田義云, 張建秋

(安徽理工大學(xué)力學(xué)與光電物理學(xué)院,安徽 淮南 232001)

0 引 言

由于光伏面板光照的不穩(wěn)定性、和其他環(huán)境因數(shù),基于BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電預(yù)測存在對光伏發(fā)電系統(tǒng)的發(fā)電量預(yù)測誤差較大的問題,崔佳豪等人將混合神經(jīng)網(wǎng)絡(luò)和注意力機(jī)制結(jié)合一起,利用其改進(jìn)算法的神經(jīng)網(wǎng)絡(luò)預(yù)測模型對分布式光伏發(fā)電系統(tǒng)發(fā)電進(jìn)行預(yù)測,通過對比實驗,結(jié)果表明改進(jìn)后的算法對光伏發(fā)電預(yù)測精準(zhǔn)度有較大提升[1]。王英立等人將光伏發(fā)電中兩個輸入(氣象因數(shù))和輸出變量(光伏發(fā)電量)利用歐式距離和Spearman相關(guān)系數(shù)方法優(yōu)化利用優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對光伏發(fā)電預(yù)測取得了較好的結(jié)果[2]。李燕斌,萬亞寧設(shè)計基于粒子群-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。將粒子群引入BP神經(jīng)網(wǎng)絡(luò)中對其內(nèi)部權(quán)重和閾值進(jìn)行最優(yōu)值搜索[3]。朱芳將KPCA與混合蛙跳算法相結(jié)合,進(jìn)行輸入量提取輸入關(guān)鍵成分,同時發(fā)電功率輸出一起構(gòu)成歷史數(shù)據(jù)庫,然后對其訓(xùn)練,確定其神經(jīng)網(wǎng)絡(luò)的最佳的閾值和權(quán)值,構(gòu)成綜合的光伏發(fā)電的預(yù)測模型,通過誤差實驗度對比,該模型預(yù)測精度有較大提升[4]。近幾十年,群體智能算法快速發(fā)展,涌現(xiàn)了眾多的智能群體算法。薛建凱等人模仿麻雀尋找食物行為,設(shè)計了新的算法—麻雀搜索算法(Sparrow Search Algorithm,SSA)[5]。SSA算法具有比LSO,GWO全局探索性能好,收斂穩(wěn)定性強(qiáng),但也存在后期易陷入局部最優(yōu)值和收斂速度較慢缺陷[6-9]。針對這些問題,根據(jù)以上文獻(xiàn),本文將自適應(yīng)T分布[10](又稱學(xué)生分布)策略引入麻雀搜索算法中。自適應(yīng)T分布策略的自由度參數(shù)用麻雀算法的迭代次數(shù)表示,以此提高種群的多樣性,增強(qiáng)算法后期全局搜索能力,然后對BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行尋優(yōu)。通過對比實驗,利用與實際數(shù)據(jù)值對比和誤差量分析來評估改進(jìn)的算法預(yù)測模型光伏發(fā)電量預(yù)測性能。

1 基于TSSA-BP神經(jīng)網(wǎng)絡(luò)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

日照強(qiáng)度、環(huán)境溫度等是光伏發(fā)電系統(tǒng)輸出功率主要影響。不同環(huán)境的空氣分子、塵埃和云滴在大氣中不同,對應(yīng)的太陽輻射散射為也不同。光伏輸出特性分析單位面積光伏陣列的輸出功率,光伏發(fā)電的理論計算如式(1):

式(1)中η陣列的轉(zhuǎn)換效率;R(t)為太陽輻射強(qiáng)度;T為環(huán)境溫度;S為光伏陣列。功率輸出為受多種因素影響,如光照強(qiáng)度和環(huán)境溫度。環(huán)境因素的影響功率輸出,光照強(qiáng)度為與功率輸出正相關(guān),并具有較強(qiáng)的相關(guān)性。BP神經(jīng)網(wǎng)絡(luò)是其中最成熟、應(yīng)用最廣泛的網(wǎng)絡(luò)之一人工神經(jīng)網(wǎng)絡(luò)模型?；綛P算法包括兩個方面:信號的前向傳播以及錯誤的反向傳播。實際的輸出計算從輸入到輸出方向,從輸出到輸入方向是對權(quán)值的修正,以便BP神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出接近所需的輸出。它由輸入層組成,隱藏層和輸出層,隱含層是一層。在針對由于數(shù)據(jù)量的不夠和一些外在環(huán)境因素,在BP神經(jīng)網(wǎng)絡(luò)中輸入層、輸出層以及隱藏層和數(shù)據(jù)預(yù)測精度要求嚴(yán)格的相關(guān)性,在實際的過程中神經(jīng)網(wǎng)絡(luò)設(shè)計關(guān)鍵是神經(jīng)數(shù)量,其中兩個是光照強(qiáng)度R(t),溫度t兩個參數(shù)和4個歷史預(yù)測點(diǎn)p1,p2,p3,p4。基于測量數(shù)據(jù),根據(jù)實驗反復(fù)測試,設(shè)計輸入層和數(shù)據(jù)的特點(diǎn)設(shè)計6個輸入神經(jīng)元,隱藏層為11個神經(jīng)元,輸出層1個神經(jīng)元,而BP神經(jīng)網(wǎng)絡(luò)是基于梯度,神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)收斂速度慢的缺點(diǎn)過程中,容易陷入局部最優(yōu),對初始權(quán)重、學(xué)習(xí)率等敏感網(wǎng)絡(luò)的參數(shù)。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示。本實驗設(shè)計的參數(shù):間隔次50,學(xué)習(xí)率0.04,動量因子0.8,訓(xùn)練次數(shù)400,誤差精度0.01。

圖1 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

1.2 麻雀搜索算法

麻雀搜索算法(SSA)是模仿麻雀尋找食物行為設(shè)計而成,然后根據(jù)各自尋食行為以及加入者三者之間的協(xié)作關(guān)系,進(jìn)行自身位置更新。發(fā)現(xiàn)者的位置更新如式(2):

式(2)中X t+1i,j代表個體在t+1次迭代的最優(yōu)位置,t為當(dāng)前迭代次數(shù),α∈(0.1]為隨機(jī)數(shù)。R2(R2∈[0,1]),ST(ST∈[0.5,1]代表警告和安全參數(shù)值,Q是正態(tài)分布隨機(jī)數(shù)且N(0,1),L為1×d(d=MP)矩陣且每個元素都是1,Tmax種群最大迭代次數(shù)。加入者的位置更新如式(3):

式(3)中,MP是群體總數(shù),發(fā)現(xiàn)者最優(yōu)位置X best,全局最差位置Xworst,A為1×d矩陣,每元素隨機(jī)賦值,A+=A T(AA T)-1。β作為步長參數(shù),服從N(0,1)正態(tài)分布隨機(jī)數(shù),X ti,j代表個體在t次迭代的全局最優(yōu)位置,隨機(jī)數(shù)K范圍[-1,1]。f i,f g和f w分別是群體個體當(dāng)前適應(yīng)值、全局最佳和最差適應(yīng)度。警戒者位置更新如式(4):

1.3 SSA的改進(jìn)

T分布含有參數(shù)自由度n,它的曲線形態(tài)與自由度n大小有關(guān),n值越大,曲線越陡峭,此時曲線具有中間高,曲線雙側(cè)尾部低的特點(diǎn)[10]。高斯分布N(0,1),柯西分布C(0,1)和T分布的對比圖如圖2:

圖2 高斯分布、柯西分布和T分布圖

針對麻雀搜索算法后期易陷入局部最優(yōu)值、收斂速度較慢和尋優(yōu)精度低等問題,在麻雀算法后期個體位置完全更新后,利用自適應(yīng)T分布策略對隨機(jī)選擇的發(fā)現(xiàn)者、加入者、警戒者個體位置進(jìn)行擾動,提高種群多樣性和全局探索能力,更新其位置,不斷的逼近食物位置,對比更新前后麻雀個體適應(yīng)度值,如果更優(yōu)則替代之前的麻雀,自適應(yīng)T布隨機(jī)干擾因數(shù)α1控制麻雀個體變異程度大小。公式如(5):

自適應(yīng)隨機(jī)干擾因數(shù)控制麻雀個體變異的程度,其范圍[α1∈(0,1)],并且遞減,L為最大迭代次數(shù)。自適應(yīng)T分布策略公式如(6):

式(6)中X t+1ij=(x i1,x i2,...,x ij)為變異后的麻雀個體位置,x ij為第i麻雀個體位置,t(l)代表迭代次數(shù)l時的t分布用適應(yīng),在所有種群更新完后,變異開始時首先生成范圍為(0,1)的隨機(jī)數(shù)k,當(dāng)k小于p時進(jìn)行變異,t(l)·α1對麻雀個體進(jìn)行擾動,反之則不變異。讓麻雀個體信息得到充分利用。改進(jìn)的算法提高種群多樣性,增強(qiáng)麻雀個體跳出局部最優(yōu)值的能力搜索全局最優(yōu),T分布自由度參數(shù)用群體的迭代次數(shù)來表示。算法運(yùn)行前期自由度參數(shù)n較小,T分布具有柯西變異特點(diǎn),麻雀搜索算法運(yùn)算的前期具有較好的全局尋優(yōu)能力。在運(yùn)行后期n較大,算法具有高斯變異的特點(diǎn)算法局部搜索較強(qiáng)能力。而當(dāng)算法運(yùn)行到迭代中間,由于T分布剛好在高斯變異和柯西變異的中間,即T分布變異同時具有了高斯變異和柯西變異優(yōu)點(diǎn),從而提高算法局部和全局搜索能力。

1.4 基于自適應(yīng)T分布策略改進(jìn)的麻雀搜索算法對權(quán)值、閾值進(jìn)行優(yōu)化的步驟

步驟1:初始化迭代次數(shù)、捕食者和加入者的比例、計算麻雀個體適應(yīng)度值、并排序。

步驟2:更新捕食者和加入者位置和警戒者位置。

步驟3:計算種群個體適應(yīng)度值并根據(jù)適應(yīng)度值來更新麻雀個體位置。

步驟4:如果k＜p,則根據(jù)公式(5)進(jìn)行自適應(yīng)T分布變異。

步驟5:計算種群個體適應(yīng)度值并根據(jù)適應(yīng)度值來更新麻雀個體位置。

步驟6:如果達(dá)到最大迭代次數(shù)則停止輸出最優(yōu)解,反之,去執(zhí)行步驟1-5。

TSSA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測模型流程圖如圖3所示。

圖3 TSSA-BP預(yù)測模型流程圖

2 實驗與仿真

(1)實驗數(shù)據(jù)將采集安徽理工大學(xué)光伏電站一個月的功率輸出數(shù)據(jù)和同時期天氣預(yù)報數(shù)據(jù),對數(shù)據(jù)的簡單歸一化處理,取正常實驗數(shù)據(jù)1000組進(jìn)行訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)是由非線性激活函數(shù)組成,輸出在[0,1]或[-1,1]之間,由于實驗的輸出不在限定的區(qū)域內(nèi),為避免原始數(shù)據(jù)訓(xùn)練會造成神經(jīng)元過負(fù)載,需對數(shù)據(jù)進(jìn)行歸一化處理。仿真實驗在Matlab R2016b軟件進(jìn)行訓(xùn)練與預(yù)測。實驗參數(shù)設(shè)置:種群個數(shù)20,迭代次數(shù)100,發(fā)現(xiàn)者尋找食物和偵察者進(jìn)行監(jiān)視一般都占群體總量MP的10%到20%。采集了2020年7月的某連續(xù)幾天安徽理工大學(xué)樓頂上的50kw光伏發(fā)電系統(tǒng)記錄的歷史數(shù)據(jù),以及天氣預(yù)測信息來實驗驗證,為了更清楚地論證TSSA算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度,設(shè)計與SSA對比實驗。

(2)基于TSSA-BP,SSA-BP與BP對比實驗。

在實驗仿真結(jié)果可知,從仿真結(jié)果可知,在圖4中可知,基于TSSA的預(yù)測實驗數(shù)據(jù)相比其他兩種算法預(yù)測實驗數(shù)據(jù)更加接近實際值。在不考慮其記錄數(shù)據(jù)的誤差等因數(shù)情況下,可得出結(jié)論是改進(jìn)后的算法的尋優(yōu)能力有較大的提高,對BP神經(jīng)網(wǎng)絡(luò)最優(yōu)閾值和權(quán)值搜索的性能有了很大的改善。在圖4和圖5中對BP原始的BP神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)的絕對誤差百分比相比為麻雀搜索算法和基于T分布策略優(yōu)化麻雀搜索算法的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度波動范圍較大?；赥SSA相比基于SSA算法的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度絕對誤差百分比要小于。在實驗數(shù)據(jù)90.2%中改進(jìn)的算法預(yù)測精度要更優(yōu),從綜上數(shù)據(jù)和圖可知,該改進(jìn)的光伏發(fā)電預(yù)測模型更加準(zhǔn)確。

圖4 基于TSSA-BP、SSA-BP與BP神經(jīng)網(wǎng)絡(luò)預(yù)測對比圖

圖5 基于TSSA-BP、SSA-BP與BP神經(jīng)網(wǎng)絡(luò)預(yù)測誤差圖

3 結(jié) 語

引入基于T分布變異略優(yōu)化麻雀搜索算法(SSA)。將改進(jìn)的SSA對BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值尋找最佳解,可以克服BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)是收斂時間過長和易陷入局部最優(yōu)解的缺點(diǎn)。實驗結(jié)果表明基于TSSA-BP神經(jīng)網(wǎng)絡(luò)光伏發(fā)電模型與SSA-BP與BP神經(jīng)網(wǎng)絡(luò)預(yù)測相比預(yù)測精度大幅提高,泛化能力有較大提高,可以更精準(zhǔn)預(yù)測光伏發(fā)電量,具有廣泛的工程實用價值。