基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法
【专利摘要】本发明公开了基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功率追踪算法，通过建立一个RBF-BP神经网络，将光伏发电输出功率预测输出和期望输出之间的误差绝对值作为适应度，再运用遗传学算法对光伏发电设备所采集到的数据进行选择、交叉和变异操作找到最优适应度对应的个体。结合了RBF神经网络收敛速度快、群分类性能好和BP神经网络自学习、自适应能力强等优点，具有泛化性能更好、收敛速度更快、预测精度更高等特点。
【专利说明】基于遗传学算法改进的RBF-BP神经网络的光伏发电输出 功率追踪算法
【技术领域】
[0001] 本发明涉及一种光伏发电输出功率的追踪算法，尤其涉及一种基于遗传学算法改 进的RBF-BP神经网络的光伏发电输出功率追踪算法。
【背景技术】
[0002] 随着传统能源消耗造成的环境污染问题日益突出，可再生能源的利用引起广泛的 重视。光伏发电作为一种新兴崛起的可再生能源形式，具有广泛的开发前景和商业价值。因 而得到了越来越多的关注。大规模的光伏并网发电是目前光伏发电系统的主流趋势，目前 大规模的光伏并网系统已得到应用。
[0003] 光伏发电与风力发电一样，均属于波动性和间歇性电源。光伏发电受环境因素影 响较大，特别是太阳辐射强度、环境温度等，因为其输出功率具有不确定性。其并入大电网 后使得大电网的整体负荷预测准确性降低，也必然引起整个系统的电压、频率的波动，增加 了传统发电，控制和运行计划的难度，不利于整个电网系统的调度。
[0004] 所以，高效准确的预测光伏发电输出功率对于能够安全高效的利用光伏发电就显 得尤为必要。目前光伏发电输出功率的预测方法有扰动观察法、电导增量法和神经网络法 等。无论是扰动观察法和还是电导增量法都存在着一个步长固定的问题。如果步长过小，便 会导致光伏阵列长时间地滞留在低功率输出区，而步长过大，就会导致系统振荡加剧。相比 之下人工神经网络其追踪过程不需要光伏电池阵列的物理参数，且神经网络通过学习训练 可逼近任意非线性特性曲线的能力。所以在非线性系统的建模与辨识的过程中运用神经网 络模型，可以不受非线性模型的限制，适应性更好。神经网络法主要包括RBF和BP神经网 络预测法，它们都有各自的优缺点。RBF神经网络预测的收敛速度快但是泛化能力比较差； BP神经网络的自学习能力强但是学习算法不能保证学习的结果达到均方误差的全局最小、 训练结果容易受到不正确训练样本集的错误引导。并且两者的在构建神经网络的过程中阈 值与权值需要反复训练修改，初始值具有随机性。
【发明内容】
[0005] 为了克服RBF泛化能力差和BP神经网络训练结果容易受到不正确训练样本集的 错误引导的缺陷，本发明提出了一种能够高效准确的预测光伏发电输出功率的基于遗传学 算法改进的RBF-BP神经网络的光伏发电输出功率追踪算法。
[0006] 本发明提出的基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功率追踪 算法是通过建立一个RBF-BP神经网络，将光伏发电输出功率预测输出和期望输出之间的 误差绝对值作为适应度，再运用遗传学算法对光伏发电设备所采集到的数据进行选择、交 叉和变异操作找到最优适应度对应的个体。RBF-BP神经网络预测用遗传算法得到最优个体 对网络初始权值和阈值赋值，网络训练后对光法发电输出功率进行预测。
[0007] 所述的基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功率预测方法， 包括如下步骤：
[0008] (1)根据光伏发电输出特性，选取日常天气状况下统计并采集一天之中各个时段 影响光伏发电电池板发电的因素，本发明中侧重于光伏电池板工作温度和光伏发电设备工 作时的光照强度和光伏发电输出功率作为RBF-BP神经网络训练的输入输出。另选取同等 条件下各个时段的样本数据作为RBF-BP神经网络的测试数据。
[0009] (2)建立RBF-BP神经网络用于训练归一化后的样本数据。本发明提出建立的 RBF-BP组合神经网络是结合了RBF神经网络收敛速度快、群分类性能好和BP神经网络自 学习、自适应能力强等优点建立的一个由RBF子网和BP子网两部分构成双隐层RBF-BP组 合神经网络，其具有泛化性能更好、收敛速度更快、预测精度更高等特点。本发明提出的 RBF-BP组合神经网络分为：输入层、隐含层和输出层，各层的节点数设计如下：
[0010] 输入层：针对光伏发电最大功率的预测，在不考虑突变的天气情况和局部光照不 均匀的情况下对光伏发电最大功率点影响的情况下，神经网络输入量的选取主要考虑两个 部分，即光伏电池板工作温度和光伏发电设备工作时的光照强度。
[0011] 隐含层：本发明涉及到的RBF-BP神经网络，相比于传统的BP神经网络，在隐含层 加入了RBF神经网络作为子层。输入步骤（1)中的样本先经过RBF神经网络子网进行训练， 再将训练结果作为BP子网的输入对其进行训练。RBF-BP子网的隐含层节点的传递函数设 置为高斯函数，如式（1)所示：
[0012]
【权利要求】
1. 一种基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功率追踪算法，其特 征在于，包括步骤： 1) 根据光伏发电输出特性，选取日常天气状况下统计并采集一天之中各个时段影响光 伏发电电池板发电的因素，将光伏电池板工作温度、光伏发电设备工作时的光照强度作为 RBF-BP神经网络训练的输入，将光伏发电输出功率作为RBF-BP神经网络训练的输出，另选 取同等条件下各个时段的样本数据作为RBF-BP神经网络的测试数据； 2) 建立RBF-BP神经网络用于训练归一化后的样本数据，所述RBF-BP神经网络是由 RBF子网和BP子网两部分构成双隐层RBF-BP组合神经网络，分为：输入层、隐含层和输出 层，各层的节点数设计如下： 输入层：针对光伏发电最大功率的预测，在不考虑突变的天气情况和局部光照不均匀 的情况下对光伏发电最大功率点影响的情况下，神经网络输入量的选取主要考虑两个部 分，即光伏电池板工作温度和光伏发电设备工作时的光照强度； 隐含层：本发明涉及到的RBF-BP神经网络在隐含层加入了RBF神经网络作为子层，输 入步骤1)中的样本先经过RBF神经网络子网进行训练，再将训练结果作为BP子网的输入 对其进行训练； 输出层：输出层的节点个数可根据情况来定，但为了简化神经网络的设计，本发明选择 了一个输出节点，即最大功率点处的电压； 3) 将步骤1)采集到的数据带入步骤2)中建立的RBF-BP神经网络中，得到实际输出与 期望输出的误差E，作为用于遗传算法的适应度值； 4) 根据步骤2)中构建的RBF-BP神经网络的拟合函数输入输出参数个数确定RBF-BP 神经网络的网络结构，确定RBF-BP神经网络中的阈值和权值的个数，进而确定遗传算法的 个体的长度； 5) 将步骤1)采集到的数据用遗传学算法进行优化，具体实施步骤： A. 种群初始化 种群中的每个个体都包含整个RBF-BP神经网络的所有权值和阈值，个体编码方法 为实数编码，每个个体均为一个实数串，个体通过遗传算法适应度函数计算个体的适应度 值； B. 适应度函数 根据步骤1)的个体得到RBF-BP神经网络的初始权值和阈值，用步骤3)中得到的绝对 误差值E作为个体适应度值F; C. 选择操作 遗传算法选择操作有轮盘赌法、锦标赛等多种方法，本发明选择轮盘赌法，每个个体i的选择概率Pi为公式（6):
式中匕为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值 求倒数；k为系数;N为种群个体数目； D. 交叉操作 由于个体采用实数编码，所以交叉操作方法也采用相应的实数交叉法，第k个染色体ak 和1个染色体^在j位的交叉操作方法如公式（7):
其中b为[0，1]间的随机数； E. 变异操作 选取第i个个体的第j个基因％进行变异，变异操作的个公式如⑶：
公式⑶中，amax为基因a。.的上界；amin为基因a。.的下界；f(g) =r2(l-g/Gmax)2;r2为 一个随机数；g为当前迭代次数；G_是最大进化次数；r为[0,1]间的随机数。
2. 根据权利要求1所述的基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功 率追踪算法，其特征在于，所述步骤2)中RBF-BP子网的隐含层节点的传递函数设置为高斯 函数，如式（1)所示：
其中，uJX)是第i个隐层节点的输出，X是步骤（1)输入样本，Ci是高斯函数的中心向 量，^为节点的基宽度参数，且为大于零的数； 将RBF子网的输出作为组合神经网络中的BP子网的输入，其隐含层节点的传递函数设 计为Sigmoid型函数，如式（2):
因而BP子网络的隐层节点的输出为式（3):
其中，Wu为连接RBF隐含子层第i个节点到BP隐含子层的第j个节点的权值，N#RBF隐含子层节点数。
3. 根据权利要求1所述的基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功 率追踪算法，其特征在于，所述步骤2)中计算输出层节点的输出值公式为式（4):
其中，Wjk为连接BP隐含子层第j个节点到输出层第k个节点的权值，N3为BP隐含子 层节点数； 心根据实际输出与期望输出计算输出层的误差绝对值，如式（5):
其中，dk为期望输出，N4为输出层节点数，E为误差绝对值。
4.根据权利要求1所述的基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功 率追踪算法，其特征在于，还包括步骤： a) 将步骤1)的训练数据通过步骤4)的遗传算法通过选择、交叉和变异操作找到最优 适应度值对应个体，RBF-BP神经网络用遗传算法得到的最优个体对网路初始权值和阈值赋 值； b) 将步骤1)采集的测试数据测试用于遗传算法改进后的RBF-BP神经网络，当神经网 络训练误差小于目标误差时，网络收敛；当网络训练次数等于最大迭代次数而训练误差仍 大于目标误差时，网络不收敛；此时再通过RBF-BP神经网络的反向学习能力，反向修改神 经网络的权值和阈值，调整公式如（9)、（10):
式中，A为学习速率，训练完毕后的RBF-BP神经网络可用于光伏发电最大输出功率进 行追踪。
【文档编号】G06N3/02GK104484833SQ201410720814
【公开日】2015年4月1日 申请日期:2014年12月2日 优先权日:2014年12月2日
【发明者】朱正伟, 周谢益, 郭枫, 张丹, 张南, 钱露, 宋文浩, 黄晓竹 申请人:常州大学