基于capso-rnn的光伏系统短期发电量预测 short-term generation forecasting for photovoltaic system based on capso-rnn algorithm.pdfVIP

簟4,5●簟4期 中国电力 V纠．45．No．4 2012年4月 E1．ECTRICPOWER Kin．2012 基于l鲫P圆；《心R籼刚舯毙低罨统短期基电量颥测 赵杰，张艳霞 (天津大学智能电网教育部重点实验室，天津300072 摘要：针对光伏系统的发电特性及影响光伏发电的因素．建立基于混沌自适应粒子群优化算法的反馈型 神经网络短期发电量预测模型．该预测模型利用混沌自适应粒子群优化算法的全局优化能力初始化反馈性 神经网络权值和阈值．可以克服反馈型神经网络收敛速度慢俄且易陷于局部最优等缺点。同时为提高预测 精度．采用隶属度甬数对温度进行模糊化处理。预测结果表明．建立的预测模型具有较高的精度。 关键词：光伏系统；发电量预测：混沌白适应粒子群优化算法：反馈型神经网络 中图分类号：TM615 文献标志码：A 文章编号：1004—9649(2012)04-0087．05 收敛条件。其速度和位置的更新公式为： 0引言 z。(￡+1)≈。．(t)¨。．(t十1) (2) 光伏发电系统受自然条件影响．其功率变化具 式中：c．，c，为加速度常数；r．和r，为2个相互独立的 有不确定性．并网后影响系统的调度和机组出力计 [0，1]随机数；x。(0和口。(￡)表示微粒i中的第』维 划。因此．对光伏系统的发电量预测进行研究．预先 在第t次迭代的位置和速度；p。和P。分别为个体和 获得其日发电量曲线．可减少光伏发电随机性对电 全局最好位置：”为权重系数。 力系统的影响．提高系统稳定性It-2]。 12CAPSO—RNN算法 文献[3]采用光照强度历史数据，通过神经网络 基本PSo算法巾存在着初始化过程随机且容 方法进行光照强度预测．由预测得到的光照强度和 易陷入局部最优等问题．针对这些不足．本文将混沌 环境温度等参数间接计算光伏发电量．具有较高的 优化思想和惯性权值∞的自适应调整一同用于改 预测精度．但是该间接预测法未考虑光伏系统本身 进传统的PsO算法t’4-111． 如安裴角度及光伏阵列的转换效率等因素的影响。 此外．由于CAPSO算法具有较好的全局收敛能 文献『4—5]采用光伏电站历史发电量数据．分别通 力和较强的鲁棒性．且不需要借助问题的特征信息． 过支持向量机和BP神经网络法对光伏发电量进行 本文将CAPSo算法和RNN相结合用于光伏系统的 预测．但未考虑算法初始化条件的随机性问题。本文 发电量预测．不仅可以提高神经网络的泛化映射能 采用混沌自适应粒子群优化(CAPSO)和反馈型神经 力，而且能够提高神经网络的收敛速度和精度。 网络(RNN)相结合的方法建立光伏系统短期发电量 (1)初始化RNN的网络结构．设定其输入层、隐 预测模型，优化RNN网络参数．较RNN、BP法具有含层及输出层的神经元个数。将RNN中各神经元问 更优的收敛速度和准确性。 的权值和阈值编码成实数串表示的个体(粒子)。 (2)设置CAPSO算法的初始化相关参数和终止 1 自适应混沌粒子群优化算法和反馈型神 条件。利用CAPSO算法寻找到全局最优的RNN的 经网络(CAPSO—RNN) 权值和阈值。其中算法适应度函数，为RNN输m误 差平方和均值： 1．1粒子群优化(PSO)算法 PSO算法是一种基于模拟鸟群捕食行为的启