié)點數(shù)輸出； 3)求成階層各節(jié)點數(shù)輸出，執(zhí)行步驟2)，或求目標值和實際輸出偏差； 4)計算反向誤差； 5)權(quán)值閾值學習； 6)若本次學習結(jié)束，則本算法結(jié)束，否則，執(zhí)行步驟2)。4.根據(jù)權(quán)利要求1所述的光伏系統(tǒng)發(fā)電功率預測方法，其特征在于: 所述運用混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合的方式建立預測模型的步驟為: 1)設定反饋型神經(jīng)網(wǎng)絡的輸入層、隱含層、輸出層的神經(jīng)元個數(shù)，將RNN中各個神經(jīng)元之間的權(quán)值和閾值編碼成實數(shù)串表示的個體； 2)設置混沌自適應粒子群算法的初始化參數(shù)和終止條件。利用混沌自適應粒子群算法尋找全局尋最優(yōu)的反饋型神經(jīng)網(wǎng)絡的權(quán)值和閾值； 3)采用混沌優(yōu)化算法初始化粒子群中各粒子的位置和速度； 4)計算各個粒子的慣性權(quán)重系數(shù)，更新各粒子的速度和位置； 5)計算各粒子的適應度值，若每個粒子的當前適應值優(yōu)于局部最優(yōu)值，則更新局部最優(yōu)值，若優(yōu)于全局最優(yōu)值，則更新全局最優(yōu)值； 6)計算粒子的平均粒距，如果D(t)小于預設閾值，則說明粒子陷入早熟;在原解空間對每一個可行解計算其適應值并選出每個粒子最優(yōu)解，使得粒子跳出局部最優(yōu)的同時增加了種群多樣性； 7)用每個粒子最優(yōu)解取代當前群體中最差粒子的位置，若每個粒子最優(yōu)解中存在適應值由于全部極值的粒子，則替代全局極值點； 8)若終止條件，執(zhí)行步驟9)，否則執(zhí)行步驟4); 9)輸出全局最優(yōu)解及其適應值； 10)利用優(yōu)化結(jié)果構(gòu)建反饋型神經(jīng)網(wǎng)絡，借助其無窮逼近能力和強大局部搜索能力，得到最優(yōu)預測模型。5.根據(jù)權(quán)利要求1所述的光伏系統(tǒng)發(fā)電功率預測方法，其特征在于: 運用BP神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)絡、混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合的三種方式之一建立預測模型。
【專利摘要】本發(fā)明公開光伏系統(tǒng)發(fā)電功率預測方法，充分考慮引發(fā)光伏系統(tǒng)輸出功率波動性和間歇性的因素，給BP神經(jīng)網(wǎng)絡、反饋型神經(jīng)網(wǎng)絡、混沌自適應粒子群算法與反饋型神經(jīng)網(wǎng)絡相結(jié)合的三種方式建立預測模型，并給出最優(yōu)選的實現(xiàn)方式，實現(xiàn)收斂速度更快、穩(wěn)定性更好、預測結(jié)果更精確，從而將對電力系統(tǒng)性能的負面影響降到最小。
【IPC分類】G06Q10/06, G06Q50/06
【公開號】CN105719101
【申請?zhí)枴緾N201610110658
【發(fā)明人】胡國旺
【申請人】胡國旺
【公開日】2016年6月29日
【申請日】2016年2月29日