f (m) = I/(1+E (m))， ?Λ
[0079] 其中E(m)為粒子m對應(yīng)的網(wǎng)路輸出誤差， ，1是期望輸出值， yk是實際輸出值，用向量P i = (P n，P12，…，PlN) 1表示粒子i到目前為止自身搜索到的最好 的適應(yīng)度位置，記為P_st)，即個體極值，用向量Pg= (P gl，Pg2，…，PgN)τ記錄全局所有粒子最 好的適應(yīng)度位置，記為，即全局最優(yōu)值，第i個粒子的速度也是一個N維的向量V 1 = (V11, vl2，…，vlN)'每個粒子的速度和位置的調(diào)整：
[0080]
[0081]
[0082] 式子中i代表粒子的標(biāo)號，k代表迭代的次數(shù)，學(xué)習(xí)因子C1= C2= 2, Γι，r2是分 布于[0，1]之間的隨機數(shù)；
[0083] 為了控制C和#在合理的區(qū)域內(nèi)，設(shè)定范圍，要求指SV_、V_、X_、X___J， 研究發(fā)現(xiàn)，慣性因子w對優(yōu)化性能的影響，其值隨著最優(yōu)適應(yīng)度值變化率K來改變，二者的 表達式為：
[0084]
[0085]
[0086] r為均勻分布于[0, 1]之間的隨機數(shù)，f (t)為種群第t代的最優(yōu)適應(yīng)值，f (t_5) 為第（t-5)代的最優(yōu)適應(yīng)值，K表示了種群在最近5代內(nèi)最優(yōu)適應(yīng)值的相對變化率，當(dāng) K多0. 05,種群處于適應(yīng)值變化較大的探索階段，此時慣性因子取大有利于算法快速收斂， K < 0. 05,種群適應(yīng)值變化較小，慣性因子取小有利于獲得跟精確的解；
[0087] 當(dāng)粒子群進化到一定的迭代次數(shù)以后，若Pfctest)在較長時間內(nèi)未發(fā)生變化時，所 有粒子都會向一個具有最優(yōu)位置的粒子靠攏，此致粒子群表現(xiàn)出強烈的"趨同性"，如果該 最優(yōu)位置為一局部最優(yōu)點，粒子群就無法在解空間內(nèi)重新搜索，陷入局部最優(yōu)，因此當(dāng)種群 進化到一定的程度，執(zhí)行變異可以提高種群的多樣性，而"變異"的粒子進入全局其他區(qū)域 進行搜索，從而可能發(fā)現(xiàn)新的最優(yōu)解。
[0088] 定義當(dāng)粒子的全局極值Pfctest)在連續(xù)15次沒有變化（或變化很?。r，判斷 若δ ;< h，其中δ i= I f「f (Pg) |2/m，h = f (Pg)/m，m為種群規(guī)模，對粒子產(chǎn)生新的位置
，其中A為粒子i當(dāng)前的適應(yīng)值，I為當(dāng)前種群的平均適 應(yīng)值
之間的隨機數(shù)，X_、X_為上下界；
[0089] 當(dāng)?shù)_到預(yù)先設(shè)定的步數(shù)以后，算法結(jié)論得到了一個代表最優(yōu)解的P(gbest)，利用 公式搜索在Ptebf3st)的鄰域可能的更優(yōu)解，設(shè)η為代表粒子P ^^^在η代的向量值，m = 0. 5， g是在[0, 0. 1]之間的隨機數(shù)，粒子P(gtest)從第η代進化到n+1代后，若此時的P n+1的適應(yīng) 值比上一代更好，則用Pn+1代替P n，否則不變，采用不變的參數(shù)進入下一次進化，直至達到進 化上限步數(shù)為止，公式為：
[0090] ΔΡη+1= mAPn+(l-m) gPn
[0091] Ρη+1= Ρη+ΔΡη+1
[0092] 迭代次數(shù)達到上限時，進而得到粒子群算法優(yōu)化的模型參數(shù)初始值；
[0093] 進一步作為優(yōu)選的實施方式，通過粒子群算法得到小波神經(jīng)網(wǎng)絡(luò)的初始參數(shù)值 加入到小波神經(jīng)網(wǎng)絡(luò)中，用梯度下降法對建立的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練學(xué)習(xí)，讓預(yù)測誤差盡可 能小，達到理想的標(biāo)準(zhǔn)；用梯度下降法進行訓(xùn)練，注意選擇較小學(xué)習(xí)速率和較多訓(xùn)練次數(shù) (500次一1000次）避免訓(xùn)練過程發(fā)生振蕩以便得到更優(yōu)解；
[0094] 進一步作為優(yōu)選的實施方式，將訓(xùn)練好的網(wǎng)絡(luò)進行預(yù)測，利用數(shù)據(jù)對太陽能光伏 發(fā)電量進行預(yù)測。
【主權(quán)項】
1. 一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測方法，其特征在于：包括以 下步驟： A、 獲取發(fā)電量的歷史數(shù)據(jù)以及相關(guān)的歷史天氣參數(shù)信息； B、 對收集的數(shù)據(jù)進行歸一化處理，設(shè)計小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)輸入的特征向量的維 數(shù)和最后的輸出的光伏發(fā)電量的狀態(tài)數(shù)，確定小波神經(jīng)網(wǎng)絡(luò)的輸入和輸出層神經(jīng)元個數(shù)， 并通過方法確定隱含層神經(jīng)元個數(shù)，其中隱含層和輸出層的激活函數(shù)分別用Morlet小波 函數(shù)和線性Purelin函數(shù)； C、 將一種改進的粒子群算法對小波神經(jīng)的模型參數(shù)進行前期優(yōu)化，是對網(wǎng)絡(luò)的輸入層 與隱含層之間的連接權(quán)值、隱含層與輸出層之間的連接權(quán)值和閾值通過粒子群算法得到最 優(yōu)解作為小波神經(jīng)的初始參數(shù)值； D、 通過粒子群算法得到小波神經(jīng)網(wǎng)絡(luò)的初始參數(shù)值加入到小波神經(jīng)網(wǎng)絡(luò)中，再用梯度 下降法對建立的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練學(xué)習(xí)，讓預(yù)測誤差盡可能小，達到理想的標(biāo)準(zhǔn)； E、 將預(yù)測日前一日的有效發(fā)電時每小時發(fā)電量、預(yù)測日前一日的天氣參數(shù)數(shù)據(jù)和預(yù)測 日的天氣參數(shù)數(shù)據(jù)作為輸入，采用訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對預(yù)測日的發(fā)電量進行預(yù)測。2. 根據(jù)權(quán)利要求1所述的一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測方 法，其特征在于：所述發(fā)電量數(shù)據(jù)包括有效發(fā)電時間和每小時太陽能光伏發(fā)電的發(fā)電量，所 述歷史天氣參數(shù)信息包括天氣類型、輻照強度、溫度、相對濕度、云量、雨量。3. 根據(jù)權(quán)利要求1所述的一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測方 法，其特征在于：所述步驟B，其包括： 根據(jù)輸入的數(shù)據(jù)類型和輸出的數(shù)據(jù)類型，確定輸入和輸出層的神經(jīng)元個數(shù)，預(yù)測日前 一日的有效發(fā)電時每小時發(fā)電量、預(yù)測日前一日的天氣參數(shù)數(shù)據(jù)和預(yù)測日的天氣參數(shù)數(shù)據(jù) 作為輸入，預(yù)測日的每個小時的發(fā)電量作為輸出；隱含層的神經(jīng)元個數(shù)通過逐漸遞增試湊 法得出。4. 根據(jù)權(quán)利要求1所述的一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測方 法，其特征在于：提出了小波神經(jīng)網(wǎng)絡(luò)模型的預(yù)測方法，其包括： 小波神經(jīng)網(wǎng)絡(luò)是神經(jīng)網(wǎng)絡(luò)和小波分析理論相結(jié)合的產(chǎn)物，他具有小波變換良好的時頻 局域化特點和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能，具有很強的泛化能力與自適應(yīng)數(shù)據(jù)和函數(shù)變化 的能力，小波神經(jīng)網(wǎng)絡(luò)有著更強的逼近、容錯能力和更好的動態(tài)預(yù)測效果； 神經(jīng)網(wǎng)絡(luò)選用3層BP神經(jīng)網(wǎng)絡(luò)，其中將隱含層中的激活函數(shù)采用時頻分辨率都較高的 Morlet小波基函數(shù)，即表達式為：5. 根據(jù)權(quán)利要求1所述的一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測方 法，其特征在于：所述步驟C，包括將一種改進的粒子群算法對小波神經(jīng)的模型參數(shù)進行前 期優(yōu)化，是對網(wǎng)絡(luò)的輸入層與隱含層之間的連接權(quán)值、隱含層與輸出層之間的連接權(quán)值和 閾值通過粒子群算法得到最優(yōu)解作為小波神經(jīng)的初始參數(shù)值； 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練最常見的訓(xùn)練方法就是梯度下降法，這種經(jīng)典的算法達到的精度非常 依賴于初始權(quán)值，且實際運用中訓(xùn)練速度較慢且易陷入局部極小值而達到早熟；粒子群算 法的優(yōu)點在于收斂速度快，不需要計算目標(biāo)函數(shù)的最佳梯度下降，減輕了計算的負(fù)擔(dān)，但是 容易陷入局部極小值；針對這個缺陷，將變異進化的思想加入到PSO算法中，根據(jù)我們以往 的尋最優(yōu)解的經(jīng)驗，適應(yīng)度最好的解往往是被包圍在大量的次最優(yōu)解之中，因此很多時候， 次最優(yōu)解被尋找出來而真正的沒有被發(fā)現(xiàn)的最優(yōu)解往往就在附近，因此在算法之后加上一 步針對局部小范圍尋找最優(yōu)的進化算法就很有必要，這種自適應(yīng)變異算法可以在有限時間 內(nèi)最大化搜索全局最優(yōu)值。6.根據(jù)權(quán)利要求1所述的一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測方 法，其特征在于：所述步驟D和E，其包括：用梯度下降法進行訓(xùn)練，直到誤差達到給定的精 度，或者達到最大訓(xùn)練步數(shù)，停止訓(xùn)練，將訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)進行樣本預(yù)測，輸出仿真 預(yù)測結(jié)果。
【專利摘要】本發(fā)明涉及一種基于粒子群算法小波神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電量的預(yù)測方法。該預(yù)測發(fā)明實現(xiàn)了太陽能光伏發(fā)電量的預(yù)測，實現(xiàn)了粒子群算法和小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)神經(jīng)系統(tǒng)的有機結(jié)合，該預(yù)測系統(tǒng)包括粒子群算法對小波神經(jīng)網(wǎng)絡(luò)的模型參數(shù)優(yōu)化的模塊、優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練模塊和訓(xùn)練結(jié)束后的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模塊。該預(yù)測方法結(jié)合粒子群算法和小波神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點，有效地提高了預(yù)測精度，減少了預(yù)測誤差，為光伏發(fā)電的大規(guī)模并網(wǎng)提供技術(shù)支持，而且具有可移植性，只需要進行簡單修改，可以為風(fēng)能和其他新能源提供發(fā)電預(yù)測。
【IPC分類】G06Q50/06
【公開號】CN105139264
【申請?zhí)枴緾N201510302824
【發(fā)明人】葛愿, 黃超
【申請人】安徽工程大學(xué)
【公開日】2015年12月9日
【申請日】2015年6月6日