10001394_基于遗传小波神经网络光伏电站发电量预测方法-solarbe文库

资源描述：

作者简介张成 1992-,男,在读研究生，研究方向光伏发电技术；基金项目国家自然科学基金面上项目（51676063）。通讯作者白建波（1974-），男，博士，教授，博士生导师；研究方向为太阳能高效综合利用，E-mail bai_jianbohhu.edu.cn 基于新型神经网络光伏电站发电量预测方法张成，白建波，彭俊，王光清（河海大学机电工程学院，常州 213022）摘要为了进一步提升对于光伏电站发电量的预测精度，该文提出一种基于遗传算法优化小波新型神经网络的光伏电站发电量预测方法。该方法以前馈型神经网络拓扑结构为基础，将小波基函数作为网络隐含层传递函数，将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体，通过遗传算法进行个体寻优得到网络最优初始参数，然后导入网络进行仿真预测分析仿真数据，与实际发电量进行对比，评估误差与可靠性。实验分析表明遗传小波神经网络预测模型的误差更小，预测精度进一步提高，适用于对光伏电站进行发电量精确预测。关键字光伏电站；发电量预测；遗传算法；小波神经网络 0 引言光伏电站发电量预测是提高电站控制、调度性能，保障电网安全稳定运行的基础性关键技术。光伏电站发电量预测方法主要可分为两大类①物理法，首先对太阳辐照进行预测，然后根据光电转换效率公式得到发电功率的间接预测法；②数学统计法，根据电站历史数据直接预测发电功率的直接预测法。 1 光伏电站发电量预测模型 1.1 光伏电站发电量影响因素光伏电站发电量受多种气象因素影响，太阳辐射强度是影响输出功率最主要的因素；温度也对发电量有一定影响，一般来说，温度每升高 1 摄氏度晶体硅电池的输出电压就会大约降低 0.5[1]；环境湿度和风速又与光电池散热条件紧密相关，环境湿度、风速大会降低光电池背板温度，故也会间接对光电池发电量有影响。本文将太阳辐照强度、温度、湿度、风速作为发电量的主要影响因素。 1.2 数据预处理为提高预测精度，需要对数据样本进行初步筛选，可采用归一化预处理，将所有数据样本转化为[0,1]之间的数 [2]，所述最大最小法公式如下（1）minaxmin/kx 式中， xmin为数据序列的最小数； xmax为数据序列的最大数。 1.3 网络拓扑结构确定小波神经网络是一种以 BP 神经网络拓扑结构为基础，把小波基函数作为隐含层节点的传递函数，其拓扑结构如图所示 Ψ1 Ψn Ψ2 Y1 Ym X2 X1 Xk . . . wij wjk . 图 1 小波神经网络拓扑结构图中 k 为输入层节点数，n 为隐含层节点数， m 为输出层节点数，w ij为输入层节点 i 到隐含层节点 j 的连接权值，w jk为隐含层节点 j 到输出层节点 k 的连接权值，Ψ 1， Ψ2，， Ψn为母小波函数 Ψ（ x）经过伸缩和平移得到的小波基函数。 1.4 预测模型建立隐含层节点数可根据公式（2）nkma 式（2）中，n隐含层节点数；k输入层节点数； m输出层节点数；a[1,10]之间的常数。 2. 基于遗传的小波神经网络预测算法小波神经网络是神经网络和小波分析理论相结合的产物，把小波基函数作为网络隐含层传递函数，它具有小波变换良好的时频局域化特点和传统神经网络的自学习功能，具有很强的泛化能力与自适应数据和函数变化的能力，相比 BP 神经网络的预报精度更高 [3]。小波神经网络算法与 BP 神经网络算法类似，均采用最速下降法，容易陷入局部最优，造成预测精度偏低。遗传算法（Genetic Algorithms）是一种并行随机搜索最优化方法，遗传算法具有鲁棒性高，全局把握能力强的优点，可提高网络模型预测精度 [4]。下图为遗传小波神经网络预测流程图小波神经网络拓扑结构确定小波神经网络初始连接权值、小波基函数参数对初始权值、小波参数个体进行实数编码网络训练仿真得到个体适应度值数据样本数据归一化预处理得到最优初始权值、小波基函数参数计算各层输出、网络预测误差连接权值、小波基函数参数修正是否满足条件预测仿真，得出预测结果否是选择操作交叉操作变异操作计算适应度值，寻找最优个体是否满足条件是否小波神经网络遗传算法图 2 遗传小波神经网络预测流程图 3 实例仿真与实验论证该文以 2018 年 5 月江苏常州地区某电站发电量数据以及气象数据为数据样本，分别对 BP 神经网络、小波神经网络、遗传神经网络和遗传小波神经网络四种预测模型进行仿真分析。下图为晴天、阴天、雨天三种天气类型模型预测值与实际发电量对比图图 3 晴天预测结果图 4 阴天预测结果图 5 雨天预测结果可以比较直观的看出，BP、WNN、GA-BP、GA- WNN 四种模型所对应曲线依次更贴近实测曲线，初步判断四种模型预测精度逐步提高。由四种模型所对应的相对误差，可以直观的看出 GA-WNN 的相对误差最小。为进一步验证模型优劣，该文采用平均绝对误差 MAE、平均绝对百分比误差 MAPE、均方根误差 RMSE 作为预测模型的性能指标。（4）1 nyiaiiMAEP （5）1/0nyiiiiP （6） 21nyiaiiRSE 以上各式中，为时刻功率预测值，为时刻功yiPaiP 率实测值，为组件额定功率。四种预测模型在三种天气类型下的平均绝对误差 MAE、平均绝对百分比误差 MAPE 和均方根误差表 RMSE，结果见表 2。表 1 预测对比类型误差 BP 晴阴雨 WNN 晴阴雨 GA-BP 晴阴雨 GA-WNN 晴阴雨 MAE 46.6W 137.W 328.1W 46.97W 139.2W 124.2W 33.8W 98.5W 170.5 29.8W 86.0W 92.1W MAPE 5.2 8.3 285 5.3 8.5 10.8 3.8 6.0 14.8 3.5 5.3 8.0 RMSE 2.1 4.6 11.3 2.8 4.0 5.2 2.0 3.3 7.2 1.8 2.5 3.3 在三种天气类型情况下，无论从平均绝对误差 MAE、平均绝对百分比误差 MAPE 还是均方根误差 RMSE 看，遗传小波神经网络精度最高，预测性能最好。综上，可以确定基于遗传算法的小波神经网络算法预测可信度得到提高，说明通过小波分析优化 BP 神经网络、通过遗传算法优化网络参数是有效的，可一定程度解决局部最优问题，提高网络预测性能，适合用来进行光伏电站发电量的预测。参考文献 [1] 李龙，基于人工神经网络的负荷模型预测[J]. 电工技术学报，2015,30（8）225-230 [2] 姚仲敏，潘飞，等. 基于 GA-BP 和 POS-BP 神经网络的光伏电站出力短期预测[J]. 电力系统保护与控制， 2015,43（20） 83-89. [3] Tan, K. Squirrel-Cage Induction Generator System Using Wavelet Petri Fuzzy Neural Network Control for Wind Power Applications. IEEE TRANSACTIONS ON POWER ELECTRONICS, 2016,317, 5242–5254. [4] 牛东晓. 基于遗传优化的支持向量机小时负荷滚动预测 [J]. 电工技术学报，2007,22（6） 148-153.