基于SOA-WNN的光伏短期输出功率预测
发布时间：2021-04-10 12:15
为了进一步提高预测的准确性,本文提出了一种基于人群搜索算法-小波神经网络SOA-WNN（seeker optimization algorithm-wavelet neural network）的光伏短期输出功率预测算法,利用SOA在速度及全局搜索上的优势对WNN进行改进,使WNN中权值与小波因子等参数得到优化。通过与传统的WNN预测方法以及遗传算法优化的WNN预测算法进行比较,结果显示所提方法有效地提高了光伏短期输出功率预测的稳定性与准确性,具有较高的实用价值。
【文章来源】：电力系统及其自动化学报. 2019,31(06)北大核心CSCD
【文章页数】：5 页
【部分图文】：
2016-12-09光伏输出功率预测值和实测值Fig.3Predictedandmeasuredvaluesofphotovoltaic时间/h1015379264810
?WNN，SOA-WNN的运行时间少于GA-WNN运行时间，也就是说SOA算法可以在较少的时间内得到更好的值，也体现了SOA算法在速度上和全局搜索上的优越性。虽然整体时间变长，但精度有所提升。5结语本文提出的基于人群搜索算法优化小波神经图32016-12-09光伏输出功率预测值和实测值Fig.3PredictedandmeasuredvaluesofphotovoltaicoutputpoweronDecember9，2016时间/h实测值WNNGA-WNNSOA-WNN90807060504030201015379光伏功率输出值/kW264810图42016-10-21光伏输出功率预测值和实测值Fig.4PredictedandmeasuredvaluesofphotovoltaicoutputpoweronOctober21，2016时间/h实测值WNNGA-WNNSOA-WNN70605040302010015379光伏功率输出值/kW264810图52016-12-26光伏输出功率预测值和实测值Fig.5PredictedandmeasuredvaluesofphotovoltaicoutputpoweronDecember26，2016时间/h实测值WNNGA-WNNSOA-WNN353025201510515379光伏功率输出值/kW264810表1各模型评价指标结果Tab.1Resultsofevaluationindexesfordifferentmodels2016-12-09（晴）2016-10-21（阴）2016-12-26（雨/雪）预测模型传统WNNGA-WNNSOA-WNN传统WNNGA-WNNSOA-WNN传统WNNGA-WNNSOA-WNNeRMSE/m3.6813.0212.0436.8744.8213.1595.0592.5111.791eMAPE/%8.20505.25004.423925.419020.728011.991024.206015.222011.7020表2各模型运行时间Tab.2Runningtimeofdifferentmodels模型运行时间/s
32016-12-09光伏输出功率预测值和实测值Fig.3PredictedandmeasuredvaluesofphotovoltaicoutputpoweronDecember9，2016时间/h实测值WNNGA-WNNSOA-WNN90807060504030201015379光伏功率输出值/kW264810图42016-10-21光伏输出功率预测值和实测值Fig.4PredictedandmeasuredvaluesofphotovoltaicoutputpoweronOctober21，2016时间/h实测值WNNGA-WNNSOA-WNN70605040302010015379光伏功率输出值/kW264810图52016-12-26光伏输出功率预测值和实测值Fig.5PredictedandmeasuredvaluesofphotovoltaicoutputpoweronDecember26，2016时间/h实测值WNNGA-WNNSOA-WNN353025201510515379光伏功率输出值/kW264810表1各模型评价指标结果Tab.1Resultsofevaluationindexesfordifferentmodels2016-12-09（晴）2016-10-21（阴）2016-12-26（雨/雪）预测模型传统WNNGA-WNNSOA-WNN传统WNNGA-WNNSOA-WNN传统WNNGA-WNNSOA-WNNeRMSE/m3.6813.0212.0436.8744.8213.1595.0592.5111.791eMAPE/%8.20505.25004.423925.419020.728011.991024.206015.222011.7020表2各模型运行时间Tab.2Runningtimeofdifferentmodels模型运行时间/s传统WNN10.23GA-WNN382.45SOA-WNN305.78表3改进后小波神经网络运行时间Tab.3RunningtimeofimprovedWNN模型运行时间/sGA-WNN8.02SOA-WNN6.94-
【参考文献】：
期刊论文
[1]基于智能水滴算法优化Elman神经网络的光伏电站输出功率预测[J]. 赵文清,郭丙旭,李刚,李整. 太阳能学报. 2017(06)
[2]结合相似日GA-BP神经网络的光伏发电预测[J]. 耿博,高贞彦,白恒远,何维,董文杰,赵友国. 电力系统及其自动化学报. 2017(06)
[3]适用于小样本的神经网络光伏预测方法[J]. 张程熠,唐雅洁,李永杰,高强,江全元. 电力自动化设备. 2017(01)
[4]基于模糊聚类和支持向量机的短期光伏功率预测[J]. 于秋玲,许长清,李珊,刘洪,宋毅,刘晓鸥. 电力系统及其自动化学报. 2016(12)
[5]基于灰色系统校正-小波神经网络的光伏功率预测[J]. 丁明,刘志,毕锐,朱卫平. 电网技术. 2015(09)
[6]基于机器学习的自适应光伏超短期出力预测模型[J]. 高阳,张碧玲,毛京丽,刘勇. 电网技术. 2015(02)
[7]基于相空间重构和小波神经网络的光伏阵列发电量预测[J]. 罗毅,千雨乐. 太阳能学报. 2014(06)
[8]基于PSO-BP神经网络的短期光伏系统发电预测[J]. 张佳伟,张自嘉. 可再生能源. 2012(08)
[9]基于灰色神经网络组合模型的光伏短期出力预测[J]. 王守相,张娜. 电力系统自动化. 2012(19)
[10]基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J]. 丁明,王磊,毕锐. 电力系统保护与控制. 2012(11)
本文编号：3129621
【文章来源】：电力系统及其自动化学报. 2019,31(06)北大核心CSCD
【文章页数】：5 页
【部分图文】：
2016-12-09光伏输出功率预测值和实测值Fig.3Predictedandmeasuredvaluesofphotovoltaic时间/h1015379264810
?WNN，SOA-WNN的运行时间少于GA-WNN运行时间，也就是说SOA算法可以在较少的时间内得到更好的值，也体现了SOA算法在速度上和全局搜索上的优越性。虽然整体时间变长，但精度有所提升。5结语本文提出的基于人群搜索算法优化小波神经图32016-12-09光伏输出功率预测值和实测值Fig.3PredictedandmeasuredvaluesofphotovoltaicoutputpoweronDecember9，2016时间/h实测值WNNGA-WNNSOA-WNN90807060504030201015379光伏功率输出值/kW264810图42016-10-21光伏输出功率预测值和实测值Fig.4PredictedandmeasuredvaluesofphotovoltaicoutputpoweronOctober21，2016时间/h实测值WNNGA-WNNSOA-WNN70605040302010015379光伏功率输出值/kW264810图52016-12-26光伏输出功率预测值和实测值Fig.5PredictedandmeasuredvaluesofphotovoltaicoutputpoweronDecember26，2016时间/h实测值WNNGA-WNNSOA-WNN353025201510515379光伏功率输出值/kW264810表1各模型评价指标结果Tab.1Resultsofevaluationindexesfordifferentmodels2016-12-09（晴）2016-10-21（阴）2016-12-26（雨/雪）预测模型传统WNNGA-WNNSOA-WNN传统WNNGA-WNNSOA-WNN传统WNNGA-WNNSOA-WNNeRMSE/m3.6813.0212.0436.8744.8213.1595.0592.5111.791eMAPE/%8.20505.25004.423925.419020.728011.991024.206015.222011.7020表2各模型运行时间Tab.2Runningtimeofdifferentmodels模型运行时间/s
32016-12-09光伏输出功率预测值和实测值Fig.3PredictedandmeasuredvaluesofphotovoltaicoutputpoweronDecember9，2016时间/h实测值WNNGA-WNNSOA-WNN90807060504030201015379光伏功率输出值/kW264810图42016-10-21光伏输出功率预测值和实测值Fig.4PredictedandmeasuredvaluesofphotovoltaicoutputpoweronOctober21，2016时间/h实测值WNNGA-WNNSOA-WNN70605040302010015379光伏功率输出值/kW264810图52016-12-26光伏输出功率预测值和实测值Fig.5PredictedandmeasuredvaluesofphotovoltaicoutputpoweronDecember26，2016时间/h实测值WNNGA-WNNSOA-WNN353025201510515379光伏功率输出值/kW264810表1各模型评价指标结果Tab.1Resultsofevaluationindexesfordifferentmodels2016-12-09（晴）2016-10-21（阴）2016-12-26（雨/雪）预测模型传统WNNGA-WNNSOA-WNN传统WNNGA-WNNSOA-WNN传统WNNGA-WNNSOA-WNNeRMSE/m3.6813.0212.0436.8744.8213.1595.0592.5111.791eMAPE/%8.20505.25004.423925.419020.728011.991024.206015.222011.7020表2各模型运行时间Tab.2Runningtimeofdifferentmodels模型运行时间/s传统WNN10.23GA-WNN382.45SOA-WNN305.78表3改进后小波神经网络运行时间Tab.3RunningtimeofimprovedWNN模型运行时间/sGA-WNN8.02SOA-WNN6.94-
【参考文献】：
期刊论文
[1]基于智能水滴算法优化Elman神经网络的光伏电站输出功率预测[J]. 赵文清,郭丙旭,李刚,李整. 太阳能学报. 2017(06)
[2]结合相似日GA-BP神经网络的光伏发电预测[J]. 耿博,高贞彦,白恒远,何维,董文杰,赵友国. 电力系统及其自动化学报. 2017(06)
[3]适用于小样本的神经网络光伏预测方法[J]. 张程熠,唐雅洁,李永杰,高强,江全元. 电力自动化设备. 2017(01)
[4]基于模糊聚类和支持向量机的短期光伏功率预测[J]. 于秋玲,许长清,李珊,刘洪,宋毅,刘晓鸥. 电力系统及其自动化学报. 2016(12)
[5]基于灰色系统校正-小波神经网络的光伏功率预测[J]. 丁明,刘志,毕锐,朱卫平. 电网技术. 2015(09)
[6]基于机器学习的自适应光伏超短期出力预测模型[J]. 高阳,张碧玲,毛京丽,刘勇. 电网技术. 2015(02)
[7]基于相空间重构和小波神经网络的光伏阵列发电量预测[J]. 罗毅,千雨乐. 太阳能学报. 2014(06)
[8]基于PSO-BP神经网络的短期光伏系统发电预测[J]. 张佳伟,张自嘉. 可再生能源. 2012(08)
[9]基于灰色神经网络组合模型的光伏短期出力预测[J]. 王守相,张娜. 电力系统自动化. 2012(19)
[10]基于改进BP神经网络的光伏发电系统输出功率短期预测模型[J]. 丁明,王磊,毕锐. 电力系统保护与控制. 2012(11)
本文编号：3129621
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3129621.html
