[发明专利]基于遗传算法优化Elman神经网络的短期功率预测方法

说明书

本发明涉及一种基于遗传算法优化Elman神经网络的短期功率预测方法，包括以下步骤：首先确定Elman神经网络拓扑结构，其中包括神经网络输入层节点个数、隐藏层节点个数、输出层节点个数、承接层节点个数等。然后初始化Elman神经网络权值阈值长度。再使用遗传算法对初始值进行编码并进行交叉变异等操作产生优化后的神经网络初始权值，最后对神经网络进行学习和训练并更新权值，得到预测结果。本发明使得预测准确率更高，速度更快，便于电网的调度运行。

技术领域

本发明涉及光伏发电预测技术领域，特别是涉及一种基于遗传算法优化Elman神经网络的短期功率预测方法。

背景技术

近年来，光伏并网发电技术日趋成熟，应用广泛。光伏电力系统由电力网、电力用户共同组成。其任务是将太阳能转化为电能给广大用户不间断地提供经济、可靠、符合质量标准的电能。满足各类负荷的需求，为社会发展提供动力。由于光伏电能的生产与使用具有特殊性，即电能难以大量的储存，而且各类用户对电力的需求是时刻变化的，这就要求光伏系统发电出力应随时紧跟系统负荷的变化动态平衡，即系统要最大限度地发挥出设备能力，使整个系统保持稳定且高效的运行，以满足用户的需求。否则就会影响供用电的质量，甚至危及系统的安全与稳定。因此，光伏发电系统负荷预测技术发展起来。并且是这一切得以顺利进行的前提和基础。

目前，国内外已经有研究人员将神经网络应用于光伏系统负荷预测中。比如径向基(RBF)神经网络、静态前馈反向(BP)神经网络等进行短期功率预测。但这些均不能较好的反应实际问题的动态特性。特别是随着我国经济的发展，电力系统结构日趋复杂。电力负荷变化的非线性、时变性和不确定性的特点更加明显。

发明内容

本发明所要解决的技术问题是提供一种基于遗传算法优化Elman神经网络的短期功率预测方法，使得预测准确率更高，速度更快。

本发明解决其技术问题所采用的技术方案是：提供一种基于遗传算法优化Elman神经网络的短期功率预测方法，包括以下步骤：

(1)确定Elman神经网络拓扑结构；

(2)种群初始化编码：用遗传算法将Elman神经网络的初始随机权值和阈值编码为由若干染色体组成的初始种群；

(3)个体适应度值计算：用训练数据训练Elman神经网络后预测系统输出，用预测输出和期望输出的误差绝对值之和来计算个体适应度值；

(4)寻找最优适应度个体：对步骤(2)和步骤(3)中已经选择的种群和计算出的适应度值找出参与交叉变异的个体，对群体进行优胜劣汰操作，使适应度较高的个体被遗传到下一代群体中的概率较大，使适应度较小的个体被遗传到下一代群体中的概率较小，计算出最优适应度个体，取得最优权值阈值；

(5)根据得到的最优权值阈值进行网络训练和结果预测。

所述步骤(1)中的Elman神经网络分为四层，包括：输入层、隐含层、输出层和承接层；其中，所述输入层的节点起到信号传输作用，所述输出层的节点起到线性加权作用，所述隐含层的激励函数选择线性或者非线性函数，所述承接层起到延时算子的作用，用来记忆隐含层前一时刻的输出值并返回给输入层。

所述步骤(1)中的Elman神经网络的非线性空间表达式为：其中，y、x、u和x_c分别表示m维输入节点向量、n维隐藏节点单位向量、r维输入向量和n维反馈状态向量；w₁、w₂和w₃分别表示隐含层到输入层、输入层到隐含层、承接层到隐含层的连接权值；g(·)为输出神经元的传递函数，f(·)为隐含层神经元的传递函数。

所述步骤(2)在编码时个体编码方式为实数编码，染色体是每个个体组成的实数串，包括输入层与隐含层的连接权值、隐含层阈值、承接层与隐含层的连接权值、隐含层与输出层的连接权值和输出层阈值。