基于相似日理论和IPSO-Elman模型的短期光伏发电功率预测
发布时间：2022-02-11 10:59
为提高光伏发电功率预测精度,提出一种基于相似日理论和改进的IPSO-Elman神经网络模型的短期光伏发电功率预测方法。将历史数据细分为不同季节不同天气类型的多个子集,通过灰色关联度和余弦相似度组合而成的综合关联度指标筛选相似日。针对标准粒子群算法的缺陷,提出一种改进的自适应混沌变异粒子群算法（IPSO）来优化Elman神经网络,将优化得出的最优权值和阈值作为初始值建立IPSO-Elman神经网络模型,对3种不同季节和天气类型条件下的光伏发电功率分别预测。选用甘肃省某光伏电站2014年数据进行实例分析,结果表明,IPSO-Elman模型在不同天气类型条件下的功率预测效果都有明显提高。
【文章来源】：测控技术. 2020,39(02)
【文章页数】：8 页
【部分图文】：
甘肃省某光伏电站2014年当地日辐照时长
(8)当迭代次数达到最大迭代次数或者误差达到设定误差范围，则结束迭代，得到粒子种群全局最优位置，否则返回步骤(3)继续搜索最优解。(9)将粒子群优化后的全局最优解解码转换得到Elman神经网络的最优权值和阈值，根据期望输出和实际输出计算误差，反复调整权值和阈值，直到误差满足结束条件。
图3为功率预测值与实际值的对比图，可以明显看出，晴天条件下功率变化较为平缓且均匀，没有突然变化的时刻，预测精度最高，3种模型都表现出较好的预测结果。雨天的功率波动较大，总体预测误差也明显高于其他天气类型，尤其是在实际功率发生剧烈波动的几个时刻点，多云天的功率变化较雨天相似，由于云层云量的变化也出现了几个功率波动点。可见Elman模型、PSO-Elman模型对于功率出现较大波动时刻的数据点预测存在较大误差，不能及时预测功率变化趋势，而IPSO-Elman模型的预测效果明显要好，预测误差明显较小。表4为预测误差统计表，由表4可知，晴天类型下3种模型的预测效果较好，MAPE都在15%以内，IP-SO-Elman的MAPE在3种模型中最低为5.85%，相比Elman模型、PSO-Elman模型分别降低了7.35%和5.39%,IPSO-Elman模型的RMSE为0.189 kW，在3种模型中也是最低的，同时晴天条件下IPSO-Elman模型中误差小于5%的数据点为10个，占总预测数的37%。在雨天条件下，IPSO-Elman模型的MAPE为10.95%,Elman模型、PSO-Elman模型的误差都在15%以上，分别为24.39%和17.61%，可见IPSO-Elman模型对于功率发生剧烈波动情况下的预测效果要远优于其他2种模型。对于多云(阴)天的预测结果，IPSO-Elman模型的各项指标也处于最优且MAPE在10%以内，为9.49%。
【参考文献】：
期刊论文
[1]基于CPSO-RBF神经网络喷氨量的最优控制[J]. 任志玲,赵博雅,赵星,冯永. 测控技术. 2018(12)
[2]基于改进粒子群优化算法的混沌系统参数估计[J]. 石建平,李培生,刘国平,刘鹏. 华中科技大学学报(自然科学版). 2018(09)
[3]基于柯西变异的多策略协同进化粒子群算法[J]. 王永骥,苏婷婷,刘磊. 系统仿真学报. 2018(08)
[4]粒子群算法优化BP神经网络的粉尘浓度预测[J]. 赵广元,马霏. 测控技术. 2018(06)
[5]基于改进PSO的神经网络短期电力负荷预测模型[J]. 任东红,林鹏,袁清萍,邢兵锁,董国贵. 淮海工学院学报(自然科学版). 2018(02)
[6]改进粒子群优化-Elman算法在发动机曲轴脉宽预测中的应用[J]. 孟蓉歌,张春化,梁继超. 中国机械工程. 2018(07)
[7]基于相似日和主成分分析的光伏发电系统短期出力预测[J]. 侯松宝,王侃宏,石凯波,孔力,曹辉. 可再生能源. 2018(01)
[8]基于自适应惯性权重的混沌粒子群优化无线传感器网络成簇算法[J]. 薛晶晶,何锋,赵仕俊. 计算机系统应用. 2017(11)
[9]基于自适应变异混沌粒子群优化和SVM的导弹命中预测模型[J]. 许凌凯,杨任农,张彬超,左家亮. 计算机应用. 2017(10)
[10]基于改进粒子群优化算法风力发电功率预测研究[J]. 刘武周,刘友波. 可再生能源. 2017(09)
本文编号：3620157
【文章来源】：测控技术. 2020,39(02)
【文章页数】：8 页
【部分图文】：
甘肃省某光伏电站2014年当地日辐照时长
(8)当迭代次数达到最大迭代次数或者误差达到设定误差范围，则结束迭代，得到粒子种群全局最优位置，否则返回步骤(3)继续搜索最优解。(9)将粒子群优化后的全局最优解解码转换得到Elman神经网络的最优权值和阈值，根据期望输出和实际输出计算误差，反复调整权值和阈值，直到误差满足结束条件。
图3为功率预测值与实际值的对比图，可以明显看出，晴天条件下功率变化较为平缓且均匀，没有突然变化的时刻，预测精度最高，3种模型都表现出较好的预测结果。雨天的功率波动较大，总体预测误差也明显高于其他天气类型，尤其是在实际功率发生剧烈波动的几个时刻点，多云天的功率变化较雨天相似，由于云层云量的变化也出现了几个功率波动点。可见Elman模型、PSO-Elman模型对于功率出现较大波动时刻的数据点预测存在较大误差，不能及时预测功率变化趋势，而IPSO-Elman模型的预测效果明显要好，预测误差明显较小。表4为预测误差统计表，由表4可知，晴天类型下3种模型的预测效果较好，MAPE都在15%以内，IP-SO-Elman的MAPE在3种模型中最低为5.85%，相比Elman模型、PSO-Elman模型分别降低了7.35%和5.39%,IPSO-Elman模型的RMSE为0.189 kW，在3种模型中也是最低的，同时晴天条件下IPSO-Elman模型中误差小于5%的数据点为10个，占总预测数的37%。在雨天条件下，IPSO-Elman模型的MAPE为10.95%,Elman模型、PSO-Elman模型的误差都在15%以上，分别为24.39%和17.61%，可见IPSO-Elman模型对于功率发生剧烈波动情况下的预测效果要远优于其他2种模型。对于多云(阴)天的预测结果，IPSO-Elman模型的各项指标也处于最优且MAPE在10%以内，为9.49%。
【参考文献】：
期刊论文
[1]基于CPSO-RBF神经网络喷氨量的最优控制[J]. 任志玲,赵博雅,赵星,冯永. 测控技术. 2018(12)
[2]基于改进粒子群优化算法的混沌系统参数估计[J]. 石建平,李培生,刘国平,刘鹏. 华中科技大学学报(自然科学版). 2018(09)
[3]基于柯西变异的多策略协同进化粒子群算法[J]. 王永骥,苏婷婷,刘磊. 系统仿真学报. 2018(08)
[4]粒子群算法优化BP神经网络的粉尘浓度预测[J]. 赵广元,马霏. 测控技术. 2018(06)
[5]基于改进PSO的神经网络短期电力负荷预测模型[J]. 任东红,林鹏,袁清萍,邢兵锁,董国贵. 淮海工学院学报(自然科学版). 2018(02)
[6]改进粒子群优化-Elman算法在发动机曲轴脉宽预测中的应用[J]. 孟蓉歌,张春化,梁继超. 中国机械工程. 2018(07)
[7]基于相似日和主成分分析的光伏发电系统短期出力预测[J]. 侯松宝,王侃宏,石凯波,孔力,曹辉. 可再生能源. 2018(01)
[8]基于自适应惯性权重的混沌粒子群优化无线传感器网络成簇算法[J]. 薛晶晶,何锋,赵仕俊. 计算机系统应用. 2017(11)
[9]基于自适应变异混沌粒子群优化和SVM的导弹命中预测模型[J]. 许凌凯,杨任农,张彬超,左家亮. 计算机应用. 2017(10)
[10]基于改进粒子群优化算法风力发电功率预测研究[J]. 刘武周,刘友波. 可再生能源. 2017(09)
本文编号：3620157
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3620157.html
