文摘

输出光伏(PV)系统的稳定性直接影响光伏电池板的温度变化。在本文中,一种新型光伏电池板温度预测方法与支持向量机(SVM)提出,可以解决在复杂环境中温度的预测问题。为了优化支持向量机参数,Pigeon-Inspired优化(PIO)方法。与此同时,延迟因子(DF)添加到改善PIO算法避开局部最优的问题。此外,建立了多传感器监测系统的PV,温度和收集到的数据用于训练和验证模型的准确性。最后,该方法评估使用合成和实际数据集。仿真结果表明,该DFPIO-SVM可以获得更好的预测性能。

1。介绍

由于能源短缺,排放的污染,和日益增长的需求,人们必须寻找新能源代替传统化石能源。太阳能已经吸引了越来越多的关注,因为它的优势是绿色、清洁、可再生能源等。然而,在自然条件下,光伏电池板的发电性能受到各种因素的影响,特别是光伏电池板的温度变化(1,2]。作为最相关的因素之一,光伏电池板的温度已经吸引了广泛关注,近年来(3,4]。当光伏电池板的温度上升 C,发电的效率下降约0.22% (5]。因此,在光伏电站的运行和维护,如何准确地预测光伏电池板的温度成为一个有趣的问题。

光伏电池板的温度通常是受到辐照等自然因素的影响,环境温度,风速,和灰尘6,7]。与辐射强度和环境温度的增加,光伏电池板的温度会相应增加。对于每一个 C环境温度的增加,光伏电池板的温度将增加0。 C (8,9]。由于风力的影响,光伏电池板的温度会下降得更快。每增加1米/秒的风速、光伏电池板的温度将下降0。 C (10]。为了更好地理解光伏电池板的温度变化规律,研究人员提出了许多有效的预测模型。Almaktar et al。11)提出了一个新颖的光伏电池板温度预测模型根据收集到的数据在一个热带气候,有更好的结果。Barykina和锤12)提出了一个Faiman光伏电池板的温度模型,评估四个不同的面板在户外与不同气候条件。Muzathik [13)提出了一个简单的光伏电池板温度预测模型基于环境变量。Ceylan et al。14)建立了一个光伏电池板温度预测模型基于反向传播(BP)神经网络通过使用不同的环境温度和辐射强度数据。然而,这些方法需要考虑尽可能多的因素,但复杂的现场环境很难精确测量一些参数,所以无法取得良好的预测效果。

随着人工智能技术的发展,大量的机器学习算法,长期短期记忆(LSTM) [15- - - - - -17),英国石油公司(18,19),支持向量机(20.,21),径向基函数神经网络(时滞)大小22- - - - - -24),回声状态网络(ESN) [25- - - - - -27网络(DBN)[],很深的信仰28),已广泛应用于时间序列预测。支持向量机用于解决回归问题由于其优点没有大量的样本数据,训练速度快。Selakov et al。29日基于PSO-SVM]提出了一种新颖的混合模型,应用于短期电力负荷预测。Zhang et al。30.)提出了一种基于支持向量机的负荷预测方法与蜻蜓算法(DA)在微型智能电网"。电力负荷的不可预测性和周期性,Ma et al。31日)研究了基于支持向量机的预测模型修改萤火虫算法(MFA)。路[32)提出了基于支持向量机的表面粗糙度预测方法与人工蜂群(ABC)制造过程优化算法。

由于支持向量机的关键参数的选择有很大的影响在网络模型的准确性,一些群体智能优化算法,包括ABC (33,34],PSO [29日,35,36),人工鱼成群算法(SFSA) (37)和差分进化(DE) [38,39),被许多研究者应用于优化这些参数。这些算法的基本思想是模拟生物组织性质的行为,自己的可扩展性、健壮性和灵活性是相对强劲40,41]。2014年,段和乔(42)提出了一种新的群智能优化算法,即Pigeon-Inspired优化,灵感来自鸽子归巢行为在本质上。PIO已广泛应用于无人机形成(43,44),控制参数优化(45- - - - - -47),图像处理48)、生命科学(49,50),在实验应用中取得了良好的结果。

本文基于支持向量机的光伏电池板温度预测方法与PIO的介绍。首先,分析了支持向量机原理的基础上,采用PIO算法来优化支持向量机参数,建立了光伏电池板温度预测模型。然后,根据粒子速度的特点改变前后两次,DF引入PIO算法提高搜索精度。最后,为了验证DFPIO-SVM的预测性能,光伏电池板的温度数据的分布式光伏电站,不同的优化方法的比较结果。

本文的其余部分如下:一个多传感器信息融合(MSIF)监控系统介绍了部分2。支持向量机的原理和三种比较优化方法给出了部分3。DFPIO-SVM预测模型提出了部分4。仿真结果表现在部分例子5。

2。MSIF监测系统

在本节中,我们将介绍一个MSIF光伏电站监控系统,它可以收集和记录数据的电流、电压、光伏电池板,温度和气象信息。

2.1。监控系统的结构

MSIF监测系统由现场数据采集系统、无线数据传输系统,软件管理系统。在图1从监视点,数据信息一个和点B传输监控C然后到监控中心。与此同时,每个监测点也可以作为中继系统。点之间的传输距离5公里。光伏电池板的温度是由无线传输到监控中心的系统,它可以提供准确的实时信息的操作和维护人员。


图1
MSIF监测系统的结构。

现场数据采集系统包括气象监测系统,温度传感器、数据发送器和其他设备。太阳能辐照度、环境温度和湿度、风速、风向、大气压获得传感器监视主机传输到数据。数字DS18B20温度传感器是用来测量光伏电池板的温度。通过使用一个传感器单总线的特点,避免了复杂的信号传输线。光伏电池板的温度测量时,需要测量不同位置的平均温度 表示为 在哪里 表示平均温度和 表示不同位置的温度。

2.2。数据源

实验站点分布式光伏电站在吉林西部,中国。该地区位于N 和E 。12兆瓦的发电站有输出。年日照时间1300小时,年平均发电量1580万千瓦时。光伏电站有46200个光伏电池板,面向南。地面的倾角 ,和固定架的倾斜角度可调。两个并排安装光伏电池板和维度是1640毫米 990毫米 35毫米。MSIF监测系统在实验现场图所示2。


图2
MSIF监测系统在实验现场。
2.3。记录温度数据的光伏电池板

本文中的数据是通过MSIF光伏电站监控系统建立。监控系统记录温度、气象信息、电压、电流、和其他数据的光伏电池板每15分钟。预测模型训练和验证使用3000个数据样本在不同天气条件下从2018年1月至6月。

开路电压减少光伏电池板随着温度的增加,电压温度系数 。同样,峰值功率降低光伏电池板的温度增加,这直接影响光伏系统的发电效率。如图3,以时间序列的间隔15分钟,滚动时间建立样本数据集。通过曲线的观察,可以得出的结论是,光伏电池板的温度变化是由多种因素引起,被随机和非线性的特点。


图3
光伏电池板的温度数据记录。

3所示。方法

在本节中,将支持向量机在分段的原则3.1。三种优化方法,PSO算法,算法,和PIO算法,将简要描述的部分3.2,3.3,3.4。

3.1。支持向量机模型

支持向量机是一种基于数据的机器学习方法,该方法采用风险最小化的原则。具有良好的泛化性能和在解决小样本问题具有明显的优势。建立支持向量机模型的过程中,首先训练与训练样本数据训练网络,然后网络是用于以后的预测。训练样本集 ,在哪里 。支持向量机的功能描述如下: 在哪里 表示重量和 表示偏移值。为了找到最优参数 和 ,构造函数: 在参数 表示惩罚因子和 表示松弛变量。结合优化原则,方程(3)改变如下: 在哪里k (xi, xj)支持向量机的核函数和吗 是拉格朗日乘子。RBF核函数被选中,其表达式如下: 在哪里 是一个内核参数的函数。

3.2。PSO算法

算法是一种进化计算,这源于研究鸟类的狩猎行为。它已广泛应用于函数优化,神经网络训练,模糊系统控制以及其他应用程序。粒子的速度和位置是两个重要的属性,在搜索空间搜索最优解。首先,所有的粒子在空间分配初始随机位置和初始随机速度。其次,计算每个粒子的个体最优解。然后,单个粒子可以分享极值信息与其他粒子群中的粒子。最后,寻求最优解决方案通过粒子之间的交互和信息传递。

3.3。DE算法

德是由遗传算法(GA),一个算法模型,模拟生物进化。通过差分算子的操作,人口是不断进化和迭代拯救个人最高的适应性,这通常是用来寻找最优解的非线性和nondifferentiable问题,它速度快的特点和良好的鲁棒性。DE算法全局最优的解决方案通过反复迭代方法在人口,人口主要包括初始化、变异操作,交叉操作,和选择操作。

3.4。PIO算法

PIO是一种新型的智能优化算法求解全局优化问题,它是模拟导航行为的鸽子地球磁场和地标42]。鸽子远离目的地时,它使用地球的磁场来识别方向。当鸽子接近目的地,它使用地标导航。

3.4.1。地图和指南针运营商

地图和指南针的运营商,与位置定义的规则 和速度 的 鸽子,d维度搜索空间中的位置和速度更新在每个迭代中。新位置 和速度 的 鸽子的 迭代可以计算如下: 在哪里 表示地图和指南针的因素, 代表一个随机数 表示当前全球最佳位置。

3.4.2。具有里程碑意义的运营商

在具有里程碑意义的运营商, 用于记录一半数量的鸽子在每一代,然后呢 中心位置的鸽子的一代吗 。如果每个鸽子能飞直接距离目的地,鸽子的位置更新规则 迭代是描述如下: 在哪里 表示个人鸽子的质量。最小的优化问题, 。相反, 。

4所示。DFPIO-SVM

回归精度取决于参数的支持向量机的惩罚因子 和内核函数 。这两个参数的选择通常是通过经验,往往会影响回归的效果。为了提高支持向量机的回归精度,DFPIO将用于优化这些参数的选择。

4.1。DFPIO

在更新迭代的鸽子,鸽子的方向运动总是最优位置。鸽子的速度变化 在时间 是 当 ,结果表明,鸽子是在反向运动 和 时刻,鸽子速度太大通过当前的最优解 的时刻。这时,鸽子的飞行速度应该减少,使其接近最优解。为了改善鸽子的准确性,我们将延迟因素(DF) 位置更新方程(8)。因此,延迟的因素 是由

根据之前和之后的变化特征速度鸽子,DF可以动态地调整鸽子的飞行速度。因此,位置更新可以改写如下:

4.2。DFPIO-SVM

DFPIO算法用于优化惩罚因子 和内核函数 支持向量机。参数被视为两个粒子,不断更新自己的位置和速度,和他们的健身价值计算的目标函数达到全局最优。

一个算法的实现提供了优化过程的算法1。

输入:鸽子的数量 ,为优化的迭代次数 ,地图和指南针的因素 ;
输出:训练DFPIO-SVM;
(1) 步骤1:初始化 和 鸽子在随机∈ ;
(2) 步骤2:计算每个鸽子的健身;
(3) 步骤3:更新速度 和位置 根据方程(7)和(15);
(4) 步骤4:更新的位置 根据方程(11);
(5) 第五步:更新 和 ;
(6) 第六步:获得最优 。
算法1
DFPIO-SVM算法。

5。结果

在本节中,Mackey-Glass混沌时间序列非线性自回归移动平均(NARMA)系列用于验证DFPIO-SVM的性能。DFPIO-SVM比较原始的支持向量机(20.],PSO [29日,德38],PIO [42),和开始钟声48]。对于这些预测方法,训练样本的数量是900,预测的样本数量是100。输入和输出的尺寸是5和1,分别。为优化方法,蜂群优化算法的大小 是30,粒子向量维数是2,地图和指南针的因素 是0.3,和迭代的数量 是30。

5.1。Mackey-Glass混沌时间序列

Mackey-Glass是一个典型的混沌系统,选择验证DFPIO-SVM的预测性能。它可以描述的 在哪里 是设置为17。龙格-库塔方法用于生成Mackey-Glass时间序列和初始条件 。均方误差(MSE)和均方误差(RMSE)给出分析的性能预测方法,可以描述的 在哪里 表示目标数据, 表示预测数据, 是数据样本的数量。

在[DFPIO-SVM和其他方法的预测精度20.,29日,38,42,48)如表所示1可以看到,它的预测精度DFPIO-SVM比的方法。的平均预测精度DFPIO-SVM都增加了84.08%。

表1
Mackey-Glass时间序列预测精度的比较。

Mackey-Glass混沌时间序列的预测输出值的五个方法和目标值如图4。从这个图中,我们可以看到DFPIO-SVM曲线符合适度。图5显示了三种方法的预测误差。五个方法的预测误差曲线波动,但DFPIO-SVM的曲线是最低的。支持向量机的平均预测误差、PSO-SVM DFPIO-SVM是0.03306,0.01434,和0.01373,分别。


图4
的目标和预测输出Mackey-Glass时间序列。

图5
三种方法的预测误差曲线Mackey-Glass时间序列。

训练支持向量机模型用于预测Mackey-Glass混沌时间序列。比较MSE的健身效果如图6,可以看出DFPIO算法实现中的最小MSE 23理查德·道金斯迭代。PIO算法达到相同的MSE DFPIO 15th迭代。在迭代过程中,算法的健身价值高于PIO DFPIO。


图6
三种优化方法的迭代曲线。
5.2。NARMA系列

同时,NARMA模型验证DFPIO-SVM的预测性能,可描述如下: 在哪里 和 输出和输入。输入 是独立同分布的随机样本,它的值是在[0,1]。输出 是初始化的值的范围(−1,1)。

NARMA系列的五个方法的预测精度如表所示2。很明显从这个表DFPIO-SVM可以与其他方法相比,具有更好的预测性能。的平均预测精度DFPIO-SVM增加了2.31%。

表2
NARMA预测精度的比较。

图7显示了目标价值和预测输出值的三种方法,和相应的误差曲线如图8。三种方法的预测结果波动大,峰值的预测并不准确。的总体趋势DFPIO-SVM模型是接近实际的预测数据,与其他两种预测方法相比,它有一个更好地与实际数据拟合程度。DE-SVM的平均预测误差、OPIO-SVM DFPIO-SVM是0.01537,0.01516,和0.01466,分别。


图7
NARMA的目标和预测输出。

图8
三种方法的预测误差曲线NARMA。

在图9,我们可以看到,DFPIO算法实现中的最小MSE 25th迭代。PIO达到相同的MSE PSO算法在15th迭代。增加迭代,可以看出延迟因素增加了PIO算法的全局搜索能力。


图9
三种优化方法的迭代曲线。
5.3。光伏电池板的温度

进一步验证的预测性能DFPIO-SVM光伏电池板的温度,在光伏电站现场温度数据收集来自吉林的测试。平均绝对百分比误差(日军)及其表达式如下: 在哪里 表示目标数据, 表示预测数据, 是数据样本的数量。

从表可以看出3,DFPIO-SVM达到最小的日军的价值。执行DFPIO算法后,搜索得到最优支持向量机参数 , 。它可以直观地看到建立预测算法更有效和更少的受到样本数据的影响。DFPIO-SVM算法可以用来找到最优参数的支持向量机更容易和高效,提高模型的预测精度。

表3
比较光伏电池板的温度的预测精度。

五个最好的参数优化方法是进入光伏电池板温度预测的支持向量机模型。预测结果如图10,预测相对误差如图11。根据程序的运行结果,基于DFPIO-SVM预测结果与目标更好的协议。测试预测的平均误差百分比是0.2883%。仿真结果表明,DFPIO-SVM可以实现高精度的温度预测光伏电池板。


图10
的目标和预测输出光伏电池板的温度。

图11
三种方法的预测误差曲线光伏电池板的温度。

光伏电池板的温度数据集是用于支持向量机训练在图12。结果表明,DFPIO-SVM收敛速度比其他算法。在14 DFPIO-SVM算法达到最小MSEth迭代,它可以实现最小的迭代。


图12
三种优化方法的迭代曲线。

6。结论

摘要小说DFPIO算法,用于解决支持向量机参数优化的问题。通过引用位置更新的延迟因素方程,PIO算法的收敛精度提高。同时,验证了预测算法的性能由Mackey-Glass混沌时间序列和NARMA系列。为了进一步分析该模型的应用效果的预测光伏电池板温度,建立MSIF监测系统在吉林的光伏电站。光伏电池板的温度数据,从1月到2018年6月,选择预测模型的输入。与其他优化方法相比,DFPIO算法的有效性验证。这些结果表明,DFPIO-SVM模型可以用来更好地预测光伏电池板的温度,具有很强的泛化能力。

数据可用性

MATLAB数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关。

确认

这项工作是国家重点支持的R & D项目(批准号2018 yfb1500800),吉林省科技发展计划(批准号20190302079 gx),吉林城市科技创新发展计划(批准号201830819)。