基于蚁群算法改进的RBF‑BP神经网络的光伏发电输出功率追踪算法的制作方法

本发明涉及一种光伏发电输出功率的追踪算法，尤其涉及一种基于蚁群算法改进的RBF-BP神经网络的光伏发电输出功率追踪算法。
背景技术：
：：光伏发电受环境因素影响较大，特别是太阳辐射强度、环境温度等，因为其输出功率具有不确定性。其并入大电网后使得大电网的整体负荷预测准确性降低，也必然引起整个系统的电压、频率的波动，增加了传统发电，控制和运行计划的难度，不利于整个电网系统的调度。技术实现要素：:为了克服RBF泛化能力差和BP神经网络训练结果容易受到不正确训练样本集的错误引导的缺陷，本发明提出了一种基于蚁群算法改进的RBF-BP神经网络的光伏发电输出功率追踪算法。本发明提出的基于蚁群算法改进的RBF-BP神经网络的光伏发电输出功率追踪算法是通过建立一个RBF-BP神经网络，运用最大最小蚁群算法优化改进RBF-BP神经网络训练前的权值和阈值，网络训练后对光伏发电输出功率进行预测。所述的基于蚁群算法改进的RBF-BP神经网络的光伏发电输出功率预测方法，其特征在于包括如下步骤：(1)根据光伏发电输出特性，选取日常天气状况下统计并采集一天之中各个时段影响光伏发电电池板发电的因素，本发明中侧重于光伏电池板工作温度和光伏发电设备工作时的光照强度和光伏发电输出功率作为RBF-BP神经网络训练的输入输出。另选取同等条件下各个时段的样本数据作为RBF-BP神经网络的测试数据。(2)建立RBF-BP神经网络用于训练归一化后的样本数据。本发明提出建立的RBF-BP组合神经网络是结合了RBF神经网络收敛速度快、群分类性能好和BP神经网络自学习、自适应能力强等优点建立的一个由RBF子网和BP子网两部分构成双隐层RBF-BP组合神经网络，其具有泛化性能更好、收敛速度更快、预测精度更高等特点。本发明提出的RBF-BP组合神经网络分为：输入层、隐含层和输出层，各层的节点数设计如下：输入层：针对光伏发电最大功率的预测，在不考虑突变的天气情况和局部光照不均匀的情况下对光伏发电最大功率点影响的情况下，神经网络输入量的选取主要考虑两个部分，即光伏电池板工作温度和光伏发电设备工作时的光照强度。隐含层：本发明涉及到的RBF-BP神经网络，相比于传统的BP神经网络，在隐含层加入了RBF神经网络作为子层。输入步骤(1)中的样本先经过RBF神经网络子网进行训练，再将训练结果作为BP子网的输入对其进行训练。RBF-BP子网的隐含层节点的传递函数设置为高斯函数，如式(1)所示：ui(X)＝exp[-||X-ci||2/2σi2](i＝1,2,…,N2)(1)其中，ui(X)是第i个隐层节点的输出，X是步骤(1)输入样本，ci是高斯函数的中心向量，σi为节点的基宽度参数，且为大于零的数。将RBF子网的输出作为组合神经网络中的BP子网的输入。其隐含层节点的传递函数设计为Sigmoid型函数，如式(2)：f(x)＝1/(1+e-x)(2)因而BP子网络的隐层节点的输出为式(3)：Oj=f[Σi=1N2Wijui(X)]---(3)]]>其中，Wij为连接RBF隐含子层第i个节点到BP隐含子层的第j个节点的权值，N2为RBF隐含子层节点数。输出层：输出层的节点个数可根据情况来定。但为了简化神经网络的设计，本发明选择了一个输出节点，即最大功率点处的电压。计算输出层节点的输出值公式为式(4)：yk=f[Σj=1N3WjkOj]---(4)]]>其中，Wjk为连接BP隐含子层第j个节点到输出层第k个节点的权值，N3为BP隐含子层节点数。(3)网络初始化后确定蚁群算法最大最小信息素、各集合中随机数个数、隐层数、每个隐层最大节点数、蚂蚁数目及最大循环次数等。假定选择值集合为C＝{0，1}，其中0表示蚂蚁没有选择此节点，1表示蚂蚁选择了该节点，它们的初始信息素都为τ0，在MMAS算法中τ0取τmax。节点nij的阈值对应有一个集合，即Ib；权值共有p个集合，p的取值等于第i-1层的节点个数Si-1(当i＝1时，p的取值等于输入层节点数SI)，且每个权值集合都与i-1层的节点一一对应。所有集合都包含N个随机数，取值范围为[-5，5]，每个随机数的初始信息素也都为τ0。将该取值范围划分为均匀的N个区间，区间长度为10/N，则对应各区间为[-5,-5+10/N],…,[5-10/N,5]，在这N个区间内分别产生一个随机数，这些随机数就组成了节点nij的任意一个集合。(4)所有蚂蚁从第一个节点开始，采用并行方式，即当所有蚂蚁完成对某一节点的处理后，才继续下一节点，直到完成对所有节点的处理。对于第k只蚂蚁，当它选择了某个节点时，先判断该节点的前一层节点情况，然后根据下述规则所计算的概率按轮盘转法依次到与前一层节点相对应的各个权阈值集合中选择一个元素。元素选择规则：对任意一个节点，考虑其阈值集合Ib，蚂蚁k选取第j个元素的概率为：Pjk(Ib)=τj(Ib)/Σi=1Nτj(Ib)---(5)]]>τi(Ib)表示集合Ib中第i个元素的信息素。节点及权值元素的选择均与上述规则一致。(5)在本次迭代中，按m只蚂蚁构建的解依次建立对应的神经网络，输入训练数据并计算网络的MSE。记录蚂蚁所找到的最优解MSEbest'，用RBF-BP算法训练该神经网络一次，记录训练之后的MSEtrain、权值和阈值。则有：MSEbest＝min{MSEbest,MSEtrain}(6)(6)全局信息素更新及元素替换。对任意节点，其所有参数按下式进行信息素更新。τ=(1-ρ)*τ+Δτ,whenbelongstothebestsolution(1-ρ)*τ,others---(7)]]>(7)重复(4)到(6)，直到最大循环次数，退出循环。(8)利用最大最小蚁群算法优化后RBF-BP神经网络权值阈值后，训练网络。本发明的优点是对于光伏发电输出功率的追踪：(1)建立了一个由RBF子网和BP子网两部分构成双隐层RBF-BP组合神经网络，结合了RBF神经网络收敛速度快、群分类性能好和BP神经网络自学习、自适应能力强等优点，具有泛化性能更好、收敛速度更快、预测精度更高等特点。(2)运用最大最小蚁群算法优化网络权值和阈值，用于进一步优化RBF-BP神经网络。附图说明：此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，在附图中图1：RBF-BP网络结构图；图2：蚁群算法优化流程图。具体实施方式：为了使本发明专利易于明白了解，下面结合具体实施例进一步阐述。如图1所示，RBF-BP神经网络的拥有两个隐含层，输入数据经由RBF神经网络子网训练后作为BP神经网络子网的输入进行训练，该网络具有误差反向学习的能力，当训练结果达不到精度要求时，能反向修改神经网络的权值和阈值直至训练结果达到精度要求。如图2所示，基于遗传学算法改进的RBF-BP神经网络算法是在确认网络结构的情况下去，确认输出权值阈值长度。将输出和期望输出之间的误差绝对值作为适应度，再运用遗传学算法对数据进行选择、交叉和变异操作找到最优适应度对应的个体，进而确认RBF-BP神经网络的权值和阈值。测试训练后网络的误差是否满足预测光伏发电功率的精度要求。所述的基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功率预测方法，其特征在于包括如下步骤：(1)根据光伏发电输出特性，选取日常天气状况下统计并采集一天之中各个时段影响光伏发电电池板发电的因素，本发明中侧重于光伏电池板工作温度和光伏发电设备工作时的光照强度和光伏发电输出功率作为RBF-BP神经网络训练的输入输出。另选取同等条件下各个时段的样本数据作为RBF-BP神经网络的测试数据。(2)建立RBF-BP神经网络用于训练归一化后的样本数据。本发明提出建立的RBF-BP组合神经网络是结合了RBF神经网络收敛速度快、群分类性能好和BP神经网络自学习、自适应能力强等优点建立的一个由RBF子网和BP子网两部分构成双隐层RBF-BP组合神经网络，其具有泛化性能更好、收敛速度更快、预测精度更高等特点。本发明提出的RBF-BP组合神经网络分为：输入层、隐含层和输出层，各层的节点数设计如下：输入层：针对光伏发电最大功率的预测，在不考虑突变的天气情况和局部光照不均匀的情况下对光伏发电最大功率点影响的情况下，神经网络输入量的选取主要考虑两个部分，即光伏电池板工作温度和光伏发电设备工作时的光照强度。隐含层：本发明涉及到的RBF-BP神经网络，相比于传统的BP神经网络，在隐含层加入了RBF神经网络作为子层。输入步骤(1)中的样本先经过RBF神经网络子网进行训练，再将训练结果作为BP子网的输入对其进行训练。RBF-BP子网的隐含层节点的传递函数设置为高斯函数，如式(1)所示：ui(X)＝exp[-||X-ci||2/2σi2](i＝1,2,…,N2)(1)其中，ui(X)是第i个隐层节点的输出，X是步骤(1)输入样本，ci是高斯函数的中心向量，σi为节点的基宽度参数，且为大于零的数。将RBF子网的输出作为组合神经网络中的BP子网的输入。其隐含层节点的传递函数设计为Sigmoid型函数，如式(2)：f(x)＝1/(1+e-x)(2)因而BP子网络的隐层节点的输出为式(3)：Oj=f[Σi=1N2Wjui(X)]---(3)]]>其中，Wij为连接RBF隐含子层第i个节点到BP隐含子层的第j个节点的权值，N2为RBF隐含子层节点数。输出层：输出层的节点个数可根据情况来定。但为了简化神经网络的设计，本发明选择了一个输出节点，即最大功率点处的电压。计算输出层节点的输出值公式为式(4)：yk=f[Σj=1N3WjkOj]---(4)]]>其中，Wjk为连接BP隐含子层第j个节点到输出层第k个节点的权值，N3为BP隐含子层节点数。(3)网络初始化后确定蚁群算法最大最小信息素、各集合中随机数个数、隐层数、每个隐层最大节点数、蚂蚁数目及最大循环次数等。假定选择值集合为C＝{0，1}，其中0表示蚂蚁没有选择此节点，1表示蚂蚁选择了该节点，它们的初始信息素都为τ0，在MMAS算法中τ0取τmax。节点nij的阈值对应有一个集合，即Ib；权值共有p个集合，p的取值等于第i-1层的节点个数Si-1(当i＝1时，p的取值等于输入层节点数SI)，且每个权值集合都与i-1层的节点一一对应。所有集合都包含N个随机数，取值范围为[-5，5]，每个随机数的初始信息素也都为τ0。将该取值范围划分为均匀的N个区间，区间长度为10/N，则对应各区间为[-5,-5+10/N],…,[5-10/N,5]，在这N个区间内分别产生一个随机数，这些随机数就组成了节点nij的任意一个集合。(4)所有蚂蚁从第一个节点开始，采用并行方式，即当所有蚂蚁完成对某一节点的处理后，才继续下一节点，直到完成对所有节点的处理。对于第k只蚂蚁，当它选择了某个节点时，先判断该节点的前一层节点情况，然后根据下述规则所计算的概率按轮盘转法依次到与前一层节点相对应的各个权阈值集合中选择一个元素。元素选择规则：对任意一个节点，考虑其阈值集合Ib，蚂蚁k选取第j个元素的概率为：Pjk(Ib)=τj(Ib)/Σi=1Nτj(Ib)---(5)]]>τi(Ib)表示集合Ib中第i个元素的信息素。节点及权值元素的选择均与上述规则一致。(5)在本次迭代中，按m只蚂蚁构建的解依次建立对应的神经网络，输入训练数据并计算网络的MSE。记录蚂蚁所找到的最优解MSEbest'，用RBF-BP算法训练该神经网络一次，记录训练之后的MSEtrain、权值和阈值。则有：MSEbest＝min{MSEbest,MSEtrain}(6)(6)全局信息素更新及元素替换。对任意节点，其所有参数按下式进行信息素更新。τ=(1-ρ)*τ+Δτ,whenbelongstothebestsolution(1-ρ)*τ,others---(7)]]>(7)重复(4)到(6)，直到最大循环次数，退出循环。(8)利用最大最小蚁群算法优化后RBF-BP神经网络权值阈值后，训练网络。以上显示和描述描述了本发明专利的基本原理，主要特征和本发明专利的优点。本行业的技术人员应该了解，本发明专利不受上述实施例的限制，上述实施例和说明书中描述的只是本发明专利的原理，在不脱离本发明专利精神和范围的前提下，本发明专利还会有各种变化和改进，这些变化的改进都落入要求保护的本发明专利的范围内。当前第1页1 2 3