基于MEA-Elman神经网络的光伏发电功率短期预测

作者:艾格林;孙永辉;卫志农;葛夕武;孙国强;吴国梁 刊名:《电网与清洁能源》 上传者:杨杞

【摘要】为进一步提高光伏发电功率预测的准确度,从而将思维进化算法(MEA)和Elman神经网络相结合,通过MEA优化Elman神经网络权值和阈值,克服了Elman神经网络易陷入局部最优等缺陷。根据光伏发电系统的历史发电数据和气象数据,建立MEA-Elman神经网络预测模型并对其测试。结果表明,与原有光伏预测模型比较,该预测模型能够有效提高光伏预测的有效性和精确性。

全文阅读

随着全球能源危机的日益加深,新能源发电得到了广泛的应用与发展。光伏发电是继风力发电之后,作为可代替传统发电的可再生能源发电技术,被寄予厚望。由于光伏发电系统输出功率具有间歇性、随机性、波动性3个明显特征,而且与气象条件密切相关P1,因此其发电特性与其他发电方式相比差别明显。相对于大电网,光伏发电系统可看作是一个不可控源。提时对光伏输出功率进"f了预测,并提高预测精度,可以减少电网调度的偏差,减轻光伏发电功率变化的不确定性对电网造成的影响,电力系统的安全性和稳定性得到进一步提高。 目前,使用比较广泛的光伏发电系统功率预测方駐魏刚綱葡,、日寸_歹丨厕,汰色预测法1M|、支持向量机预测法[7_81、人工神经网络 预测法[9_1等。ARMA(autoregressivemovingaverage, ARMA)等时间序列分析丨4丨对于线性系统的预测效果较好’彳曰一很难找到合适的参数估计方法预测非线性i系f统。^文t献[i5]采用了灰:^模型来进行光伏预测多,预测效果就较差。文献[8]采用支持向量机SVM(supportvectormachine,SVM)算法建立了超短期功率预测模型进行预测,并使用粒子群算法进行寻优,但在建模时没有考虑辐照强度、环境温度等气象因素对光伏功率的影响。文献[9]提出了基于PSO- BP(particleswarmoptimization-backpropagation, PSO-BP)神经网络的光伏功率预测模型,利用粒子 .fe,,K,、,ft,BP、W,,^,Ri_,t#,2orPS0(^partlcleswarm optimization,PSO)算法有一定的局限性,所提算法还需要改进。文献[10]建立了Elman神经网络光伏预测模型,证明了在光伏预测中Elman神经网络比BP神经网络精度更高、预测速度更快。 相对于其他神经网络,Elman神经网络特有的输人延迟特性对光伏预测更有效['目前对Elman神经网络的优化研究已经成为热点,文献[11]和文献[12]分别采用遗传算法和粒子群算法对其进行了优化,建立了GA_Elman、PSO-Elman神经网络预测模型,但其预测的效果还有待提高。因此,本文首次应用MEA优化Elman神经网络,使其在光伏预测中效果更明显。思维进化算法是近年来提出的一种新算法pM|,它对人类思维进化的方式进行模拟,具有良好的全局搜索性能。思维进化算法可以对Elman神经网络的初始权值和阈值进行优化,在解决Elman神经网络求解存在的早熟和局部极小值问题时,体现了明显的优越性9 基于此,本文提出基于思维进化的Elman神经网络进行光伏发电系统输出功率的预测,利用思维进化算法的全局寻优能力提高了Elman神经网络收敛速度和精度,弥补了Elman神经网络收敛速度慢和容易陷人局部最优的不足,达到了较好的光伏功率预测效果0 1思维进化算法 针对遗传算法的缺陷,文献[13]提出了一种新 2Elman神经网络 现阶段在光伏发电功率的短期预测中,bp神经网络的应用较为普遍,受到的关注更高。但是众所周知,BP神经网络有着明显的缺陷,由于它是静态前馈网络,若应用于动态系统进行辨识,效果无法令人满意' Elman神经网络的结构如图2所示,相比于BP神经网络,Elman神经网络除了具有输人层、隐含层(中间层)和输出层以外,还有一个特有的承接层。输入层的作用是传输信号;隐含层使用线性或非线 型进化算法思维进化算法(mindevolutionary性函数作为其传递函数;输出层的作用是线性加 algorithm,MEA)!%该算法的思

参考文献

引证文献

问答

我要提问