极限学习机光伏发电预测模型的PSO算法改进和性能比较

工程科学与技术，国际期刊21（2018）428完整文章基于优化改进极限学习机技术的Manoja Kumar Beheraa，Irani Majumderb，Niranjan Nayakaa印度布巴内斯瓦尔751030 SOA被视为大学电气和电子工程系b印度布巴内斯瓦尔751030 SOA被视为大学电气工程系阿提奇莱因福奥文章历史记录：2017年11月18日收到2018年3月27日修订2018年4月18日接受在线发售2018年保留字：PV阵列极限学习机最大功率点跟踪粒子群算法疯狂粒子群优化加速粒子群优化单层前馈网络A B S T R A C T光伏发电功率的预测是一个重要的研究领域，利用不同的预测技术来弥补光伏发电的不确定性的影响在智能电网和微电网概念中，光伏发电的渗透率越来越高太阳能在自然界中是不规则的，因此光伏发电是间歇性的，并且高度依赖于辐照度、温度水平和其他大气参数。大规模光伏发电和传统电力系统的渗透给微电网智能电网能量管理带来了重大挑战。为了保证微电网和智能电网的经济运行，准确预测太阳能功率/辐照度是非常关键的。在本文中，极端学习机（ELM）技术用于光伏发电预测的实时模型，其位置在表1中给出。在此模型中，结合基于比例积分（PI）控制器的增量电导（IC）最大功率点跟踪（MPPT）技术，在MATLAB/SIMULINK软件中进行了为了训练单层前馈网络（SLFN），实现了ELM算法，其权值由不同的粒子群优化（PSO）技术更新，并将其性能与现有的BP（Back Propagation）预测模型进行了比较。©2018 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍过去几十年来，由于化石燃料的大量消耗，全球变暖和能源危机对政府的经济政策、气候条件和能源安全问题产生了很大影响，这促使开发和使用替代的、可持续的和清洁的能源，以取代目前的能源生产[1]。为了避免紧急停电、减少CO2排放量和控制污染水平，全世界被迫集中精力使用可再生能源出于这个原因，人们对太阳能和风能的兴趣和开发不断增加[2]。但是，它产生了很多问题，以装备这样的能源资源，正是由于这个原因，我们光伏发电功率预测是光伏发电大规模集成的关键因素，是可靠和经济的*通讯作者。电子邮件地址：manoj04manoj04@gmail.com（M.K.Behera）。由Karabuk大学负责进行同行审查。电网[3]。除此之外，光伏（PV）功率预测对于大型光伏发电站的改造和安装、电力系统稳定、绿色电力业务以及自治电力系统的功率扰动预警都是必不可少的[4]。功率预测对于电力系统公用事业的监督也是必不可少的，这有助于通过对机组组合做出正确的决策来减少发电站备用容量的使用[5]。因此，它对降低电力生产成本和提高系统的可靠性起着重要的作用。因此，它对发电、输电和能源管理都极为重要[6]。第二天的能量生产必须在前一天计划，并且第二天的这种PV功率预测过程是PV发电站的日常程序。预测误差对电力系统的经济运行和生产率有很大的影响[7]。由于不同的大气参数，如温度，云量和灰尘，准确的光伏发电预测可能是一项艰巨的任务。在过去的几十年里，不同的预测技术已经被引入到公用事业规模的光伏发电站的光伏功率预测领域。光伏发电量预测方法大致可分为混合预测法、人工智能预测法、模糊预测法、模糊预测法https://doi.org/10.1016/j.jestch.2018.04.0132215-0986/©2018 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchM.K. 贝赫拉和 其他/工程 科学 和技术， 国际 期刊21（2018）428429光伏功率（W）0(AI)方法、统计方法和物理方法。 统计方法通常基于数据驱动的公式，通过使用历史测量数据来预测太阳时间序列[8]。人工智能技术，如人工神经网络（ANN）[9]，反向传播是统计方法的组成部分[10]。物理模型预测太阳辐照度和光伏发电，通常基于数值天气预报（NWP）或卫星图像[11，12]。最后，上述方法的组合导致了一种新的方法，它只不过是混合方法[13]。在实践中，为了满足决策过程的要求，根据预测范围的不同尺度考虑了各种预测方法[14]。发电系统中的另一种类型的统计预测方法包括时间序列以及回归分析[15]，例如线性回归模型（LRM）[16，17]、多元线性回归模型（MLRM）、非线性回归分析、自回归（AR）模型[18，19]、移动平均（MA）模型、自回归移动平均（ARMA）模型和非平稳时间序列[20]。统计预测技术首先需要一些数学关系来识别电力生产总值中的负荷、用电时间和工业总产值等各种因素之间的变化，然后才能用数学模型进行预测。 整个过程可能需要较长的时间才能完成，因为它集中于数学模型的校准及其调整过程。本文介绍了过去几年开发的光伏发电预测技术的现状，并与提出的预测技术进行了比较[21，22]。最广泛使用的预测模型;极端学习机被应用于预测短期基础上的光伏功率，并比较其性能与现有的算法，如反向传播（BP）训练的人工算法。任意选择输入权值和隐藏偏差会给极限学习机（ELM）带来性能不确定和过拟合等挑战，这些问题仍然需要解决。本研究的挑战之一是正确选择预测模型的权重[23]。对各种改进的粒子群优化算法进行了测试，以选择合适的神经网络权值，改善预测误差。仿真结果表明，采用加速粒子群优化技术（APSO）优化的ELM比经典粒子群优化算法（PSO）和疯狂粒子群优化算法（CRPSO）具有更好的性能。论文的其余部分安排如下。第二部分，阐述了光伏电池的数学模型和增量电导最大功率点跟踪技术。第三部分，对预测特征和不同的预测范围进行了概括。各种类型第四节讨论了改进的粒子群优化算法和ELM算法与模型块图的关系。第五节和第六节分别对仿真结果和结论进行了讨论.2. PV模型光伏预测的结果是太阳辐照度或光伏功率。太阳能发电的系统变量、预测范围等特性对光伏发电功率预测和能源管理至关重要。标准化的性能评估指标有助于开发新的太阳能预测器和预测模型。2.1. 光伏发电光伏发电的预测输出受太阳辐照度测量、反射率、估算等诸多因素的影响光伏电池温度等[24]。最大功率输出由下式建模：PV¼gAI½1-0：05[t-25]1其中g表示PV阵列的转换效率（%），A是阵列面积（m2），“I”是太阳辐照度（kW/m2），并且“t”是外部空气温度（°C）。所研究的simulink模型的参数为最大功率Pmax = 105 W，最大功率下的电压V max = 18.46 V，最大功率下的电流Imax = 5.74 A，短路电流I sc = 6.11 A，开路电压V oc = 21.6 V，分流电阻R sh = 1000 O，串联电阻R s = 0.0001 O，串联单元数Ns = 36，并联单元数NP =1 [25，26]。2.2. 最大功率点跟踪（MPPT）该方法可以通过增加PI控制器来实现，该PI控制器可以通过减小实际电导和增量电导之间的误差来改善增量电导（IC）MPPT性能，使得可以进行所需的调节并且可以根据需要逐渐更新系统。此外，这种PI控制器克服了扰动和观察（PO&）MPPT技术的缺点，如它的振荡周围的MPP在快速变化的大气条件下，如图2所示。1和2.最大功率点是否达到最大功率点，取决于光伏组件的增量电导，也取决于运行点扰动的停止标准[27，28]。在这种MPPT技术中，MPP可以从dI/dV和I/V之间的关系导出。当最大功率点在P-V曲线的右侧1201201001008080606040402001 2 3 4 56时间（秒）（一）2000 1 2 3 4 5 6时间（秒）（b）第（1）款图1.一、利用MPPT技术从PV模块提取功率（a）P O和（b）基于PI的IC光伏功率（W）430M.K. Behera等人/工程科学与技术，国际期刊21（2018）428（一（b.（三）66ðÞNXJN1106105104103102101100993 3.01 3.02 3.033.043.05时间（秒）3.08 3.093.110610510410310210110099关于PIIC Bas3 3.01 3.02 3.03 3.04 3.05 3.06 3.07 3.08 3.09 3.1时间（秒）图二、稳态功率纹波（约105 W）（a）P O MPPT和（b）基于PI的IC MPPTMPP的右侧位置为负值。这种方法的测量优点是能更快地达到最大功率点，对环境条件的变化和干扰有更高的处理效率。IC MPPT相对于P OMPPT的主要优点在于，它可以计算可以改变PV发电机的操作点以使其更接近MPP的方向。这就是为什么在快速变化的天气下，它不会采取错误的方向，此外，一旦达到MPP，工作点不会围绕它振荡[29，30]。3. 光伏发电预测的主要特点输入变量和预测范围的选择影响所开发的预测模型的准确性。一般来说，一些重要的变量被用作预测模型的输入，但不受以下因素的约束[31]：光伏发电历史数据与气象变量相关的历史解释变量，包括全球水平辐射、温度、云量、湿度、风速等。3.1. 预测范围从实践的角度来看，不同的预测范围将对应于智能电网和微电网中决策活动的具体需求，具体如下[32]：1. 非常短期的预测（从几秒到几分钟）：这种预测对光伏储能控制和电力营销都是有用的。如今在智能电网和微电网环境下，光伏发电的极短期预测变得更加重要。2. 短期（提前2这种预测技术对于电力市场和电力系统4. 长期（从1个月到几年）：长期估计可以应用于光伏电站的长期太阳能测量和规划。从微电网和智能电网能源管理以及电力系统平稳运行的角度来看，短期和非常短期的预测范围对于光伏发电站的运行、实时机组投入、存储控制和电力营销等活动是必不可少的和有用的。因此，开发一种先进的光伏发电短期功率预测系统成为研究者关注的焦点。3.2. 数据处理在我们的问题中，所有输入或属性以及输出或目标都使用等式进行了规范化（2），而输入权重和偏差已经被获得到范围[0，1]中，使得可以提高训练速度并且可以避免计算溢出[33]。XωXj-Xmin0X ω12X最大-X最小其中，X max、X min是X数据序列的最大值和最小值，X/是X的归一化值。3.3. 性能估计本文采用均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）等预测趋势识别指标对各种软计算方法进行了性能评价上述指数的计算如下[34]：MAE¼1Xjy-tjj31Nyj- tjj系统运行，包括经济负荷分配，机组组合，mitment等。MAPE¼ Njyi 1j×100%100% 100%3. 中期（提前7天）：vut1XN2N 1/1光伏发电站、常规发电站、变压器和输电线路。其中，yj和tj是PV功率的测量值和相应的预测值，N是测试样本的数量组合-OP&光伏功率（W）光伏功率（W）●●中期预测将有助于安排维护时间，RMSE¼yj-tjð5ÞM.K. 贝赫拉和 其他/工程 科学 和技术， 国际 期刊21（2018）428431层层层h（w，yi22XBnXbn<$Gn Gn2Gn Yn11argMin¼argMin1kb2k 1lke2k12n2n2nnnGn Yn15lGn Gn这些统计指标的作用足以评估模型性能。4. 预测模型ELM分类器又称优化ELM，由两个不同的单元组成，即：基于SLFN的 ELM算法以及用于调整ELM参数的各种单层前馈网络是这样一种类型的神经网络，它能够近似一个现有的函数，该函数将一组输入与具有最小误差的输出相关联[35]。4.1. 极限学习机（ELM）ELM是 一 种 先 进的 技 术 ， 用 于 训 练 图 3 所 示 的 单 层前 馈 网 络（SLFN），其中输入权重和偏置是任意选择的，输出权重是解析计算的。对于隐层神经元，使用了Sigmoid和Gaussian函数等不同的激活函数，而对于输出神经元，使用了线性激活函数。ELM是一种快速、简单的算法，但在输入数据较少的情况下，其性能优于传统的神经网络。 4[36]。如果随机选择SLFN的参数，则4.1.1. ELM的学习算法线性方程组的通解表示为AX^Y其中A Rm×n和Y Rm在欧氏空间中，具有随机权值和隐层的SLFN实际上是一个线性系统。对于“n”个任意样本（Xi，Yi），其中Xi1/2;Xi2;.. . xm]T2R和y i½yi 1;yi2;. . ym]T2R即Xi½xij]T2R和Yi½yij]T 2R具有激活函数h（x）的具有“k”个隐藏节点的一般ELM模型Kbihwi x j b i hy j; j <$1; 2;. n61/1其中wi1/4/2w i 1;wi 2。. . win]T，it是随机选择的连接输入和第i个隐藏神经元的输入权重向量隐藏神经元的EQ。（6）、可以重新公式化为下面的矩阵形式Gnbn<$ Yn哪里26小时每周1x1周b1周 · · ·hakx1bk37..它变成了一个线性系统，其中可以分析输出权重通过Moore Penrose广义逆计算，4.第四章· ··75ð8Þ隐藏层输出矩阵。这种改进的算法被称为极限学习机。ELM技术性能高hkw1x nhkb 1 ··· hðak x nþ bkÞn×k与其他传统方法（如梯度下降，反向传播训练算法等）相比，计算速度更快[37]。与其他预测算法相比，ELM的优点是训练误差最小，权重范数最小，性能优异，收敛速度极快[38]。bn½b1;b2：bk]在学习的初始阶段，参数被任意选择，使得“G”可以保持不变。基于ELM算法训练SLFN网络与计算线性系统的最小二乘解b^相同[39]：Gnbn<$ Yn输入隐藏输出kGnw1：wm;b1：bmb^n-YnkMinkGnw1：wm;b1：bmbn-Ynkð10Þ根据Moor Penrose广义逆理论，输出权重bn[40]：x^.不歼-1T4.1.2. 正则化ELM算法为了进一步提高ELM的能力和可控性，提出了RELM，其中bn可以由[41，42]代替：图三. SLFN模型的结构。bnbn2n2K使得bihowwi：x j= b i how-y j∈j，其中j ∈ 1; 2;.. . n131/1最优化问题的相应拉格朗日函数1升。ΣLtd.; e; bkbkrnhke2k-kGb2- y-e14k1;k2：：kn]拉格朗日乘数r：使k和b的偏导数等于零，.1T见图4。 ELM的流程图歼-1T测试ELM网络用ELM算法计算隐层规范化数据集计算SLFN使用训练和测试数据集设置激活ELM网络功能随机分配隐层权重和偏置设置ELM网络模型性能评价b^n¼432M.K. Behera等人/工程科学与技术，国际期刊21（2018）428PV阵列功率转换器原始实时PV数据随机权重aMPPT算法+占空比调整最大光伏功率PWM发生器电压电流检测VPV负载榆树ðÞ伊什伊恩伊什iPhone1ΣðÞiPhone1þiPhone1iPhone1我þþ我þ我 iPhoiPho[国际原子能机构]我免疫球蛋白-1lGiyi1ginginG0T1G0i 1þ¼ R-i1gTngi1我我我我G¼p-1 gT-1 HT H gTy¼Vmin，其中ViVmin VmaxiPhone1iPhone1iPhone1iPhone1iiPhone1iPhone1我i第1段iPhone1而Sk1½ SVk 1ð28Þ利用Sherman-Morrison矩阵求逆理论求解Eq. 在式（19）中，Ri如下重排：我我我该过程的流程图如图6所示。针对ELM参数优化问题，给出了粒子群优化算法的具体步骤R0i1¼Ri-RigTngiþnRi1 gin Ri gTð21Þ如下替换Eq。（21）在（20）中，我们得到步骤1：数据预处理：-将数据集的所有数据归一化到[0，1]范围内。b0i 1¼R0iGT yi gTn yi n● 第二步：每个粒子的初始速度是随机生成的-þ þ1i¼biþR0i þ1我的þgTnyin-ginbið22Þ通过指定群大小、最大迭代次数和速度来进行调整。为了消除先前的训练样本，在模型上，即隐矩阵和输出权重向量通过以下方式调整：步骤3：根据粒子的适应度值计算粒子检验ELM算法的精度，并以适应度最大的粒子作为粒子群的最佳位置。1升1夸脱gTGTiPhone2* ：gT伊恩23辐照度. 1T-1Tb第1¼页.1lGi1Gi1ΣT-G-1- gTG第1次会议ð24Þ温度范围第1章iPhone1i第1章ii预测PV功率其中Yi=1/2;yi1;yi2;.. . yin]T设Rþ.1Tþ1号线þ我们有优化不不●●ð26ÞiPhone1吉吉ð18Þ适当的解决方案。此外，PSO有能力b0的1/4R0YB.G.ð20Þ¼不VDCELM端偏置优化技术M.K. 贝赫拉和 其他/工程 科学 和技术， 国际 期刊21（2018）428433我联系我们lGi1Gi1ELM的权重和r10的gT gR0ð25ÞRi1¼ R0þiPhone1我i第1段第一章1-gib0i1gT图五. 拟议系统的框图表示。434M.K. Behera等人/工程科学与技术，国际期刊21（2018）428ð Þ我4ð Þ我¼-我44我40 r4> pcrvi<$ r2ωsignalr3<$ω vi<$1- r2<$ωg1ω r1ω pbesti- si我我我2我我我我我我我在预期的有希望的地区。因此，在接下来的步骤中，速度的方向应该反转到有希望的区域。符号R3用于处理这个问题[47]。在鱼群和鸟群中，鱼或鸟会意外地改变方向。为了通过一个疯狂因子来处理这个动作，它使用了一种借助疯狂变量的技术来建模。为了保持粒子的多样性，粒子应该具有预定义的疯狂概率，为了保证这一点，CRPSO技术中引入了疯狂算子。重要的是，在更新这个位置之前，粒子的速度被Vk1¼ Vk1prωsignrω vcraziness31其中r4是在所述随机变量内随机选择的随机变量，在[0，1]的范围内，vcraziness是均匀分布的随机变量，选择这样的。vcraziness2½vmin;vmax]符号函数，我我我概率定义为我的朋友。1r46 pcrð32Þ其中pcr是概率疯狂签名。 1r4P 0：5ð33Þ见图6。 优化ELM的PSO流程图。步骤4：通过方程更新每个粒子的速度和位置。（27）和（28），对于每一次迭代。步骤5：检查停止标准。如果尚未达到最大迭代次数，则返回步骤3。否则，执行下一步。步骤6：输出ELM的（w，b）的最佳组合，其等价于最大适应值。为了克服经典粒子群算法的缺点，提出了疯狂粒子群算法。在经典的PSO中，鸟群或鱼群突然改变它们的方向。4.4. 疯狂粒子群算法这里引入了一个全新的速度表达式。这个表达式与几个任意数和一个疯狂的速度相关联。这里的速度表达式由下式给出-1 r40： 5<鸟速度的恢复不应频繁发生，应选择较小的r 3<0：05值。符号3- 1取相反方向。类似地，选择pcr6 0： 3，使得r4将具有更大的概率，并且最终它变得大于pcr。情况PR4在大多数情况下将为零。如果不是这样，那么在收敛曲线的最大迭代中将产生严重的不必要的振荡。选择非常小的v 疯 狂 度（=0.0001）。4.5. 加速粒子群算法标准PSO同时使用g/和个人最佳值Xωi：使用个人最佳值是有利的，因为它增强了质量解决方案的多样性;但是需要一些随机性，模拟这种多样性[48]。 因此，没有强有力的理由使用个人最佳，除非在感兴趣的优化问题中看到高度非线性。只有使用全局最优的简化版本才能加速算法的收敛[49]。因此，在APSO中，使用更简单的公式来生成速度矢量k1knk koVt1¼Vta2nb.gω-Xt34þð1-r2Þωgωð1- r1Þ ωngbestk- skoð29Þ其中，2n是来自（0，1）的随机变量，以代替第二项，a; b是加速度常数，Vt是速度矢量，Xt是位置其中，r1、 r2和r3是所选择的随机参数，其值介于1/2;0]之间;符号r3定义为：. -1 r360：05我我的粒子。职位的更新只是Xt 1¼XtVt 1ð35Þ1r3> 0： 05两个随机参数r1和r2是独立选择的如果这两个值都很大，并且有特殊的和社会的经验，也被使用，那么粒子将飞离当地的最优。如果两个值都很小，即完全不使用或部分使用社会和个人为了克服这个单一的随机数r1，使得r1是大的，而r1-r1是小的值，反之亦然。引入另一个随机数r2来控制全局和局部搜索的平衡在鸟类成群觅食的情况下，根据方程，在粒子的位置有一定的变化之后，可以观察到某些罕见的情况（31）像鸟一样由于惯性可能飞不到食物源另一方面，鸟飞向相反的方向还可以在单个步骤中更新位置，以进一步提高收敛性Xt1 1-b Xtb gωa2n36用这种较简单的形式可以得到同样的收敛阶数。通常，a 1/40： 1L- 0： 5L，其中L是变量的测量值，而b0： 1 0： 7对于大多数实施方式来说是足够的。值得指出的是，由方程式（36），并且不需要处理速度矢量的初始化。因此，加速PSO非常简单。与许多其他PSO变体相比APSO的高级改进是为了减少迭代过程中的不确定性[50]。这意味着单调递减-终止标准没是输出初始化填充参数初始化更新最佳位置更新速度和位置测试精度榆树适应度计算●●●签名人3ð30ÞM.K. 贝赫拉和 其他/工程 科学 和技术， 国际 期刊21（2018）428435MPP2Ir=1000W/m2Ir=800W/m2Ir=600W/m2Ir=400W/m2--[1/2/2]可以使用ing函数，例如1/4a0 e ct;或者a 1/4a0 e t;0

下载后可阅读完整内容，剩余1页未读，立即下载