[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

说明书

本发明公开了一种基于分支进化神经网络的光伏发电功率预测方法，包括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；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；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；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；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。本发明针对光电功率预测的特性，提出采用循环神经网络进行学习，使得模型具有更强的预测能力，利用粒子群算法对循环神经网络模型中的参数进行优化，同时采用分支进化和全局进化相结合，使得模型更鲁棒性更容易获得全局最优值。

技术领域

本发明属于光伏发电功率预测领域，具体涉及一种基于分支进化神经网络的光伏发电功率预测方法。

背景技术

光伏发电的原理是光伏效应，所谓光伏效应是指光照使不均匀半导体或者金属与半导体结合的不同部位之间产生电位差的一种现象。一方面，它是由光子转化为电子、光能转化为电能的现象；另一方面，它形成了电压，有了电压，如果两者之间连通，便可形成电流回路。由此可知，光伏发电与太阳的活动息息相关，受气候环境的影响非常大。对于光伏发电功率的预测问题的研究，国内外很多学者提出了很多方法，最常用的就是BP神经网络的方法，作为一种多层前馈神经网络，BP神经网络是目前应用最广泛的神经网络之一。BP神经网络可以根据需要对神经元个数和结构以及激活函数进行设置，使其具有非常强大的学习和记忆能力，然而BP神经网络也有一些天然的缺陷，比如在对参数进行训练时，学习速度可能会很慢，也可能会发生震荡，而且优化过程中易陷入局部最优，同时BP神经网络因为没有反馈的机制，故缺少记忆的功能。尤其是在对于前一时刻所获得的值实际上会对后一时刻的预测值产生影响的这类预测问题，BP神经网络却无法很好的实现这一功能。

发明内容

本发明的目的在于提供一种预测准确度和精度高，计算复杂度低的基于分支进化神经网络的光伏发电功率预测方法，包括以下步骤：

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。

具体地，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，