一种基于优化BP神经网络的超短期光伏功率预测方法与流程

本发明属于光伏发电功率预测领域，尤其涉及一种基于优化bp神经网络的超短期光伏功率预测方法。

背景技术：

1、短期功率预测是电力系统运行和调度中的关键问题，对于合理安排发电计划、调度负荷以及保障电力供应具有重要意义。准确的功率预测对电力系统的经济调度和优化运行有着重要的影响，但是现阶段提出的功率预测方法往往存在预测精度不高及收敛速度较慢等问题，针对光伏发电功率易受多维度因素影响的情况很难做出准确预测。

技术实现思路

1、本发明的目的在于克服现有技术中的缺陷，提供一种基于优化bp神经网络的超短期光伏功率预测方法。

2、本发明是这样实现的，

3、一种基于优化bp神经网络的超短期光伏功率预测方法，包括：

4、s1：利用wknn算法选取初始数据，给临近样本以更高权重的特性建立模型，求取最优k值并获取k组训练样本构造高斯混合模型聚类；

5、s2：由步骤s1的最优k值构造k组混合训练样本，该样本由k个混合成分构成，每个混合成分可定义为一个高斯高斯混合聚类分布；

6、s3：由步骤s2的高斯混合聚类分布通过em算法遍历样本求解参数，反复迭代直至收敛，归于后验概率最高样本得到高斯混合模型聚类的参数；

7、s4：由步骤s3的高斯混合模型聚类，最大化归一化后得到光伏功率预测方法的样本数据；

8、s5：由步骤s4的样本数据通过smote增强算法对初始学习器进行补足；

9、s6：由步骤s5补足后的初始化数据，通过蜂群搜索算法对烟花算法进行优化，以更快速度信息交互并获得网络模型中的最优权重和阈值；

10、s7：由步骤s6的网络最优权重和阈值，通过bp神经网络算法对光伏发电功率进行预测，并获得预测功率数值；

11、s8：由步骤s7的预测功率数值，进行性能评价。

12、进一步地，利用wknn算法选取初始数据，包括：

13、s101：初始化数据，将环境气压s、环境气温t、总辐照度h、散射辐照度w共同作为预测模型的表征，即x＝{s,t,h,w}；

14、s102：采用高斯函数对基础数据进行加权处理，高斯函数形式如下：

15、

16、其中a，b，c均为常数且a＞0；

17、s103：权重函数形式如下：

18、

19、

20、其中，xl为第l个近邻与待分类样本点之间的距离，k为选取的近邻数量；

21、s104：对a，b，c赋值后，求出最优k值。

22、进一步地，步骤s2中的高斯混合模型聚类考虑用em算法来求解高斯混合参数模型的参数，具体包括：

23、s201：利用加权k近邻算法构造k组混合训练样本，每个混合样本定义为一个高斯分布，对于样本x，x＝{s,t,h,w}，其真实类别标记为y∈y，y＝{1,2,...,n}为所有可能类别，定义高斯混合分布为：

24、

25、式中，αi为高斯混合成分的混合系数，αi＞0且p(x|μi,∑i)是样本x第i个混合成分的概率；μi与∑i为第i个高斯混合成分的参数；

26、s202：令f(x)∈y表示f对x的预测标记，θ∈{1，2，...,n}表述为x隶属的高斯混合分布成分，经最大化后可知f(x)概率为：

27、

28、其中，为第i个高斯混合生成成分的后验概率，p(y＝j,θ＝i,x)为x的第i个混合高斯成分且对应类别为j的概率；

29、s203：假设中k个类别每个类别对于一个高斯混合成分，p(y＝j,θ＝i,x)仅与x所属的θ有关联，由p(y＝j,θ＝i|x)等效替代，假定第i个参数成分对于第i个高斯混合参数，即p(y＝j|θ＝i)＝1当且仅当i＝j，否则p(y＝j|θ＝i)＝0。

30、进一步地，步骤s3具体包括：

31、s301：初始化k个多元高斯分布的参数μi和σi，其中参数μi和σi为第i个高斯混合成分的参数，μi为每个分布的均值，σi为协方差矩阵，假设每个混合元素具有各自的对角矩阵；

32、s302：；遍历所有样本点，计算样本xj属于各高斯混合成分的后验概率γji

33、

34、s303：基于γji的更新参数模型对μi和σi进行更新；

35、

36、

37、

38、其中，γji为样本点为xj的第i个高斯分布的后验概率，μi为每个分布的均值，∑i为协方差矩阵，αi为高斯混合成分的混合系数；

39、s304：重复s302和s303，直至各高斯参数收敛为止，遍历所有样本，将样本归于后验概率γji最大的一类，得到高斯混合模型聚类的参数。

40、进一步地，在光伏发电功率预测过程中，将环境气压s、环境气温t、总辐照度h、散射辐照度w共同作为预测模型的表征，即xj＝{sj,tj,hj,wj},j＝1,2,...,m，gmm的输入是长度为m的4维数组。

41、进一步地，步骤4中，具体包括：

42、根据生成的高斯混合模型聚类的数据样本为：

43、a＝{x1,x2,...,xm}＝{(s1,t1,h1,w1),(s2,t2,h2,w2),...,(sm,tm,hm,wm)}

44、s401：通过knn算法确定其中一个少数类样本xl的k个近邻；

45、s402：选取这k个近邻样本中的h个样本h＜k，h的值与多数类与少数的比值相关；

46、s403：通过对这h个样本的每一个样本进行随机线性插值合成新的少数类样本xnew,合成的公式为：

47、xnew＝xl+(xj-xl)α,j＝1,2,...,h

48、其中α为0～1之间的随机数。经扩充后的高斯聚类模型数据样本为：

49、a＝{x1,x2,...,xn}＝{(s1,t1,h1,w1),...,(sm,tm,hm,wm),...,(sn,tn,hn,wn)}

50、其中有：m＜n。

51、进一步地，步骤s6具体包括：

52、s501：初始化烟花种群ω和烟花个体xi，包括爆炸幅度系数ω，烟花爆炸数量e，爆炸半径a，变异火花数目m1；

53、s502：在步骤s303高斯混合模型a＝{x1,x2,...,xn}中随机产生一些初始烟花，每一个烟花个体xi代表解空间中的一个解，即xi∈ω；

54、s503：关键参数编码生成序列，选取实数向量的编码策略对模型中的关键参数进行编码，记x＝{x1,x2,...,xd}为一组待优化的参数，其中每一维都由网络权重和阈值组成，在神经网络中，记n1w(1,1)为输入层与隐含层间的权重值的个数，nb(1,1)为隐含层神经元阈值的个数，n1w(2,1)为隐含层与输出层间的权值的个数，nb(2,1)输出层神经元阈值的个数，则有:

55、d＝n1w(1,1)+nb(1,1)+n1w(2,1)+nb(2,1)

56、s504：混沌算法计算爆炸半径，通过混沌算法计算爆炸半径方法如下：

57、

58、其中r(i)t+1是某代产生的随机某个烟花的半径，是相对应r(i)t的上代烟花爆炸半径，r(i)相当于混沌算法的值域，取值范围在-1和1之间，初始的烟花半径在这个范围之内随机选取，半径迭代时采用上式的方式，使生成的爆炸半径具有随机特点，且经过筛选避免取值重复；

59、s505：半径迭代后通过蜂群搜索算法对烟花种群进行更新操作，建立轮盘赌模型，对与爆炸后的种群中所有烟花个体n，构建轮盘赌的模型烟花被选择的概率为下式所示：

60、

61、s506：通过蜂群算法对烟花个体进行更新，从被挑选的烟花xi中随机挑选目前种群的另一个烟花xj(i≠j)生成的新个体如下式：

62、

63、其中维度d∈{1,l,d}，且为在[-1,1]上的均匀分布；

64、s507：进行位置的修正，蜂群搜索算子的映射为下两式所示：

65、

66、

67、其中和为维度d的上下界，维度d∈{1,l,d}；

68、选择规则，将蜂群搜索算子生成新的烟花个体与当前个体相对比，如果新生成烟花适应度值更高则新生成的烟花个体替代当前个体，否则不替代，新的烟花替代旧烟花公式为：

69、

70、s508：计算适应度值，权重系数及阈值初始化，将神经网络中节点间的权重系数和阈值初始化在区间[-1,1]内，即xi～u[-1,1]，并用烟花算法中烟花个体xi的位置表示网络节点的权重系数和神经元的阈值，则每个烟花个体表示神经网络模型中的一个神经元；

71、s509：选择适应度函数；

72、s510：烟花种群寻优，针对每一个烟花个体xi,分别计算其适应度函数fi(x)，同时分别利用下列两式计算爆炸烟花的个数ei和爆炸半径ai：

73、

74、

75、式中，ymax＝max(f(xi))，i＝1，2，...，n是当前种群中所有烟花个体适应度值最差烟花个体的适应度值；ymin＝min(f(xi))，i＝1，2，...，n是当前种群中所有烟花个体适应度值最优烟花个体的适应度值，c和d均为常数，分别用来限制火花爆炸产生的总数和表示最大半径数值，ε用来保证分母不为零；

76、s511：基于下式对每个烟花个体xi进行爆炸，位移和变异操作：

77、h＝ai*rand(-1,1)

78、cxij＝xij+h

79、cxik＝xik*r

80、式中，h为位置偏移量，ai表示第i个烟花的爆炸半径，xij为第i个烟花的第k维度，r服从r～n(1,1)的高斯分布；

81、s512：根据下式选择最优烟花组成下一代烟花种群：

82、

83、其中，r(xi)为个体烟花xi到其他具体的距离之和，r(xi)具体为：

84、

85、s513：判断终止条件；

86、s514：更新网络权重和阈值，利用得到的最优烟花种群xbest对网络模型中的权重和阈值进行初始化更新。

87、进一步地，步骤513中，分别根据前式计算烟花种群中烟花个体的适应度值f(xi)和烟花个体间的欧式距离r(xi)，并判断是否满足最大迭代次数的终止条件，若满足则计算得到由当前烟花种群中具有最小适应度值minf(xi)的烟花个体以及具有最大的距离maxr(xi)的烟花个体组成新的烟花种群，并取当前的烟花种群为最优的烟花种群xbest，否则继续执行当前步骤。

88、进一步地，步骤509中，引入平方误差函数，来计算烟花个体的适应度值，则有：

89、

90、式中，t为网络的期望输出；p为网络的层数；s为网络输出单元的个数；y为网络实际输出值；

91、其中，神经网络实际输出的具体值为：

92、

93、式中，xj为网络的输入；ωij为网络节点的权重；θi为网络中第i个神经元的阈值且θi＝-ωi(n+1)；

94、适应度函数fi(x)为：

95、

96、进一步地，步骤s7中的结合优化烟花算法的bp神经网络融合算法，利用优化烟花算法更新网络权重和阈值，并利用得到的最优烟花种群xbest对网络模型中的权重和阈值向量x进行初始化更新，通过bp神经网络算法对光伏发电功率进行预测，并获得预测功率数值。

97、本发明与现有技术相比，有益效果在于：

98、本发明通过引入蜂群搜索算法对bp神经网络进行优化，增加算法求解效率的同时显著提升了预测精度，有效提高了电力系统的可靠性与经济性。