f (m) = I/(1+E (m))， ?Λ
[0079] 其中E(m)为粒子m对应的网路输出误差， ，1是期望输出值， yk是实际输出值，用向量P i = (P n，P12，…，PlN) 1表示粒子i到目前为止自身搜索到的最好 的适应度位置，记为P_st)，即个体极值，用向量Pg= (P gl，Pg2，…，PgN)τ记录全局所有粒子最 好的适应度位置，记为，即全局最优值，第i个粒子的速度也是一个N维的向量V 1 = (V11, vl2，…，vlN)'每个粒子的速度和位置的调整：
[0080]
[0081]
[0082] 式子中i代表粒子的标号，k代表迭代的次数，学习因子C1= C2= 2, Γι，r2是分 布于[0，1]之间的随机数；
[0083] 为了控制C和#在合理的区域内，设定范围，要求指SV_、V_、X_、X___J， 研究发现，惯性因子w对优化性能的影响，其值随着最优适应度值变化率K来改变，二者的 表达式为：
[0084]
[0085]
[0086] r为均匀分布于[0, 1]之间的随机数，f (t)为种群第t代的最优适应值，f (t_5) 为第（t-5)代的最优适应值，K表示了种群在最近5代内最优适应值的相对变化率，当 K多0. 05,种群处于适应值变化较大的探索阶段，此时惯性因子取大有利于算法快速收敛， K < 0. 05,种群适应值变化较小，惯性因子取小有利于获得跟精确的解；
[0087] 当粒子群进化到一定的迭代次数以后，若Pfctest)在较长时间内未发生变化时，所 有粒子都会向一个具有最优位置的粒子靠拢，此致粒子群表现出强烈的"趋同性"，如果该 最优位置为一局部最优点，粒子群就无法在解空间内重新搜索，陷入局部最优，因此当种群 进化到一定的程度，执行变异可以提高种群的多样性，而"变异"的粒子进入全局其他区域 进行搜索，从而可能发现新的最优解。
[0088] 定义当粒子的全局极值Pfctest)在连续15次没有变化（或变化很小）时，判断 若δ ;< h，其中δ i= I f「f (Pg) |2/m，h = f (Pg)/m，m为种群规模，对粒子产生新的位置
，其中A为粒子i当前的适应值，I为当前种群的平均适 应值
之间的随机数，X_、X_为上下界；
[0089] 当迭代达到预先设定的步数以后，算法结论得到了一个代表最优解的P(gbest)，利用 公式搜索在Ptebf3st)的邻域可能的更优解，设η为代表粒子P ^^^在η代的向量值，m = 0. 5， g是在[0, 0. 1]之间的随机数，粒子P(gtest)从第η代进化到n+1代后，若此时的P n+1的适应 值比上一代更好，则用Pn+1代替P n，否则不变，采用不变的参数进入下一次进化，直至达到进 化上限步数为止，公式为：
[0090] ΔΡη+1= mAPn+(l-m) gPn
[0091] Ρη+1= Ρη+ΔΡη+1
[0092] 迭代次数达到上限时，进而得到粒子群算法优化的模型参数初始值；
[0093] 进一步作为优选的实施方式，通过粒子群算法得到小波神经网络的初始参数值 加入到小波神经网络中，用梯度下降法对建立的神经网络进行训练学习，让预测误差尽可 能小，达到理想的标准；用梯度下降法进行训练，注意选择较小学习速率和较多训练次数 (500次一1000次）避免训练过程发生振荡以便得到更优解；
[0094] 进一步作为优选的实施方式，将训练好的网络进行预测，利用数据对太阳能光伏 发电量进行预测。
【主权项】
1. 一种基于粒子群算法小波神经网络的光伏发电量的预测方法，其特征在于：包括以 下步骤： A、 获取发电量的历史数据以及相关的历史天气参数信息； B、 对收集的数据进行归一化处理，设计小波神经网络结构，根据输入的特征向量的维 数和最后的输出的光伏发电量的状态数，确定小波神经网络的输入和输出层神经元个数， 并通过方法确定隐含层神经元个数，其中隐含层和输出层的激活函数分别用Morlet小波 函数和线性Purelin函数； C、 将一种改进的粒子群算法对小波神经的模型参数进行前期优化，是对网络的输入层 与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最 优解作为小波神经的初始参数值； D、 通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络中，再用梯度 下降法对建立的神经网络进行训练学习，让预测误差尽可能小，达到理想的标准； E、 将预测日前一日的有效发电时每小时发电量、预测日前一日的天气参数数据和预测 日的天气参数数据作为输入，采用训练后的神经网络对预测日的发电量进行预测。2. 根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方 法，其特征在于：所述发电量数据包括有效发电时间和每小时太阳能光伏发电的发电量，所 述历史天气参数信息包括天气类型、辐照强度、温度、相对湿度、云量、雨量。3. 根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方 法，其特征在于：所述步骤B，其包括： 根据输入的数据类型和输出的数据类型，确定输入和输出层的神经元个数，预测日前 一日的有效发电时每小时发电量、预测日前一日的天气参数数据和预测日的天气参数数据 作为输入，预测日的每个小时的发电量作为输出；隐含层的神经元个数通过逐渐递增试凑 法得出。4. 根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方 法，其特征在于：提出了小波神经网络模型的预测方法，其包括： 小波神经网络是神经网络和小波分析理论相结合的产物，他具有小波变换良好的时频 局域化特点和传统神经网络的自学习功能，具有很强的泛化能力与自适应数据和函数变化 的能力，小波神经网络有着更强的逼近、容错能力和更好的动态预测效果； 神经网络选用3层BP神经网络，其中将隐含层中的激活函数采用时频分辨率都较高的 Morlet小波基函数，即表达式为：5. 根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方 法，其特征在于：所述步骤C，包括将一种改进的粒子群算法对小波神经的模型参数进行前 期优化，是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和 阈值通过粒子群算法得到最优解作为小波神经的初始参数值； 神经网络的训练最常见的训练方法就是梯度下降法，这种经典的算法达到的精度非常 依赖于初始权值，且实际运用中训练速度较慢且易陷入局部极小值而达到早熟；粒子群算 法的优点在于收敛速度快，不需要计算目标函数的最佳梯度下降，减轻了计算的负担，但是 容易陷入局部极小值；针对这个缺陷，将变异进化的思想加入到PSO算法中，根据我们以往 的寻最优解的经验，适应度最好的解往往是被包围在大量的次最优解之中，因此很多时候， 次最优解被寻找出来而真正的没有被发现的最优解往往就在附近，因此在算法之后加上一 步针对局部小范围寻找最优的进化算法就很有必要，这种自适应变异算法可以在有限时间 内最大化搜索全局最优值。6.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方 法，其特征在于：所述步骤D和E，其包括：用梯度下降法进行训练，直到误差达到给定的精 度，或者达到最大训练步数，停止训练，将训练好的小波神经网络进行样本预测，输出仿真 预测结果。
【专利摘要】本发明涉及一种基于粒子群算法小波神经网络的光伏发电量的预测方法。该预测发明实现了太阳能光伏发电量的预测，实现了粒子群算法和小波神经网络学习神经系统的有机结合，该预测系统包括粒子群算法对小波神经网络的模型参数优化的模块、优化后的小波神经网络学习训练模块和训练结束后的小波神经网络预测模块。该预测方法结合粒子群算法和小波神经网络各自的优点，有效地提高了预测精度，减少了预测误差，为光伏发电的大规模并网提供技术支持，而且具有可移植性，只需要进行简单修改，可以为风能和其他新能源提供发电预测。
【IPC分类】G06Q50/06
【公开号】CN105139264
【申请号】CN201510302824
【发明人】葛愿, 黄超
【申请人】安徽工程大学
【公开日】2015年12月9日
【申请日】2015年6月6日