發(fā)布時(shí)間：2021-06-25 21:07

　　針對(duì)光伏發(fā)電功率具有的波動(dòng)性和隨機(jī)性等特點(diǎn)造成的電網(wǎng)安全問(wèn)題,提出了一種基于蜻蜓算法優(yōu)化的正則核極限學(xué)習(xí)機(jī)光伏發(fā)電功率預(yù)測(cè)方法。通過(guò)相關(guān)性分析確定影響光伏發(fā)電功率的關(guān)鍵影響因子,構(gòu)建光伏發(fā)電功率預(yù)測(cè)模型;利用蜻蜓算法獲取網(wǎng)絡(luò)最優(yōu)的權(quán)重和閾值,在標(biāo)準(zhǔn)極限學(xué)習(xí)基礎(chǔ)上引入正則化函數(shù)和核函數(shù)以避免傳統(tǒng)梯度下降法造成的過(guò)擬合問(wèn)題,增強(qiáng)模型空間映射能力;仿真實(shí)驗(yàn)表明,與DA-ELM、PSO-ELM以及標(biāo)準(zhǔn)-DA-ELM模型相比,DA-RKELM預(yù)測(cè)模型能達(dá)到更高的預(yù)測(cè)精度,更貼近光伏發(fā)電的實(shí)際運(yùn)行功率。 

【文章來(lái)源】：系統(tǒng)仿真學(xué)報(bào). 2020,32(10)北大核心CSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

不同季節(jié)光伏發(fā)電功率輸出情況Fig1.Poweroutputofphoto-voltaicpowergenerationindifferentseasons

第32卷第10期系統(tǒng)仿真學(xué)報(bào)Vol.32No.102020年10月JournalofSystemSimulationOct.,2020http:∥www.china-simulation.com2044由表1數(shù)據(jù)可知，輻照強(qiáng)度與光伏發(fā)電輸出功率相關(guān)性最強(qiáng)，其次是環(huán)境溫度和組件溫度，最后是濕度。風(fēng)速和氣壓與光伏發(fā)電輸出功率的相關(guān)性均小于0.1，說(shuō)明風(fēng)速和氣壓對(duì)光伏發(fā)電功率的影響十分微弱，可以忽略不計(jì)。根據(jù)相關(guān)性分析可知輻照強(qiáng)度、環(huán)境溫度、組件溫度和濕度是影響光伏發(fā)點(diǎn)功率的關(guān)鍵影響因子。此外，由于光伏發(fā)電功率表現(xiàn)出明顯的時(shí)序性，因此，在進(jìn)行功率預(yù)測(cè)是應(yīng)將t-1時(shí)、t-2時(shí)和t-3時(shí)的光伏輸出功率也作為特征輸入向量。2光伏發(fā)電功率預(yù)測(cè)模型構(gòu)建2.1光伏電池一般模型極限學(xué)習(xí)機(jī)(extremelearningmachine，ELM)是黃廣斌等[21]基于廣義逆矩陣?yán)碚撎岢龅囊活愋阅軆?yōu)良的新型單隱層前向型網(wǎng)絡(luò)。極限學(xué)習(xí)機(jī)(extremelearningmachine，ELM)結(jié)構(gòu)如圖2所示。圖2ELM網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.2ELMnetworkstructuremodelELM工作原理如下：ELM為單隱層網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)路參數(shù)包括：輸入節(jié)點(diǎn)數(shù)N、隱層節(jié)點(diǎn)數(shù)K、輸出節(jié)點(diǎn)數(shù)M和網(wǎng)絡(luò)閾值bj對(duì)于n的任意樣本集(Xi,Yi)，其中T12[,,...,]iiinxxxxR；iyT12[,,...,]iimyyyR。一般極限學(xué)習(xí)機(jī)的函數(shù)模型如下所示：1()(),1,2,...kELMiijijifhxbyjnxw(5)式中：12[,,...,]TiiiiNwwww為輸入權(quán)向量，通過(guò)隨機(jī)選擇連接輸入ith的隱藏神經(jīng)元，T12[,,...,]iiiiK輸出權(quán)向量連接ith處輸出神經(jīng)元；bi為在ith神經(jīng)元處的閾值；h(x)為節(jié)點(diǎn)激活函數(shù)。公

第32卷第10期系統(tǒng)仿真學(xué)報(bào)Vol.32No.102020年10月JournalofSystemSimulationOct.,2020http:∥www.china-simulation.com20462.3基于DA-RKELM的光伏發(fā)電功率預(yù)測(cè)模型RKELM的網(wǎng)絡(luò)參數(shù)會(huì)嚴(yán)重影響網(wǎng)絡(luò)的輸出結(jié)果，為此本文引入蜻蜓算法對(duì)輸入權(quán)重w、輸出權(quán)重β和網(wǎng)絡(luò)閾值b進(jìn)行優(yōu)化。其中蜻蜓個(gè)體的每個(gè)個(gè)體位置代表一組網(wǎng)絡(luò)參數(shù)即X(,,b)，蜻蜓初始位置即初始參數(shù)，將訓(xùn)練集的平均絕對(duì)誤差(meanabsoluteerror，MAE)作為適應(yīng)度函數(shù)。利用蜻蜓算法進(jìn)行多次迭代尋優(yōu)，獲得的最優(yōu)個(gè)體的位置即ELM的最優(yōu)網(wǎng)絡(luò)參數(shù)。基于蜻蜓算法優(yōu)化的正則核極限學(xué)習(xí)機(jī)的流程如圖3所示。圖3DA-RKELM流程圖Fig.3DA-RKELMflowchart基于DA-RKELM的光伏發(fā)電功率預(yù)測(cè)具體流程如下所示：step1：選取樣本數(shù)據(jù)(Xi，Yi)，包括光伏發(fā)電功率、輻照強(qiáng)度、環(huán)境溫度、組件溫度和濕度、t-1刻的輸出功率、t-2刻的輸出功率、t-3刻的輸出功率；step2：對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，并對(duì)訓(xùn)練樣本和測(cè)試樣本進(jìn)行劃分；step3：開(kāi)始訓(xùn)練網(wǎng)絡(luò)，導(dǎo)入訓(xùn)練樣本，確定定輸入節(jié)點(diǎn)個(gè)數(shù)，和輸出節(jié)點(diǎn)個(gè)數(shù)；step4：蜻蜓算法參數(shù)設(shè)置：總?cè)阂?guī)模、空間維度、分離權(quán)重s、對(duì)齊權(quán)值a、銜接權(quán)重c、食物因子f、敵人因子e、是慣性權(quán)重w、個(gè)體位置X和步長(zhǎng)X，并以初始權(quán)重和閾值作為個(gè)體的初始位置，即X(,,b)，空間維數(shù)對(duì)應(yīng)待優(yōu)化參數(shù)的個(gè)數(shù)，即空間緯度取值為3；step5：根據(jù)公式(20)~(24)計(jì)算步長(zhǎng)向量，基于公式(19)和(25)更新個(gè)體位置；step6：將更新的蜻蜓的個(gè)體位置賦值給w、β和b

【參考文獻(xiàn)】：
期刊論文
[1]計(jì)及太陽(yáng)輻射和混沌特征提取的光伏發(fā)電功率DMCS-WNN預(yù)測(cè)法[J]. 王育飛,付玉超,薛花.  中國(guó)電機(jī)工程學(xué)報(bào). 2019(S1)
[2]基于PSO與ELM組合算法的短期光伏發(fā)電功率預(yù)測(cè)模型[J]. 蔣建東,余灃,董存,常朝輝,陳海剛.  鄭州大學(xué)學(xué)報(bào)(理學(xué)版). 2019(03)
[3]基于IKFCM與多模態(tài)SSO優(yōu)化SVR的光伏發(fā)電短期預(yù)測(cè)[J]. 黃予春,曹成濤,顧海.  電力系統(tǒng)保護(hù)與控制. 2018(24)
[4]改進(jìn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)糧食產(chǎn)量預(yù)測(cè)模型[J]. 宗宸生,鄭煥霞,王林山.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(12)
[5]基于Kmeans-SVM的短期光伏發(fā)電功率預(yù)測(cè)[J]. 張雨金,楊凌帆,葛雙冶,周杭霞.  電力系統(tǒng)保護(hù)與控制. 2018(21)
[6]SKBA-LSSVM短期光伏發(fā)電功率預(yù)測(cè)模型[J]. 張彩慶,鄭強(qiáng).  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2019(08)
[7]基于人工蜂群優(yōu)化極限學(xué)習(xí)機(jī)的短期負(fù)荷預(yù)測(cè)[J]. 王文錦,戚佳金,王文婷,黃南天.  電測(cè)與儀表. 2017(11)
[8]基于多維氣象數(shù)據(jù)和PCA-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測(cè)[J]. 劉俊,王旭,郝旭東,陳業(yè)夫,丁坤,汪寧渤,牛拴保.  電網(wǎng)與清潔能源. 2017(01)
[9]基于EEMD和BP神經(jīng)網(wǎng)絡(luò)的短期光伏功率預(yù)測(cè)模型[J]. 于群,樸在林,胡博.  電網(wǎng)與清潔能源. 2016(07)
[10]基于極限學(xué)習(xí)機(jī)的采煤機(jī)功率預(yù)測(cè)算法研究[J]. 丁華,常琦,楊兆建,劉建成.  煤炭學(xué)報(bào). 2016(03)



本文編號(hào)：3249951