為提高光伏發(fā)電功率預(yù)測精度,提出一種基于相似日理論和改進(jìn)的IPSO-Elman神經(jīng)網(wǎng)絡(luò)模型的短期光伏發(fā)電功率預(yù)測方法。將歷史數(shù)據(jù)細(xì)分為不同季節(jié)不同天氣類型的多個子集,通過灰色關(guān)聯(lián)度和余弦相似度組合而成的綜合關(guān)聯(lián)度指標(biāo)篩選相似日。針對標(biāo)準(zhǔn)粒子群算法的缺陷,提出一種改進(jìn)的自適應(yīng)混沌變異粒子群算法（IPSO）來優(yōu)化Elman神經(jīng)網(wǎng)絡(luò),將優(yōu)化得出的最優(yōu)權(quán)值和閾值作為初始值建立IPSO-Elman神經(jīng)網(wǎng)絡(luò)模型,對3種不同季節(jié)和天氣類型條件下的光伏發(fā)電功率分別預(yù)測。選用甘肅省某光伏電站2014年數(shù)據(jù)進(jìn)行實例分析,結(jié)果表明,IPSO-Elman模型在不同天氣類型條件下的功率預(yù)測效果都有明顯提高。 

【文章來源】：測控技術(shù). 2020,39(02)

【文章頁數(shù)】：8 頁

【部分圖文】：

甘肅省某光伏電站2014年當(dāng)?shù)厝蛰椪諘r長

(8)當(dāng)?shù)螖?shù)達(dá)到最大迭代次數(shù)或者誤差達(dá)到設(shè)定誤差范圍，則結(jié)束迭代，得到粒子種群全局最優(yōu)位置，否則返回步驟(3)繼續(xù)搜索最優(yōu)解。(9)將粒子群優(yōu)化后的全局最優(yōu)解解碼轉(zhuǎn)換得到Elman神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值，根據(jù)期望輸出和實際輸出計算誤差，反復(fù)調(diào)整權(quán)值和閾值，直到誤差滿足結(jié)束條件。

圖3為功率預(yù)測值與實際值的對比圖，可以明顯看出，晴天條件下功率變化較為平緩且均勻，沒有突然變化的時刻，預(yù)測精度最高，3種模型都表現(xiàn)出較好的預(yù)測結(jié)果。雨天的功率波動較大，總體預(yù)測誤差也明顯高于其他天氣類型，尤其是在實際功率發(fā)生劇烈波動的幾個時刻點，多云天的功率變化較雨天相似，由于云層云量的變化也出現(xiàn)了幾個功率波動點�？梢奅lman模型、PSO-Elman模型對于功率出現(xiàn)較大波動時刻的數(shù)據(jù)點預(yù)測存在較大誤差，不能及時預(yù)測功率變化趨勢，而IPSO-Elman模型的預(yù)測效果明顯要好，預(yù)測誤差明顯較小。表4為預(yù)測誤差統(tǒng)計表，由表4可知，晴天類型下3種模型的預(yù)測效果較好，MAPE都在15%以內(nèi)，IP-SO-Elman的MAPE在3種模型中最低為5.85%，相比Elman模型、PSO-Elman模型分別降低了7.35%和5.39%,IPSO-Elman模型的RMSE為0.189 kW，在3種模型中也是最低的，同時晴天條件下IPSO-Elman模型中誤差小于5%的數(shù)據(jù)點為10個，占總預(yù)測數(shù)的37%。在雨天條件下，IPSO-Elman模型的MAPE為10.95%,Elman模型、PSO-Elman模型的誤差都在15%以上，分別為24.39%和17.61%，可見IPSO-Elman模型對于功率發(fā)生劇烈波動情況下的預(yù)測效果要遠(yuǎn)優(yōu)于其他2種模型。對于多云(陰)天的預(yù)測結(jié)果，IPSO-Elman模型的各項指標(biāo)也處于最優(yōu)且MAPE在10%以內(nèi)，為9.49%。

【參考文獻(xiàn)】：
期刊論文
[1]基于CPSO-RBF神經(jīng)網(wǎng)絡(luò)噴氨量的最優(yōu)控制[J]. 任志玲,趙博雅,趙星,馮永.  測控技術(shù). 2018(12)
[2]基于改進(jìn)粒子群優(yōu)化算法的混沌系統(tǒng)參數(shù)估計[J]. 石建平,李培生,劉國平,劉鵬.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2018(09)
[3]基于柯西變異的多策略協(xié)同進(jìn)化粒子群算法[J]. 王永驥,蘇婷婷,劉磊.  系統(tǒng)仿真學(xué)報. 2018(08)
[4]粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的粉塵濃度預(yù)測[J]. 趙廣元,馬霏.  測控技術(shù). 2018(06)
[5]基于改進(jìn)PSO的神經(jīng)網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測模型[J]. 任東紅,林鵬,袁清萍,邢兵鎖,董國貴.  淮海工學(xué)院學(xué)報(自然科學(xué)版). 2018(02)
[6]改進(jìn)粒子群優(yōu)化-Elman算法在發(fā)動機曲軸脈寬預(yù)測中的應(yīng)用[J]. 孟蓉歌,張春化,梁繼超.  中國機械工程. 2018(07)
[7]基于相似日和主成分分析的光伏發(fā)電系統(tǒng)短期出力預(yù)測[J]. 侯松寶,王侃宏,石凱波,孔力,曹輝.  可再生能源. 2018(01)
[8]基于自適應(yīng)慣性權(quán)重的混沌粒子群優(yōu)化無線傳感器網(wǎng)絡(luò)成簇算法[J]. 薛晶晶,何鋒,趙仕俊.  計算機系統(tǒng)應(yīng)用. 2017(11)
[9]基于自適應(yīng)變異混沌粒子群優(yōu)化和SVM的導(dǎo)彈命中預(yù)測模型[J]. 許凌凱,楊任農(nóng),張彬超,左家亮.  計算機應(yīng)用. 2017(10)
[10]基于改進(jìn)粒子群優(yōu)化算法風(fēng)力發(fā)電功率預(yù)測研究[J]. 劉武周,劉友波.  可再生能源. 2017(09)



本文編號：3620157