考慮太陽能吸收能量的混沌特性和遞歸小波網(wǎng)絡(luò)學(xué)習(xí)能力強(qiáng)、動(dòng)態(tài)適應(yīng)性強(qiáng)的優(yōu)點(diǎn),提出采用相空間重構(gòu)與遞歸小波網(wǎng)絡(luò)結(jié)合的預(yù)測(cè)模型。分別用該模型與未進(jìn)行相空間重構(gòu)、普通遞歸網(wǎng)絡(luò)等模型分析實(shí)測(cè)數(shù)據(jù)比較,發(fā)現(xiàn)采用相空間重構(gòu)后數(shù)據(jù)進(jìn)行模型訓(xùn)練與預(yù)測(cè)對(duì)各種天氣、環(huán)境的適應(yīng)性強(qiáng);而且預(yù)測(cè)間隔越短,計(jì)算量降低的效果越明顯;當(dāng)預(yù)測(cè)間隔為1.25 min時(shí),計(jì)算量降低25%以上。此外,該模型具有相對(duì)簡(jiǎn)單、需要?dú)v史數(shù)據(jù)少、存儲(chǔ)空間少的優(yōu)點(diǎn),而且預(yù)測(cè)精度高。 

【文章來源】：實(shí)驗(yàn)室研究與探索. 2020,39(01)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

Morlet母小波函數(shù)圖

在Elman型遞歸神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,將小波函數(shù)作為隱含層的激勵(lì)函數(shù)構(gòu)成遞歸小波神經(jīng)網(wǎng)絡(luò)[14],如圖2所示。隱含層神經(jīng)元的作用函數(shù)為小波基函數(shù)。承接層神經(jīng)元的輸入是隱含層神經(jīng)元的輸出,承接層和輸入層的輸出同時(shí)輸入到隱含層。承接層神經(jīng)元也是一種記憶單元,儲(chǔ)存了隱含層神經(jīng)元上一步的輸出,使得網(wǎng)絡(luò)具有較好的動(dòng)態(tài)性能。1.3 相空間重構(gòu)與遞歸小波網(wǎng)絡(luò)結(jié)合預(yù)測(cè)模型

計(jì)算預(yù)測(cè)值與實(shí)際值之間的相對(duì)誤差公式 | x- x ^ | 2 /| x | 2 ,x 為光伏發(fā)電功率實(shí)際值; x ^ 為光伏發(fā)電功率預(yù)測(cè)值。遞歸小波神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的誤差曲線見圖3,預(yù)測(cè)情況如表2所示,預(yù)測(cè)相對(duì)誤差曲線如圖4所示。在達(dá)到訓(xùn)練要求時(shí),遞歸小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)較少;訓(xùn)練完成后,遞歸小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度較高。表2 不同方法的預(yù)測(cè)情況對(duì)比 網(wǎng)絡(luò)名稱 訓(xùn)練次數(shù) 訓(xùn)練誤差 預(yù)測(cè)總體相對(duì)誤差 遞歸小波神經(jīng)網(wǎng)絡(luò) 522 0.000 985 5 0.049 5 Elman神經(jīng)網(wǎng)絡(luò) 748 0.000 989 0 0.057 5


本文編號(hào)：3586446