[發明專利]基于遺傳算法優化Elman神經網絡的短期功率預測方法

在審

• 申請號: 201810393800.2
• 申請日: 2018-04-27
• 公開（公告）號: CN108665095A
• 公開（公告）日: 2018-10-16
• 發明（設計）人: 周武能;尤亞鋒
• 申請（專利權）人: 東華大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 上海泰能知識產權代理事務所 31233
• 代理人: 宋纓;錢文斌

本發明涉及一種基于遺傳算法優化Elman神經網絡的短期功率預測方法，包括以下步驟：首先確定Elman神經網絡拓撲結構，其中包括神經網絡輸入層節點個數、隱藏層節點個數、輸出層節點個數、承接層節點個數等。然后初始化Elman神經網絡權值閾值長度。再使用遺傳算法對初始值進行編碼并進行交叉變異等操作產生優化后的神經網絡初始權值，最后對神經網絡進行學習和訓練并更新權值，得到預測結果。本發明使得預測準確率更高，速度更快，便于電網的調度運行。

技術領域

本發明涉及光伏發電預測技術領域，特別是涉及一種基于遺傳算法優化Elman神經網絡的短期功率預測方法。

背景技術

近年來，光伏并網發電技術日趨成熟，應用廣泛。光伏電力系統由電力網、電力用戶共同組成。其任務是將太陽能轉化為電能給廣大用戶不間斷地提供經濟、可靠、符合質量標準的電能。滿足各類負荷的需求，為社會發展提供動力。由于光伏電能的生產與使用具有特殊性，即電能難以大量的儲存，而且各類用戶對電力的需求是時刻變化的，這就要求光伏系統發電出力應隨時緊跟系統負荷的變化動態平衡，即系統要最大限度地發揮出設備能力，使整個系統保持穩定且高效的運行，以滿足用戶的需求。否則就會影響供用電的質量，甚至危及系統的安全與穩定。因此，光伏發電系統負荷預測技術發展起來。并且是這一切得以順利進行的前提和基礎。

目前，國內外已經有研究人員將神經網絡應用于光伏系統負荷預測中。比如徑向基(RBF)神經網絡、靜態前饋反向(BP)神經網絡等進行短期功率預測。但這些均不能較好的反應實際問題的動態特性。特別是隨著我國經濟的發展，電力系統結構日趨復雜。電力負荷變化的非線性、時變性和不確定性的特點更加明顯。

發明內容

本發明所要解決的技術問題是提供一種基于遺傳算法優化Elman神經網絡的短期功率預測方法，使得預測準確率更高，速度更快。

本發明解決其技術問題所采用的技術方案是：提供一種基于遺傳算法優化Elman神經網絡的短期功率預測方法，包括以下步驟：

(1)確定Elman神經網絡拓撲結構；

(2)種群初始化編碼：用遺傳算法將Elman神經網絡的初始隨機權值和閾值編碼為由若干染色體組成的初始種群；

(3)個體適應度值計算：用訓練數據訓練Elman神經網絡后預測系統輸出，用預測輸出和期望輸出的誤差絕對值之和來計算個體適應度值；

(4)尋找最優適應度個體：對步驟(2)和步驟(3)中已經選擇的種群和計算出的適應度值找出參與交叉變異的個體，對群體進行優勝劣汰操作，使適應度較高的個體被遺傳到下一代群體中的概率較大，使適應度較小的個體被遺傳到下一代群體中的概率較小，計算出最優適應度個體，取得最優權值閾值；

(5)根據得到的最優權值閾值進行網絡訓練和結果預測。

所述步驟(1)中的Elman神經網絡分為四層，包括：輸入層、隱含層、輸出層和承接層；其中，所述輸入層的節點起到信號傳輸作用，所述輸出層的節點起到線性加權作用，所述隱含層的激勵函數選擇線性或者非線性函數，所述承接層起到延時算子的作用，用來記憶隱含層前一時刻的輸出值并返回給輸入層。

所述步驟(1)中的Elman神經網絡的非線性空間表達式為：其中，y、x、u和x_c分別表示m維輸入節點向量、n維隱藏節點單位向量、r維輸入向量和n維反饋狀態向量；w₁、w₂和w₃分別表示隱含層到輸入層、輸入層到隱含層、承接層到隱含層的連接權值；g(·)為輸出神經元的傳遞函數，f(·)為隱含層神經元的傳遞函數。

所述步驟(2)在編碼時個體編碼方式為實數編碼，染色體是每個個體組成的實數串，包括輸入層與隱含層的連接權值、隱含層閾值、承接層與隱含層的連接權值、隱含層與輸出層的連接權值和輸出層閾值。