基于思维进化Elman神经网络的光伏发电功率短期预测方法
【技术领域】
[0001] 本发明设及一种基于思维进化Elman神经网络的光伏发电功率短期预测方法，属 于新能源发电和智能电网的技术领域。
【背景技术】
[0002] 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Ξ个明显特征，而且与气 象条件密切相关，所W其发电特性与其他发电方式相比差别明显。提前对光伏输出功率进 行预测，并提高预测精度，可W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。
[0003] 几十年来国内外专家学者对此展开了大量的研究工作，提出了回归模型预测法、 时间序列预测法、灰色预测法、支持向量机预测法、人工神经网络预测法等。时间序列分析 对于线性系统的预测效果较好，但很难找到合适的参数估计方法预测非线性系统；灰色预 测法模型简单，但如果影响数据的因素较多，预测效果较差;支持向量机回归算法对大规模 训练样本难W实施，解决多分类问题存在困难;B巧巾经网络算法容易陷入局部极小点，并且 迭代学习算法收敛慢。
[0004] Elman神经网络算法处理动态信息方便，具有全局寻优能力，但收敛速度慢，可能 陷入局部最优解。
【发明内容】
[0005] 发明目的:针对现有技术中存在的问题，本发明提供一种基于思维进化Elman神经 网络的光伏发电功率短期预测方法。W期提高预测的精度，提升模型的泛化能力，为实际工 程应用提供一种有价值的预测方法。
[0006] 技术方案:一种基于思维进化Elman神经网络的光伏发电功率短期预测方法，包括 W下步骤：
[0007] 步骤1、获得训练和测试数据。数据包含每天8:00-17:00的整点的光伏输出功率， W及当天的天气类型、最高溫度、最低溫度、福照强度。分别选取晴天、阴天(及多云）、雨天 Ξ种天气类型的数据，并对数据进行归一化处理；
[000引步骤2、确定E1 man神经网络拓扑结构。包括：设定E1 man神经网络的输入层、输出 层、隐含层的节点个数；
[0009] 步骤3、思维进化初始种群产生。利用Matlab软件编写得到初始种群产生函数 initpop_generate()产生初始种群，编写子种群产生函数subpop_generate()产生优胜子 种群和临时子种群；
[0010] 步骤4、子种群趋同操作。利用Matlab软件编写种群成熟判别函数ismatureO,判 断各个子种群趋同操作是否完成；
[0011] 步骤5、子种群异化操作。趋同操作完成后，执行异化操作，同时根据异化操作的结 果，补充新的子种群；
[0012]步骤6、解析最优个体。当满足迭代停止条件时，思维进化算法结束优化过程，即找 到了最优个体，按照编码规则将其解码后得到Elman神经网络的初始权值和阔值；
[001 ；3 ] 步骤7、训练Elman神经网络。将优化得到的权值和阔值作为Elman神经网络的初始 权值和阔值，利用训练数据对Elman神经网络进行训练、学习；
[0014] 步骤8、仿真预测、结果分析。输入测试数据，进行仿真预测，并进行结果的分析和 讨论。
[0015] 与已有技术相比，本发明的有益效果体现在：
[0016] 1、本发明引入思维进化算法找到最优个体，按照编码规则将其解码后得到Elman 神经网络的初始权值和阔值，完成对Elman神经网络结构、权值和阔值等进行优化；
[0017] 2、本发明采用思维进化Elman神经网络进行光伏发电功率短期预测，可有效克服 现有结果收敛速度慢和容易陷入局部最优的缺陷；
[0018] 3、本发明利用优化后的Elman神经网络进行光伏发电功率短期预测，预测效果显 著提高。
【附图说明】
[0019] 图1为基于思维进化Elman神经网络的光伏发电功率短期预测方法流程图；
[0020] 图2为思维进化算法流程图；
[0021 ]图3为本发明所采用Elman神经网络结构图；
[0022] 图4为基于Elman神经网络预测流程图；
[0023] 图5为基于本发明的光伏预测曲线，其中：图（a)是晴天条件下的光伏预测曲线，图 (b)是阴天(及多云)条件下的光伏预测曲线，图（C)是雨天条件下的光伏预测曲线。
【具体实施方式】
[0024] 下面结合具体实施例，进一步阐明本发明，应理解运些实施例仅用于说明本发明 而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价 形式的修改均落于本申请所附权利要求所限定的范围。
[0025] 思维进化算法由孙承意等学者于1998年提出，该算法的思想源于模拟生物进化中 人类思维进化的方式，提出了用于进化的趋同和异化算子。在子群体范围内，个体为了成为 胜者而竞争的过程叫做趋同；在整个解空间中，各个成熟的子群体为了成为胜者而进行全 局竞争，不断地探索解空间中新的点，此过程称为异化。运两种操作分别进行探测和开发， 在功能上相互促进，并且保持着一定的独立性，提高了算法的整体捜索效率。思维进化算法 W其良好的扩充性、移植性和极强的全局寻优能力，在图像处理、自动控制、负荷预测等各 个领域得到了非常广泛的应用。
[0026] 思维进化算法可W记忆不止一代的进化信息，通过其特有的趋同、异化等操作，使 迭代操作向着有利的方向进行。基本的进化过程及算法步骤如下：
[0027] (1)群体生成。在解空间中随机产生一定规模的P个个体，所有的个体组成一个群 体。根据评价函数(对应于遗传算法中的适应度函数，体现个体对环境的适应能力)计算出 每个个体的得分。得分最高的前Μ个个体成为优胜个体，第M+1到第M+N共N个个体作为临时 个体。
[0028] (2)子群体生成。分别W运些优胜个体和临时个体为中屯、，在每个个体周围产生一 些新的个体，从而得到Μ个优胜子群体和N个临时子群体。
[0029] (3)趋同操作。在各个子群体内部进行趋同操作，直到所有子群体全部成熟，趋同 过程结束。
[0030] (4)异化操作。成熟后的子群体之间进行异化操作，完成优胜子群体与临时子群体 间的替换、废弃、子群体中个体释放的过程，从而计算得到全局最优个体及其得分。异化操 作结束后，被释放的个体重新被新生成的临时子群体补充，W保持临时子群体的个数不变。
[0031] (5)迭代操作。判断全局优胜者是不是全局的最优解，若不是则重复步骤(3)-(4)， 直到最优个体的得分不再提高或迭代结束，结束进化并记录下最优个体。
[0032] Elman神经网络的结构如图3所示，Elman神经网络除了具有输入层、隐含层（中间 层)和输出层W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 非线性函数作为其传递函数;输出层的作用为线性加权;承接层的作用是联结层内或层间 的反馈，W达到记忆的目的，因此有的文献中又称其为上下文层或者状态层。承接层使得整 个系统更能适应时变特性，因此需要用动态方程来描述。
[0033] Elman神经网络的特殊之处在于，它可W通过承接层的延迟与存储，将隐含层的输 出自联到隐含层的输入，使得Elman神经网络对历史数据状态更加敏感。与此同时，网络内 部的反馈环节使得其自行处理动态信息的能力明显增强。对于非线性关系的映射，Elman神 经网络可W在忽略外围产生的噪声对系统的影响下，W任意精度来逼近，运样只需通过模 型的输入数据和输出数据便可W进行建模。
[0034] Elman神经网络的非线性状态空间方程表示如下：
[0038] 其中，k为当前状态的时刻;y化)为m维输出节点向量;x(k)为η维中间层节点单元 向量;U化)为r维输入向量;X。化)为η维反馈状态向量;wi，W2，W3分别表示的是承接层到隐含 层、输入层到隐含层、隐含层到输出层之间连接的权值矩阵。在式中f(*)作为隐含层神经元 的传递函数，一般采用tansig函数，而g(*)作为输出层神经元的传递函数，一般采用 purelin函数。bi，b2分别为输入层与隐含层中选择的阔值。
[0039] Elman神经网络的训练算法采用的是优化的梯度下降算法，即自适应学习速率动 量梯度下降的反向传播算法。为了使输出层的误差平方和最小，Elman神经网络通过计算模 型的实际输出值与样本输出值的差值，对网络中的权值与阔值进行修正。Elman神经网络误 差函数(学习指标函数)为：
[0040]
[0041] 式中ycKk)为第k步系统实际输出。
[0042] Elman神经网络有着收