CN114298377A

CN114298377A - 一种基于改进极限学习机的光伏发电预测方法

Info

Publication number: CN114298377A
Application number: CN202111459373.1A
Authority: CN
Inventors: 张宇; 叶季蕾; 李斌; 时珊珊; 王皓靖; 方陈
Original assignee: East China Power Test and Research Institute Co Ltd
Current assignee: East China Power Test and Research Institute Co Ltd
Priority date: 2021-12-02
Filing date: 2021-12-02
Publication date: 2022-04-08

Abstract

本发明涉及一种基于改进极限学习机的光伏发电预测方法，包括以下步骤：1)获取光伏发电历史数据并进行预处理，并通过相关性分析获取影响光伏出力的主要因素；2)构建ELM预测模型并进行训练；3)采用遗传算法优化ELM预测模型参数；4)应用优化训练后的ELM预测模型进行光伏发电预测。与现有技术相比，本发明具有提升预测精度、减少冗余度、提高网络训练效率、避免初始化的权值和阈值对训练的结果有较大的影响等优点。

Description

一种基于改进极限学习机的光伏发电预测方法

技术领域

本发明涉及光伏发电预测领域，尤其是涉及一种基于改进极限学习机(ELM)的光伏发电预测方法。

背景技术

随着国家“分布式光伏电站整县推进政策”的实施，分布式光伏装机呈现爆发式增长。截至到2020年，我国光伏累计并网装机量达253GW，结合目前的“双碳”目标，预计到2030年，光伏发电总装机容量将超过1000GW。然而，光伏发电能力极大地依赖于天气条件，具有间歇性和波动性，如太阳辐照度是影响光伏发电功率输出的关键因素，温度和湿度等因素也会影响其性能。由于上述特性，分布式光伏的大规模接入势必会给电力***调度管理、消纳水平、经济运行等方面带来巨大挑战。

提升光伏出力预测的准确性有助于提前获取光伏出力特性，从而合理安排电网运行方式和应对措施，提高电网的安全性、可靠性和经济性。然而，从近几年的研究来看，虽然光伏预测模型的改进均提升了光伏功率预测精度，但包括ELM在内的传统神经网络算法中随机分配了部分参数，会对预测结果产生了一定程度的误差与波动，造成预测不准确的后果。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进极限学习机的光伏发电预测方法，通过PCC与GA算法优化后与ELM模型相结合的方式，提升光伏发电预测模型的准确性。

本发明的目的可以通过以下技术方案来实现：

一种基于改进极限学习机的光伏发电预测方法，包括以下步骤：

1)获取光伏发电历史数据并进行预处理，并通过相关性分析获取影响光伏出力的主要因素；

2)构建ELM预测模型并进行训练；

3)采用遗传算法优化ELM预测模型参数；

4)应用优化训练后的ELM预测模型进行光伏发电预测。

所述的步骤1)中，对光伏发电历史数据进行归一化处理，则有：

其中，p_j为第j的原始光伏发电功率数据，p_j，min为j列数据的最小值，p_j，max为j列数据的最大值，

为归一化后的光伏发电功率数据。

所述的步骤1)中，对影响光伏出力的影响因素和实际光伏发电功率进行相关性分析，计算各影响因素与实际光伏发电功率之间的PCC相关系数，并根据PCC相关系数选取主要因素。

所述的选取PCC相关系数绝对值较大的前k个影响因素作为主要因素。

所述的影响光伏出力的影响因素包括辐照度、温度、风速、风向、湿度和压强，选取的主要因素具体包括辐照度、温度和湿度。

所述的步骤2)具体包括以下步骤：

21)构建预测光伏发电的训练样本[x_i，p_i]，其中，x_i＝[x_i1，x_i2，...，x_iN]^T∈R^N为第i个影响光伏出力的主要因素的数据向量，N为训练样本个数，p_i∈R为样本输出值，即光伏发电功率；

22)构建由输入层、隐含层、输出层组成的ELM预测模型，其表达式为：

其中，β_i为隐含层与输出层的连接权值，g(·)为隐含层神经元的激活函数，ω_i为输入层与隐含层神经元之间的连接权值，b_i为隐含层神经元的阈值，h为隐含层神经元的个数；

23)确定隐含层神经元个数h并随机生成连接权值ω_i和阈值b_i；

24)选择Sigmoid函数作为隐含层神经元的激活函数，并进行模型的训练。

所述的步骤23)中，基于经验公式确定隐含层神经元个数h，则有：

其中，m为输入层神经元个数，n为输出层神经元个数，a为1～10之间的常数。

所述的步骤3)具体包括以下步骤：

31)初始化，设定遗传算法的参数，包括种群数K、最大迭代次数、交叉概率、变异概率；

32)将光伏功率训练数据预测的误差绝对值之和作为个体的适应度值；

33)对ELM预测模型随机产生的连接权值和阈值进行二进制编码，构造编码链，产生初始种群；

34)对种群开始训练并计算每个种群的适应度，对种群进行选择、交叉和变异操作得到新种群；

35)判断是否达到最大迭代次数，如果是，则输出优化后的连接权值和阈值，否则返回步骤34)。

所述的步骤33)中，遗传算法个体的编码长度l为权值个数与阈值个数之和。

该方法还包括对ELM预测模型进行性能评估，具体为：

采用误差通用评价指标，即均方误差、决定系数、平均绝对误差和平均预估偏差率对ELM预测模型的预测结果进行分析。

与现有技术相比，本发明具有以下优点：

一、本发明通过皮尔逊相关系数法对光伏预测模型的输入变量进行筛选，选择与光伏发电量相关性较强的气象因素作为输入变量，大大提升了光伏预测的精度并减少了模型冗余度；

二、ELM模型相比于现有的神经网络模型，既没有负反馈过程中过多迭代产生的复杂数学运算，极大地提高了网络训练效率，又满足了隐藏层进行非线性运算的需求；

三、ELM模型各层的权值和阈值都是随机生成的，采用遗传算法来优化预测模型随机生成的参数，避免初始化的权值和阈值对训练的结果有较大的影响。

附图说明

图1为PCC-GA-ELM模型的流程图。

图2为ELM神经网络结构图。

图3为典型日光伏发电预测结果对比图。

图4为典型日光伏发电预测误差对比图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，给出了PCC-GA-ELM模型的流程，本发明提供一种改进极限学习机(ELM)的光伏发电预测方法，包括以下步骤：

步骤1：对光伏发电历史数据的处理，主要包括以下主要步骤：

步骤1-1：历史数据归一化处理，其公式为：

其中，x_i为第i列的原始光伏出力数据；x_i，min为i列数据的最小值；x_i，max为i列数据的最大值；

为归一化后的数据。

步骤1-2：对影响光伏出力的影响因素和实际发电功率进行相关性分析，计算两个随机变量X_i，Y_i之间的相关度，即两变量间的PCC相关系数可通过式(2)来计算：

其中：

分别为变量X_i和Y_i的平均值，相关系数ρ_X，Y绝对值越大，相关性越强。

步骤1-3：确定随机变量：某一光伏电站的历史数据中，影响光伏发电预测的因素变量X_i包括：辐照度、温度、风速、风向、湿度和压强；输出变量Y_i为光伏的实际出力；

步骤1-4：确定随机变量之后，返回到步骤1-1进行相关性分析，选择ρ_X，Y绝对值较大的影响因素将被选为预测模型的输入特征变量，由表1可以看出辐照度、温度和湿度是影响光伏出力的主要气象因素。

表1主要影响因素分析

步骤2ELM预测模型结构如图2所示，由输入层、隐含层、输出层三层组成，具体包括以下步骤：

步骤2-1：预测光伏电站发电量的训练样本为[x_i，p_i]，x_i＝[x_i1，x_i2，...，x_iN]^T∈R^N作为影响光伏出力的主要因素，p_i∈R为训练的学习样本输出值，即光伏发电功率，则ELM模型的数学表达式为：

式(3)中，g(·)为隐含层神经元的激活函数；ω_i为输入层与隐含层神经元之间的连接权值；b_i为隐含层神经元的阈值。

步骤2-2：基于经验公式确定隐含层神经元个数，随机产生ω_i和b_i；

式(4)中h为隐含层神经元的个数；m为输入层神经元个数；n为输出层神经元个数；a为1～10之间的常数。

步骤2-3：选择一个无限可微的隐含层神经元的激活函数，本发明预测模型选用Sigmoid函数作为激活函数如式5所示，计算出隐含层输出矩阵H；

若隐含层的神经元个数与训练样本个数相等时，对于任意的ω_i和b_i，ELM神经网络都能以零误差逼近训练样本，即

根据式(6)可得：

也可以写成矩阵形式T＝Hβ，故隐含层输出矩阵H表示为：

步骤2-4：计算隐含层与输出层的连接权值β，可以通过求解下面方程组的最小二乘解得：

min|||Hβ-T′||#(8)

可表示为：

β＝H⁺T′#(9)

式(9)中H⁺为H的Moore-Penrose广义逆，T′为网络输出的转置。

步骤2-2中，设定的h＝12，m＝4，n＝1。

步骤3：GA优化ELM模型的具体过程包括以下具体步骤：

步骤3-1：初始化，设定遗传算法的参数：种群数K、迭代次数、交叉概率、变异概率等，将光伏功率训练数据预测的误差绝对值之和作为个体的适应度值，个体适应度越小，则个体最优，适应度函数如式10所示。

其中：O_i为预测功率值，T_i为实际功率值，N为样本总数。

步骤3-2：对ELM随机产生的连接权值和阈值进行二进制编码，从而构造编码链，产生初始种群；设ELM模型中输入层节点数为m；隐含层节点数为h；输出层节点数为n，则输入层到隐含层的权值为m*h的矩阵，隐含层的阈值为h，隐含层到输出层的权值h*n，输出层的阈值为n，那么遗传算法个体的编码长度为：

l＝m*h+h*n+h+n#(11)

其中m*h+h*n为权值个数；h+n为阈值个数。

步骤3-3：开始对种群进行训练，计算每个种群的适应度，设种群F(y)，y∈K，K为种群数，其中K＝(y₁，y₂，...，y_k)，对于任意的y_i，则有y_i＝(x₁，x₂，...，x_k)，即每个染色体含有k种基因，则：

步骤3-4：根据计算的适应度，对种群进行选择、交叉和变异操作，从而得到新种群，迭代次数加1；

步骤3-5：判断是否达到最大迭代次数，如果是，继续下一步操作，否则返回至步骤3-3再次循环；

步骤3-6：对参数进行解码得到优化后的权值和阈值，通过极限学习机训练，得到优化后的极限学习机的预测结果。

步骤3-1中，设定的种群大小为50，交叉概率为0.7，突变概率为0.01，迭代次数为200，目标误差为0.0001。

为了评估本发明中所提出的光伏出力预测模型的性能，本发明将采用误差通用评价指标即均方误差(MSE)、决定系数(R²)、平均绝对误差(MAE)和平均预估偏差率(ADR)对预测结果进行分析。

上式中，P_i为光伏发电功率实际值；

为光伏发电功率预测值；

为P_i的平均值；N为样本数量，15min为一个采样点，故N＝96。

本发明通过MATLAB软件仿真平台对所建立的模型进行了研究，为了能够更加清楚地获取所提方法的准确性，选取了另外两种预测模型进行了仿真分析，分别为极限学习机模型(ELM)、Person相关系数法与ELM组合模型(PCC-ELM)。通过对不同预测模型的训练和测试，获得典型日的光伏发电功率预测结果，图3为不同预测模型下的典型日光伏发电预测结果对比图，可以看出PCC-GA-ELM模型的预测结果更加接近实际值。

为了可视化不同模型预测误差的高低，将三种模型预测典型日的光伏出力误差做了对比，结果如图4所示，可以清晰的看出，相比于ELM和PCC-ELM，PCC-GA-ELM模型的预测误差分别平均降低了68.7％和4.7％。此外，基于仿真结果对不同方法得到的预测值与实际值之间的误差指标做了统计，得到了预测某一典型日的三种预测模型误差统计结果如表2所示。

表2三种预测模型误差指标统计表

从表2中可以看出：基于PCC-GA-ELM模型的预测结果更加接近实际值。其中，均方误差(MSE)用来反映光伏功率预测量和真实值之间差异的程度，PCC-ELM模型的MSE比ELM模型降低了31％，而基于PCC-GA-ELM模型的MSE降低至0.345；决定系数(R²)是阐明因变量变化可靠程度的一个统计指标，三种方法预测得的R²值都较高，而PCC-GA-ELM预测结果的R²值更加接近于1；平均绝对误差(MAE)用来描述预测值与真实值的误差情况，PCC-ELM和PCC-GA-ELM模型相比于单一的ELM都将MAE的值降至1以下，但PCC-GA-ELM的平均绝对误差更低；预估偏差率(ADR)更能反映预测值与真实值的误差波动情况，PCC-GA-ELM模型的ADR比PCC-ELM降低了5.5％，相比于ELM降低了12.8％。

本发明通过皮尔逊相关系数法对影响光伏输出功率的因素进行分析筛选，建立了改进的ELM光伏预测模型，通过遗传算法对ELM模型进行改进优化，逐步迭代出优化后的权值和阈值，有效避免了模型的输入冗余和ELM随机产生的参数对预测结果精度的影响。通过算例验证，本发明所提出的PCC-GA-ELM模型能够准确预测光伏发电功率，并且有较好的泛化性能，提供了一种较好的短期光伏功率预测方法。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。