基于DA-RKELM算法的光伏发电功率预测方法
发布时间：2021-06-25 21:07
针对光伏发电功率具有的波动性和随机性等特点造成的电网安全问题,提出了一种基于蜻蜓算法优化的正则核极限学习机光伏发电功率预测方法。通过相关性分析确定影响光伏发电功率的关键影响因子,构建光伏发电功率预测模型;利用蜻蜓算法获取网络最优的权重和阈值,在标准极限学习基础上引入正则化函数和核函数以避免传统梯度下降法造成的过拟合问题,增强模型空间映射能力;仿真实验表明,与DA-ELM、PSO-ELM以及标准-DA-ELM模型相比,DA-RKELM预测模型能达到更高的预测精度,更贴近光伏发电的实际运行功率。
【文章来源】：系统仿真学报. 2020,32(10)北大核心CSCD
【文章页数】：11 页
【部分图文】：
不同季节光伏发电功率输出情况Fig1.Poweroutputofphoto-voltaicpowergenerationindifferentseasons
第32卷第10期系统仿真学报Vol.32No.102020年10月JournalofSystemSimulationOct.,2020http:∥www.china-simulation.com2044由表1数据可知，辐照强度与光伏发电输出功率相关性最强，其次是环境温度和组件温度，最后是湿度。风速和气压与光伏发电输出功率的相关性均小于0.1，说明风速和气压对光伏发电功率的影响十分微弱，可以忽略不计。根据相关性分析可知辐照强度、环境温度、组件温度和湿度是影响光伏发点功率的关键影响因子。此外，由于光伏发电功率表现出明显的时序性，因此，在进行功率预测是应将t-1时、t-2时和t-3时的光伏输出功率也作为特征输入向量。2光伏发电功率预测模型构建2.1光伏电池一般模型极限学习机(extremelearningmachine，ELM)是黄广斌等[21]基于广义逆矩阵理论提出的一类性能优良的新型单隐层前向型网络。极限学习机(extremelearningmachine，ELM)结构如图2所示。图2ELM网络结构模型Fig.2ELMnetworkstructuremodelELM工作原理如下：ELM为单隐层网络结构，网路参数包括：输入节点数N、隐层节点数K、输出节点数M和网络阈值bj对于n的任意样本集(Xi,Yi)，其中T12[,,...,]iiinxxxxR；iyT12[,,...,]iimyyyR。一般极限学习机的函数模型如下所示：1()(),1,2,...kELMiijijifhxbyjnxw(5)式中：12[,,...,]TiiiiNwwww为输入权向量，通过随机选择连接输入ith的隐藏神经元，T12[,,...,]iiiiK输出权向量连接ith处输出神经元；bi为在ith神经元处的阈值；h(x)为节点激活函数。公
第32卷第10期系统仿真学报Vol.32No.102020年10月JournalofSystemSimulationOct.,2020http:∥www.china-simulation.com20462.3基于DA-RKELM的光伏发电功率预测模型RKELM的网络参数会严重影响网络的输出结果，为此本文引入蜻蜓算法对输入权重w、输出权重β和网络阈值b进行优化。其中蜻蜓个体的每个个体位置代表一组网络参数即X(,,b)，蜻蜓初始位置即初始参数，将训练集的平均绝对误差(meanabsoluteerror，MAE)作为适应度函数。利用蜻蜓算法进行多次迭代寻优，获得的最优个体的位置即ELM的最优网络参数。基于蜻蜓算法优化的正则核极限学习机的流程如图3所示。图3DA-RKELM流程图Fig.3DA-RKELMflowchart基于DA-RKELM的光伏发电功率预测具体流程如下所示：step1：选取样本数据(Xi，Yi)，包括光伏发电功率、辐照强度、环境温度、组件温度和湿度、t-1刻的输出功率、t-2刻的输出功率、t-3刻的输出功率；step2：对样本数据进行归一化处理，并对训练样本和测试样本进行划分；step3：开始训练网络，导入训练样本，确定定输入节点个数，和输出节点个数；step4：蜻蜓算法参数设置：总群规模、空间维度、分离权重s、对齐权值a、衔接权重c、食物因子f、敌人因子e、是惯性权重w、个体位置X和步长X，并以初始权重和阈值作为个体的初始位置，即X(,,b)，空间维数对应待优化参数的个数，即空间纬度取值为3；step5：根据公式(20)~(24)计算步长向量，基于公式(19)和(25)更新个体位置；step6：将更新的蜻蜓的个体位置赋值给w、β和b
【参考文献】：
期刊论文
[1]计及太阳辐射和混沌特征提取的光伏发电功率DMCS-WNN预测法[J]. 王育飞,付玉超,薛花. 中国电机工程学报. 2019(S1)
[2]基于PSO与ELM组合算法的短期光伏发电功率预测模型[J]. 蒋建东,余沣,董存,常朝辉,陈海刚. 郑州大学学报(理学版). 2019(03)
[3]基于IKFCM与多模态SSO优化SVR的光伏发电短期预测[J]. 黄予春,曹成涛,顾海. 电力系统保护与控制. 2018(24)
[4]改进粒子群优化BP神经网络粮食产量预测模型[J]. 宗宸生,郑焕霞,王林山. 计算机系统应用. 2018(12)
[5]基于Kmeans-SVM的短期光伏发电功率预测[J]. 张雨金,杨凌帆,葛双冶,周杭霞. 电力系统保护与控制. 2018(21)
[6]SKBA-LSSVM短期光伏发电功率预测模型[J]. 张彩庆,郑强. 电力系统及其自动化学报. 2019(08)
[7]基于人工蜂群优化极限学习机的短期负荷预测[J]. 王文锦,戚佳金,王文婷,黄南天. 电测与仪表. 2017(11)
[8]基于多维气象数据和PCA-BP神经网络的光伏发电功率预测[J]. 刘俊,王旭,郝旭东,陈业夫,丁坤,汪宁渤,牛拴保. 电网与清洁能源. 2017(01)
[9]基于EEMD和BP神经网络的短期光伏功率预测模型[J]. 于群,朴在林,胡博. 电网与清洁能源. 2016(07)
[10]基于极限学习机的采煤机功率预测算法研究[J]. 丁华,常琦,杨兆建,刘建成. 煤炭学报. 2016(03)
本文编号：3249951
【文章来源】：系统仿真学报. 2020,32(10)北大核心CSCD
【文章页数】：11 页
【部分图文】：
不同季节光伏发电功率输出情况Fig1.Poweroutputofphoto-voltaicpowergenerationindifferentseasons
第32卷第10期系统仿真学报Vol.32No.102020年10月JournalofSystemSimulationOct.,2020http:∥www.china-simulation.com2044由表1数据可知，辐照强度与光伏发电输出功率相关性最强，其次是环境温度和组件温度，最后是湿度。风速和气压与光伏发电输出功率的相关性均小于0.1，说明风速和气压对光伏发电功率的影响十分微弱，可以忽略不计。根据相关性分析可知辐照强度、环境温度、组件温度和湿度是影响光伏发点功率的关键影响因子。此外，由于光伏发电功率表现出明显的时序性，因此，在进行功率预测是应将t-1时、t-2时和t-3时的光伏输出功率也作为特征输入向量。2光伏发电功率预测模型构建2.1光伏电池一般模型极限学习机(extremelearningmachine，ELM)是黄广斌等[21]基于广义逆矩阵理论提出的一类性能优良的新型单隐层前向型网络。极限学习机(extremelearningmachine，ELM)结构如图2所示。图2ELM网络结构模型Fig.2ELMnetworkstructuremodelELM工作原理如下：ELM为单隐层网络结构，网路参数包括：输入节点数N、隐层节点数K、输出节点数M和网络阈值bj对于n的任意样本集(Xi,Yi)，其中T12[,,...,]iiinxxxxR；iyT12[,,...,]iimyyyR。一般极限学习机的函数模型如下所示：1()(),1,2,...kELMiijijifhxbyjnxw(5)式中：12[,,...,]TiiiiNwwww为输入权向量，通过随机选择连接输入ith的隐藏神经元，T12[,,...,]iiiiK输出权向量连接ith处输出神经元；bi为在ith神经元处的阈值；h(x)为节点激活函数。公
第32卷第10期系统仿真学报Vol.32No.102020年10月JournalofSystemSimulationOct.,2020http:∥www.china-simulation.com20462.3基于DA-RKELM的光伏发电功率预测模型RKELM的网络参数会严重影响网络的输出结果，为此本文引入蜻蜓算法对输入权重w、输出权重β和网络阈值b进行优化。其中蜻蜓个体的每个个体位置代表一组网络参数即X(,,b)，蜻蜓初始位置即初始参数，将训练集的平均绝对误差(meanabsoluteerror，MAE)作为适应度函数。利用蜻蜓算法进行多次迭代寻优，获得的最优个体的位置即ELM的最优网络参数。基于蜻蜓算法优化的正则核极限学习机的流程如图3所示。图3DA-RKELM流程图Fig.3DA-RKELMflowchart基于DA-RKELM的光伏发电功率预测具体流程如下所示：step1：选取样本数据(Xi，Yi)，包括光伏发电功率、辐照强度、环境温度、组件温度和湿度、t-1刻的输出功率、t-2刻的输出功率、t-3刻的输出功率；step2：对样本数据进行归一化处理，并对训练样本和测试样本进行划分；step3：开始训练网络，导入训练样本，确定定输入节点个数，和输出节点个数；step4：蜻蜓算法参数设置：总群规模、空间维度、分离权重s、对齐权值a、衔接权重c、食物因子f、敌人因子e、是惯性权重w、个体位置X和步长X，并以初始权重和阈值作为个体的初始位置，即X(,,b)，空间维数对应待优化参数的个数，即空间纬度取值为3；step5：根据公式(20)~(24)计算步长向量，基于公式(19)和(25)更新个体位置；step6：将更新的蜻蜓的个体位置赋值给w、β和b
【参考文献】：
期刊论文
[1]计及太阳辐射和混沌特征提取的光伏发电功率DMCS-WNN预测法[J]. 王育飞,付玉超,薛花. 中国电机工程学报. 2019(S1)
[2]基于PSO与ELM组合算法的短期光伏发电功率预测模型[J]. 蒋建东,余沣,董存,常朝辉,陈海刚. 郑州大学学报(理学版). 2019(03)
[3]基于IKFCM与多模态SSO优化SVR的光伏发电短期预测[J]. 黄予春,曹成涛,顾海. 电力系统保护与控制. 2018(24)
[4]改进粒子群优化BP神经网络粮食产量预测模型[J]. 宗宸生,郑焕霞,王林山. 计算机系统应用. 2018(12)
[5]基于Kmeans-SVM的短期光伏发电功率预测[J]. 张雨金,杨凌帆,葛双冶,周杭霞. 电力系统保护与控制. 2018(21)
[6]SKBA-LSSVM短期光伏发电功率预测模型[J]. 张彩庆,郑强. 电力系统及其自动化学报. 2019(08)
[7]基于人工蜂群优化极限学习机的短期负荷预测[J]. 王文锦,戚佳金,王文婷,黄南天. 电测与仪表. 2017(11)
[8]基于多维气象数据和PCA-BP神经网络的光伏发电功率预测[J]. 刘俊,王旭,郝旭东,陈业夫,丁坤,汪宁渤,牛拴保. 电网与清洁能源. 2017(01)
[9]基于EEMD和BP神经网络的短期光伏功率预测模型[J]. 于群,朴在林,胡博. 电网与清洁能源. 2016(07)
[10]基于极限学习机的采煤机功率预测算法研究[J]. 丁华,常琦,杨兆建,刘建成. 煤炭学报. 2016(03)
本文编号：3249951
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3249951.html
教材专著
