文摘
当光伏(PV)系统连接到电网,电力系统可靠性可能暴露在威胁由于其固有的随机性和波动性。因此,预测光伏发电成为必要合理的配电调度。混合模型基于一种改进的鸟类群算法(IBSA)极端学习机(ELM)算法,即。IBSAELM,更好的预测是在这项研究中开发的短期光伏输出功率。IBSA模型最初是用于优化隐层阈值和输入的重量榆树模型。进一步,得到最优参数输入到榆树模型预测短期光伏发电。IBSAELM模型结果显示,优越的预测精度比现有的方法,如支持向量机(SVM),反向传播神经网络(BP),高斯过程回归(GPR),和鸟类群算法与极端学习机(BSAELM)模型。因此,它取得了极大好处的整个发电的利用效率。此外,电网的稳定性也得到了很好的维护,导致平衡发电、输电和电力消耗。
1。介绍
地球上的生态环境显著威胁由于大量消耗化石能源(1]。因此,可再生能源资源利用,广泛应用于降低不可再生能源消耗全球(2- - - - - -4]。各种可再生能源中,太阳能近年来吸引了更多的注意力(5,6]。然而,戴尔等。7)表示,光伏发电可能遭受一些缺点,如随机性和不可预测性。供给和需求之间的不平衡必然会导致一个长期的配电效率低下。从本质上讲,天气条件下发现的关键因素光伏发电的间歇性和不稳定。因此,对光伏发电的影响必须考虑预测(8]。在功率预测研究中,光伏系统可以分为超短,短,中,长时间(9]。超短功率预测普遍需要0 - 4小时,而短期功率预测需要1 - 3天。中长期电力预测通常要一个星期,一个月,分别。在四个时期,短期功率预测中起着至关重要的作用在电力调度10- - - - - -12]。
目前,主要方法用于ultra-short-period光伏电源输出功率预测是卫星云图用来预测随后的几个小时的光强度(13,14]。短期功率预测的气象数据收集天气预报为即将到来的1 - 3天(15]。然而,中长期电力预测采用统计方法基于历史数据16]。有必要建立一个光伏功率预测模型,可以适应不同的天气条件下先进技术发展(17]。光伏功率预测方法可分为间接或直接预测(18]。间接预测方法预测太阳辐射强度从气象数据和卫星图像获取输出功率(19,20.]。或者,直接直接预测光伏发电功率预测方法基于过去的发电数据,气象数据,和未来的天气预报21,22]。在这项研究中,一种混合改进鸟群算法(IBSA)与一个极端学习机(ELM)模型建立了光伏功率预测,基于直接预测原则。本研究的主要贡献如下:(1)传统BSA的优化能力增强使用改进的BSA (IBSA)。(2)IBSA被用来优化榆树模型。因此,光伏发电预测基于榆树模型能够取得更好的性能。(3)发电调度可以安排更合理和安全的带电铁丝网了。
2。文献综述
目前,已报告的各种算法,使用直接预测方法来预测光伏发电(23,24),主要分为线性预测方法,非线性预测方法和混合预测方法(18]。时间序列预测方法和时间趋势外推法属于线性预测方法(25,26]。然而,线性预测方法可能会产生很大的偏差,当有巨大的变化在天气或温度等外部环境(27,28]。非线性预测方法更适合光伏输出功率预测,通常采用人工神经网络(ANN),高斯过程回归(GPR),极端学习机(ELM)、支持向量机(SVM),和更多29日,30.]。
安是一个模仿生物神经网络的数学模型。内斯波利等。31日)使用两个人工神经网络来预测光伏系统的输出功率。在阳光明媚的日子,结果表现出良好的、稳定的预测性能。然而,在阴天,预报结果显然变得更糟。罗查et al。32)采用ANN预测光伏发电利用不同位置的温度和辐射数据,显示实验结果接近实际值。然而,预测精度对天气条件可能是敏感。汗等。33)提出了一种混合动力预测模型对PV植物,利用反向传播神经网络(BP)和一个空气质量指数(AQI)。虽然在阴霾的天气预测误差很小,它需要巨大的数据和计算时间。另一方面,探地雷达是一种扩展模型的多元高斯分布在机器学习中,信号处理等等。例如,盛et al。34)应用探地雷达方法预测光伏发电。程等。9]提出了一种改进的稀疏的探地雷达模型与改进的最小二乘支持向量机(SVM)模型对光伏输出功率预测。
支持向量机以其优越的结构风险最小化的能力和运行速度(35,36]。王等人。37再结合支持向量机和邻居(资讯)光伏发电预测的算法,证明了支持向量机的准确率是更高的使用更少的样品;然而,然而,被发现时更精确的比支持向量机样本数量是足够的。Aprillia et al。38)提出了一种光伏发电预测策略,结合一个樽海鞘的卷积神经网络(CNN)群算法(SSA),即,CNN-SSA。相比长期短期记忆(LSTM)方法结合SSA (LSTM-SSA)和支持向量机方法结合SSA (SVM-SSA),关于光伏发电预测CNN-SSA表现出优越的性能。杨et al。39)利用灰色关联理论发现的主要元素可能会影响清洁能源的消耗。此外,最小二乘支持向量机(LSSVM)优化了进化博弈理论(废气温度)和自适应差分进化算法(正面)。这是确认工作良好的泛化能力和预测效果。VanDeventer et al。22)开发了一种短期预测模型使用支持向量机和遗传算法(SVMGA)。被发现收到的预测误差较小的比传统的支持向量机。然而,模型的参数值是敏感和不适合训练大规模样本。
学习速度快和良好的泛化是榆树的两个主要优势40,41]。刘等人。42榆树]用来预测短周期光伏发电。榆树的权重更新算法通过粒子群优化(PSO)算法。尽管它有一个理想的预期效果,增加了计算复杂度。周et al。41)提出了一个预测模型使用类似天分析和遗传算法优化榆树(SDA-GA-ELM),提高预测精度。应用在光伏输出功率预测的结果表明,榆树的SDA-GA-ELM模型提高了预测精度。罗等。43)结合深度学习和堆叠榆树模型。广义熵准则被用来提高预测效率。结果显示其预测效果要比安和榆树模型。
智能算法被广泛应用于提高预测模型的性能。例如,PSO算法是一种随机搜索算法基于集团合作。Behera et al。42)提出了PSO优化榆树模型的预测性能。鸡群优化器(方案)算法可以模拟一群的等级制度和活动的行为。刘等人。44)使用方案优化榆树模型的关键参数,从而提高输出功率的预测光伏发电。蚁群优化(ACO)算法是一个高度创新metaheuristic算法受蚂蚁觅食行为的启发。李等人。45]应用ACO算法优化BP神经网络的预测的人数参加补考。结果显示,优化后的BP神经网络有一个理想的预测性能。鸟类群算法(BSA)提出的孟et al。46)是一种全局优化算法用于模拟鸟类群体行为。不幸的是,很容易陷入局部最优的高维multiextremum问题。在一个先进的应用程序中,Alhassan和Wan Zainon [47)与BSA结合了泰勒级数优化分类模型的诊断心脏疾病。此外,黄和盛48)提出了一个混合鸟群优化算法来优化识别模型在火力发电厂。然而,其操作时间可能太长时间应用在真实的情况。
3所示。该预测模型
3.1。鸟类群算法和改进的鸟类群算法
鸟类群算法(BSA)最初从鸟类飞行和觅食行为的启发。它的处理规则如下所示(46,49]:(1)觅食行为或警戒行为可以选择每一只鸟。(2)集团内部的最佳信息,个人可以记录下每个鸟和共享。(3)当鸟儿选择警戒行为,将集团的中心,在运动的过程中,有竞争。(4)鸟儿定期迁移到下一个位置。然后,生产者可以选择用最好的健康。同时,行乞者可以选择使用最坏的健康,和其他生产商或骗子是随机选择从剩下的鸟类。(5)骗子将遵循生产商寻找食物。
要有鸟类。时间步长是表示 ,和的位置鸟在维度是 。
规则(2)可以表示为 在哪里是一个独立均匀分布随机变量在区间[0,1];是认知系数;是加速系数;代表的位置 ; 是最好的位置鸟;和是最好的地方。
当鸟类保持警觉,他们的位置更新如下: 在哪里代表整个群体的平均位置维度;是一个独立均匀分布随机变量在区间(−1,1);是一个随机选择的正整数( )在哪里 ; 代表前最好的位置鸟和最优的健身价值吗鸟;和间常数 ; 代表了最佳的健身价值鸟和表示最优适应度值的总和在一只鸟群;和是无穷小数量。
生产商的位置更新方程如下:
骗子的位置更新方程如下:
在方程(6),代表以下系数, 。 表示的位置鸟。
生产者位置更新如下: 在哪里表示当前迭代和数量最大迭代次数;代表生产者的自适应学习系数,这是余弦函数;和和分别学习系数的最大值和最小值。在这项研究中,设置为0.9,设置为= 0.4。
的相对变化率乞讨者的健身价值被定义为
在方程(8),最好的健身价值行乞者是最好的健身价值的鸟类群 。
自适应学习的因素在行乞者在是用于更新行乞者的位置,它的定义是
行乞者的位置更新如下:
在BSA,它可能收敛速度慢、精度低的缺点。因此,拟议的IBSA模型来解决这个缺点。首先,鸟群体的适应值排序,当组织飞到他们的终点。第二,排名前五个人设置为生产者,和过去的四个人是选为骗子。其余的鸟类是随机选择的生产商或骗子。生产者位置更新如下:
显示了行乞者的位置更新如下: 在哪里 各个位置的排序和后群吗代表的自适应学习因子行乞者在 。
3.2。极端原理学习机器
极限学习机(ELM)是基于前馈神经网络,这通常是用来解决问题的无监督学习和监督学习50,51]。榆树的结构模型包括隐层、输出层,输入层。让年代是样品,E输入矩阵,C是输出矩阵。e和c代表的内部参数E和C,分别。 表示,E是一个样本集矩阵米行和年代列。 代表,C是一个n行和年代列矩阵。 在哪里连接连接重量是输入层和隐层 表明是一个矩阵l行和米列。 在哪里连接连接重量是输入层和隐层 表明是一个矩阵l行和n列。
隐藏层的阈值。和IBSA将被优化。
隐层的激活函数是乙状结肠函数如下:
C代表网络的输出如下:
的元素cj在C表示如下:
方程(17)可以简化如下:
在方程(18),CT的换位C隐层的输出问,表示如下:
黄等人提出以下两个定理[50]。
定理1。鉴于年代不同的样品(我米,cn),其中,e米= (e我1,e我2、…e女士]T∈R米,c我= (c我1,c我2,…c在]T∈Rn。给定一个激活函数F(·):R⟶R在任何时间间隔,光滑函数。榆树的年代隐层神经元,如果 和b我∈R任意分配,输出矩阵问的隐藏层是可逆的 。
从定理1,如果隐层神经元的数目等于样本训练集的数量,与任何和b,ELM方法可以训练样本值与零错误。
定理2。鉴于年代不同的样品(我米,cn),其中,e米= (e我1,e我2、…e女士]T∈R米,c我= (c我1,c我2、…c在]T∈Rn。给定一个激活函数F(·):R⟶R和任何小的积极价值 。榆树的K( )隐层神经元,如果 和b我∈R任意分配呢 。
如果训练集样本的数量年代大,在隐层神经元数目K通常是小于年代。这意味着榆树的训练误差可以达到任何小的积极价值 。
的和b可以随机选择在培训之前,培训期间保持不变。连接的重量隐藏层和输入层之间可以通过求解最小平方解获得
从方程(20.), 可以,在哪里问+Moore-Penrose广义逆矩阵吗问。
3.3。混合改进鸟群算法与极端的学习机器
在榆树的训练过程中,在隐藏层节点的数目的榆树可能增加隐层的门槛时,输入层的重量不适当调整。结果,预测稳定性恶化。因此,改进的鸟类群优化算法(IBSA)涉及隐层阈值来获得最优解和输入重量在榆树。
光伏输出功率预测的过程使用IBSAELM模型图所示1。具体步骤说明如下:(1)确定训练样本和测试样本的比例。(2)规范的训练样本,即。,converting the original data to a specific range of values. (3) Initializing the parameters of the BSA, such as population ,最大迭代次数 ,和迁移频率 。(4)计算当地的健身价值,进一步确定最优个体和全局最优个体。(5)开始迭代训练过程优化阈值和榆树的权重模型。在迭代结束时,榆树模型的最优参数。(6)输入到榆树模型最优参数。(7)预测光伏电力使用IBSAELM训练模型。(8)表现出antinormalization过程规范化值恢复到原来的范围,和评估预测的有效性。
4所示。性能结果
4.1。天气条件对光伏输出功率的影响
众所周知,根据天气条件下,光强是光伏输出功率的关键因素。输出功率之间的关系,光强度在阳光明媚的天气和多云的天气数据所示2和3,分别。收集数据每5分钟,从9点到16:00时从沙漠中提供的开放获取知识澳大利亚太阳能中心。晴朗的天气的数据收集8月8日,2017年,在多云的天气的数据收集10月7日,2017年。
如数据所示2和3,无论晴天、多云或阴天的天气条件下,生成的光伏输出功率与光强度一致,证实了正相关。此外,光强度不改变不时突然当天气晴朗。然而,光强度随时可能会有多云的天气。因此,很明显,天气的状况有显著影响光伏系统的输出功率。
4.2。收敛比较使用不同的模型
本节探讨在IBSA的收敛效果,全封闭,BSA,算法和PSO算法(42,44,45]。IBSA的基本参数的最大迭代数 ,迁移一群飞鸟的频率 ,人口数量 , ,和 。测试函数 设置的范围和函数的最优值设置为0。测试函数 设置的范围和函数的最优值设置为0。测试函数 设置的范围 和函数的最优值设置为0。在同样的标准功能如上所述,全封闭,PSO, BSA和IBSA算法测试与测试维度= 50的15倍。这项研究的结果发表在表1。注意,所有算法的评价在本研究使用MATLAB软件,执行的源代码,可以自由访问https://drive.google.com/drive/folders/1h2ZEvBInO7DdAWoaguV96S8KteIfkNw6?usp=sharing。
在功能上 ,IBSA实现最低的平均收敛值,算法获得的价值远高于其他人。同样,在函数 ,IBSA算法表现出最高的精度,算法获得相对比其他人更糟糕的结果。在功能上 ,IBSA和BSA的算法达到了zero-convergence值,即:,the optimal solution, hence showing better performance than PSO, ACO, and CSO. In conclusion, IBSA exhibited the most favorable convergence effect in functions , ,和 。此外,BSA的收敛时间和IBSA明显较小的算法,算法和方案。IBSA的收敛时间甚至比BSA的短。
IBSA BSA的收敛曲线,使用如图的健身价值4;这表明IBSA的收敛速度比BSA的快。
4.3。评价模型的性能
在这项研究中,晴天的样本数据收集从8月8日,2017年8月12日,2017年。阴天的数据收集从10月6日,2017年,2017年10月10日。每5分钟收集过程发生在每天早上9点和下午6点之间。在所有可用的数据,数据从2017年8月8日至8月11日,2017年,从10月6日,2017年10月9日,2017年,被选为训练样本。数据从2017年8月12日,10月10日,2017年,被选为测试样本。预报模型的输入是相对湿度,温度,光强度,预测模型的输出是光伏输出功率。根均方误差( )和决定系数( )被用作评价指标(52]: 在哪里 , ,和代表了样本数量、预计值和实际值,分别和指示预测值和实际值,分别。越接近决定系数( )1,达到更好的性能的拟合效果。
在这项研究中,5个模型被用来评估光伏输出功率预测的有效性:(1)支持向量机模型。(2)探地雷达模型。(3)BSAELM模型。(4)IBSAELM模型。(5)BP模型。模型的预测结果在晴朗的和多云的天气数据所示5和6,分别。
如图5SVM的预测曲线,BP、探地雷达、BSAELM,和IBSAELM模型配有拟合精度高,由于稳定的光照强度,在阳光明媚的日子。随后,BSAELM和IBSAELM模型表现出比较理想的结果。
在图6在最初的预测期间,SVM的预测拟合曲线和探地雷达模型不如别人。在中期,探地雷达的预测曲线偏离实际的输出功率曲线。在最后的时期,探地雷达的预测曲线,英国石油(BP)和BSAELM模型偏离实际的输出功率曲线。另一方面,IBSAELM模型表现出良好的拟合效果在整个时期。
绝对误差(AE)被定义为 ,在哪里x是一个量的真正价值,xo是测量值,是绝对的错误。
使用BSAELM AE, IBSAELM、探地雷达、英国石油(BP)和支持向量机模型如图在阳光明媚的天气7,单位是千瓦。可以观察到,这5个模型的输出功率预测错误了(−0.1,0.2)。最高误差超出0.15使用探地雷达时出现在早期。然而,大多数预测误差之间的位置(−0.1,0.1)。中间时期,获得的预测错误使用BSAELM从探地雷达和IBSAELM小于,英国石油(BP)和支持向量机位于(−0.05,0.05)。在过去的时期,从BSAELM达到最大预测误差值,即:−0.1。使用IBSAELM导致最小的误差值在整个预测期内,位于(−0.05,0.05)。
在多云的天气预测AE图所示8。在最初的预测期间,错误使用探地雷达和SVM模型比别人大。它可以观察到,最大的支持向量机模型的预测误差超过0.2和0.6在探地雷达的模型。在预测期间,错误从英国石油(BP)获得支持向量机,BSAELM,剩下IBSAELM是相对较小的,(−0.2,0.2)。在过去的预测期间,错误使用BSAELM和IBSAELM仍相对较小。发现的错误IBSAELM撒谎(−0.2,0.2)之间,这是五个预测模型之间的最小值,从而证明其适用性提供最理想的预测效果。
结果,结果表明,在多云的天气预测错误相对高于在阳光明媚的天气。此外,IBSAELM模型达到最低的预测误差相对于其他四个模型。
评价结果使用和总结在表2。
如表所示2在阳光明媚的日子,预测结果明显比阴天,期间获得的每一个模型使用 。例如,IBSAELM的值是2.83 6.43在晴天和阴天。的值英国石油(BP)、支持向量机、探地雷达、BSAELM分别为4.32,4.96,8.03,和3.64,分别在晴天。然而,其各自的阴天值分别为9.36,10.63,47.20,和8.58,分别。因此,它可以观察到IBSAELM礼物的最佳性能。相比之下,每一个模型在晴天达到99%以上;然而,在多云的天气每个模型相对低于晴天。在所有的模型中,只有IBSAELM达到99% +晴天和阴天。
5。结论
在这项研究中,使用IBSAELM光伏功率预测模型的优越性,在两种天气条件下对四个现有的模型,验证了。的IBSAELM中获取的值和模型仍超过99%值分别为2.83和6.43晴天和多云的天气,分别;这表明使用IBSAELM模型获得的错误是低于其他模型。然而,在多云的天气里获得的预测误差相对高于获得的误差在阳光明媚的天气,在所有模型。本研究的主要贡献的结论如下:(1)IBSA算法有效地提高了BSA算法的搜索能力,通过引入自适应学习系数和因素为BSA的算法。(2)IBSA算法有效地优化了榆树模型提高了榆树的预测能力。IBSA因此IBSAELM模型是由集成和榆树模型准确地预测光伏发电。(3)与支持向量机相比,BP,探地雷达,BSAELM和IBSAELM模型达到最低值,表明最好的预测精度。类似地,价值IBSAELM晴天和多云的天气达到99%以上时,即,高于其他模型。
数据可用性
的数据公开支持本研究的发现可以从澳大利亚沙漠知识太阳能中心http://dkasolarcentre.com.au/。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
吴Dongchun开发模型。Jiarong菅直人收集数据并进行性能分析。Hsiung-Cheng林帮助编辑稿件。李Shaoyong回顾了手稿。所有作者导致期末研究论文的写作。