一种基于分支进化神经网络的光伏发电功率预测方法技术

本发明专利技术公开了一种基于分支进化神经网络的光伏发电功率预测方法，包括获取光伏发电场的发电功率和功率影响因子时间序列数据；获取光伏发电场的发电功率和功率影响因子时间序列数据；建立循环神经网络模型，使用所述的训练集对模型进行训练；获得现实功率影响因子数据，使用所述的循环神经网络模型预测发电功率值；获得预测发电功率值对应的真实值，继续进行模型的增量训练。本发明专利技术针对光电功率预测的特性，提出采用循环神经网络进行学习，使得模型具有更强的预测能力，利用粒子群算法对循环神经网络模型中的参数进行优化，同时采用分支进化和全局进化相结合，使得模型更鲁棒性更容易获得全局最优值。

A Branch Evolutionary Neural Network Based Power Prediction Method for Photovoltaic Generation

【技术实现步骤摘要】
一种基于分支进化神经网络的光伏发电功率预测方法
本专利技术属于光伏发电功率预测领域，具体涉及一种基于分支进化神经网络的光伏发电功率预测方法。
技术介绍
光伏发电的原理是光伏效应，所谓光伏效应是指光照使不均匀半导体或者金属与半导体结合的不同部位之间产生电位差的一种现象。一方面，它是由光子转化为电子、光能转化为电能的现象；另一方面，它形成了电压，有了电压，如果两者之间连通，便可形成电流回路。由此可知，光伏发电与太阳的活动息息相关，受气候环境的影响非常大。对于光伏发电功率的预测问题的研究，国内外很多学者提出了很多方法，最常用的就是BP神经网络的方法，作为一种多层前馈神经网络，BP神经网络是目前应用最广泛的神经网络之一。BP神经网络可以根据需要对神经元个数和结构以及激活函数进行设置，使其具有非常强大的学习和记忆能力，然而BP神经网络也有一些天然的缺陷，比如在对参数进行训练时，学习速度可能会很慢，也可能会发生震荡，而且优化过程中易陷入局部最优，同时BP神经网络因为没有反馈的机制，故缺少记忆的功能。尤其是在对于前一时刻所获得的值实际上会对后一时刻的预测值产生影响的这类预测问题，BP神经网络却无法很好的实现这一功能。
技术实现思路
本专利技术的目的在于提供一种预测准确度和精度高，计算复杂度低的基于分支进化神经网络的光伏发电功率预测方法，包括以下步骤：步骤1，获取光伏发电场的发电功率和功率影响因子时间序列数据；步骤2，对时间序列数据进行预处理，包括进行数据降维和训练集构建；步骤3，建立循环神经网络模型，使用所述的训练集对模型进行训练；步骤4，获得现实功率影响因子数据，使用所述的循环神经网络模型预测发电功率值；步骤5，获得预测发电功率值对应的真实值，继续进行模型的增量训练。具体地，所述的循环神经网络模型是Elman神经网络模型，包括四层结构：输入层、隐含层、承接层和输出层；Elman神经网络模型的非线性状态的空间表达式为x(t)＝f(w2xc(t)+w1u(t-1))xc(t)＝x(t-1)y(t)＝g(w3x(t))其中，t表示时刻，xc表示承接层的输出向量，w1、w2和w3分别为输入层节点与隐含层节点之间、隐含层节点与输出层节点之间及承接层节点与隐含层节点之间的连接权值矩阵，u(t-1)为t-1时刻网络的输入向量，x(t)为t时刻隐含层输出向量，y(t)表示网络模型在外部输入时间序列x(t)作用下的网络输出层的输出向量，f(·)、g(·)分别为输出层单元和隐含层单元的激发函数所组成的非线性向量函数。步骤3中所述的对模型进行训练是利用分支粒子群算法进行参数优化训练，包括：步骤301，根据隐含层神经元将所述的Elman神经网络中的待优化参数分为两组；步骤302，进行分组训练，包括，步骤30201，分别将两组待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；步骤30202，分别用粒子群算法更新和优化所述的两个种群；步骤30203，分别让两组训练达到预设的最大迭代次数或达到指定精度；步骤303，进行全局训练，包括步骤30301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为一个种群；步骤30302，用粒子群算法更新和优化所述的一个种群；步骤30304，让全局训练达到预设的最大迭代次数或达到指定精度；步骤304，选择最优的个体，计算出各参数的优化值和输出层神经元的阈值的参数值。具体地，所述的用粒子群算法更新和优化种群包括以下步骤：S1：将待优化参数编码为实数码表示的个体，所有的个体构成种群；S2：对每一粒子个体进行译码，得到每一个粒子对应的参数，计算该个体输入下的输出，将其输出样本带入Elman神经网络的性能逼近指标函数，得到每一粒子的个体极值；S3：对每个粒子的目标函数进行评价，得出粒子群的全局极值；S4：判断全局极值是否满足粒子群结束条件，若满足结束条件，就退出粒子群寻优，再转入局部优化，即S6；S5：对粒子逐个进行速度更新及位置更新，再转入S2；S6：译码全局极值所对应的粒子，以得到的进化值为神经网络的初始值，再进行局部的优化。S7：对局部优化后所得的参数进行编码，进行判断是否满足粒子群结束的条件；所述的结束条件是全局极值达到设定值，若偏差超出设定目标，再返回S5进行基于粒子群算法的全局搜索，最终达到最优。具体地，所述的Elman神经网络模型，输入层是3个神经元，分别表示历史时刻的发电功率，现实时刻的光照强度和现实时刻的温度，输出层是1个神经元，为待预测的发电功率，隐含层的神经元数目和承接层神经元数目均为4。进一步地，在步骤301中所述的待优化参数分为两组，其分组方法为以隐含层的神经元作为分支基准，将待优化参数进行分为两组，与前两个隐含层的神经元相关的待优化参数归为一组，与后两个隐含层的神经元相关的待优化参数归为另一组；所述的隐含层的神经元相关的待优化参数包括，该神经元与全部输入层神经元连接的权值，该神经元的阈值，该神经元与全部承接层神经元的权值，该神经元与全部输出层神经元连接的权值。本专利技术提出的预测方法，从两个方面对神经网络预测模型进行了改进，第一，采用循环神经网络Elman神经网络结构，使得预测过程中不仅考虑当前的变量，更考虑历史的数据，使得模型具有更强的预测能力，第二，利用粒子群算法对Elman模型中的参数进行优化，同时采用分支进化和全局进化相结合，使得模型更具有鲁棒性，更容易获得全局最优值。附图说明图1为本专利技术一种基于分支进化神经网络的光伏发电功率预测方法的整体流程示意图；图2为本专利技术实施例中Elman神经网络的模型结构图；图3为本专利技术实施例中粒子群算法的基本流程图。具体实施方式下面结合附图对本专利技术作进一步的说明，但不以任何方式对本专利技术加以限制，基于本专利技术教导所作的任何变换或替换，均属于本专利技术的保护范围。国内外学者对光伏电站发电功率的影响因素研究已经较为全面，总结起来一共是两个方面的因素，第一是外部原因，比如气候原因，具体地说，包括光电场的光照强度、入射角度、紫外线强度、温度、海拔、经纬度、气压等；第二是内部原因，比如太阳光板的转换效能、设备能耗、参数配置，电路的损耗等。在众多的因素中有的可以进行量化，有的难以进行量化，有的可以进行理论上的精确分析，有的难以进行因果分析。然而对于特定的光伏发电场，其内部的影响因素基本保持稳定不变，外部的影响因素，比如经纬度、海拔等也相对固定，所以在研究某一特定光伏发电场的发电功率时，可以暂时忽略这些相对不变的因素，重点研究其变化较大而造成发电功率值波动的因素。具体地说，在本专利技术中考虑光照强度、温度、气压和湿度这几个因素。本专利技术中采用的预测模型为循环神经网络模型，这种模型能够很好的适用于时间序列数据的预测，在采用循环神经网络模型进行预测的过程中，本专利技术提出了很多改进，使得该模型在进行训练时能够具有更高的鲁棒性，更低的时间复杂度，对参数进行优化使得更适合本专利技术所需要解决的预测问题。如图1所示，本实施例一种预测准确度高，计算复杂度低的基于分支进化神经网络的光伏发电功率预测方法，包括：步骤1，获取光伏发电场的发电功率和功率影响因子时间序列数据；步骤2，对时间序列数据进行预处理，包括进行数据降维和训练集构建；步骤3，建本文档来自技高网...

【技术保护点】
1.一种基于分支进化神经网络的光伏发电功率预测方法，其特征在于，包括如下步骤：步骤1，获取光伏发电场的发电功率和功率影响因子时间序列数据；步骤2，对时间序列数据进行预处理，包括进行数据降维和训练集构建；步骤3，建立循环神经网络模型，使用所述的训练集对模型进行训练；步骤4，获得现实功率影响因子数据，使用所述的循环神经网络模型预测发电功率值；步骤5，获得预测发电功率值对应的真实值，继续进行模型的增量训练。

【技术特征摘要】
1.一种基于分支进化神经网络的光伏发电功率预测方法，其特征在于，包括如下步骤：步骤1，获取光伏发电场的发电功率和功率影响因子时间序列数据；步骤2，对时间序列数据进行预处理，包括进行数据降维和训练集构建；步骤3，建立循环神经网络模型，使用所述的训练集对模型进行训练；步骤4，获得现实功率影响因子数据，使用所述的循环神经网络模型预测发电功率值；步骤5，获得预测发电功率值对应的真实值，继续进行模型的增量训练。2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述的循环神经网络模型是Elman神经网络模型，包括四层结构：输入层、隐含层、承接层和输出层；Elman神经网络模型的非线性状态的空间表达式为x(t)＝f(w2xc(t)+w1u(t-1))xc(t)＝x(t-1)y(t)＝g(w3x(t))其中，t表示时刻，xc表示承接层的输出向量，w1、w2和w3分别为输入层节点与隐含层节点之间、隐含层节点与输出层节点之间及承接层节点与隐含层节点之间的连接权值矩阵，u(t-1)为t-1时刻网络的输入向量，x(t)为t时刻隐含层输出向量，y(t)表示网络模型在外部输入时间序列x(t)作用下的网络输出层的输出向量，f(·)、g(·)分别为输出层单元和隐含层单元的激发函数所组成的非线性向量函数。3.根据权利要求2所述的光伏发电功率预测方法，其特征在于，步骤3中所述的对模型进行训练是利用分支粒子群算法进行参数优化训练，包括：步骤301，根据隐含层神经元将所述的Elman神经网络中的待优化参数分为两组；步骤302，进行分组训练，包括，步骤30201，分别将两组待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；步骤30202，分别用粒子群算法更新和优化所述的两个种群；步骤30203，分别让两组训练达到预设的最大迭代次数或达到指定精度；步骤303，进行全局训练，包括步骤30301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为...

【专利技术属性】
技术研发人员：王锐，张涛，黄生俊，雷洪涛，刘亚杰，李洁，明梦君，李凯文，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43