亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于特征提取的FA-BP短期光伏發(fā)電預測

        2021-04-16 04:35:28韓璐宋海亮宋佳劉太豪
        南昌大學學報(工科版) 2021年1期
        關(guān)鍵詞:螢火蟲亮度特征提取

        韓璐,宋海亮,宋佳,劉太豪

        (西南石油大學電氣信息學院,四川 成都 610500)

        因光伏發(fā)電自身帶有特殊的間歇特性以及波動特性,當含有大量分布式光伏微電源并入電網(wǎng)時,會使電網(wǎng)的安全性能和經(jīng)濟性能遭受巨大的挑戰(zhàn)[1-2]。光伏發(fā)電會因當時的天氣情況不斷變化,因此具有很大的不確定性,會給調(diào)度過程帶來一定的影響[3]。精準的預測方法能夠有效地避免出現(xiàn)諸如光伏出力造成的配電網(wǎng)損耗增加[4]等問題。

        目前,針對光伏發(fā)電功率預測的精度問題,在國內(nèi)外被越來越多的學者研究,并取得了一定的成果。李樂等[5]針對傳統(tǒng)預測算法在突變天氣條件下預測精度較低的問題,提出基于近鄰傳播聚類和回聲狀態(tài)網(wǎng)絡的組合算法,通過近鄰傳播網(wǎng)絡狀態(tài)方程進行光伏出力預測的方法。張程熠等[6]提出了一種適用于雙層神經(jīng)網(wǎng)絡小樣本的單步光伏預測方法,有效減少對訓練樣本數(shù)量的需求,同時保證預測的準確度。李練兵等[7]提出一種采用Elman神經(jīng)網(wǎng)絡算法,結(jié)合與預測日同日類型下整點時刻的氣象數(shù)據(jù)和光伏輸出功率數(shù)據(jù),建立光伏發(fā)電短期功率預測模型,但是因其并沒有考慮到更多的真實天氣情況,從而使預測的效果和精度欠佳。文獻[8-10]都是基于深度學習對光伏發(fā)電預測進行了研究,但是就影響因素方面,并沒有涉及天氣情況。

        本文考慮更全面的天氣信息對光伏發(fā)電預測精度的影響,加入特征提取的方法,尋找光伏發(fā)電在天氣數(shù)據(jù)中影響因素的主要組成成分。由于光伏發(fā)電時常伴隨著隨機性和不確定性,導致使用預測中的傳統(tǒng)方法對其進行預測時,會有很大的缺陷和約束。BP神經(jīng)網(wǎng)絡的引入會有效改善光伏發(fā)電的預測效果,但是單一的傳統(tǒng)的BP神經(jīng)網(wǎng)絡訓練性能和求解精度都欠佳,而FA是新崛起的一種智能優(yōu)化算法,在優(yōu)化局部和全局,以及魯棒性能等發(fā)面有著獨特的優(yōu)勢。所以本次研究在基于特征提取的方法上利用FA優(yōu)化BP神經(jīng)網(wǎng)絡的初始閾值與權(quán)值,進而提高預測模型的訓練效果以及求解精度。

        1 歷史數(shù)據(jù)PCA特征提取

        特征提取是根據(jù)原始數(shù)據(jù)加工植入出一些具有實際意義的特征,目的是替代從原始數(shù)據(jù)中收獲有用的信息[11],以供算法和模型使用。光伏發(fā)電功率預測的精度與天氣情況有很大的關(guān)系,歷史數(shù)據(jù)特征提取的好壞會直接影響預測的精度,所以精準的特征提取是使預測模型達到更好預測結(jié)果的前提,在預測環(huán)節(jié)中尤為重要。主成分分析法(PCA)僅僅需要考慮對特征值進行分解,就可以對數(shù)據(jù)維度進行精簡,達到特征提取的目的。

        PCA的中心思想是:

        1) 將數(shù)據(jù)降維。

        2) 將原變量利用線性組合得到新變量。

        3) 依據(jù)所得新變量的貢獻率,選擇出少數(shù)的主要成分。

        PCA的主要優(yōu)點有:

        1) 只需通過方差來權(quán)衡各個信息量的比重,不會受到數(shù)據(jù)集本身以外任何因素的影響。

        2) 通過各主成分間正交的方法,從而使初始各成分不受彼此之間的影響。

        3) 采用的主要運算是特征分解,方法簡單,易于實現(xiàn)。

        本文針對全面復雜的天氣數(shù)據(jù)(其中包括云覆蓋、溫度、陣風風速、降水類型、降水強度以及降水概率等共計15項)采用PCA技術(shù)進行歷史數(shù)據(jù)的特征提取,作為后面BP神經(jīng)網(wǎng)絡預測模型與FA-BP預測模型的輸入,利用PCA可以對歷史天氣數(shù)據(jù)進行去噪與數(shù)據(jù)降維,即去除對光伏發(fā)電預測結(jié)果影響小的因素,提取對光伏發(fā)電預測結(jié)果的主要影響因素,使原始數(shù)據(jù)的維度得到有效的壓縮,使后述模型的求解速度顯著加快。

        2 BP神經(jīng)網(wǎng)絡模型

        針對光伏發(fā)電預測非線性、特征參數(shù)較多等特點,由于BP神經(jīng)網(wǎng)絡具有強大的學習以及映射擬合的能力,能夠很好地處理非線性以及復雜參數(shù)的問題,于是采用構(gòu)建BP神經(jīng)網(wǎng)絡模型的方法對光伏發(fā)電進行功率預測研究。就非線性系統(tǒng)而言,使用BP神經(jīng)網(wǎng)絡能夠很好地調(diào)整系統(tǒng)內(nèi)各神經(jīng)元之間的權(quán)重值。BP神經(jīng)網(wǎng)絡是一種能夠以樣本的輸入和目標的輸出為依據(jù)來初始化其權(quán)值和閾值,并進行網(wǎng)絡訓練的多層前饋型神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡模型的自身性能會隨著隱含層的增加而得到提高,但是同時網(wǎng)絡的規(guī)模會隨之變大,增強復雜性,增大計算量,減慢計算速度。經(jīng)理論研究表明,僅含有一個隱含層的神經(jīng)網(wǎng)絡可以逼近任意精度的連續(xù)函數(shù),因此本次研究采用3層的BP神經(jīng)網(wǎng)絡模型對光伏發(fā)電進行預測,BP神經(jīng)網(wǎng)絡基本結(jié)構(gòu)如圖1所示,BP神經(jīng)網(wǎng)絡預測流程如圖2。

        圖1 BP神經(jīng)網(wǎng)絡基本結(jié)構(gòu)Fig.1 BP neural network structure

        BP神經(jīng)網(wǎng)絡的工作原理如下:

        1) 權(quán)重和偏差值的隨機初始化,訓練數(shù)據(jù)歸一化。

        2) 使用以下公式計算每次迭代的輸出:

        圖2 BP神經(jīng)網(wǎng)絡預測流程Fig.2 BP neural network prediction process

        (1)

        (2)

        式中:ωbi為節(jié)點b到i的權(quán)重;yi為變換函數(shù)。根據(jù)上述兩個公式,能夠分析BP神經(jīng)網(wǎng)絡的輸出計算結(jié)果。xb由每個神經(jīng)元接收yi與權(quán)重ωbi產(chǎn)生,然后通過激勵函數(shù)產(chǎn)生yb,并將信號傳遞至下面一層的聯(lián)接神經(jīng)元,然后將結(jié)果依次輸出。

        3) 計算誤差和權(quán)重更新,然后根據(jù)BP規(guī)則調(diào)整權(quán)重。

        4) 不斷更新權(quán)重以及誤差,然后針對所有的訓練數(shù)據(jù)重復第2步和第3步。

        5) 重復第2步到第4步,直到誤差能夠達到合理的范圍。

        隱含層中神經(jīng)元個數(shù)的改變會影響預測誤差以及網(wǎng)絡性能。計算最佳神經(jīng)元數(shù)量的公式如式(3):

        (3)

        式中:Hn為最佳神經(jīng)元數(shù)量;M和N分別為輸入和輸出參數(shù);而Tn為訓練數(shù)據(jù)集的數(shù)量。

        3 光伏發(fā)電預測

        針對傳統(tǒng)BP神經(jīng)網(wǎng)絡訓練效果欠佳和求解精度較低的問題,提出一種FA-BP的預測模型對光伏發(fā)電進行預測,該模型的基礎結(jié)構(gòu)為BP神經(jīng)網(wǎng)絡模型,利用FA對基礎網(wǎng)絡模型的參數(shù)進行優(yōu)化,進而增強其訓練效果,提高其預測精度。

        3.1 FA原理

        盡管目前缺少嚴格的數(shù)學分析去證明螢火蟲優(yōu)化算法的合理性,但是根據(jù)大量的實驗以及與其他群智能優(yōu)化算法(粒子群、遺傳算法等)進行分析與對比,能夠得出螢火蟲優(yōu)化算法在尋優(yōu)速度和精度上表現(xiàn)出較高的性能[12]。

        FA主要尋優(yōu)過程如下:

        假設一個螢火蟲的固定位置為X,同時該螢火蟲的亮度可以表示為i(x)f(x),然而,吸引力β是相互作用的,即表示某個螢火蟲對其他螢火蟲的吸引程度,由此可知β會因螢火蟲i與螢火蟲j之間間隔大小rij的改變而改變[13]。其亮度會隨著兩者間隔距離的增大而降低,表明亮度在傳播過程中會受到介質(zhì)的影響,因此吸引力會隨著亮度的吸收程度的變化而改變。

        由上述過程可得亮度公式為:

        I=I0e-γr

        (4)

        式中:I0為開始時的亮度;γ為光的吸收系數(shù);r為螢火蟲之間的距離。

        根據(jù)以上描述的過程和原理,可知個體吸引力與其他個體所能看到的亮度大小有關(guān),即可以將個體吸引力β定義為:

        β=β0e-γr2

        (5)

        式中:β0為當r=0時個體所具有的吸引力,此時最大,并且一般情況下取β0=1。

        任意兩個個體xi和xj之間的距離大小rij可以表示為式(6):

        (6)

        位置更新公式為:

        (7)

        式中:ζi為服從高斯分布的變化量;α在0~1之間,為常數(shù)。因此當β0=0時,即個體周圍無其他個體時,其會進行隨機移動。

        FA的基本步驟為:

        1) 個體參數(shù)和位置的初始化;

        2) 通過目標函數(shù)求解個體適應度值;

        3) 螢火蟲位置更新;

        4) 螢火蟲亮度更新;

        5) 具有最高的亮度個體就是所要尋找的最優(yōu)個體;

        6) 判別可否滿足結(jié)束的要求,如若滿足,流程結(jié)束;否則返回執(zhí)行步驟3)。

        FA基本工作流程如圖3所示。

        圖3 FA基本工作流程Fig.3 Basic process of FA algorithm

        3.2 建立PCA-FA-BP預測模型

        PCA-FA-BP模型的構(gòu)建思路是:首先,利用PCA技術(shù)對該模型所需的歷史數(shù)據(jù)進行降維去噪。然后,根據(jù)本文的研究目的與方向,結(jié)合研究現(xiàn)狀,選擇和構(gòu)建所需的基礎預測模型,即3層的BP神經(jīng)網(wǎng)絡模型。最后,利用FA對BP神經(jīng)網(wǎng)絡的權(quán)值和閾值進行優(yōu)化。

        模型構(gòu)建的基本步驟如下:

        1) 數(shù)據(jù)預處理。利用PCA技術(shù)對光伏發(fā)電歷史數(shù)據(jù)以及天氣數(shù)據(jù)進行預處理。

        2) 產(chǎn)生訓練集/測試集。選取處理后數(shù)據(jù)中的前29 d(每天24 h)的數(shù)據(jù)作為預測模型的訓練集,未來24 h的數(shù)據(jù)作為預測模型的測試集。

        3) PCA-FA-BP神經(jīng)網(wǎng)絡。把經(jīng)過PCA處理后的訓練集輸入到預測模型中,并進行網(wǎng)絡訓練,直至滿足訓練要求停止。

        4) 光伏發(fā)電功率預測。網(wǎng)絡訓練完成后,即可得出根據(jù)相應的天氣數(shù)據(jù)的光伏發(fā)電預測結(jié)果。

        FA-BP預測流程如圖4所示。

        圖4 FA-BP預測流程Fig.4 FA-BP forecasting process

        4 仿真驗證與結(jié)果分析

        本文以國外某地小型光伏發(fā)電站為研究對象,根據(jù)歷史天氣數(shù)據(jù)(每天24 h)以及對應時刻的光伏發(fā)電量數(shù)據(jù)進行未來24 h的短期光伏發(fā)電功率預測,將云覆蓋、溫度、濕度、露點、紫外線強度、風向、平均風速、陣風風速、降水類型、降水強度、降水概率、臭氧含量、能見度以及日出與日落時間等15個原始變量數(shù)據(jù)作為模型的輸入,各時刻的光伏發(fā)電量為輸出,建立BP神經(jīng)網(wǎng)絡預測模型和FA-BP預測模型,并采用PCA方法對輸入數(shù)據(jù)進行降維處理,根據(jù)PCA方法中解釋程度(explained=78.984 1;6.996 3;5.010 6;5.004 6;4.003 2;6.159 4e-4;3.505 3e-4;8.173 1e-5;3.669 8e-5;1.455 9e-5;1.012 1e-5;5.134 9e-6;4.241 8e-6;2.618 9e-6;4.100 9e-9),可以看出前5個天氣因素(紫外線強度、溫度、日出時間、日落時間、云覆蓋率)能夠達到98%以上的解釋程度,即將原有的15維數(shù)據(jù)降到5維,然后分別建立PCA-BP預測模型以及PCA-FA-BP預測模型。

        在光伏發(fā)電預測模型中選取2019年5月1日—29日的光伏發(fā)電數(shù)據(jù)以及對應的天氣數(shù)據(jù),利用1日—29日的各項數(shù)據(jù)進行訓練,利用30日的各項數(shù)據(jù)進行測試(FA的參數(shù)設置最大迭代次數(shù)為20,吸收系數(shù)為1)各種預測模型比較結(jié)果如圖5所示。

        圖5為BP神經(jīng)網(wǎng)絡模型、PCA-BP模型、FA-BP模型以及PCA-FA-BP模型4種光伏發(fā)電預測結(jié)果。表1為4種預測方式比較結(jié)果,可以看出PCA-FA-BP光伏發(fā)電預測模型誤差明顯低于其他3種預測模型。由于將PCA技術(shù)引入到本次預測研究中,將原始多維數(shù)據(jù)的主要成分提取出來,降低了數(shù)據(jù)的維度,去除了干擾項,使輸入節(jié)點減少,收斂速度與FA-BP模型相比,得到了有效提到。

        t/h圖5 各種預測模型比較結(jié)果Fig.5 Comparison results of various forecats

        表1 4種預測方式結(jié)果比較Tab.1 Comparison of four forecasting methods

        5 結(jié)論

        光伏發(fā)電的功率預測對新能源的開發(fā)與利用,以及微電網(wǎng)的優(yōu)化調(diào)度等方面具有重要的工程意義。本次研究提出了一種基于PCA-FA-BP的光伏發(fā)電預測模型。通過仿真算例分析,PCA-FA-BP光伏發(fā)電預測模型分別與BP神經(jīng)網(wǎng)絡模型、PCA-BP模型以及FA-BP模型相比,精確度分別提高54.9%、45.8%和37.1%。由于PCA技術(shù)的引入,在預測時間上PCA-BP模型比BP神經(jīng)網(wǎng)絡模型減少1.3%;PCA-FA-BP模型比FA-BP模型減少25.9%。仿真結(jié)果表明PCA-FA-BP光伏發(fā)電預測模型擁有更佳的訓練效果以及預測精度。

        猜你喜歡
        螢火蟲亮度特征提取
        亮度調(diào)色多面手
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        螢火蟲
        螢火蟲
        亮度一樣嗎?
        Bagging RCSP腦電特征提取算法
        基于斬波調(diào)制的LED亮度控制
        人生的亮度
        抱抱就不哭了
        夏天的螢火蟲
        男奸女永久免费视频网站| 丝袜美腿亚洲综合玉足| 少妇下面好紧好多水真爽| 老色鬼在线精品视频| 亚洲精品综合一区二区三| 精品国产一区二区三区久久女人| 综合中文字幕亚洲一区二区三区| 午夜久久久久久禁播电影 | 少妇人妻偷人精品视频| 视频国产精品| 天堂麻豆精品在线观看| 欧美伦费免费全部午夜最新| 国产超碰人人做人人爱ⅴa| 亚洲欧美在线视频| 人妻人妇av一区二区三区四区 | 中文字幕有码在线人妻| 人妻仑乱a级毛片免费看| 一本色综合亚洲精品蜜桃冫| 99久久精品国产亚洲av天| 国产亚洲熟妇在线视频| 亚洲热线99精品视频| 国产区福利| 区三区久久精品水蜜桃av| 丁香五月缴情在线| 老色鬼永久精品网站| 欧美中出在线| 精彩视频在线观看一区二区三区| 午夜理论片yy44880影院| 91av国产视频| 青青草在线成人免费视频| 久久精品国产久精国产爱| 夫妇交换刺激做爰视频| 亚洲av中文aⅴ无码av不卡| 偷拍一区二区三区四区视频| 一本一道久久综合久久| 天天躁日日操狠狠操欧美老妇| 蜜桃视频成年人在线观看| 麻豆亚洲av熟女国产一区二| 乌克兰少妇xxxx做受6| 日本人妻伦理片在线观看 | 亚洲国产天堂久久综合网|