利用相空间重构短时间间隔的吸收太阳能预测方法

发布时间：2022-01-13 12:43

　　考虑太阳能吸收能量的混沌特性和递归小波网络学习能力强、动态适应性强的优点,提出采用相空间重构与递归小波网络结合的预测模型。分别用该模型与未进行相空间重构、普通递归网络等模型分析实测数据比较,发现采用相空间重构后数据进行模型训练与预测对各种天气、环境的适应性强;而且预测间隔越短,计算量降低的效果越明显;当预测间隔为1.25 min时,计算量降低25%以上。此外,该模型具有相对简单、需要历史数据少、存储空间少的优点,而且预测精度高。 

【文章来源】：实验室研究与探索. 2020,39(01)北大核心

【文章页数】：6 页

【部分图文】：

Morlet母小波函数图

在Elman型递归神经网络的基础上,将小波函数作为隐含层的激励函数构成递归小波神经网络[14],如图2所示。隐含层神经元的作用函数为小波基函数。承接层神经元的输入是隐含层神经元的输出,承接层和输入层的输出同时输入到隐含层。承接层神经元也是一种记忆单元,储存了隐含层神经元上一步的输出,使得网络具有较好的动态性能。1.3 相空间重构与递归小波网络结合预测模型

计算预测值与实际值之间的相对误差公式 | x- x ^ | 2 /| x | 2 ,x 为光伏发电功率实际值; x ^ 为光伏发电功率预测值。递归小波神经网络和Elman神经网络训练过程的误差曲线见图3,预测情况如表2所示,预测相对误差曲线如图4所示。在达到训练要求时,递归小波神经网络训练次数较少;训练完成后,递归小波神经网络预测精度较高。表2 不同方法的预测情况对比 网络名称 训练次数 训练误差 预测总体相对误差 递归小波神经网络 522 0.000 985 5 0.049 5 Elman神经网络 748 0.000 989 0 0.057 5


本文编号：3586446