基于遺傳學(xué)算法改進的rbf-bp神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率追蹤算法
【專利摘要】本發(fā)明公開了基于遺傳學(xué)算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率追蹤算法，通過建立一個RBF-BP神經(jīng)網(wǎng)絡(luò)，將光伏發(fā)電輸出功率預(yù)測輸出和期望輸出之間的誤差絕對值作為適應(yīng)度，再運用遺傳學(xué)算法對光伏發(fā)電設(shè)備所采集到的數(shù)據(jù)進行選擇、交叉和變異操作找到最優(yōu)適應(yīng)度對應(yīng)的個體。結(jié)合了RBF神經(jīng)網(wǎng)絡(luò)收斂速度快、群分類性能好和BP神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)能力強等優(yōu)點，具有泛化性能更好、收斂速度更快、預(yù)測精度更高等特點。
【專利說明】基于遺傳學(xué)算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出 功率追蹤算法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種光伏發(fā)電輸出功率的追蹤算法，尤其涉及一種基于遺傳學(xué)算法改 進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率追蹤算法。

【背景技術(shù)】
[0002] 隨著傳統(tǒng)能源消耗造成的環(huán)境污染問題日益突出，可再生能源的利用引起廣泛的 重視。光伏發(fā)電作為一種新興崛起的可再生能源形式，具有廣泛的開發(fā)前景和商業(yè)價值。因 而得到了越來越多的關(guān)注。大規(guī)模的光伏并網(wǎng)發(fā)電是目前光伏發(fā)電系統(tǒng)的主流趨勢，目前 大規(guī)模的光伏并網(wǎng)系統(tǒng)已得到應(yīng)用。
[0003] 光伏發(fā)電與風(fēng)力發(fā)電一樣，均屬于波動性和間歇性電源。光伏發(fā)電受環(huán)境因素影 響較大，特別是太陽輻射強度、環(huán)境溫度等，因為其輸出功率具有不確定性。其并入大電網(wǎng) 后使得大電網(wǎng)的整體負荷預(yù)測準(zhǔn)確性降低，也必然引起整個系統(tǒng)的電壓、頻率的波動，增加 了傳統(tǒng)發(fā)電，控制和運行計劃的難度，不利于整個電網(wǎng)系統(tǒng)的調(diào)度。
[0004] 所以，高效準(zhǔn)確的預(yù)測光伏發(fā)電輸出功率對于能夠安全高效的利用光伏發(fā)電就顯 得尤為必要。目前光伏發(fā)電輸出功率的預(yù)測方法有擾動觀察法、電導(dǎo)增量法和神經(jīng)網(wǎng)絡(luò)法 等。無論是擾動觀察法和還是電導(dǎo)增量法都存在著一個步長固定的問題。如果步長過小，便 會導(dǎo)致光伏陣列長時間地滯留在低功率輸出區(qū)，而步長過大，就會導(dǎo)致系統(tǒng)振蕩加劇。相比 之下人工神經(jīng)網(wǎng)絡(luò)其追蹤過程不需要光伏電池陣列的物理參數(shù)，且神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)訓(xùn)練 可逼近任意非線性特性曲線的能力。所以在非線性系統(tǒng)的建模與辨識的過程中運用神經(jīng)網(wǎng) 絡(luò)模型，可以不受非線性模型的限制，適應(yīng)性更好。神經(jīng)網(wǎng)絡(luò)法主要包括RBF和BP神經(jīng)網(wǎng) 絡(luò)預(yù)測法，它們都有各自的優(yōu)缺點。RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的收斂速度快但是泛化能力比較差； BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力強但是學(xué)習(xí)算法不能保證學(xué)習(xí)的結(jié)果達到均方誤差的全局最小、 訓(xùn)練結(jié)果容易受到不正確訓(xùn)練樣本集的錯誤引導(dǎo)。并且兩者的在構(gòu)建神經(jīng)網(wǎng)絡(luò)的過程中閾 值與權(quán)值需要反復(fù)訓(xùn)練修改，初始值具有隨機性。


【發(fā)明內(nèi)容】

[0005] 為了克服RBF泛化能力差和BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果容易受到不正確訓(xùn)練樣本集的 錯誤引導(dǎo)的缺陷，本發(fā)明提出了一種能夠高效準(zhǔn)確的預(yù)測光伏發(fā)電輸出功率的基于遺傳學(xué) 算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率追蹤算法。
[0006] 本發(fā)明提出的基于遺傳學(xué)算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率追蹤 算法是通過建立一個RBF-BP神經(jīng)網(wǎng)絡(luò)，將光伏發(fā)電輸出功率預(yù)測輸出和期望輸出之間的 誤差絕對值作為適應(yīng)度，再運用遺傳學(xué)算法對光伏發(fā)電設(shè)備所采集到的數(shù)據(jù)進行選擇、交 叉和變異操作找到最優(yōu)適應(yīng)度對應(yīng)的個體。RBF-BP神經(jīng)網(wǎng)絡(luò)預(yù)測用遺傳算法得到最優(yōu)個體 對網(wǎng)絡(luò)初始權(quán)值和閾值賦值，網(wǎng)絡(luò)訓(xùn)練后對光法發(fā)電輸出功率進行預(yù)測。
[0007] 所述的基于遺傳學(xué)算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率預(yù)測方法， 包括如下步驟：
[0008] (1)根據(jù)光伏發(fā)電輸出特性，選取日常天氣狀況下統(tǒng)計并采集一天之中各個時段 影響光伏發(fā)電電池板發(fā)電的因素，本發(fā)明中側(cè)重于光伏電池板工作溫度和光伏發(fā)電設(shè)備工 作時的光照強度和光伏發(fā)電輸出功率作為RBF-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入輸出。另選取同等 條件下各個時段的樣本數(shù)據(jù)作為RBF-BP神經(jīng)網(wǎng)絡(luò)的測試數(shù)據(jù)。
[0009] (2)建立RBF-BP神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練歸一化后的樣本數(shù)據(jù)。本發(fā)明提出建立的 RBF-BP組合神經(jīng)網(wǎng)絡(luò)是結(jié)合了RBF神經(jīng)網(wǎng)絡(luò)收斂速度快、群分類性能好和BP神經(jīng)網(wǎng)絡(luò)自 學(xué)習(xí)、自適應(yīng)能力強等優(yōu)點建立的一個由RBF子網(wǎng)和BP子網(wǎng)兩部分構(gòu)成雙隱層RBF-BP組 合神經(jīng)網(wǎng)絡(luò)，其具有泛化性能更好、收斂速度更快、預(yù)測精度更高等特點。本發(fā)明提出的 RBF-BP組合神經(jīng)網(wǎng)絡(luò)分為：輸入層、隱含層和輸出層，各層的節(jié)點數(shù)設(shè)計如下：
[0010] 輸入層：針對光伏發(fā)電最大功率的預(yù)測，在不考慮突變的天氣情況和局部光照不 均勻的情況下對光伏發(fā)電最大功率點影響的情況下，神經(jīng)網(wǎng)絡(luò)輸入量的選取主要考慮兩個 部分，即光伏電池板工作溫度和光伏發(fā)電設(shè)備工作時的光照強度。
[0011] 隱含層：本發(fā)明涉及到的RBF-BP神經(jīng)網(wǎng)絡(luò)，相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，在隱含層 加入了RBF神經(jīng)網(wǎng)絡(luò)作為子層。輸入步驟（1)中的樣本先經(jīng)過RBF神經(jīng)網(wǎng)絡(luò)子網(wǎng)進行訓(xùn)練， 再將訓(xùn)練結(jié)果作為BP子網(wǎng)的輸入對其進行訓(xùn)練。RBF-BP子網(wǎng)的隱含層節(jié)點的傳遞函數(shù)設(shè) 置為高斯函數(shù)，如式（1)所示：
[0012]

【權(quán)利要求】
1. 一種基于遺傳學(xué)算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功率追蹤算法，其特 征在于，包括步驟： 1) 根據(jù)光伏發(fā)電輸出特性，選取日常天氣狀況下統(tǒng)計并采集一天之中各個時段影響光 伏發(fā)電電池板發(fā)電的因素，將光伏電池板工作溫度、光伏發(fā)電設(shè)備工作時的光照強度作為 RBF-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入，將光伏發(fā)電輸出功率作為RBF-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸出，另選 取同等條件下各個時段的樣本數(shù)據(jù)作為RBF-BP神經(jīng)網(wǎng)絡(luò)的測試數(shù)據(jù)； 2) 建立RBF-BP神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練歸一化后的樣本數(shù)據(jù)，所述RBF-BP神經(jīng)網(wǎng)絡(luò)是由 RBF子網(wǎng)和BP子網(wǎng)兩部分構(gòu)成雙隱層RBF-BP組合神經(jīng)網(wǎng)絡(luò)，分為：輸入層、隱含層和輸出 層，各層的節(jié)點數(shù)設(shè)計如下： 輸入層：針對光伏發(fā)電最大功率的預(yù)測，在不考慮突變的天氣情況和局部光照不均勻 的情況下對光伏發(fā)電最大功率點影響的情況下，神經(jīng)網(wǎng)絡(luò)輸入量的選取主要考慮兩個部 分，即光伏電池板工作溫度和光伏發(fā)電設(shè)備工作時的光照強度； 隱含層：本發(fā)明涉及到的RBF-BP神經(jīng)網(wǎng)絡(luò)在隱含層加入了RBF神經(jīng)網(wǎng)絡(luò)作為子層，輸 入步驟1)中的樣本先經(jīng)過RBF神經(jīng)網(wǎng)絡(luò)子網(wǎng)進行訓(xùn)練，再將訓(xùn)練結(jié)果作為BP子網(wǎng)的輸入 對其進行訓(xùn)練； 輸出層：輸出層的節(jié)點個數(shù)可根據(jù)情況來定，但為了簡化神經(jīng)網(wǎng)絡(luò)的設(shè)計，本發(fā)明選擇 了一個輸出節(jié)點，即最大功率點處的電壓； 3) 將步驟1)采集到的數(shù)據(jù)帶入步驟2)中建立的RBF-BP神經(jīng)網(wǎng)絡(luò)中，得到實際輸出與 期望輸出的誤差E，作為用于遺傳算法的適應(yīng)度值； 4) 根據(jù)步驟2)中構(gòu)建的RBF-BP神經(jīng)網(wǎng)絡(luò)的擬合函數(shù)輸入輸出參數(shù)個數(shù)確定RBF-BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，確定RBF-BP神經(jīng)網(wǎng)絡(luò)中的閾值和權(quán)值的個數(shù)，進而確定遺傳算法的 個體的長度； 5) 將步驟1)采集到的數(shù)據(jù)用遺傳學(xué)算法進行優(yōu)化，具體實施步驟： A. 種群初始化 種群中的每個個體都包含整個RBF-BP神經(jīng)網(wǎng)絡(luò)的所有權(quán)值和閾值，個體編碼方法 為實數(shù)編碼，每個個體均為一個實數(shù)串，個體通過遺傳算法適應(yīng)度函數(shù)計算個體的適應(yīng)度 值； B. 適應(yīng)度函數(shù) 根據(jù)步驟1)的個體得到RBF-BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，用步驟3)中得到的絕對 誤差值E作為個體適應(yīng)度值F; C. 選擇操作 遺傳算法選擇操作有輪盤賭法、錦標(biāo)賽等多種方法，本發(fā)明選擇輪盤賭法，每個個體i的選擇概率Pi為公式（6):
式中匕為個體i的適應(yīng)度值，由于適應(yīng)度值越小越好，所以在個體選擇前對適應(yīng)度值 求倒數(shù)；k為系數(shù);N為種群個體數(shù)目； D. 交叉操作 由于個體采用實數(shù)編碼，所以交叉操作方法也采用相應(yīng)的實數(shù)交叉法，第k個染色體ak 和1個染色體^在j位的交叉操作方法如公式（7):
其中b為[0，1]間的隨機數(shù)； E. 變異操作 選取第i個個體的第j個基因％進行變異，變異操作的個公式如⑶：
公式⑶中，amax為基因a。.的上界；amin為基因a。.的下界；f(g) =r2(l-g/Gmax)2;r2為 一個隨機數(shù)；g為當(dāng)前迭代次數(shù)；G_是最大進化次數(shù)；r為[0,1]間的隨機數(shù)。
2. 根據(jù)權(quán)利要求1所述的基于遺傳學(xué)算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功 率追蹤算法，其特征在于，所述步驟2)中RBF-BP子網(wǎng)的隱含層節(jié)點的傳遞函數(shù)設(shè)置為高斯 函數(shù)，如式（1)所示：
其中，uJX)是第i個隱層節(jié)點的輸出，X是步驟（1)輸入樣本，Ci是高斯函數(shù)的中心向 量，^為節(jié)點的基寬度參數(shù)，且為大于零的數(shù)； 將RBF子網(wǎng)的輸出作為組合神經(jīng)網(wǎng)絡(luò)中的BP子網(wǎng)的輸入，其隱含層節(jié)點的傳遞函數(shù)設(shè) 計為Sigmoid型函數(shù)，如式（2):
因而BP子網(wǎng)絡(luò)的隱層節(jié)點的輸出為式（3):
其中，Wu為連接RBF隱含子層第i個節(jié)點到BP隱含子層的第j個節(jié)點的權(quán)值，N#RBF隱含子層節(jié)點數(shù)。
3. 根據(jù)權(quán)利要求1所述的基于遺傳學(xué)算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功 率追蹤算法，其特征在于，所述步驟2)中計算輸出層節(jié)點的輸出值公式為式（4):
其中，Wjk為連接BP隱含子層第j個節(jié)點到輸出層第k個節(jié)點的權(quán)值，N3為BP隱含子 層節(jié)點數(shù)； 心根據(jù)實際輸出與期望輸出計算輸出層的誤差絕對值，如式（5):
其中，dk為期望輸出，N4為輸出層節(jié)點數(shù)，E為誤差絕對值。
4.根據(jù)權(quán)利要求1所述的基于遺傳學(xué)算法改進的RBF-BP神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電輸出功 率追蹤算法，其特征在于，還包括步驟： a) 將步驟1)的訓(xùn)練數(shù)據(jù)通過步驟4)的遺傳算法通過選擇、交叉和變異操作找到最優(yōu) 適應(yīng)度值對應(yīng)個體，RBF-BP神經(jīng)網(wǎng)絡(luò)用遺傳算法得到的最優(yōu)個體對網(wǎng)路初始權(quán)值和閾值賦 值； b) 將步驟1)采集的測試數(shù)據(jù)測試用于遺傳算法改進后的RBF-BP神經(jīng)網(wǎng)絡(luò)，當(dāng)神經(jīng)網(wǎng) 絡(luò)訓(xùn)練誤差小于目標(biāo)誤差時，網(wǎng)絡(luò)收斂；當(dāng)網(wǎng)絡(luò)訓(xùn)練次數(shù)等于最大迭代次數(shù)而訓(xùn)練誤差仍 大于目標(biāo)誤差時，網(wǎng)絡(luò)不收斂；此時再通過RBF-BP神經(jīng)網(wǎng)絡(luò)的反向?qū)W習(xí)能力，反向修改神 經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，調(diào)整公式如（9)、（10):
式中，A為學(xué)習(xí)速率，訓(xùn)練完畢后的RBF-BP神經(jīng)網(wǎng)絡(luò)可用于光伏發(fā)電最大輸出功率進 行追蹤。
【文檔編號】G06N3/02GK104484833SQ201410720814
【公開日】2015年4月1日 申請日期:2014年12月2日 優(yōu)先權(quán)日:2014年12月2日
【發(fā)明者】朱正偉, 周謝益, 郭楓, 張丹, 張南, 錢露, 宋文浩, 黃曉竹 申請人:常州大學(xué)