[发明专利]一种基于分支进化神经网络的光伏发电功率预测方法

权利要求书

1.一种基于分支进化神经网络的光伏发电功率预测方法，其特征在于，包括如下步骤：

步骤1，获取光伏发电场的发电功率和功率影响因子时间序列数据；

步骤2，对时间序列数据进行预处理，包括进行数据降维和训练集构建；

步骤3，建立循环神经网络模型，使用所述的训练集对模型进行训练；

步骤4，获得现实功率影响因子数据，使用所述的循环神经网络模型预测发电功率值；

步骤5，获得预测发电功率值对应的真实值，继续进行模型的增量训练；

所述的循环神经网络模型是Elman神经网络模型，包括四层结构：输入层、隐含层、承接层和输出层；Elman神经网络模型的非线性状态的空间表达式为

x(t)＝f(w²x^c(t)+w¹u(t-1))

x^c(t)＝x(t-1)

y(t)＝g(w³x(t))

其中，t表示时刻，x^c表示承接层的输出向量，w¹、w²和w³分别为输入层节点与隐含层节点之间、隐含层节点与输出层节点之间及承接层节点与隐含层节点之间的连接权值矩阵，u(t-1)为t-1时刻网络的输入向量，x(t)为t时刻隐含层输出向量，y(t)表示网络模型在外部输入时间序列x(t)作用下的网络输出层的输出向量，f(·)、g(·)分别为输出层单元和隐含层单元的激发函数所组成的非线性向量函数；

步骤3中所述的对模型进行训练是利用分支粒子群算法进行参数优化训练，包括：

步骤301，根据隐含层神经元将所述的Elman神经网络中的待优化参数分为两组；

步骤302，进行分组训练，包括，

步骤30201，分别将两组待优化参数初始化为随机值，剩余的待优化参数设置为固定值，由此生成两个随机种群；

步骤30202，分别用粒子群算法更新和优化所述的两个种群；

步骤30203，分别让两组训练达到预设的最大迭代次数或达到指定精度；

步骤303，进行全局训练，包括

步骤30301，分别选取两个种群中最优的一半个体，将所述的两个种群的最优的一半个体进行交叉操作，合并为一个种群；

步骤30302，用粒子群算法更新和优化所述的一个种群；

步骤30304，让全局训练达到预设的最大迭代次数或达到指定精度；

步骤304，选择最优的个体，计算出各参数的优化值和输出层神经元的阈值的参数值。

2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，所述的用粒子群算法更新和优化种群包括以下步骤：

S1：将待优化参数编码为实数码表示的个体，所有的个体构成种群；

S2：对每一粒子个体进行译码，得到每一个粒子对应的参数，计算该个体输入下的输出，将其输出样本带入Elman神经网络的性能逼近指标函数，得到每一粒子的个体极值；

S3：对每个粒子的目标函数进行评价，得出粒子群的全局极值；

S4：判断全局极值是否满足粒子群结束条件，若满足结束条件，就退出粒子群寻优，再转入局部优化，即S6；

S5：对粒子逐个进行速度更新及位置更新，再转入S2；

S6：译码全局极值所对应的粒子，以得到的进化值为神经网络的初始值，再进行局部的优化；

S7：对局部优化后所得的参数进行编码，进行判断是否满足粒子群结束的条件；所述的结束条件是全局极值达到设定值，若偏差超出设定目标，再返回S5进行基于粒子群算法的全局搜索，最终达到最优。

3.根据权利要求2所述的光伏发电功率预测方法，其特征在于，所述的Elman神经网络模型，输入层是3个神经元，分别表示历史时刻的发电功率，现实时刻的光照强度和现实时刻的温度，输出层是1个神经元，为待预测的发电功率，隐含层的神经元数目和承接层神经元数目均为4。

4.根据权利要求3所述的光伏发电功率预测方法，其特征在于，在步骤301中所述的待优化参数分为两组，其分组方法为以隐含层的神经元作为分支基准，将待优化参数进行分为两组，与前两个隐含层的神经元相关的待优化参数归为一组，与后两个隐含层的神经元相关的待优化参数归为另一组；所述的隐含层的神经元相关的待优化参数包括，该神经元与全部输入层神经元连接的权值，该神经元的阈值，该神经元与全部承接层神经元的权值，该神经元与全部输出层神经元连接的权值。